CN107194600A - 一种电力负荷季节特性分类方法 - Google Patents

Abstract

本发明公开了一种电力负荷季节特性分类方法，包括以下步骤：1)、选择季节划分方法确定当年春、夏、秋、冬四季的起止日期；2)、收集电网、变电站或用户的全年日负荷曲线数据信息，并按照选择的季节划分方法将数据按所属季节打上标签并分类存储；3)、对日负荷曲线数据进行小波去噪并进行归一化处理；4)、从各季节的日负荷曲线数据中随机选取适当样本分别构成训练数据集和测试数据集；5)、用随机森林算法构建分类器，并对训练数据集进行分类训练；6)、用测试数据集对分类器进行校验，得到电力负荷季节特性分类器。

Description

一种电力负荷季节特性分类方法

技术领域

本发明涉及电力系统负荷预测与控制领域技术领域，具体地说是一种电力负荷季节特性分类方法。

背景技术

负荷是电力系统的重要组成成分之一，其复杂性给电力系统负荷建模和负荷预测带来了很大困难。电力负荷组成的随机性和时变性是其负荷特性具有随机性和时变性的本质原因，这种随机性和时变性必然导致日负荷曲线具有随机性和时变性。因此，日负荷曲线必然含有丰富的负荷特性信息。通过对日负荷曲线进行特征分析，提取负荷季节特性信息，对于掌握电力负荷的周期性和季节性变化规律具有重大意义，能够为负荷建模和负荷预测提供重要理论支持和技术支撑，能够为电力规划、错峰管理等提供可靠的依据和准确的指导。

从能量管理系(EMS)中获取的日负荷曲线数据是离散的，其数据记录间隔通常为1分钟或5分钟，而且在数据采集、传输、转换等环节都可能发生故障或受到干扰，因此在对日负荷曲线进行分析前有必要进行数据去噪处理。小波分析是一种重要的信号处理方法，能够通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析，可以用于时频分析、信噪分离与提取弱信号、特征提取与故障诊断等。

随机森林算法是一种机器学习方法，具有准确度高、训练速度快、实现比较简单等优点。随机森林算法用随机的方法建立一个由多个互不关联的决策树组成的森林，其输出的类别是由每个树输出类别的众数而定。

发明内容

本发明的目的在于通过对日负荷曲线的处理与分类，提出一种电力负荷季节特性分类方法，对电力规划、错峰管理等提供可靠的依据和准确的指导。

本发明解决其技术问题所采取的技术方案是：一种电力负荷季节特性分类方法，其特征是，包括以下步骤：

1)、选择季节划分方法确定当年春、夏、秋、冬四季的起止日期；

2)、收集电网、变电站或用户的全年日负荷曲线数据信息，并按照选择的季节划分方法将数据按所属季节打上标签并分类存储；

3)、对日负荷曲线数据进行小波去噪并进行归一化处理；

4)、从各季节的日负荷曲线数据中随机选取适当样本分别构成训练数据集和测试数据集；

5)、用随机森林算法构建分类器，并对训练数据集进行分类训练；

6)、用测试数据集对分类器进行校验，得到电力负荷季节特性分类器。

进一步地，1)中所述的季节划分方法包括天文划分法、气象划分法、候温划分法、节气划分法；所述天文划分法以春分、夏至、秋分、冬至为四季的开始；所述气象划分法为以3月至5月为春季，6月至8月为夏季， 9月至11月为秋季，12月至2月为冬季；所述候温划分法春季为日平均气温或滑动平均气温大于等于10℃且小于22℃，夏季为日平均气温或滑动平均气温大于等于22℃，秋季为日平均气温或滑动平均气温小于22℃且大于等于10℃，冬季为日平均气温或滑动平均气温小于10℃；所述节气划分法以立春、立夏、立秋、立冬为四季之始。

进一步地，其特征是，3)中所述的小波去噪具体包括：

311)、将含有噪声的数据分解到不同的频带内；

312)、将噪声所处的频带置零，进行小波重构；

所述归一化处理是将数据通过伸缩变换映射到区间[0,1]内，具体包括：

321)、设去噪后的日负荷曲线为P_d，P_dmax和P_dmin分别为P_d的最大值和最小值；

322)、归一化处理后的日负荷曲线的计算公式为：

进一步地，其特征是，4)中每个季节训练数据集样本的数量相等，且覆盖每个季节的起始、中间及结束的全过程；测试数据集从没参加训练的样本中选取能够覆盖每个季节的起始、中间及结束的全过程。

