CN106709816A - 基于非参数回归分析的电力负荷异常数据识别与修正方法 - Google Patents

Abstract

基于非参数回归分析的电力负荷异常数据识别与修正方法，1、对电力负荷数据进行用电模式分类，分为普通用电模式数据集和特殊用电模式数据集两大类；2、采用非参数回归分析法对获得的普通用电模式数据集提取各时刻的负荷特征值；3、利用提取的负荷特征值，根据选取的置信水平，形成异常数据域；4、对普通用电模式数据集和特殊用电模式数据集中的负荷数据利用步骤3形成的异常数据域进行负荷异常数据识别；5、利用改进的引入负荷水平映射关系和考虑特征值影响的加权均值法对识别出来的负荷异常值进行修正；本发明能够实现包含大工业电力负荷数据在内的电力负荷异常数据识别与修正，同时可以完善负荷异常数据识别和修正理论在电力负荷数据处理方面理论的不足。

Description

基于非参数回归分析的电力负荷异常数据识别与修正方法

技术领域

本发明涉及电力负荷数据的处理方法，尤其涉及基于非参数回归分析的电力负荷异常数据识别与修正方法。

背景技术

随着我国智能电表安装的范围不断扩大，海量的电力负荷数据被采集并上传至集控中心。然而安装的智能电表等测量装置故障或者通信失败造成数据丢失，无计划的停电事故或者检修，临时的天气变化，大工业用户生产线的关停等其他原因，都可以导致记录的电力负荷数据偏离其常规数值。

现如今通过智能电表采集的电力负荷数据来源于居民生活用电、一般工商业用电和大工业用电。常规的负荷异常数据识别和修正方法的研究对象是一般工商业用电负荷或者是用电规律性很强的居民负荷数据，并没有考虑用电规律性较差的大工业用电负荷。将常规方法用于大工业负荷异常数据识别，由于处理对象的负荷波动规律变弱，而且负荷变化情况复杂，很容易发生误检和漏检的情况。为了能够识别包含大工业电力负荷数据在内的电力负荷异常数据，并进行合理的修正，提出了基于非参数回归分析的电力负荷异常数据识别和修正方法。

常规的负荷异常数据识别和修正方法有：基于改进ART2网络的识别和调整方法、系统聚类和传统t检验法相结合的识别和修正方法、改进Knhonen神经网络与径向基函数(RBF)网络结合的电力负荷异常数据清洗方法、基于核密度估计的异常电力负荷数据识别和修正方法、基于T²椭圆图的异常数据识别和最小二乘支持向量机的缺失数据填补方法、母线负荷异常数据复杂不确定性检测与基于综合云的修正方法、采用改进的数据横向比较法识别并修正数据、根据小波奇异性检测确定负荷数据中错误的位置及类型的方法和总加动态多源处理技术和电网终端负荷逐一扫描辨识相结合的方法，但是现有方法共同的特点是方法模型复杂，有时需要其他的数据来辅助识别和修正。因此，为了在处理大工业负荷数据的情况下，仍然做到对电力负荷有效识别异常数据，并进行合理修正，利用非参数回归分析和改进加权均值法来处理包含大工业电力负荷数据在内的电力负荷数据。

发明内容

本发明的目的在于提供一种基于非参数回归分析的电力负荷异常数据识别与修正方法，具有方法模型简单，适用于包含大工业电力负荷数据在内的电力负荷异常数据识别和修正。

为实现上述目的，本发明采用如下技术方案：

基于非参数回归分析的电力负荷异常数据识别与修正方法，包括以下步骤：

步骤1：对电力负荷数据采用统计模糊矩阵技术进行用电模式分类，将电力负荷数据分为普通用电模式数据集和特殊用电模式数据集两大类；

步骤2：采用非参数回归分析法，对步骤1中获得的普通用电模式数据集提取各时刻的负荷特征值；

步骤3：利用步骤2中提取的负荷特征值，根据选取的置信水平，形成异常数据域；

步骤4：对普通用电模式数据集和特殊用电模式数据集中的负荷数据利用步骤3形成的异常数据域进行负荷异常数据识别；如果负荷数据属于异常数据域，则认为该数据是负荷异常值；

