CN104376402A - 一种基于频域指标的负荷特性分类与综合方法 - Google Patents

Abstract

本发明公开了一种基于频域指标的负荷分类与综合方法，首先从监测控制和数据采集系统获取待分类的配变台区，对数据进行预处理，再对数据进行归一化处理，用标幺值表示，通过一周或几周数据取平均值，获得典型日负荷曲线；后基于定义的频域指标描述体系，采用指定的聚类方法，得到频域特征参数相似的配变台区类，最后得到各分类用户的典型负荷曲线及其频域指标描述集。此方案相比传统负荷分类与综合方法，能有效减少数据维数，降低计算开销和存储容量，负荷分类效果与传统方法相近。

Description

一种基于频域指标的负荷特性分类与综合方法

技术领域

本发明属于电力系统领域，具体涉及一种基于频域指标的负荷特性分类与综合方法。

背景技术

负荷分类与综合是电力系统规划、错峰管理、分时电价、负荷预测的基础，好的负荷分类与综合方法能给系统规划、错峰管理等提供正确的依据和指导。

电力系统用户类型繁多，各种类型的用户呈现不同的负荷特性，当前缺乏符合电网实际的、科学的负荷分类方法及完善的负荷特性指标体系。目前，负荷特性指标主要基于用户日负荷曲线(48点或96点数据)进行提取；指标体系主要采用时域指标，如日负荷率、日最小负荷率、日峰谷差，日峰谷差率、峰期负载率、平期负载率、谷期负载率等。经相关研究发现，仅通过这些指标都无法精确详细描述负荷特性。因此通常需要通过48点或96点日负荷曲线数据才能有效进行负荷特性聚类分析，随着电网的日益发展，需要统计和存储的数据量逐渐增大，维护成本较高。

以聚类为基础的数据挖掘算法是近年来新兴的智能负荷分析与处理手段，主要是采取各种聚类方法，如K-means(k均值聚类算法)、FCM(模糊聚类算法)、SOM(自组织映射算法)等对区域电力系统变压器或者用户的负荷数据进行聚类分析。已有专利提出了一种以K-means划分聚类为基础的典型日负荷曲线提取方法，其需要预先输入聚类数目K，且聚类以48点或96点日负荷曲线为依据，所需计算开销较大，数据存储量大。

发明内容

针对现有技术的不足，本发明提出一种基于频域指标的负荷特性分类与综合描述方法，其目的在于克服现有技术中进行负荷特性分类时，计算量大且数据存储量大的问题。

一种基于频域指标的负荷分类与综合方法，包括如下步骤：

步骤1：从监测控制和数据采集系统获取待分类的配变台区同属相似工作日的5-10组日负荷曲线数据；

所述相似工作日是指，对日类型相同的配变台区日负荷数据，依据气象数据根据灰色关联度分析得到关联度大于或等于0.6；即日负荷曲线具有相似性；

步骤2：对配变台区的每组日负荷曲线数据按下式进行归一化处理；

$x_n=\frac{P_n}{P_{\max }},n=\mathrm{0,1,2},...,95$

其中，P_n为配变台区日负荷曲线在第n个数据采集时刻的有功功率值，P_max为同属相似工作日的日负荷曲线中该配变台区日负荷有功功率的最大值，x_n为配变台区在第n个数据采集时刻的配变台区有功功率归一化数值；

步骤3：对步骤2得到的配变台区的多组已归一化处理的日负荷曲线数据在对应的数据采集点分别获取功率平均值，以每个数据采集点的功率平均值作为配变台区在对应相似工作日的典型日负荷曲线，典型日负荷曲线上每个数据采集点的功率值记为

步骤4：对步骤3得到的配变台区的典型日负荷曲线进行离散傅里叶变换得到第k次谐波幅值A_k与相位值α_k；

$A_k=\sqrt{{\mathrm{real}}^2\left(X_k\right)+{\mathrm{img}}^2\left(X_k\right)}$

${\mathrm{\α}}_k=\arctan \left[\frac{\mathrm{img}\left(X_k\right)}{\mathrm{real}\left(X_k\right)}\right]$

其中， $X_k=\underset{n=0}{\overset{95}{\mathrm{\Σ}}}{\stackrel{\‾}{x}}_n{e}^{-\frac{2\mathrm{\πkn}}{96}},n=\mathrm{0,1,2},...,95;$

