CN108665376A - 一种空间负荷预测中确定元胞负荷最大值的核密度估计方法 - Google Patents
一种空间负荷预测中确定元胞负荷最大值的核密度估计方法 Download PDFInfo
- Publication number
- CN108665376A CN108665376A CN201810302743.2A CN201810302743A CN108665376A CN 108665376 A CN108665376 A CN 108665376A CN 201810302743 A CN201810302743 A CN 201810302743A CN 108665376 A CN108665376 A CN 108665376A
- Authority
- CN
- China
- Prior art keywords
- cellular
- load
- abnormal data
- curve
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
一种空间负荷预测中确定元胞负荷最大值的核密度估计方法,其特点是:在电力地理信息系统环境中根据10kV馈线供电范围生成元胞并获取元胞负荷,在对各元胞负荷波动特性和差异性分析的基础上,将元胞负荷中的所有异常数据划分为四类,并建立含异常数据的元胞负荷的分类指标体系;计算含异常数据的元胞负荷的核密度估计曲线,查找含各类异常数据的元胞负荷核密度估计曲线的不同特征,进而提出通过截断核密度估计曲线尾部获取元胞负荷合理最大值的思路;针对含不同类异常数据的元胞负荷核密度估计曲线之间的差异,分别构建对各类含异常数据的元胞负荷核密度估计曲线进行截尾所需随动门限的计算模型,并将截尾处的负荷值作为相应元胞负荷的合理最大值。
Description
技术领域
本发明涉及城市配电网规划中的空间负荷预测领域,是一种空间负荷预测中确定元胞负荷最大值的核密度估计方法。
背景技术
为实现空间负荷预测,需先将待预测区域划分为多个规则或不规则的小区,每个小区称为一个元胞,元胞内的电力负荷称为元胞负荷。在实现空间负荷预测的过程中,一般只使用各元胞单位时间内众多负荷数据中的一个最大值,通过SCADA系统采集的元胞负荷数据中,通常包含许多异常数据,这些异常数据会对元胞负荷最大值产生影响,如果直接从采集到的元胞负荷数据中寻找最大值进行空间负荷预测,预测结果误差势必会有所增大。因此,剔除元胞负荷数据中的异常数据并获取元胞负荷合理最大值能够提高空间负荷预测精度。
发明内容
本发明的目的是,克服现有技术的不足,提出一种方法科学、合理,适用性强,效果佳的空间负荷预测中确定元胞负荷最大值的核密度估计方法。利用空间负荷预测中确定元胞负荷最大值的核密度估计方法获取的元胞负荷最大值进行空间负荷预测,避免了直接使用实测数据中负荷最大值进行预测带来的预测误差,可以有效的提高预测精度。
实现本发明目的采用的技术方案是,一种空间负荷预测中确定元胞负荷最大值的核密度估计方法,其特征在于,它包括以下步骤:
1)生成元胞并获取元胞负荷历史数据
为实现空间负荷预测,需先将待预测区域划分为多个规则或不规则的小区,每个小区称为一个元胞,元胞内的电力负荷称为元胞负荷;
首先建立包含待预测区域内的10kV馈线供电范围图层和用地信息图层的电力地理信息系统,然后根据10kV馈线的供电范围生成元胞;
2)含异常数据元胞负荷分类及建立元胞负荷分类指标体系
首先,根据元胞负荷中异常数据的表现、产生原因的不同,将元胞负荷中的所有异常数据分为四类:
由于数据采集或传输失败的原因,导致相邻时段数据连续不变且非零,主要特征为负荷数据保持恒定不变,此类异常数据称为第一类异常数据类;由于线路、设备检修故障以及测量表计损坏原因造成相邻时段数据一直连续为零,此类异常数据称为第二类异常数据类;当冲击负荷接入电网或数据传输错误时,相邻时段的负荷数据突然增大或减小,主要特征为负荷毛刺,此类异常数据称为第三类异常数据类;当出现供电线路转带或转甩其它线路的负荷时,负荷突然跃变到另一个水平,主要特征为负荷转移,此类异常数据称为第四类异常数据类;
通过对元胞负荷的时序曲线、峰谷差曲线、核密度估计曲线的统计分析,有助于对含异常数据元胞负荷的分类,为了更加准确地对含异常数据的元胞负荷进行分类,需要构造合理的分类指标,根据元胞负荷的时序曲线、峰谷差曲线及核密度估计曲线的特点构造了变异系数、日峰谷差、波峰个数和首端概率密度分类指标,形成含异常数据元胞负荷的分类指标体系;然后依次按照各指标顺序完成对元胞负荷的分类;