进一步地，其特征是，5)中构建分类器的具体步骤包括：

51)、由多个决策树分类模型{h(X,θ_k),k＝1,…}组成组合分类模型；每个决策树分类模型都由一票投票权来选择最优分类结果；

52)、通过不同的训练数据集增加分类模型的外推预测能力；

53)、通过k轮训练，得到一个分类模型序列{h₁(X),h₂(X),…,h_k(X)}；

54)、利用分类模型序列构成一个多分类模型系统，该系统最终分类结果采用简单多数投票法，最终的分类决策为：

式中，H(x)表示组合分类模型，h_i是单个决策树分类模型，Y表示输出变量，I(·)为示性函数，参数集{θ_k}是独立同分布的随机向量，X是给定自变量。

本发明的有益效果是：

1)实现简单，计算方便；小波去噪、归一化运算及随机森林算法等数据处理及运算操作可在MATLAB平台中直接调用函数实现。

2)外推能力强；在分类前，所有数据都进行了小波去噪，能够有效去除日负荷曲线中的故障干扰及噪声；归一化处理能够使本方法对不同负荷水平的日负荷曲线都能使用。

3)运算速度快，随机森林算法的计算量是与其中决策树的数目成正比的，而各个决策树之间容易实现并行计算，能够有效提高运算速度。

4)分类准确性高；采用随机森林算法进行分类，能够有效处理大数据集。

5)随机森林能额外提供多种对数据的刻画。随机森林算法可以估计分类中特征的重要性，还可以通过计算相似度进行离群数据定位。

本发明之电力负荷季节特性分类方法适用于全网负荷、变电站负荷及用户负荷等多种类型的日负荷曲线。可满足电网规划分析及负荷预测等对负荷季节特性分类特征的需求，极具工程实用价值。

附图说明

图1本发明电力负荷季节特性分类方法流程框图。

图2为为随机森林算法示意图；

具体实施方式

如图2所示，随机森林算法示意图，主要包括boottrap抽样、内部各分类树训练、分类结果投票表决；经过训练得到的随机森林分类器可对新输入样本进行分类。

如图1所示，一种电力负荷季节特性分类方法，包括以下步骤：

1)、选择气象划分法确定当年春、夏、秋、冬四季的起止日期，即以阳历3～5月为春季，6～8月为夏季，9～11月为秋季，12月～来年2月为冬季，并且常常把1、4、7、10月作为冬、春、夏、秋季的代表月份；

2)、收集电网、变电站或用户的全年日负荷曲线数据信息，并按照选择的季节划分方法将数据按所属季节打上标签并分类存储；

3)、对日负荷曲线数据进行小波去噪并进行归一化处理；

4)、从归一化处理后的各季节日负荷曲线数据中随机选取适当数量的样本构成训练数据集；

5)、利用训练数据集对随机森林算法构建的随机森林模型进行训练，得到随机森林分类器；

6)、从归一化处理后的各季节日负荷曲线数据中随机选取适当数量的样本构成测试数据集；

7)、将测试数据集输入训练得到的随机森林分类器；

8)、将随机森林分类器输出的投票得到的最优分类与实际标签进行对比，校验随机森林分类器；

小波去噪具体包括：

311)、将含有噪声的数据分解到不同的频带内；

312)、将噪声所处的频带置零，进行小波重构；

归一化处理是将数据通过伸缩变换映射到区间[0,1]内，具体包括：

321)、设去噪后的日负荷曲线为P_d，P_dmax和P_dmin分别为P_d的最大值和最小值；

322)、归一化处理后的日负荷曲线的计算公式为：

每个季节训练数据集样本的数量相等，且覆盖每个季节的起始、中间及结束的全过程；测试数据集从没参加训练的样本中选取能够覆盖每个季节的起始、中间及结束的全过程。

构建分类器的具体步骤包括：

51)、由多个决策树分类模型{h(X,θ_k),k＝1,…}组成组合分类模型；每个决策树分类模型都由一票投票权来选择最优分类结果；

52)、通过不同的训练数据集增加分类模型的外推预测能力；

53)、通过k轮训练，得到一个分类模型序列{h₁(X),h₂(X),…,h_k(X)}；

54)、利用分类模型序列构成一个多分类模型系统，该系统最终分类结果采用简单多数投票法，最终的分类决策为：

式中，H(x)表示组合分类模型，h_i是单个决策树分类模型，Y表示输出变量，I(·)为示性函数，参数集{θ_k}是独立同分布的随机向量，X是给定自变量。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (5)