步骤5：利用改进的引入负荷水平映射关系和考虑特征值影响的加权均值法对步骤4识别出来的负荷异常值进行修正。

本发明的有益效果在于：能够实现包含大工业电力负荷数据在内的电力负荷异常数据识别与修正，同时可以完善负荷异常数据识别和修正理论在电力负荷数据处理方面理论的不足。本发明所提采用非参数回归分析进行特征值提取，充分考虑在同一用电模式下不同的负荷水平，使得获得的负荷特征值更具有代表性。同时，本发明在常规加权均值法的基础上，引入映射关系和特征值影响，可以提高负荷异常数据修复的准确性。本发明的识别与修正方法可与电力负荷预测技术相结合，提高预测数据的准确程度，还可以用于大工业用户用电规律分析，为售电公司代理的用户在电力市场购电提供决策依据。也可以为大工业用户制定高效节能的用电方案提供必要的信息。

附图说明

图1为本发明所述的基于非参数回归分析的电力负荷异常数据识别与修正方法流程示意图。

具体实施方式

下面将结合附图对本发明作进一步说明。但本发明的内容不仅仅局限如此。如图1所示，本发明所提方法具体步骤如下：

步骤1：对电力负荷数据采用统计模糊矩阵技术进行用电模式分类，将电力负荷数据分为普通用电模式数据集和特殊用电模式数据集两大类。具体包含以下4步：

1)将电力日负荷数据视为一个负荷向量，用该负荷向量除以本日最大负荷，实现负荷向量归一化；

2)计算日负荷向量之间的近似系数，计算方法如式(1)所示；日负荷向量之间的近似系数构成近似系数矩阵W；

在式(1)中，X_ij和X_kj(j＝1,2,…,n)表示第i天和第k天的第j个时间点的负荷，n表示日负荷记录的负荷个数，W_ik表示第i天和第k天的近似系数；

3)通过近似系数矩阵的m次自乘，计算获得等效模糊矩阵如式(2)和(3)所示，其中m小于等于普通用电模式中的历史负荷向量数；

在式(2)中，W_m表示等效模糊矩阵，W表示近似系数矩阵,模糊矩阵乘法运算符，W_jk表示第j天和第k天的近似系数，表示第i天和第j天的等效近似系数；

4)根据等效模糊矩阵计算结果，选取合适的分类阈值，将电力负荷数据分为两大类；分类阈值选取方法如下：

在步骤1)中，将负荷向量进行了归一化处理，负荷向量用电模式相似与否取决于负荷向量所代表的日负荷曲线的波动情况。由于消除了负荷水平的影响，如果两个负荷向量用电模式相似，其模糊等效相似系数会大于0.999，所以可以选取0.999作为分类阈值。

步骤2：采用非参数回归分析法，对步骤1中获得的普通用电模式数据集提取各时刻的负荷特征值。

由于电力负荷数据具有在同一时刻出现的负荷值波动小，分布集中的特点。所以对于普通用电模式数据集，考虑日负荷数据的上述特点进行各时刻的负荷特征值提取；在时刻t，负荷特征值基于非参数回归分析的特征值模型如(4)式所示：

式(4)中，L是观测值个数，是一系列的权重，其中ω_i是点(t,y_i)的权重，y_i是负荷在t时刻的观测值，是t时刻的负荷特征值。其中，ω_i通过式(5)和(6)给出：

式(5)和(6)中，Kern_h(l)是尺度参数为h的核密度函数，l负荷特征值的位置标记，且l＝L+1，l_i负荷观测值位置标记，且l_i∈[1,L]，L是观测值个数；对于尺度参数h，其值越大，考虑的数据信息越多，得到的特征值越能够反映数据分布，所以本发明中将h设定为数据集中负荷向量的个数。采用广泛应用的Nadaraya-Wastson非参数回归分析方法进行负荷特征值提取，则特征值如式(7)所示：

在本发明中选择标准正态分布的概率密度函数作为核函数，即如(8)式所示。

步骤3：利用步骤2中提取的负荷特征值，根据选取的置信水平，形成异常数据域。

在时刻t，电力负荷数据的观测值和负荷特征值的关系如下式所示：

式(9)中y_i是负荷在t时刻的观测值，ε_i是特征值与观测值之间的误差。假设误差项ε_i之间独立同分布，且服从均值为0，方差σ²为正态分布，方差σ²的估计值如(10)式所示：