基于元胞负荷时序曲线的日峰谷差指标如公式(1)所示,其物理意义为单位时间内元胞负荷日最大负荷与日最小负荷之差;
a1=Pmax-Pmin (1)
其中,a1为日峰谷差指标,Pmax为单位时间内元胞负荷日最大负荷,Pmin为单位时间内元胞负荷日最小负荷;
基于元胞负荷时序曲线的变异系数指标如公式(2)所示,其物理意义为描述一组数据变异程度的参数,变异系数=(标准差/平均值)×100%;
a2=CV (2)
其中,a2为变异系数指标,CV为元胞负荷数据标准差与元胞负荷数据平均值的比;
基于核密度估计曲线的波峰个数指标如公式(3)所示,其物理意义为核密度估计曲线的波峰数;
a3=B (3)
其中,a3为波峰个数指标,B为核密度估计曲线的波峰数;
基于核密度估计曲线的首端概率密度指标如公式(4)所示,其物理意义为核密度估计曲线中最小负荷值对应的概率密度;
a4=F0 (4)
其中,a4为首端概率密度指标,F0为核密度估计曲线中最小负荷值对应的概率密度;
3)计算含异常数据的元胞负荷的核密度估计曲线
统计单位时间内元胞负荷在不同值时对应的概率密度,按照以元胞负荷值由小到大的顺序进行排序作为横坐标,以元胞负荷值对应概率密度作为纵坐标,得到元胞负荷的核密度估计曲线;
每个元胞负荷的核密度估计曲线都可以用公式(5)表达;
其中,h为带宽;N为元胞负荷历史数据总个数;xi为元胞负荷历史数据中第i个负荷数据,i=1,2,…,N;将N个元胞负荷历史数据中的最大值与最小值做差,然后除以元胞负荷历史数据总个数N得到组距,以元胞负荷最小值为初始值,按组距逐渐增加,直到元胞负荷最大值构成一个一维数组;yj为该一维数组中的第j个数据,j=1,2,…,N;为N 个元胞负荷历史数据的概率密度函数;
每条核密度估计曲线的带宽h通过正态参考带宽选择来确定;正态参考带宽由公式(6) 可以得到;
hopt=1.06σN-1/5 (6)
其中,N为元胞负荷历史数据总个数,hopt为正态参考带宽,σ为样本标准差;
4)确定元胞负荷合理最大值
经过统计分析表明,元胞负荷数据的核密度估计曲线呈现出“双峰”的特征,将元胞负荷数据的核密度估计曲线的双峰部分称为“头部”,将曲线中出现概率低且负荷值大的部分称为“尾部”,正常元胞负荷和含第一类异常数据、第二类异常数据的元胞负荷尾部都很短,称为“短尾”而含第三类异常数据和含第四类异常数据的元胞负荷尾部很长,称为“长尾”,但头部仍符合双峰的特征;
可能影响到元胞负荷最大值的各类异常数据均存在于其核密度估计曲线的尾部,而且尾部越长则带来的影响就越严重,针对这一问题,考察核密度估计曲线与坐标轴围成的面积,通过保留其头部面积,截断并舍弃其尾部面积的方法来确定元胞负荷合理最大值;
因为各类核密度曲线具有不同特征,通过直接设置统一的门限来确定各元胞负荷合理最大值并不可行,所以应根据含各类异常数据元胞负荷的具体特征来确定核密度估计曲线截尾面积大小的门限,称该门限为随动门限;
针对含不同类型异常数据的元胞负荷的核密度估计曲线,构建各自的随动门限模型,在截断并舍弃核密度估计曲线尾部面积的大小与核密度估计曲线与坐标轴围成的总面积之比等于对应门限的条件下,将截尾处的负荷值作为相应元胞负荷的合理最大值;
考虑到元胞负荷转移时间长短的不同,给出两种不同场景下元胞负荷对应的两个合理最大值;对于永久性负荷转移,求取元胞负荷最大值时应该计及负荷转移;对于短期负荷转移,由于未来年实际值中不包含负荷转移,在求取元胞负荷最大值时需剔除负荷转移;简而言之,在不同场景下,选用不同计算方法求取元胞负荷合理最大值;
针对含第四类异常数据的元胞负荷,在原来的长尾部分又出现一个小波峰,形成“三峰”,根据统计分析发现,第三个波峰对应转移负荷的概率密度,且含第四类异常数据元胞负荷的核密度估计曲线的第三个小波峰与头部之间存在波谷,为了得到短期负荷转移场景下的元胞负荷合理最大值,先从第三个小波峰与头部之间的波谷处截掉第三个波峰,形成短尾,再使用设定的随动门限截掉剩余核密度估计曲线与坐标轴围成面积的短尾;如果是永久性负荷转移,截尾方式与含第一类异常数据、第二类异常数据、第三类异常数据元胞负荷的核密度估计曲线的截尾方式相同;
①建立各类元胞负荷数据核密度估计曲线的随动门限模型
a.含第一类异常数据元胞负荷的核密度估计曲线的随动门限模型
通过对含第一类异常数据元胞负荷时序曲线及其核密度估计曲线的特性分析发现,含第一类异常数据元胞负荷的核密度估计曲线的随动门限大小,与元胞负荷数据中第一类异常数据出现的次数有关,因此,为了能够获取合理最大值,将元胞负荷历史数据中第一类异常数据出现的次数与元胞负荷历史数据总个数之比作为含第一类异常数据元胞负荷的核密度估计曲线的随动门限模型,见公式(7);