步骤5：计算每个配变台区典型日负荷曲线的频域指标：

幅值归一化指标： ${\mathrm{\Ψ}}_{\mathrm{ik}}^{\′}=\frac{A_{\mathrm{ik}}}{\underset{0\≤k\≤4}{\max }\left\{A_{\mathrm{ik}}\right\}};$

其中，A_ik为第i个配变台区的典型日负荷曲线离散傅里叶变换得到的第k次谐波幅值；

相位值归一化指标： ${\mathrm{\Ψ}}_{\mathrm{ik}}^{\′\′}=\frac{{\mathrm{\α}}_{\mathrm{ik}}}{\underset{0\≤k\≤4}{\max }\left\{{\mathrm{\α}}_{\mathrm{ik}}\right\}};$

其中，α_ik为第i个配变台区的典型日离散傅里叶变换得到的第k次谐波相位值；

第i个配变台区的基波与前四次谐波构成的频域指标特性集：f_i＝{(Ψ′_ik,Ψ″_ik),k＝0,1,2,3,4}；

步骤6：按照步骤1-步骤5所述的方法计算得到的每个待分类的配变台区的频域指标特性集，采用聚类算法对频域指标特性集进行聚类，将频域指标特性集中频域指标中的幅值归一化指标和相位归一化指标分别累加后得到两个累加值，同一类负荷特性的配变台区中任意两个配变台区的两个相应的累加值之差的百分比均在±5％-±10％范围内，实现负荷特性分类。

如被归类为具有同一负荷特性的配变台区A和配变台区B，配变台区A的幅值归一化指标累加值为c，相位归一化指标累加值为d，配变台区B的幅值归一化指标累加值为e，相位归一化指标累加值为f；则与两者均在±5％-±10％范围内；

所述聚类算法包括K均值或模糊C均值算法。

对某一类负荷特性的配变台区的频域指标进行统计，得到该类负荷相应的频域指标特性集，实现同一类负荷特性的配变台区的频域指标的综合。

将综合得到的同一类负荷特性频域指标用于描述同一类负荷特性特征。

有益效果

本发明提供了一种基于频域指标的负荷分类与综合方法，通过对配变台区日负荷曲线进行离散傅立叶变换(DFT)，得到基波及各次谐波的幅值和频率，低次谐波主要描述曲线的轮廓，而高次谐波描述曲线的细节部分。仅通过保存基波和一部分低次谐波数据，就可以表征负荷特性的一些重要特征，还能重构日负荷曲线。将基波及低次谐波幅值和相位数据经过一定处理，作为负荷特性的频域指标，同时将高次谐波数据舍弃，其包含的较少数据可以基本重建日负荷曲线，表征负荷曲线的信息，达到较准确描述负荷特性的目标，能有效减少数据维数，以前为48点或96点数据，而本发明中只需10个频域指标数据，降低计算开销和存储容量，负荷分类效果与传统方法相近。

附图说明

图1为本发明所述方法的流程示意图；

图2为实施例中按本发明所述方法得到的配变台区1的典型日负荷曲线示意图；

图3为实施例中按本发明所述方法得到的配变台区2的典型日负荷曲线示意图；

图4为对应图2的频域指标示意图，其中，(a)为幅值归一化指标，(b)为相位归一化指标；

图5为对应图3的频域指标示意图，其中，(a)为幅值归一化指标，(b)为相位归一化指标。

具体实施方式

下面将结合附图和实施例对本发明做进一步的说明。

如图1所示，为本发明所述方法的流程示意图，一种基于频域指标的负荷分类与综合方法，包括如下步骤：

步骤1：从监测控制和数据采集系统获取待分类的配变台区同属相似工作日的5-10组日负荷曲线数据；

采集得到的负荷数据可能会出现丢失或失真，需进行数据预处理，即对失真数据采用数据平滑或邻近数据加权方法进行补全；

所述相似工作日是指，对日类型相同的配变台区日负荷数据，依据气象数据根据灰色关联度分析得到关联度大于或等于0.6；即日负荷曲线具有相似性；

步骤2：对配变台区的每组日负荷曲线数据按下式进行归一化处理；

$x_n=\frac{P_n}{P_{\max }},n=\mathrm{0,1,2},...,95$

其中，P_n为配变台区日负荷曲线在第n个数据采集时刻的有功功率值，P_max为同属相似工作日的日负荷曲线中该配变台区日负荷有功功率的最大值，x_n为配变台区在第n个数据采集时刻的配变台区有功功率归一化数值；

