CN109741206B - 一种海量负荷数据的多时间尺度特征分析方法 - Google Patents
一种海量负荷数据的多时间尺度特征分析方法 Download PDFInfo
- Publication number
- CN109741206B CN109741206B CN201811381820.4A CN201811381820A CN109741206B CN 109741206 B CN109741206 B CN 109741206B CN 201811381820 A CN201811381820 A CN 201811381820A CN 109741206 B CN109741206 B CN 109741206B
- Authority
- CN
- China
- Prior art keywords
- load
- data
- point
- elevation
- grid
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000003384 imaging method Methods 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 abstract description 3
- 230000005611 electricity Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据分析技术领域,公开了一种海量负荷数据的多时间尺度特征分析方法。包括以下过程:利用三维图像的栅格成像技术进行负荷数据的三维映射获取连续曲面,计算平面曲率和剖面曲率,确定被分析栅格点的分析窗口;以第一次空间插值得到的方正排列的栅格数据为依据,对未知点进行二次插值运算;利用三维坐标下的负荷形态数据,提取的典型负荷数据。本发明的技术方案对不同时间颗粒度下的负荷数据进行三维投影,对数据做出多方位的比较与对比。利用栅格技术形成空间表达的点、线、面等元素,利用插值等技术平滑曲线,并利用聚类算法求取典型日负荷曲线形态。本发明的方法能更好地揭示负荷的长、中、短期数据蕴含着相似性、连续性与随机性。
Description
技术领域
本发明涉及数据分析技术领域,特别是一种海量负荷数据的多时间尺度特征分析方法。
背景技术
负荷数据为电力系统的规划、计划、用电、调度等部门提供基础性的数据,其重要性早已被人们所认识。传统的负荷曲线是以曲线描述一段时间内负荷随时间变化的规律,其负荷可以按有功功率负荷和无功功率负荷来描述,也可以按时间长短分为日负荷曲线和年负荷曲线。这些负荷曲线数据中蕴含一些制定发电机组的检修计划、扩建计划、估算发输电设备可靠性的有用信息[2]。
短期的负荷预测是制定发电计划的基础,更是电力市场下开展日前交易所不可缺少的基础性工作。中长期负荷预测为合理安排电源和电网的建设进度提供宏观决策的依据,是制定电力系统发展规划的前提[3]。
智能电网的发展为收集各类时间尺度的大数据提供了可能,大数据的研究利用各类数据分析工具为数据的实时处理以及数据价值链的提升展开了新的研究。郑海雁等发表的文献“电力用户用电数据分析技术及典型场景应用”针对用电大数据平台建设面临的数据抽取技术、数据存储方案、数据索引机制方面的问题,提出了相应的解决方案,并依托用电大数据平台,针对用电大数据和电力营销业务的特征,开展了大量的场景应用分析。张素香等发表的文献“海量数据下的电力负荷短期预测”以智能工业园区海量数据为基础,将局部加权线性回归预测算法和云计算Mapreduce模型相结合,将海量数据分割成多个数据子块,利用云平台进行并行处理。采用最大熵建立坏数据分类模型,剔除坏数据,保证历史数据的有效性。刘博等发表的文献“基于负荷分解的用电数据云架构方案及应用场景”介绍了负荷分解与监测技术,将其用于用电负荷的采集,搭建智能用电数据采集和分析的云构架,展现了大数据在智能用电方面的应用。
虽然智能电网的发展为负荷数据的采集提供了基础,电力系统已经开发和应用针对负荷的超短期、短期、中长期负荷预测算法,调度自动化系统已经存储了大量的历史负荷数据和实时负荷数据,但是缺乏对这些数据的深度挖掘,不同时间尺度维度上的数据比较分析工具。
发明内容
本发明所要解决的技术问题是:针对上述存在的问题,提供了一种海量负荷数据的多时间尺度特征分析方法。