则异常数据域如(11)式所示：

式(11)中，α表示置信水平，标准正态分布的100·(1-α/2)分位数，y表示异常负荷数据，表示异常数据集合。

步骤4：对普通用电模式数据集和特殊用电模式数据集中的负荷数据利用步骤3形成的异常数据域进行负荷异常数据识别；如果电力负荷数据属于异常数据域，则认为该数据是电力负荷异常值。

步骤5：利用引入负荷水平映射关系和考虑特征值影响的改进加权均值法对步骤4识别出来的负荷异常值进行修正。具体方法是，选取与待修正日相邻近的普通用电模式下的日负荷，把相同时刻的历史负荷数据作为参考，其修正公式如式(12)所示：

式(12)中，L_d,t表示修正结果，m表示选取m个普通用电模式下的日负荷，f(y_d-i)和λ_i分别为第d-i天t时刻的负荷映射值和对待修正值的影响权重，λ为负荷特征值在t时刻对待修正值的影响权重，为负荷特征值的映射值。映射关系如(13)式所示：

式(13)中，x_t-1为t-1时刻的负荷值，x’_t和x’_t-1为相似日在t和t-1时刻的负荷值，f(x_t)为经过映射后的负荷值。

Claims (2)

1.基于非参数回归分析的电力负荷异常数据识别与修正方法，其特征在于：包括以下步骤：

步骤1：对电力负荷数据采用统计模糊矩阵技术进行用电模式分类，将电力负荷数据分为普通用电模式数据集和特殊用电模式数据集两大类；

步骤2：采用非参数回归分析法，对步骤1中获得的普通用电模式数据集提取各时刻的负荷特征值；

具体方法如下：

由于电力负荷数据具有在同一时刻出现的负荷值波动小，分布集中的特点；对于普通用电模式数据集，考虑日负荷数据的上述特点进行各时刻的负荷特征值提取；在时刻t，负荷特征值基于非参数回归分析的负荷特征值模型如(4)式所示：

$\hat{m}\left(t\right)=\frac{1}{L}\underset{i=1}{\overset{L}{\Σ}}{\mathrm{\ω}}_i{y}_i---\left(4\right)$

式(4)中，L是观测值个数，是一系列的权重，其中ω_i是点(t,y_i)的权重，y_i是负荷在t时刻的观测值，是t时刻负荷特征值；其中，ω_i通过式(5)和(6)给出：

${\mathrm{\ω}}_i=\frac{{\mathrm{Kern}}_h(l-l_i)}{L^{-1}{\mathrm{\Σ}}_{i=1}^L{\mathrm{Kern}}_h(l-l_i)}---\left(5\right)$

${\mathrm{Kern}}_h\left(l\right)=\frac{1}{h}Kern\left(\frac{l}{h}\right)---\left(6\right)$

式(5)和(6)中，Kern_h(l)是尺度参数为h的核密度函数，l是负荷特征值的位置标记，且l＝L+1，l_i是负荷观测值位置标记，且l_i∈[1,L]，L是观测值个数；对于尺度参数h，其值越大，考虑的数据信息越多，得到的负荷特征值越能够反映数据分布，所以将h设定为数据集中负荷向量的个数；采用广泛应用的Nadaraya-Wastson非参数回归分析方法进行负荷特征值提取，负荷特征值如式(7)所示：

${\hat{m}}_h\left(t\right)=\frac{L^{-1}{\mathrm{\Σ}}_{i=1}^L{\mathrm{Kern}}_h(l-l_i)y_i}{L^{-1}{\mathrm{\Σ}}_{i=1}^L{\mathrm{Kern}}_h(l-l_i)}---\left(7\right)$

选择标准正态分布的概率密度函数作为核函数，即如(8)式所示：

$Kern\left(l\right)=\frac{1}{\sqrt{2\mathrm{\π}}}{e}^{-\frac{1}{2}{l}^2}---\left(8\right)$

步骤3：利用步骤2中提取的负荷特征值，根据选取的置信水平，形成异常数据域；

具体方法如下：

在时刻t，电力负荷数据的观测值和特征值的关系如下式所示：

$y_i={\hat{m}}_h\left(t\right)+{\mathrm{\ϵ}}_i,(i=1,2,...,L)---\left(9\right)$

式(9)中y_i是负荷在t时刻的观测值，ε_i是特征值与观测值之间的误差；假设误差项ε_i之间独立同分布，且服从均值为0，方差σ²为正态分布，方差σ²的估计值如(10)式所示：