步骤3：对步骤2得到的配变台区的多组已归一化处理的日负荷曲线数据在对应的数据采集点分别获取功率平均值，以每个数据采集点的功率平均值作为配变台区在对应相似工作日的典型日负荷曲线，典型日负荷曲线上每个数据采集点的功率值记为

得到如图2和图3所示的配变台区1和配变台区2的典型日负荷曲线；

步骤4：对步骤3得到的配变台区的典型日负荷曲线进行离散傅里叶变换得到第k次谐波幅值A_k与相位值α_k；

$A_k=\sqrt{{\mathrm{real}}^2\left(X_k\right)+{\mathrm{img}}^2\left(X_k\right)}$

${\mathrm{\α}}_k=\arctan \left[\frac{\mathrm{img}\left(X_k\right)}{\mathrm{real}\left(X_k\right)}\right]$

其中， $X_k=\underset{n=0}{\overset{95}{\mathrm{\Σ}}}{\stackrel{\‾}{x}}_n{e}^{-\frac{2\mathrm{\πkn}}{96}},n=\mathrm{0,1,2},...,95;$

步骤5：计算每个配变台区典型日负荷曲线的频域指标：

幅值归一化指标： ${\mathrm{\Ψ}}_{\mathrm{ik}}^{\′}=\frac{A_{\mathrm{ik}}}{\underset{0\≤k\≤4}{\max }\left\{A_{\mathrm{ik}}\right\}};$

其中，A_ik为第i个配变台区的典型日负荷曲线离散傅里叶变换得到的第k次谐波幅值；

相位值归一化指标： ${\mathrm{\Ψ}}_{\mathrm{ik}}^{\′\′}=\frac{{\mathrm{\α}}_{\mathrm{ik}}}{\underset{0\≤k\≤4}{\max }\left\{{\mathrm{\α}}_{\mathrm{ik}}\right\}};$

其中，α_ik为第i个配变台区的典型日离散傅里叶变换得到的第k次谐波相位值；

第i个配变台区的基波与前四次谐波构成的频域指标特性集：f_i＝{(Ψ′_ik,Ψ″_ik),k＝0,1,2,3,4}；

以上两式将幅值、相位归一化，将其幅值限制在(0,1]范围内；

得到图4和图5，图4为对应图2的频域指标示意图，其中，(a)为幅值归一化指标，(b)为相位归一化指标；图5为对应图3的频域指标示意图，其中，(a)为幅值归一化指标，(b)为相位归一化指标。

步骤6：按照步骤1-步骤5所述的方法计算得到的每个待分类的配变台区的频域指标特性集，采用聚类算法对频域指标特性集进行聚类，将频域指标特性集中频域指标中的幅值归一化指标和相位归一化指标分别累加后得到两个累加值，同一类负荷特性的配变台区中任意两个配变台区的两个相应的累加值之差的百分比均在±5％-±10％范围内，实现负荷特性分类。

表1

由图4和图5得到表1，利用表1求得这两个配变台区的频域指标的累加值的对应差值；

1号配变台区的幅值指标累加值与相位指标累加值分别为：

$\underset{k=0}{\overset{4}{\mathrm{\Σ}}}{\mathrm{\Ψ}}_{1k}^{\′}=1.4550;\underset{k=0}{\overset{4}{\mathrm{\Σ}}}{\mathrm{\Ψ}}_{1k}^{\′\′}=2.0460$

2号配变台区的幅值指标累加值与相位指标累加值分别为：

$\begin{array}{cc}\underset{k=0}{\overset{4}{\mathrm{\Σ}}}{\mathrm{\Ψ}}_{2k}^{\′}=1.3510& \underset{k=0}{\overset{4}{\mathrm{\Σ}}}{\mathrm{\Ψ}}_{2k}^{\′\′}=1.8942\end{array}$

两配变台区的幅值累加值之差的百分比为：

$\frac{\underset{k=0}{\overset{4}{\mathrm{\&Sigma;}}}{\mathrm{\&Psi;}}_{1k}^{\&prime;}-\underset{k=0}{\overset{4}{\mathrm{\&Sigma;}}}{\mathrm{\&Psi;}}_{1k}^{\&prime;}}{\underset{k=0}{\overset{4}{\mathrm{\&Sigma;}}}{\mathrm{\&Psi;}}_{1k}^{\&prime;}}\&times;100\%=7.15\%<10\%$