其中,N为元胞负荷历史数据总个数;n为元胞负荷历史数据中第一类异常数据出现的次数,n≥1;x1表示元胞负荷历史数据中第一类异常数据出现的次数n与元胞负荷历史数据总个数N之比;
b.含第二类异常数据元胞负荷的核密度估计曲线的随动门限模型
与第一类异常数据相比,第二类异常数据对元胞负荷最大值影响小,且只有零值一种情况,故将公式(7)中n取1时所对应的模型作为含第二类异常数据元胞负荷的核密度估计曲线的随动门限模型,见公式(8);
其中,N为元胞负荷历史数据总个数;x2表示含第二类异常数据元胞负荷的核密度估计曲线的随动门限;
c.含第三类异常数据元胞负荷的核密度估计曲线的随动门限模型
针对含第三类异常数据的元胞,首先,计算其元胞负荷在单位时间内日最小值平均值及日峰谷差平均值,将两个平均值求和,然后确定异常数据所在日,并求出该日内负荷值大于最小值平均值及日峰谷差平均值之和的个数,见公式(9);
其中,Pt,max为第t天中的最大负荷值,t=1,2,…,l;Pt,min为第t天中的最小负荷值;l 为元胞负荷数据的天数;z为元胞负荷单位时间内日最小值平均值与其日峰谷差平均值之和;
然后,将元胞负荷历史数据中异常数据个数与元胞负荷历史数据总个数之比作为含第三类异常数据元胞负荷的核密度估计曲线的随动门限模型,见公式(10);
其中,N为元胞负荷历史数据总个数;k为异常数据所在日内时序负荷大于z的异常数据个数;x3表示元胞负荷历史数据中异常数据个数与元胞负荷历史数据总个数之比;
d.含第四类异常数据元胞负荷的核密度估计曲线的随动门限模型
针对含第四类异常数据的元胞负荷,由于含第四类异常数据元胞负荷的核密度估计曲线随动门限的大小取决于元胞负荷历史数据总个数,故含第四类异常数据元胞负荷的核密度估计曲线的随动门限模型同含第二类异常数据元胞负荷的核密度估计曲线的随动门限模型,见公式(11);
其中,N为元胞负荷历史数据总个数;x4表示含第二类异常数据元胞负荷的核密度估计曲线的随动门限;
②利用随动门限在核密度估计曲线上确定元胞负荷合理最大值
利用公式(7)至公式(11)可以得到含异常数据元胞负荷的随动门限,将随动门限乘以含异常数据元胞负荷的核密度估计曲线总面积就可以得到截尾面积的大小,对应截尾处的负荷值就是元胞负荷合理最大值。
本发明的一种空间负荷预测中确定元胞负荷最大值的核密度估计方法,便于对元胞负荷数据进行分类,建立元胞负荷分类指标体系,计算含各类异常数据元胞负荷的核密度估计曲线,根据每类核密度估计曲线的特点,构建对各类含异常数据元胞负荷的核密度估计曲线进行截尾所需随动门限的计算模型,将随动门限乘以含异常数据元胞负荷的核密度估计曲线总面积就可以得到截尾面积的大小,对应截尾处的负荷值就是元胞负荷合理最大值,通过实施例验证了空间负荷预测中确定元胞负荷最大值的核密度估计方法的有效性。具有方法科学、合理、适用性强、效果佳等优点。
附图说明
图1为通过空间负荷预测中确定元胞负荷最大值的核密度估计方法获取元胞负荷合理最大值的原理图;
图2为待预测区域内各元胞的供电范围;
图3为含异常数据元胞负荷的分类框图;
图4为含第一类异常数据元胞负荷的核密度估计曲线及合理最大值;
图5为含第二类异常数据元胞负荷的核密度估计曲线及合理最大值;
图6为含第三类异常数据元胞负荷的核密度估计曲线及合理最大值;
图7为含短期负荷转移元胞负荷的核密度估计曲线及合理最大值;
图8为含永久性负荷转移元胞负荷的核密度估计曲线及合理最大值;
图9为空间负荷预测中确定元胞负荷最大值的核密度估计方法下3种预测方法的预测误差分布图;
图10为传统方法下3种预测方法的预测误差分布图。
具体实施方式
下面利用附图1-附图10和实施例对本发明进行进一步说明。
图1给出了通过空间负荷预测中确定元胞负荷最大值的核密度估计方法获取元胞负荷合理最大值的具体流程;图2给出了待预测区域内各元胞的供电范围;参照图3至图8,图3 给出了利用分类指标体系对含异常数据元胞负荷进行分类的流程;图4给出了含第一类异常数据元胞负荷的核密度估计曲线及合理最大值;图5给出了含第二类异常数据元胞负荷的核密度估计曲线及合理最大值;图6给出了含第三类异常数据元胞负荷的核密度估计曲线及合理最大值;图7给出了含短期负荷转移元胞负荷的核密度估计曲线及合理最大值;图8给出了含永久性负荷转移元胞负荷的核密度估计曲线及合理最大值;图9为空间负荷预测中确定元胞负荷最大值的核密度估计方法下分别单独使用灰色理论法、指数平滑法、线性回归法三种方法来预测2016年1月份各元胞负荷最大值的预测误差情况;图10为传统方法下分别单独使用灰色理论法、指数平滑法、线性回归法三种方法来预测2016年1月份各元胞负荷最大值的预测误差情况。
