CN105787259A

CN105787259A - 一种多元气象因素对负荷变化影响相关性的分析方法

Info

Publication number: CN105787259A
Application number: CN201610089587.7A
Authority: CN
Inventors: 窦武; 薛远天; 和建军; 王蕊
Original assignee: BEIJING JOIN BRIGHT ELECTRIC POWER TECHNOLOGY Co Ltd; WUWEI POWER SUPPLY COMPANY STATE GRID GANSU ELECTRIC POWER Co Ltd
Current assignee: BEIJING JOIN BRIGHT ELECTRIC POWER TECHNOLOGY Co Ltd; WUWEI POWER SUPPLY COMPANY STATE GRID GANSU ELECTRIC POWER Co Ltd
Priority date: 2016-02-17
Filing date: 2016-02-17
Publication date: 2016-07-20

Abstract

本发明公开一种多元气象因素对负荷变化影响相关性的分析方法,其能够准确地确定气象因素对负荷影响的程度，从而有效改善负荷特性与供需矛盾，并且基本无需人工操作，工作效率大大提高。该方法包括步骤：(1)选择气象因素；(2)采用模糊C均值法分析负荷数据；(3)选取典型负荷数据曲线；(4)建立模型来分析气象因素与负荷变化的相关性；(5)进行相关性拟合优度检验；(6)进行F检验；(7)得出气象因素与负荷变化相关系数。

Description

一种多元气象因素对负荷变化影响相关性的分析方法

技术领域

本发明涉及电力系统中需求侧负荷控制的技术领域，具体地涉及一种多元气象因素对负荷变化影响相关性的分析方法。

背景技术

电力系统中需求侧控制对负荷特性的分析提出了严格的要求。负荷特性的调研、分析作为电力市场分析的一项基础工作，对于电力企业的经营控制及负荷的预测工作的作用十分重要。通过负荷特性分析，有助于电力企业加深对电力系统负荷特性的了解，对负荷发展特性规律进行预测，从而实施有力的需求侧控制措施，改善负荷特性与供需矛盾，提高系统运行可靠性与经济性，为电力企业经营发展提供决策参考依据。

气象作为影响负荷变化的一个非常重要的因素，也越来越受到人们的关注，但是目前都是人工地将气象影响加入负荷特性中，这样不能够准确地确定气象因素对负荷影响的程度，从而无法改善负荷特性与供需矛盾，并且需要大量的人工操作，效率也不高。

发明内容

本发明的技术解决问题是：克服现有技术的不足，提供一种多元气象因素对负荷变化影响相关性的分析方法,其能够准确地确定气象因素对负荷影响的程度，从而有效改善负荷特性与供需矛盾，并且基本无需人工操作，工作效率大大提高。

本发明的技术解决方案是：这种多元气象因素对负荷变化影响相关性的分析方法，该方法包括以下步骤：

(1)选择气象因素；

(2)采用模糊C均值法分析负荷数据；

(3)选取典型负荷数据曲线；

(4)建立模型来分析气象因素与负荷变化的相关性；

(5)进行相关性拟合优度检验；

(6)进行F检验；

(7)得出气象因素与负荷变化相关系数。

本方法通过采取模糊C均值法分析负荷数据，从中选取典型负荷曲线，建立模型分析气象因素与负荷变化的相关性，然后进行相关性拟合优度检验和F检验，最终得出相关系数。因此，能够准确地确定气象因素对负荷影响的程度，从而有效改善负荷特性与供需矛盾，并且基本无需人工操作，工作效率大大提高。