1.一种电力负荷季节特性分类方法，其特征是，包括以下步骤：

1)、选择季节划分方法确定当年春、夏、秋、冬四季的起止日期；

2)、收集电网、变电站或用户的全年日负荷曲线数据信息，并按照选择的季节划分方法将数据按所属季节打上标签并分类存储；

3)、对日负荷曲线数据进行小波去噪并进行归一化处理；

4)、从各季节的日负荷曲线数据中随机选取适当样本分别构成训练数据集和测试数据集；

5)、用随机森林算法构建分类器，并对训练数据集进行分类训练；

6)、用测试数据集对分类器进行校验，得到电力负荷季节特性分类器。

2.根据权利要求1所述的一种电力负荷季节特性分类方法，其特征是，1)中所述的季节划分方法包括天文划分法、气象划分法、候温划分法、节气划分法；所述天文划分法以春分、夏至、秋分、冬至为四季的开始；所述气象划分法为以3月至5月为春季，6月至8月为夏季，9月至11月为秋季，12月至2月为冬季；所述候温划分法春季为日平均气温或滑动平均气温大于等于10℃且小于22℃，夏季为日平均气温或滑动平均气温大于等于22℃，秋季为日平均气温或滑动平均气温小于22℃且大于等于10℃，冬季为日平均气温或滑动平均气温小于10℃；所述节气划分法以立春、立夏、立秋、立冬为四季之始。

3.根据权利要求1所述的一种电力负荷季节特性分类方法，其特征是，3)中所述的小波去噪具体包括：

311)、将含有噪声的数据分解到不同的频带内；

312)、将噪声所处的频带置零，进行小波重构；

所述归一化处理是将数据通过伸缩变换映射到区间[0,1]内，具体包括：

321)、设去噪后的日负荷曲线为P_d，P_dmax和P_dmin分别为P_d的最大值和最小值；

322)、归一化处理后的日负荷曲线的计算公式为：

<mrow> <msubsup> <mi>P</mi> <mi>d</mi> <mo>*</mo> </msubsup> <mo>=</mo> <mfrac> <mrow> <msub> <mi>P</mi> <mi>d</mi> </msub> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>d</mi> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> </mrow> <mrow> <msub> <mi>P</mi> <mrow> <mi>d</mi> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>d</mi> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> </mrow> </mfrac> <mo>.</mo> </mrow>

4.根据权利要求1所述的一种电力负荷季节特性分类方法，其特征是，4)中每个季节训练数据集样本的数量相等，且覆盖每个季节的起始、中间及结束的全过程；测试数据集从没参加训练的样本中选取能够覆盖每个季节的起始、中间及结束的全过程。

5.根据权利要求1所述的一种电力负荷季节特性分类方法，其特征是，5)中构建分类器的具体步骤包括：

51)、由多个决策树分类模型{h(X,θ_k),k＝1,…}组成组合分类模型；每个决策树分类模型都由一票投票权来选择最优分类结果；

52)、通过不同的训练数据集增加分类模型的外推预测能力；

53)、通过k轮训练，得到一个分类模型序列{h₁(X),h₂(X),…,h_k(X)}；

54)、利用分类模型序列构成一个多分类模型系统，该系统最终分类结果采用简单多数投票法，最终的分类决策为：

<mrow> <mi>H</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>arg</mi> <munder> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> <mi>Y</mi> </munder> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <mi>I</mi> <mrow> <mo>(</mo> <msub> <mi>h</mi> <mi>i</mi> </msub> <mo>(</mo> <mi>x</mi> <mo>)</mo> <mo>=</mo> <mi>Y</mi> <mo>)</mo> </mrow> <mo>;</mo> </mrow> 1

式中，H(x)表示组合分类模型，h_i是单个决策树分类模型，Y表示输出变量，I(·)为示性函数，参数集{θ_k}是独立同分布的随机向量，X是给定自变量。