运用本发明的一种空间负荷预测中确定元胞负荷合理最大值的核密度估计方法,针对由 37条10kV馈线供电的河南郑州市郑东核心区,先确定元胞负荷合理最大值,再进行空间负荷预测,具体实施包含以下步骤:
1)生成元胞并获取元胞负荷历史数据
河南郑州市郑东核心区由37条10kV馈线供电,该核心区域各馈线的供电范围如图2所示。按照各馈线的供电范围生成元胞,共生成37个元胞,获取2013年1月到2015年12月期间各元胞的每5分钟记录一次的负荷数据。将本发明提出的空间负荷预测中确定元胞负荷最大值的核密度估计方法简称为“核密度估计方法”,将直接使用每月中的最大负荷作为元胞负荷最大值的方法简称为“传统方法”。空间负荷预测中确定元胞负荷合理最大值的核密度估计方法原理如图1所示。
2)含异常数据元胞负荷分类及建立元胞负荷分类指标体系
通过分类指标体系对元胞负荷进行分类,对元胞负荷的分类过程如图3所示,具体分类情况见表1,限于篇幅,表1仅给出部分计算结果。
表1含异常数据元胞负荷分类表
表中,0代表元胞负荷中没有异常数据;1代表元胞负荷中含有第一类异常数据;2代表元胞负荷中含有第二类异常数据;3代表元胞负荷中含有第三类异常数据;4代表元胞负荷中含有第四类异常数据。
3)计算含异常数据元胞负荷的核密度估计曲线
在对含异常数据元胞负荷分类的基础上,利用公式(5)计算待预测区域内含异常数据元胞负荷的核密度曲线,含各类异常数据元胞负荷的核密度估计曲线如图4至图8所示。
4)确定元胞负荷合理最大值
根据所建立的核密度估计曲线随动门限模型计算得到含各类异常数据元胞负荷的随动门限,利用随动门限对核密度估计曲线进行截尾并在核密度估计曲线上确定元胞负荷合理最大值。核密度估计方法下含各类异常数据元胞负荷的合理最大值求取结果如图4至图8所示。
然后使用传统方法和核密度估计方法获取36个月中每个元胞的合理最大值,并分别使用灰色理论法、指数平滑法、线性回归法来预测2016年1月份各元胞的负荷最大值,预测结果见表2。
表2各元胞的负荷预测结果
表2给出了37条馈线在2016年1月的实际负荷值以及两种方法下的负荷预测值,为了方便分析两种方法下的负荷预测值,对表2中的数据进行处理,分别计算每条馈线在两种方法下的负荷预测误差,分析如图9、图10所示。
参照图9和图10,使用实例验证通过核密度估计方法求得元胞负荷最大值作为历史值进行负荷预测的预测精度,从图9中可以得出,大部分元胞的相对误差集中在0%-20%区间内;从图10中可以得出,大部分元胞的相对误差集中在大于20%;通过对比发现,基于核密度估计方法下的3种空间负荷预测结果精度整体上优于传统方法下的3种预测结果。由此可见,核密度估计方法可以显著提高预测精度。
本发明中所用的特定实施例已对本发明的内容做出了详尽的说明,但不局限于本实施例,本领域技术人员根据本发明的启示所做的任何显而易见的改动,都属于本发明权利保护的范围。
Claims (1)
1.一种空间负荷预测中确定元胞负荷最大值的核密度估计方法,其特征在于,它包括以下步骤:
1)生成元胞并获取元胞负荷历史数据
为实现空间负荷预测,需先将待预测区域划分为多个规则或不规则的小区,每个小区称为一个元胞,元胞内的电力负荷称为元胞负荷;
首先建立包含待预测区域内的10kV馈线供电范围图层和用地信息图层的电力地理信息系统,然后根据10kV馈线的供电范围生成元胞;
2)含异常数据元胞负荷分类及建立元胞负荷分类指标体系
首先,根据元胞负荷中异常数据的表现、产生原因的不同,将元胞负荷中的所有异常数据分为四类:
由于数据采集或传输失败的原因,导致相邻时段数据连续不变且非零,主要特征为负荷数据保持恒定不变,此类异常数据称为第一类异常数据类;由于线路、设备检修故障以及测量表计损坏原因造成相邻时段数据一直连续为零,此类异常数据称为第二类异常数据类;当冲击负荷接入电网或数据传输错误时,相邻时段的负荷数据突然增大或减小,主要特征为负荷毛刺,此类异常数据称为第三类异常数据类;当出现供电线路转带或转甩其它线路的负荷时,负荷突然跃变到另一个水平,主要特征为负荷转移,此类异常数据称为第四类异常数据类;