附图说明

图1示出了根据本发明的多元气象因素对负荷变化影响相关性的分析方法的流程图。

具体实施方式

如图1所示，这种多元气象因素对负荷变化影响相关性的分析方法，该方法包括以下步骤：

(1)选择气象因素；

(2)采用模糊C均值法分析负荷数据；

(3)选取典型负荷数据曲线；

(4)建立模型来分析气象因素与负荷变化的相关性；

(5)进行相关性拟合优度检验；

(6)进行F检验；

(7)得出气象因素与负荷变化相关系数。

优选地，所述步骤(1)中，所述气象因素包括：温度、湿度、风速、降水量、风向、日照。

优选地，所述步骤(2)中，对用户的负荷特性进行分析，采用模糊C均值法，均一化负荷值，以每刻的负荷为自变量，依据用户负荷曲线建立不同类型负荷聚类模型。将同一类型负荷曲线的用户聚为一类。模糊C均值法计算公式：算法通过最小化基于某种范数和聚类原型的目标函数将没有标签的数据进行分类。令：

X = {x_{1}, x_{2}, ..., x_{n}} &Subset; R^{S}

表示给定的样本集合，S是样本空间的维数，即每条负荷曲线的采样点个数，n是样本个数，即参与分类的负荷曲线的条数。c(c>1)是对X进行划分的聚类个数。模糊C均值算法可描述如下：

\begin{matrix} M i n & J_{f c m} (U, V) = Σ_{i = 1}^{c} Σ_{j = 1}^{n} u_{i j}^{m} d_{i j}^{2} \end{matrix}

Σ_{i = 1}^{c} u_{i j} = 1, 1 \leq j \leq n

Σ_{i = 1}^{c} u_{i j} > 0, 1 \leq i \leq c

u_ij≥0,1≤i≤c,1≤j≤n,

式中，m>1是模糊系数，U＝u_ij是一个c×n的模糊划分矩阵，u_ij是第j条负荷曲线属于第i类的隶属度值，V＝[v₁,v₂,…，v_c]是由c个聚类中心向量构成的s×c的矩阵，d_ij＝||x_j-v_i||表示从负荷曲线x_j到中心v_i的距离。这是一个关于自变量(U,V)约束优化问题，利用极值点的KT必要条件可以得到如下的迭代方程：

v_{i} = [\frac{Σ_{j = 1}^{n} u_{i j}^{m} x_{j}}{Σ_{j = 1}^{n} u_{i j}^{m}}], i = 1, 2, ..., c

记I_j＝{(i,j)|x_j＝v_i,1≤i≤c}，若I_j＝φ，则

u_{i j} = \frac{1}{Σ_{r = 1}^{c} {(\frac{d_{i j}}{d_{r j}})}^{\frac{2}{m - 1}}}

若I_j＝φ，则u_ij是满足如下条件的任一非负实数：

Σ_{i = 1}^{c} u_{i j} > 0, 1 \leq i \leq c

关于隶属度的迭代公式是一个从点到集合的映射，在实际计算中通常采用如下的隶属度更新公式：

u_{i j} = \{\begin{matrix} \frac{1}{Σ_{i = 1}^{c} {(\frac{d_{i j}}{d_{r j}})}^{\frac{2}{m - 1}}}, & I_{j} = φ \\ \frac{1}{| I_{j} |}, & I_{j} &NotEqual; φ, i &Element; I_{j} \\ 0, & I_{j} &NotEqual; φ, i &NotElement; I_{j} \end{matrix}

模糊C均值算法先初始类中心(或者隶属度矩阵)，然后利用上式进行迭代直至满足设定的终止条件。模糊C均值算法的具体步骤如下：

(2.1)设定聚类个数c和模糊指数m，初始化各类中心。设置收敛的精度，令迭代次数k＝0。

(2.2)计算U^(k+1)。

(2.3)计算V^(k+1)，令k＝k+1。

(2.4)重复步骤(2.2)和(2.3)，直至满足如下的终止条件：

||V^(k)-V^(k-1)||≤ε,k≥1

优选地，所述步骤(3)中，对典型负荷曲线的选取是在步骤(2)将同一类型负荷曲线的用户聚为一类的基础上，挑选出负荷变化具有代表性的典型用户。对典型负荷曲线的提取是进行负荷特性分析的基础。大量的负荷数据对负荷特性的研究带来了一定的困难，只有对不同行业典型负荷曲线进行提取，才能更好地对不同行业负荷及其影响因素进行进一步的研究。在(2)将同一类型负荷曲线的用户聚为一类的基础上，挑选出负荷变化具有代表性的典型用户。