两配变台区的幅值累加值之差的百分比为：

$\frac{\underset{k=0}{\overset{4}{\mathrm{\&Sigma;}}}{\mathrm{\&Psi;}}_{1k}^{\&prime;\&prime;}-\underset{k=0}{\overset{4}{\mathrm{\&Sigma;}}}{\mathrm{\&Psi;}}_{1k}^{\&prime;\&prime;}}{\underset{k=0}{\overset{4}{\mathrm{\&Sigma;}}}{\mathrm{\&Psi;}}_{1k}^{\&prime;\&prime;}}\&times;100\%=7.42\%<10\%$

由步骤6所述的评判方法，可以判定，配变台区1的负荷特性与配变台区2的负荷特性是相同的。

所述聚类算法包括K均值或模糊C均值算法。

对某一类负荷特性的配变台区的频域指标进行统计，得到该类负荷相应的频域指标特性集，实现同一类负荷特性的配变台区的频域指标的综合。

将综合得到的同一类负荷特性频域指标用于描述同一类负荷特性特征。

Claims (3)

1.一种基于频域指标的负荷分类与综合方法，其特征在于，包括如下步骤：

步骤1：从监测控制和数据采集系统获取待分类的配变台区同属相似工作日的5-10组日负荷曲线数据；

步骤2：对配变台区的每组日负荷曲线数据按下式进行归一化处理；

$x_n=\frac{P_n}{P_{\max }},n=\mathrm{1,2},...,95$

其中，P_n为配变台区日负荷曲线在第n个数据采集时刻的有功功率值，P_max为同属相似工作日的日负荷曲线中该配变台区日负荷有功功率的最大值，x_n为配变台区在第n个数据采集时刻的配变台区有功功率归一化数值；

步骤3：对步骤2得到的配变台区的多组已归一化处理的日负荷曲线数据在对应的数据采集点分别获取功率平均值，以每个数据采集点的功率平均值作为配变台区在对应相似工作日的典型日负荷曲线，典型日负荷曲线上每个数据采集点的功率值记为

步骤4：对步骤3得到的配变台区的典型日负荷曲线进行离散傅里叶变换得到第k次谐波幅值A_k与相位值α_k；

$A_k=\sqrt{{\mathrm{real}}^2\left(X_k\right)+{\mathrm{img}}^2\left(X_k\right)}$

${\mathrm{\&alpha;}}_k=\arctan \left[\frac{\mathrm{img}\left(X_k\right)}{\mathrm{real}\left(X_k\right)}\right]$

其中， $X_k=\underset{n=0}{\overset{95}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{x}}_0{e}^{-\frac{2\mathrm{\&pi;kn}}{96}},n=\mathrm{0,1,2},...,95;$

步骤5：计算每个配变台区典型日负荷曲线的频域指标：

幅值归一化指标： ${\mathrm{\&psi;}}_{\mathrm{ik}}^{\&prime;}=\frac{A_{\mathrm{ik}}}{\underset{0\&le;k\&le;4}{\max }\left\{A_{\mathrm{ik}}\right\}};$

其中，A_ik为第i个配变台区的典型日负荷曲线离散傅里叶变换得到的第k次谐波幅值；

相位值归一化指标： ${\mathrm{\&psi;}}_{\mathrm{ik}}^{\&prime;}=\frac{{\mathrm{\&alpha;}}_{\mathrm{ik}}}{\underset{0\&le;k\&le;4}{\max }\left\{{\mathrm{\&alpha;}}_{\mathrm{ik}}\right\}};$

其中，α_ik为第i个配变台区的典型日离散傅里叶变换得到的第k次谐波相位值；

第i个配变台区的基波与前四次谐波构成的频域指标特性集：f_i＝{(Ψ′_ik,Ψ″_ik),k＝0,1,2,3,4}；

步骤6：按照步骤1-步骤5所述的方法计算得到的每个待分类的配变台区的频域指标特性集，采用聚类算法对频域指标特性集进行聚类，将频域指标特性集中频域指标中的幅值归一化指标和相位归一化指标分别累加后得到两个累加值，同一类负荷特性的配变台区中任意两个配变台区的两个相应的累加值之差的百分比均在±5％-±10％范围内，实现负荷特性分类。

2.根据权利要求1所述的基于频域指标的负荷分类与综合方法，其特征在于，所述聚类算法包括K均值或模糊C均值算法。

3.根据权利要求1所述基于频域指标的负荷分类与综合方法，其特征在于，对某一类负荷特性的配变台区的频域指标进行统计，得到该类负荷相应的频域指标特性集，实现同一类负荷特性的配变台区的频域指标的综合。