通过对元胞负荷的时序曲线、峰谷差曲线、核密度估计曲线的统计分析,有助于对含异常数据元胞负荷的分类,为了更加准确地对含异常数据的元胞负荷进行分类,需要构造合理的分类指标,根据元胞负荷的时序曲线、峰谷差曲线及核密度估计曲线的特点构造了变异系数、日峰谷差、波峰个数和首端概率密度分类指标,形成含异常数据元胞负荷的分类指标体系;然后依次按照各指标顺序完成对元胞负荷的分类;
基于元胞负荷时序曲线的日峰谷差指标如公式(1)所示,其物理意义为单位时间内元胞负荷日最大负荷与日最小负荷之差;
a1=Pmax-Pmin (1)
其中,a1为日峰谷差指标,Pmax为单位时间内元胞负荷日最大负荷,Pmin为单位时间内元胞负荷日最小负荷;
基于元胞负荷时序曲线的变异系数指标如公式(2)所示,其物理意义为描述一组数据变异程度的参数,变异系数=(标准差/平均值)×100%;
a2=CV (2)
其中,a2为变异系数指标,CV为元胞负荷数据标准差与元胞负荷数据平均值的比;
基于核密度估计曲线的波峰个数指标如公式(3)所示,其物理意义为核密度估计曲线的波峰数;
a3=B (3)
其中,a3为波峰个数指标,B为核密度估计曲线的波峰数;
基于核密度估计曲线的首端概率密度指标如公式(4)所示,其物理意义为核密度估计曲线中最小负荷值对应的概率密度;
a4=F0 (4)
其中,a4为首端概率密度指标,F0为核密度估计曲线中最小负荷值对应的概率密度;
3)计算含异常数据的元胞负荷的核密度估计曲线
统计单位时间内元胞负荷在不同值时对应的概率密度,按照以元胞负荷值由小到大的顺序进行排序作为横坐标,以元胞负荷值对应概率密度作为纵坐标,得到元胞负荷的核密度估计曲线;
每个元胞负荷的核密度估计曲线都可以用公式(5)表达;
其中,h为带宽;N为元胞负荷历史数据总个数;xi为元胞负荷历史数据中第i个负荷数据,i=1,2,…,N;将N个元胞负荷历史数据中的最大值与最小值做差,然后除以元胞负荷历史数据总个数N得到组距,以元胞负荷最小值为初始值,按组距逐渐增加,直到元胞负荷最大值构成一个一维数组;yj为该一维数组中的第j个数据,j=1,2,…,N;为N个元胞负荷历史数据的概率密度函数;
每条核密度估计曲线的带宽h通过正态参考带宽选择来确定;正态参考带宽由公式(6)可以得到;
hopt=1.06σN-1/5 (6)
其中,N为元胞负荷历史数据总个数,hopt为正态参考带宽,σ为样本标准差;
4)确定元胞负荷合理最大值
经过统计分析表明,元胞负荷数据的核密度估计曲线呈现出“双峰”的特征,将元胞负荷数据的核密度估计曲线的双峰部分称为“头部”,将曲线中出现概率低且负荷值大的部分称为“尾部”,正常元胞负荷和含第一类异常数据、第二类异常数据的元胞负荷尾部都很短,称为“短尾”而含第三类异常数据和含第四类异常数据的元胞负荷尾部很长,称为“长尾”,但头部仍符合双峰的特征;
可能影响到元胞负荷最大值的各类异常数据均存在于其核密度估计曲线的尾部,而且尾部越长则带来的影响就越严重,针对这一问题,考察核密度估计曲线与坐标轴围成的面积,通过保留其头部面积,截断并舍弃其尾部面积的方法来确定元胞负荷合理最大值;
因为各类核密度曲线具有不同特征,通过直接设置统一的门限来确定各元胞负荷合理最大值并不可行,所以应根据含各类异常数据元胞负荷的具体特征来确定核密度估计曲线截尾面积大小的门限,称该门限为随动门限;
针对含不同类型异常数据的元胞负荷的核密度估计曲线,构建各自的随动门限模型,在截断并舍弃核密度估计曲线尾部面积的大小与核密度估计曲线与坐标轴围成的总面积之比等于对应门限的条件下,将截尾处的负荷值作为相应元胞负荷的合理最大值;
考虑到元胞负荷转移时间长短的不同,给出两种不同场景下元胞负荷对应的两个合理最大值;对于永久性负荷转移,求取元胞负荷最大值时应该计及负荷转移;对于短期负荷转移,由于未来年实际值中不包含负荷转移,在求取元胞负荷最大值时需剔除负荷转移;简而言之,在不同场景下,选用不同计算方法求取元胞负荷合理最大值;
针对含第四类异常数据的元胞负荷,在原来的长尾部分又出现一个小波峰,形成“三峰”,根据统计分析发现,第三个波峰对应转移负荷的概率密度,且含第四类异常数据元胞负荷的核密度估计曲线的第三个小波峰与头部之间存在波谷,为了得到短期负荷转移场景下的元胞负荷合理最大值,先从第三个小波峰与头部之间的波谷处截掉第三个波峰,形成短尾,再使用设定的随动门限截掉剩余核密度估计曲线与坐标轴围成面积的短尾;如果是永久性负荷转移,截尾方式与含第一类异常数据、第二类异常数据、第三类异常数据元胞负荷的核密度估计曲线的截尾方式相同;
①建立各类元胞负荷数据核密度估计曲线的随动门限模型
a.含第一类异常数据元胞负荷的核密度估计曲线的随动门限模型