本发明采用的技术方案如下:一种海量负荷数据的多时间尺度特征分析方法,具体包括以下过程:
步骤1,利用三维图像的栅格成像技术进行负荷数据的三维映射获取连续曲面,计算平面曲率和剖面曲率,确定被分析栅格点的分析窗口;
步骤2,以第一次空间插值得到的方正排列的栅格数据为依据,对未知点进行二次插值运算;
步骤3,利用三维坐标下的负荷形态数据,提取的典型负荷数据。
进一步的,所述步骤1的具体过程为:步骤11,将海量负荷数据三维映射获得三维负荷图形;步骤12,用顶点特征度表征三维负荷图形的峰谷点,所述顶点特征度取为平面曲率和剖面曲率绝度值之和;步骤13,根据负荷数据映射成离散高程数据,把负荷曲面模拟成一个连续曲面;步骤14,建立连续曲面的栅格点,以被分析栅格点为中心,针对每一个栅格点确定一个3×3的分析窗口;步骤15,利用三阶反距离平方权差分计算每个顶点的平面曲率和剖面曲率。
进一步的,所述步骤12中,如果负荷投射模型的顶点断面曲率(平面曲率和剖面曲率)为极大值,则此点为负荷模型的峰特征点;如果负荷投射模型的顶点断面曲线为极小值,则此点为负荷模型的谷特征点。
其中,表示坐标轴x方向的负荷高程变化率,/>表示坐标轴y方向的负荷高程变化率,/>表示坐标轴x方向负荷高程变化率的变化率,/>表示坐标轴x方向负荷高程变化率在y方向的负荷变化率,/>表示y方向负荷高程变化率的变化率。
其中,用a,b,c,d,e,f,g,h,i分别代表3×3的分析窗口中各个栅格的高程值,则
进一步的,所述步骤2的具体过程为:先进行第一次空间插值得到方正排列的栅格,栅格中行列线交叉处为第一次差值得到的高程函数;再对栅格中未知点进行二次插值运算,设高程为z(x0),进行二次插值分为3种情况:
a、未知点位于行列线交叉处:该点高程值一次插值运算中已求得,设为z(x1),则有
b、未知点位于行线或列线上:找到与未知点最近的两个已知点,已知点的高程值分别为z(x1)和z(x2),未知点与已知点之间的距离分别为d1和d2,则有
c、未知点既不在行线也不在列线上:找到与未知点最近的4个已知点,已知点的高程值分别为z(x1)、z(x2)、z(x3)和z(x4),未知点与已知点之间的距离分别为d1、d2、d3和d4,则有
进一步的,所述步骤3的具体过程为:
步骤31,设所取的负荷数据样本数为n,每条日负荷曲线x1,x2,…,xi,…,xn按所得到的时间点可以表示为d维向量,则负荷数据集为X={x1,x2,…,xi,…,xn};
步骤32,对负荷曲线进行聚类将不同负荷曲线分为k类,表示为C={ck,i=1,2,…,k},每一个聚类中心用μi表示,该聚类内各点到聚类中心μi的距离平方和为:
步骤33,提取典型负荷数据。
与现有技术相比,采用上述技术方案的有益效果为:本发明的技术方案对不同时间颗粒度下的负荷数据进行三维投影,对数据做出多方位的比较与对比。利用栅格技术形成空间表达的点、线、面等元素,利用插值等技术平滑曲线,采用等值线、切片等技术实现年负荷数据的三维投影,通过三维图像能直观给出初始日负荷曲线的聚类个数,利用K-means聚类算法求取典型日负荷曲线形态。上述过程能更好地揭示负荷的长、中、短期数据蕴含着相似性、连续性与随机性。
附图说明
图1是本发明负荷多尺度特性模型示意图。
图2是本发明海量负荷数据的多时间尺度特征分析方法流程示意图。
图3是本发明负荷曲率的分析窗口的示意图。
图4是本发明采用距离倒数二次插值示意图。
具体实施方式
下面结合附图对本发明做进一步描述。
如图1所示,是负荷预测在多时间尺度下的关系,该图展示了长期、中长期、短期、超短期符合预测,涉及多个时间尺度。
本发明采用栅格算法对数据点进行投影,具体地如图2所示,一种海量负荷数据的多时间尺度特征分析方法,具体包括以下过程:
(1)、利用三维图像的栅格成像技术进行负荷数据的三维映射获取连续曲面,确定被分析栅格点的分析窗口,计算平面曲率和剖面曲率;
优选地,因为三维图像可以更好地反映负荷的趋势性,峰谷差特征,给出系统整体性波动规律,将海量负荷数据三维映射获得三维负荷图形;用顶点特征度表征三维负荷图形的峰谷点,所述顶点特征度取为平面曲率和剖面曲率绝度值之和,即W=|Kv|+|Kn|;根据负荷数据映射成离散高程数据,把负荷曲面模拟成一个连续曲面,x和y为顶点的平面坐标值,H(x,y)为顶点的高程值;建立连续曲面的栅格点,以被分析栅格点为中心,针对每一个栅格点确定一个3×3的分析窗口;利用三阶反距离平方权差分计算每个顶点的平面曲率和剖面曲率。