则异常数据域如(11)式所示：

$out(\mathrm{\α},\widehat{\mathrm{\σ}})=\{y:|y_i-{\hat{m}}_h\left(t\right)>Q_{1-\frac{\mathrm{\α}}{2}}\·\widehat{\mathrm{\σ}}\}---\left(11\right)$

式(11)中，α表示置信水平，标准正态分布的100·(1-α/2)分位数，y表示异常负荷数据，表示异常数据集合；

步骤4：对普通用电模式数据集和特殊用电模式数据集中的负荷数据利用步骤3形成的异常数据域进行负荷异常数据识别；如果负荷数据属于异常数据域，则认为该数据是负荷异常值；

步骤5：利用改进的引入负荷水平映射关系和考虑特征值影响的加权均值法对步骤4识别出来的负荷异常值进行修正；

具体方法如下：

选取与待修正日邻近的普通用电模式下的日负荷，把相同时刻的历史负荷数据作为参考，其修正公式如式(12)所示：

$\{\begin{array}{c}{L}_{d,t}={\mathrm{\λ}}_{1}f\left(y_{d-1,t}\right)+{\mathrm{\λ}}_{2}f\left(y_{d-2,t}\right)+...+{\mathrm{\λ}}_{m}f\left(y_{d-m,t}\right)+\mathrm{\λ}f\[{\hat{m}}_h\left(t\right)\]\\ \underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\λ}}_i+\mathrm{\λ}=1\end{array}---\left(12\right)$

式(12)中，L_d,t表示修正结果，m表示选取m个普通用电模式下的日负荷，f(y_d-i)和λ_i分别为第d-i天t时刻的负荷映射值和对待修正值的影响权重，λ为负荷特征值在t时刻对待修正值的影响权重，为负荷特征值的映射值；映射关系如(13)式所示：

$f\left(x_t\right)=\frac{x_{t-1}}{x_{t-1}^{\′}}{x}_t^{\′}---\left(13\right)$

式(13)中，x_t-1为t-1时刻的负荷值，x’_t和x’_t-1为相似日在t和t-1时刻的负荷值，f(x_t)为经过映射后的负荷值。

2.如权利要求1所述的基于非参数回归分析的电力负荷异常数据识别与修正法，其特征在于：步骤1中对电力负荷数据采用统计模糊矩阵技术进行用电模式分类，分为以下四步进行：

1)将电力日负荷数据视为一个负荷向量，用该负荷向量除以本日最大负荷，实现负荷向量归一化；

2)计算日负荷向量之间的近似系数，计算方法如式(1)所示；日负荷向量之间的近似系数构成近似系数矩阵W；

$W_{ik}=\frac{\underset{j=1}{\overset{n}{\Σ}}{X}_{ij}{X}_{kj}}{\sqrt{\left(\underset{j=1}{\overset{n}{\Σ}}{X}_{ij}^2\right)\·\left(\underset{j=1}{\overset{n}{\Σ}}{X}_{kj}^2\right)}}---\left(1\right)$

在式(1)中，X_ij和X_kj(j＝1,2,…,n)表示第i天和第k天的第j个时间点的负荷，n表示日负荷记录的负荷个数，W_ik表示第i天和第k天的近似系数；

3)通过近似系数矩阵W的m次自乘计算获得等效模糊矩阵如式(2)和(3)所示，其中m小于等于普通用电模式中的历史负荷向量数；

在式(2)中，W_m表示等效模糊矩阵，W表示近似系数矩阵,是模糊矩阵乘运算符，W_jk表示第j天和第k天的近似系数，表示第i天和第j天的等效近似系数；

4)根据等效模糊矩阵计算结果，选取合适的分类阈值，将电力负荷数据分为两大类；分类阈值选取方法如下：

在步骤1)中，将负荷向量进行了归一化处理，负荷向量用电模式相似与否取决于负荷向量所代表的日负荷曲线的波动情况；由于消除了负荷水平的影响，如果两个负荷向量用电模式相似，其模糊等效相似系数会大于0.999，所以选取0.999作为分类阈值。