通过对含第一类异常数据元胞负荷时序曲线及其核密度估计曲线的特性分析发现,含第一类异常数据元胞负荷的核密度估计曲线的随动门限大小,与元胞负荷数据中第一类异常数据出现的次数有关,因此,为了能够获取合理最大值,将元胞负荷历史数据中第一类异常数据出现的次数与元胞负荷历史数据总个数之比作为含第一类异常数据元胞负荷的核密度估计曲线的随动门限模型,见公式(7);
其中,N为元胞负荷历史数据总个数;n为元胞负荷历史数据中第一类异常数据出现的次数,n≥1;x1表示元胞负荷历史数据中第一类异常数据出现的次数n与元胞负荷历史数据总个数N之比;
b.含第二类异常数据元胞负荷的核密度估计曲线的随动门限模型
与第一类异常数据相比,第二类异常数据对元胞负荷最大值影响小,且只有零值一种情况,故将公式(7)中n取1时所对应的模型作为含第二类异常数据元胞负荷的核密度估计曲线的随动门限模型,见公式(8);
其中,N为元胞负荷历史数据总个数;x2表示含第二类异常数据元胞负荷的核密度估计曲线的随动门限;
c.含第三类异常数据元胞负荷的核密度估计曲线的随动门限模型
针对含第三类异常数据的元胞,首先,计算其元胞负荷在单位时间内日最小值平均值及日峰谷差平均值,将两个平均值求和,然后确定异常数据所在日,并求出该日内负荷值大于最小值平均值及日峰谷差平均值之和的个数,见公式(9);
其中,Pt,max为第t天中的最大负荷值,t=1,2,…,l;Pt,min为第t天中的最小负荷值;l为元胞负荷数据的天数;z为元胞负荷单位时间内日最小值平均值与其日峰谷差平均值之和;
然后,将元胞负荷历史数据中异常数据个数与元胞负荷历史数据总个数之比作为含第三类异常数据元胞负荷的核密度估计曲线的随动门限模型,见公式(10);
其中,N为元胞负荷历史数据总个数;k为异常数据所在日内时序负荷大于z的异常数据个数;x3表示元胞负荷历史数据中异常数据个数与元胞负荷历史数据总个数之比;
d.含第四类异常数据元胞负荷的核密度估计曲线的随动门限模型
针对含第四类异常数据的元胞负荷,由于含第四类异常数据元胞负荷的核密度估计曲线随动门限的大小取决于元胞负荷历史数据总个数,故含第四类异常数据元胞负荷的核密度估计曲线的随动门限模型同含第二类异常数据元胞负荷的核密度估计曲线的随动门限模型,见公式(11);
其中,N为元胞负荷历史数据总个数;x4表示含第二类异常数据元胞负荷的核密度估计曲线的随动门限;
②利用随动门限在核密度估计曲线上确定元胞负荷合理最大值
利用公式(7)至公式(11)可以得到含异常数据元胞负荷的随动门限,将随动门限乘以含异常数据元胞负荷的核密度估计曲线总面积就可以得到截尾面积的大小,对应截尾处的负荷值就是元胞负荷合理最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810302743.2A CN108665376B (zh) | 2018-04-06 | 2018-04-06 | 一种空间负荷预测中确定元胞负荷最大值的核密度估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810302743.2A CN108665376B (zh) | 2018-04-06 | 2018-04-06 | 一种空间负荷预测中确定元胞负荷最大值的核密度估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108665376A true CN108665376A (zh) | 2018-10-16 |
CN108665376B CN108665376B (zh) | 2021-06-18 |
Family
ID=63783243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810302743.2A Active CN108665376B (zh) | 2018-04-06 | 2018-04-06 | 一种空间负荷预测中确定元胞负荷最大值的核密度估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108665376B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539654A (zh) * | 2020-05-26 | 2020-08-14 | 国网湖南省电力有限公司 | 一种基于大数据的冲击型电力大客户识别方法 |