优选地,用顶点特征度表征三维负荷图形的峰谷点:如果负荷投射模型的顶点断面曲率(平面曲率和剖面曲率)为极大值,则此点为负荷模型的峰特征点;如果负荷投射模型的顶点断面曲线为极小值,则此点为负荷模型的谷特征点。
优选地,从微分几何的思想出发,模拟曲面上每一点垂直于水平面的曲线和水平于水平面的曲线。剖面曲率是沿下坡方向的坡度变化率,计算公式为:
其中,表示坐标轴x方向的负荷高程变化率,/>表示坐标轴y方向的负荷高程变化率,/>表示坐标轴x方向负荷高程变化率的变化率,/>表示坐标轴x方向负荷高程变化率在y方向的负荷变化率,/>表示y方向负荷高程变化率的变化率。
其中,如图3所示,用a,b,c,d,e,f,g,h,i分别代表3×3的分析窗口中各个栅格的高程值,则
(2)、步骤2,以第一次空间插值得到的方正排列的栅格数据为依据,对未知点进行二次插值运算;
优选地,空间插值用于将离散点的高程数据转换成恒定密度的数据点,其理论假设是空间位置上越靠近的点,它们的高程值差越小。空间局部插值方法有最近邻近点法、距离倒数法、样条函数插值法、克里金插值法等。本实施例采用的是改进的距离倒数二次插值法。如图3所示,先进行第一次空间插值得到方正排列的栅格,栅格中行列线交叉处为第一次差值得到的高程函数;再对栅格中未知点进行二次插值运算,设高程为z(x0),进行二次插值分为3种情况:
a、未知点位于行列线交叉处(如图4中点1):该点高程值一次插值运算中已求得,设为z(x1),则有
b、未知点位于行线或列线上(如图4中点2):找到与未知点最近的两个已知点,已知点的高程值分别为z(x1)和z(x2),未知点与已知点之间的距离分别为d1和d2,则有
c、未知点既不在行线也不在列线上(如图4中点3):找到与未知点最近的4个已知点,已知点的高程值分别为z(x1)、z(x2)、z(x3)和z(x4),未知点与已知点之间的距离分别为d1、d2、d3和d4,则有
(3)步骤3,利用三维坐标下的负荷形态数据,提取的典型负荷数据。
优选地,所述步骤3的具体过程为:步骤31,设所取的负荷数据样本数为n,每条日负荷曲线x1,x2,…,xi,…,xn按所得到的时间点可以表示为d维向量,则负荷数据集为X={x1,x2,…,xi,…,xn};
步骤32,对负荷曲线进行聚类将不同负荷曲线分为k类,表示为C={ck,i=1,2,…,k},每一个聚类中心用μi表示,该聚类内各点到聚类中心μi的距离平方和为:
步骤33,提取典型负荷数据。
本实施例利用三维坐标下的负荷形态数据,考虑负荷的时间序列特性,可以直观给出聚类个数,采用欧式距离聚类算法对给定时间范围内的负荷数据进行聚类,通过提取的典型负荷数据为系统典型方式的确定、开停机计划的制定提供依据。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。如果本领域技术人员,在不脱离本发明的精神所做的非实质性改变或改进,都应该属于本发明权利要求保护的范围。
Claims (4)
1.一种海量负荷数据的多时间尺度特征分析方法,其特征在于,具体包括以下过程:
步骤1,利用三维图像的栅格成像技术进行负荷数据的三维映射获取连续曲面,确定被分析栅格点的分析窗口,计算平面曲率和剖面曲率;
其中,表示坐标轴x方向的负荷高程变化率,/>表示坐标轴y方向的负荷高程变化率,/>表示坐标轴x方向负荷高程变化率的变化率,/>表示坐标轴x方向负荷高程变化率在y方向的负荷变化率,/>表示y方向负荷高程变化率的变化率;
其中,用a,b,c,d,e,f,g,h,i分别代表3×3的分析窗口中各个栅格的高程值,则
步骤2,以第一次空间插值得到的方正排列的栅格数据为依据,对未知点进行二次插值运算;
步骤3,利用三维坐标下的负荷形态数据,提取的典型负荷数据;
步骤3的具体过程为:
步骤31,设所取的负荷数据样本数为n,每条日负荷曲线x1,x2,…,xi,…,xn按所得到的时间点可以表示为d维向量,则负荷数据集为X={x1,x2,…,xi,…,xn};
步骤32,对负荷曲线进行聚类将不同负荷曲线分为k类,表示为C={ck,i=1,2,…,k},每一个聚类中心用μi表示,该聚类内各点到聚类中心μi的距离平方和为:
步骤33,提取典型负荷数据。
2.如权利要求1所述的海量负荷数据的多时间尺度特征分析方法,其特征在于,所述步骤1的具体过程为:步骤11,将海量负荷数据三维映射获得三维负荷图形;步骤12,用顶点特征度表征三维负荷图形的峰谷点,所述顶点特征度取为平面曲率和剖面曲率绝度值之和;步骤13,根据负荷数据映射成离散高程数据,把负荷曲面模拟成一个连续曲面;步骤14,建立连续曲面的栅格点,以被分析栅格点为中心,针对每一个栅格点确定一个3×3的分析窗口;步骤15,利用三阶反距离平方权差分计算每个顶点的平面曲率和剖面曲率。
3.如权利要求2所述的海量负荷数据的多时间尺度特征分析方法,其特征在于,所述步骤12中,如果负荷投射模型的顶点断面曲率为极大值,则此点为负荷模型的峰特征点;如果负荷投射模型的顶点断面曲线为极小值,则此点为负荷模型的谷特征点。
4.如权利要求1所述的海量负荷数据的多时间尺度特征分析方法,其特征在于,所述步骤2的具体过程为:先进行第一次空间插值得到方正排列的栅格,栅格中行列线交叉处为第一次差值得到的高程函数;再对栅格中未知点进行二次插值运算,设高程为z(x0),进行二次插值分为3种情况:
a、未知点位于行列线交叉处:该点高程值一次插值运算中已求得,设为z(x1),则有
b、未知点位于行线或列线上:找到与未知点最近的两个已知点,已知点的高程值分别为z(x1)和z(x2),未知点与已知点之间的距离分别为d1和d2,则有
c、未知点既不在行线也不在列线上:找到与未知点最近的4个已知点,已知点的高程值分别为z(x1)、z(x2)、z(x3)和z(x4),未知点与已知点之间的距离分别为d1、d2、d3和d4,则有
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811381820.4A CN109741206B (zh) | 2018-11-20 | 2018-11-20 | 一种海量负荷数据的多时间尺度特征分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811381820.4A CN109741206B (zh) | 2018-11-20 | 2018-11-20 | 一种海量负荷数据的多时间尺度特征分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109741206A CN109741206A (zh) | 2019-05-10 |
CN109741206B true CN109741206B (zh) | 2023-06-30 |
Family
ID=66355714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811381820.4A Active CN109741206B (zh) | 2018-11-20 | 2018-11-20 | 一种海量负荷数据的多时间尺度特征分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741206B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110492488B (zh) * | 2019-09-09 | 2022-09-30 | 国网天津市电力公司 | 一种地区电网低频低压减负荷序位自动生成方法 |
CN113469396A (zh) * | 2020-03-30 | 2021-10-01 | 海南博川电力设计工程有限公司 | 一种电力系统短期电力负荷的预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096768A (zh) * | 2016-06-08 | 2016-11-09 | 国网河南省电力公司电力科学研究院 | 基于数据挖掘技术的电力需求流向分析方法 |
-
2018
- 2018-11-20 CN CN201811381820.4A patent/CN109741206B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096768A (zh) * | 2016-06-08 | 2016-11-09 | 国网河南省电力公司电力科学研究院 | 基于数据挖掘技术的电力需求流向分析方法 |