优选地，所述步骤(4)中，建立模型分析气象因素与负荷变化的相关性，采用基于多元线性回归方法的相关性分析方法，研究某一用户在某一时段的用电量与自变量温度、湿度、风速、降水量、风向、日照的多元线性关系；多元线性回归方程为：

\hat{y} = \hat{a} + {\hat{b}}_{1} x_{1} + {\hat{b}}_{2} x_{2} + ... + {\hat{b}}_{k} x_{k}

其中，为用电量或最大负荷，x_k为用电量的影响因素，为拟

合系数；多元回归参数的估计利用最小二乘法。

优选地，所述步骤(5)中，对建立的多元线性回归方程进行拟合优度检验,定义为可决系数：

R^{2} = \frac{S S R}{S S T} = 1 - \frac{S S E}{S S T}

其中，SSR为回归平方和，SST为总离差平方和，SSE为残差平方和；

其计算公式为别为：

S S T = Σ_{i = 1}^{n} {(y_{i} - \overset{&OverBar;}{y})}^{2}

S S R = Σ_{i = 1}^{n} {({\hat{y}}_{i} - \overset{&OverBar;}{y})}^{2}

S S E = Σ_{i = 1}^{n} {(y_{i} - {\hat{y}}_{i})}^{2}

其中，y_i为因变量实际值，为因变量拟合值，为因变量平均值；

可决系数R²的取值在0～1之间，R²越接近1，表明回归拟合的效果越好；

复相关系数：用来衡量所有自变量与随机变量y的线性关系的显著性程度。

优选地，所述步骤(6)中，对建立的多元线性回归方程进行F检验,检验自变量x1,x2,…，xk与因变量y之间是否存在显著的线性关系，即方程显著性检验；

F检验统计量为：

F = \frac{S S R / k}{S S E / n - 1 - k} ~ F_{α / 2} (k, n - 1 - k)

其中n为样本个数；给定显著性水平，当检验值F大于临界值

F_α/2(k,n-1-k)时，证明x₁,x₂,…，x_k与y之间线性关系显著。还可利

用P值检验法进行方程显著性检验。

优选地，所述步骤(6)中，为剔除次要的、影响不显著的自变量，还要进行对回归方程系数的显著性检验，即参数显著性检验：

t_{i} = \frac{{\hat{b}}_{i}}{\sqrt{c_{i i}} \hat{σ}}

其中，c_ii是矩阵(X^TX)^-1[X＝(x₁,x₂,···,x_k)]对角线上第i个元素；

\hat{σ} = \sqrt{\frac{1}{n - k - 1} Σ_{i = 1}^{n} {(y_{i} - {\hat{y}}_{i})}^{2}}

当|t_i|≥t_α/2时，认为b_i不显著为0，自变量x_i对因变量y的线性影响显著。还可利用2倍检验法及P值检验法进行参数显著性检验。

该分析方法是通过采取模糊C均值法分析负荷数据，从中选取典型负荷曲线，建立模型分析气象因素与负荷变化的相关性，然后进行相关性拟合优度检验和F检验，并最终得出相关系数。本发明可以判定各气象影响因素对负荷变化影响程度，对优化负荷变化缩小峰谷差起到重要指导作用，起到改善负荷特性与供需矛盾的作用。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。

Claims

1.一种多元气象因素对负荷变化影响相关性的分析方法，其特征在于：该方法包括以下步骤：

(1)选择气象因素；

(2)采用模糊C均值法分析负荷数据；

(3)选取典型负荷数据曲线；

(4)建立模型来分析气象因素与负荷变化的相关性；

(5)进行相关性拟合优度检验；

(6)进行F检验；

(7)得出气象因素与负荷变化相关系数。

2.根据权利要求1所述的多元气象因素对负荷变化影响相关性的分析方法，其特征在于：所述步骤(1)中，所述气象因素包括：温度、湿度、风速、降水量、风向、日照。

3.根据权利要求2所述的多元气象因素对负荷变化影响相关性的分析方法，其特征在于：所述步骤(2)中，模糊C均值法通过最小化基于一种范数和聚类原型的目标函数将没有标签的数据进行分类。