CN114785469A (zh) * | 2022-04-11 | 2022-07-22 | 北京邮电大学 | 服务小区导频确定方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258246A (zh) * | 2013-05-16 | 2013-08-21 | 东北电力大学 | 一种基于元胞历史数据的负荷密度指标的求取方法 |
CN103412950A (zh) * | 2013-08-28 | 2013-11-27 | 浙江大学 | 加速空间大数据文件读写速度的方法 |
CN104091227A (zh) * | 2014-06-17 | 2014-10-08 | 华南理工大学 | 一种城市用电用户的负荷密度分析方法 |
US20160326359A1 (en) * | 2009-06-19 | 2016-11-10 | Exacto, Inc. | Water-in-oil polyacrylamide-based microemulsions and related methods |
CN106530123A (zh) * | 2016-10-26 | 2017-03-22 | 广东电网有限责任公司电力科学研究院 | 一种发电负荷稳态点提取方法及其装置 |
CN106709816A (zh) * | 2016-11-29 | 2017-05-24 | 国网陕西省电力公司电力科学研究院 | 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 |
CN106997426A (zh) * | 2017-03-30 | 2017-08-01 | 东北大学 | 一种基于核密度估计的非侵入式电力负荷辨识方法 |
CN107505519A (zh) * | 2017-07-26 | 2017-12-22 | 中国电力科学研究院 | 一种分布式电源接入电网电能质量分析方法及装置 |
-
2018
- 2018-04-06 CN CN201810302743.2A patent/CN108665376B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160326359A1 (en) * | 2009-06-19 | 2016-11-10 | Exacto, Inc. | Water-in-oil polyacrylamide-based microemulsions and related methods |
CN103258246A (zh) * | 2013-05-16 | 2013-08-21 | 东北电力大学 | 一种基于元胞历史数据的负荷密度指标的求取方法 |
CN103412950A (zh) * | 2013-08-28 | 2013-11-27 | 浙江大学 | 加速空间大数据文件读写速度的方法 |
CN104091227A (zh) * | 2014-06-17 | 2014-10-08 | 华南理工大学 | 一种城市用电用户的负荷密度分析方法 |
CN106530123A (zh) * | 2016-10-26 | 2017-03-22 | 广东电网有限责任公司电力科学研究院 | 一种发电负荷稳态点提取方法及其装置 |
CN106709816A (zh) * | 2016-11-29 | 2017-05-24 | 国网陕西省电力公司电力科学研究院 | 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 |
CN106997426A (zh) * | 2017-03-30 | 2017-08-01 | 东北大学 | 一种基于核密度估计的非侵入式电力负荷辨识方法 |
CN107505519A (zh) * | 2017-07-26 | 2017-12-22 | 中国电力科学研究院 | 一种分布式电源接入电网电能质量分析方法及装置 |
Non-Patent Citations (3)
Title |
---|
MIHIR AWATRAMANI 等: "Increasing GPU throughput using kernel interleaved thread block scheduling", 《2013 IEEE 31ST INTERNATIONAL CONFERENCE ON COMPUTER DESIGN》 * |