Non-Patent Citations (3)
Title |
---|
基于曲面二次标准型逼近的最近电压稳定临界点求取方法;方斯顿等;《电力系统自动化》;20160125(第02期);全文 * |
基于模糊组合权重的BA-SVM短期负荷预测;沈渊彬等;《南昌大学学报(工科版)》;20150928(第03期);全文 * |
电力系统静态电压稳定域边界快速搜索的优化模型;姜涛等;《电工技术学报》;20171201(第17期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109741206A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhen et al. | Pattern classification and PSO optimal weights based sky images cloud motion speed calculation method for solar PV power forecasting | |
Hu et al. | Very short-term spatial and temporal wind power forecasting: A deep learning approach | |
CN107038717A (zh) | 一种基于立体栅格自动分析3d点云配准误差的方法 | |
CN111299815A (zh) | 一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法 | |
CN105447594A (zh) | 一种基于指数平滑的电力系统灰色负荷预测方法 | |
CN103744978A (zh) | 一种基于网格搜索技术用于支持向量机的参数寻优方法 | |
CN107895202B (zh) | 基于多视角风速模式挖掘的短期风速预测方法 | |
CN103745459A (zh) | 一种非结构化点云特征点检测方法及其提取方法 | |
CN109741206B (zh) | 一种海量负荷数据的多时间尺度特征分析方法 | |
CN107807961B (zh) | 一种基于Spark计算引擎的配电网大数据分区处理方法 | |
CN106874602B (zh) | 气象数据处理方法和装置 | |
CN107918953A (zh) | 基于三维空间的激光扫描电力线点云的提取方法及装置 | |
Isaksson et al. | Solar power forecasting with machine learning techniques | |
CN116911052A (zh) | 一种基于数字孪生的智慧城市的组件化构建方法 | |
CN113159102A (zh) | 一种多时间尺度的光伏功率预测方法及系统 | |
CN103218598A (zh) | 一种基于随机几何模型的遥感地物目标自动检测方法 | |
CN103150566A (zh) | 一种基于随机几何模型的遥感地物目标自动检测方法 | |
CN111881919B (zh) | 一种基于追踪式格网剖分的线要素智能化简方法与装置 | |
CN109102106A (zh) | 一种基于电力大数据负荷密度优化计算方法 | |
CN110264010B (zh) | 新型乡村电力饱和负荷预测方法 | |
CN115829418B (zh) | 适用于负荷管理的电力用户负荷特性画像构建方法和系统 | |
CN111144611A (zh) | 一种基于聚类和非线性自回归的空间负荷预测方法 | |
CN110852370A (zh) | 基于聚类算法的大工业用户细分方法 | |
CN116308883A (zh) | 一种基于大数据的区域电网数据统筹管理系统 | |
Ausmus et al. | Improving the accuracy of clustering electric utility net load data using dynamic time warping |
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 |