4.根据权利要求3所述的多元气象因素对负荷变化影响相关性的分析方法，其特征在于：模糊C均值法包括以下步骤：

(2.1)设定聚类个数c和模糊指数m，初始化各类中心；设置收敛的精度，令迭代次数k＝0；

(2.2)计算U^(k+1)；

(2.3)计算V^(k+1)，令k＝k+1；

(2.4)重复步骤(2.2)和(2.3)，直至满足如下的终止条件：

||V^(k)-V^(k-1)||≤ε,k≥1。

5.根据权利要求4所述的多元气象因素对负荷变化影响相关性的分析方法，其特征在于：所述步骤(3)中，对典型负荷曲线的选取是在步骤(2)将同一类型负荷曲线的用户聚为一类的基础上，挑选出负荷变化具有代表性的典型用户。

6.根据权利要求5所述的多元气象因素对负荷变化影响相关性的分析方法，其特征在于：所述步骤(4)中，建立模型分析气象因素与负荷变化的相关性，采用基于多元线性回归方法的相关性分析方法，研究某一用户在某一时段的用电量与自变量温度、湿度、风速、降水量、风向、日照的多元线性关系；多元线性回归方程为：

\hat{y} = \hat{a} + {\hat{b}}_{1} x_{1} + {\hat{b}}_{2} x_{2} + ... + {\hat{b}}_{k} x_{k}

其中，为用电量或最大负荷，x_k为用电量的影响因素，为拟合系数；多元回归参数的估计利用最小二乘法。

7.根据权利要求6所述的多元气象因素对负荷变化影响相关性的分析方法，其特征在于：所述步骤(5)中，对建立的多元线性回归方程进行拟合优度检验,定义为可决系数：

R^{2} = \frac{S S R}{S S T} = 1 - \frac{S S E}{S S T}

其计算公式为别为：

S S T = Σ_{i = 1}^{n} {(y_{i} - \overset{&OverBar;}{y})}^{2}

S S R = Σ_{i = 1}^{n} {({\hat{y}}_{i} - \overset{&OverBar;}{y})}^{2}

S S E = Σ_{i = 1}^{n} {(y_{i} - {\hat{y}}_{i})}^{2}

其中，y_i为因变量实际值，为因变量拟合值，为因变量平均值；可决系数R²的取值在0～1之间，R²越接近1，表明回归拟合的效果越好；

8.根据权利要求7所述的多元气象因素对负荷变化影响相关性的分析方法，其特征在于：所述步骤(6)中，对建立的多元线性回归方程进行F检验,检验自变量x1,x2,…，xk与因变量y之间是否存在显著的线性关系；

F检验统计量为：

F = \frac{S S R / k}{S S E / n - 1 - k} ~ F_{α / 2} (k, n - 1 - k)

其中n为样本个数；给定显著性水平，当检验值F大于临界值F_α/2(k,n-1-k)时，证明x₁,x₂,…，x_k与y之间线性关系显著。

9.根据权利要求8所述的多元气象因素对负荷变化影响相关性的分析方法，其特征在于：所述步骤(6)中，为剔除次要的、影响不显著的自变量，还要进行对回归方程系数的显著性检验：

t_{i} = \frac{{\hat{b}}_{i}}{\sqrt{c_{i i}} \hat{σ}}

其中，c_ii是矩阵(X^TX)^-1[X＝(x₁,x₂,...,x_k)]对角线上第i个元素；

\hat{σ} = \sqrt{\frac{1}{n - k - 1} Σ_{i = 1}^{n} {(y_{i} - {\hat{y}}_{i})}^{2}}

当|t_i|≥t_α/2时，认为b_i不显著为0，自变量x_i对因变量y的线性影响显著。