刘思: "配电网空间负荷聚类及预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
肖白 等: "空间负荷预测中确定元胞负荷最大值的概率谱方法", 《电力系统自动化》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539654A (zh) * | 2020-05-26 | 2020-08-14 | 国网湖南省电力有限公司 | 一种基于大数据的冲击型电力大客户识别方法 |
CN111539654B (zh) * | 2020-05-26 | 2023-04-25 | 国网湖南省电力有限公司 | 一种基于大数据的冲击型电力大客户识别方法 |
CN114785469A (zh) * | 2022-04-11 | 2022-07-22 | 北京邮电大学 | 服务小区导频确定方法、装置、电子设备及存储介质 |
CN114785469B (zh) * | 2022-04-11 | 2023-11-14 | 北京邮电大学 | 导频确定方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108665376B (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108414848B (zh) | 一种含分布式电源配电网的电能质量多时段综合预警方法 | |
CN108428045A (zh) | 一种配电网运行健康状态评估方法 | |
CN109190164A (zh) | 节点电压暂降严重程度多指标评估方法 | |
CN112791997B (zh) | 一种退役电池梯次利用筛选的方法 | |
CN107506895A (zh) | 一种含新能源发电的电力系统运行经济性综合评价系统 | |
CN108615089A (zh) | 一种基于递归量化分析的短期风速混合预测方法 | |
CN108665376A (zh) | 一种空间负荷预测中确定元胞负荷最大值的核密度估计方法 | |
CN103473604A (zh) | 一种日前发电计划综合性能评价方法 | |
CN103617447B (zh) | 智能变电站的评价系统及评价方法 | |
CN115952429A (zh) | 基于无先验权重欧氏距离的自适应dbscan异常电池识别方法 | |
CN102904252B (zh) | 求解含分布式电源的配电网不确定性潮流的方法 | |
CN108491358A (zh) | 一种变压器套管状态评估方法及装置 | |
CN112434887B (zh) | 一种结合网络核密度估计和svm的供水管网风险预测方法 | |
Broderick et al. | Accuracy of clustering as a method to group distribution feeders by PV hosting capacity | |
CN107086565B (zh) | 一种基于聚合理论的预想事故自动选择方法 | |
CN111091301A (zh) | 一种省级电网可持续发展策略的优选方法 | |
CN108268982B (zh) | 一种大规模有源配电网分解策略评价方法和装置 | |
CN112052549B (zh) | 一种小网眼聚集区道路选取方法 | |
CN108536849B (zh) | 一种浮标数据的多目标关联度增量优化划分方法 | |
CN103166317A (zh) | 一种含der配电通信方式的可靠性检测方法和装置 | |
Li et al. | Lean Management of Line Loss in Municipal Power Grid | |
CN117578465B (zh) | 一种多尺度可解释的微电网电力负荷预测方法及系统 | |
CN113222473B (zh) | 基于电力大脑中枢的电网负荷调整方法及装置 | |
He et al. | Flood disaster level evaluation using a particle swarm optimization algorithm considering decision maker's preference | |
CN114079997B (zh) | 一种基于wsn改进路由协议的高性能通信方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |