CN113094647A - 一种台区最大负荷辨识方法 - Google Patents
一种台区最大负荷辨识方法 Download PDFInfo
- Publication number
- CN113094647A CN113094647A CN202110359704.8A CN202110359704A CN113094647A CN 113094647 A CN113094647 A CN 113094647A CN 202110359704 A CN202110359704 A CN 202110359704A CN 113094647 A CN113094647 A CN 113094647A
- Authority
- CN
- China
- Prior art keywords
- maximum load
- load
- day
- area
- maximum
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Algebra (AREA)
- Power Engineering (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明为一种台区最大负荷辨识方法。一种台区最大负荷辨识方法,包括以下步骤:S1:确定台区最大负荷的统计周期及对应的历史日负荷集合后,遍历负荷最大日及其对应的负荷曲线;再分别计算所述的负荷最大日与前一日、后一日、前一周、前一月的负荷曲线的离散Fréchet距离F1‑F4;S2:计算所述的前一日与后一日负荷曲线的离散Fréchet距离F5;S3:以所述的F5为基准,检验所述的F1‑F4是否存在显著偏离,从而判断台区最大负荷的真伪。本发明提出的一种台区最大负荷辨识方法,可以进一步过滤台区历史日负荷集合中的假数据、提高数据质量,有助于促进人工智能在台区管理中的应用。
Description
技术领域
本发明属于电力系统运行技术领域,具体涉及一种基于曲线离散Fréchet距离的台区最大负荷辨识方法。
背景技术
台区负荷是电力系统经济运行的关键要素,经济运行水平直接影响系统的损耗,同时关乎运行安全,对配变运行状态评估、台区改造和经济调度都具有重要意义。但是由于台区运行环境的不确定性和复杂性,以及采集和数据传输系统的运行状态的影响,台区日负荷数据的质量不高。
目前,针对台区最大负荷辨识的研究主要集中于数据平均值滤波等,对其进行坏值甄别分析和修正,效果能满足基本需求。但还存在如下问题:(1)无法对数据跳变的真实性进行区分;(2)受台区改造等因素的影响,统数据滤波的泛化能力差,精度有待进一步提高。
有鉴于此,本发明提出一种新的台区最大负荷辨识方法,可以提高台区最大负荷辨识的精确度。
发明内容
本发明的目的在于提供一种台区最大负荷辨识方法,其基于曲线离散Fréchet距离,可以更准确地校验台区最大负荷真伪。
为了实现上述目的,所采用的技术方案为:
一种台区最大负荷辨识方法,包括以下步骤:
S1:确定台区最大负荷的统计周期及对应的历史日负荷集合后,遍历负荷最大日及其对应的负荷曲线;再分别计算所述的负荷最大日与前一日、后一日、前一周、前一月的负荷曲线的离散Fréchet距离F1-F4;
S2:计算所述的前一日与后一日的负荷曲线的离散Fréchet距离F5;
S3:以所述的F5为基准,检验所述的F1-F4是否显著偏离,从而判断台区最大负荷的真伪。
进一步地,所述的判断台区最大负荷的真伪的步骤为:依据检验步骤S1所得的F1-F4是否显著偏离的结果,若命题成立,则当前的台区最大负荷为异常伪数据;若命题不成立,则当前台区最大负荷为真实值。
再进一步地,可重复所述的步骤S1-S3校核历史日负荷集合中次最大值。
进一步地,所述的步骤S1中,根据业务需要,确定台区最大负荷的统计周期及对应的历史日负荷集合。
与现有技术相比,本发明的有益效果在于:
本发明首先引入基于曲线离散Fréchet距离的台区日负荷曲线偏离算法,从不同的时间尺度计算最大日负荷曲线偏离“惯性轨迹”的距离;其次根据与最大日最接近的负荷日曲线,校核最大日的偏离程度;最后,确定目前最大负荷真伪。
本发明提出的基于曲线离散Fréchet距离的台区最大负荷辨识方法,利用充分考虑日负荷曲线形状以及曲线上各点时序,可以更准确地校验台区最大负荷真伪,一方面避免了背景技术中存在的问题,另一方面也有利推进人工智能在负荷预测应用的进一步深化研究。
附图说明
图1为本发明一种台区最大负荷辨识方法的工作流程图。
具体实施方式
为了进一步阐述本发明一种台区最大负荷辨识方法,达到预期发明目的,以下结合较佳实施例,对依据本发明提出的一种台区最大负荷辨识方法,其具体实施方式、结构、特征及其功效,详细说明如后。在下述说明中,不同的“一实施例”或“实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
下面将结合具体的实施例,结合图1的工作流程图所示,对本发明一种台区最大负荷辨识方法做进一步的详细介绍:
本发明的技术方案为:
一种台区最大负荷辨识方法,包括以下步骤:
S1:确定台区最大负荷的统计周期及对应的历史日负荷集合后,遍历负荷最大日及其对应的负荷曲线;再分别计算所述的负荷最大日与前一日、后一日、前一周、前一月的负荷曲线的离散Fréchet距离F1-F4;
S2:计算所述的前一日与后一日的负荷曲线的离散Fréchet距离F5;
S3:以所述的F5为基准,检验所述的F1-F4是否显著偏离,从而判断台区最大负荷的真伪。
优选地,所述的判断台区最大负荷的真伪的步骤为:依据检验步骤S1所得的F1-F4是否显著偏离的结果,若命题成立,则当前的台区最大负荷为异常伪数据;若命题不成立,则当前台区最大负荷为真实值。
进一步优选地,可重复所述的步骤S1-S3校核历史日负荷集合中次最大值。
优选地,所述的步骤S1中,根据业务需要,确定台区最大负荷的统计周期及对应的历史日负荷集合。
实施例1.
结合图1,具体操作步骤如下:
S1:首先根据业务需要,确定台区最大负荷的统计周期及对应的历史日负荷集合,开始遍历负荷最大日及其对应的负荷曲线;然后分别计算其与前一日D+1、后一日D-1、前一周W-1、前一月M-1的负荷曲线的离散Fréchet距离F1-F4。
S2:计算D+1日与D-1日负荷曲线的离散Fréchet距离F5。
S3:以S2得到F5为基准,检验S1所得的F1∽F4是否显著偏离;
S4:依据步骤S3得到的结果,若命题成立,则当前的台区最大负荷为异常伪数据,可重复上述步骤继续S1-S4校核历史日负荷集合中次最大值,以此类推;若命题不成立,则当前台区最大负荷为真实值。
Fréchet距离由M.Fréchet于1906年提出,描述了两质点分别沿着两条给定曲线以任意速度单向运动时,二者之间的最短距离。与常用的Hausdorff距离相比,Fréchet距离考虑了曲线的形状以及曲线上各点的时序,其具体定义如下:
α[0,1]→[a,b]
β[0,1]→[a,b]
可以完美刻画日负荷曲线的形状,以及各点的时序,因此非常适合表征日负荷曲线的相似性,具体计算过程如下:
设P:[1,p]→2表示最大日D的负荷波形曲线,σ(P)=(u1,…up)表示对应的按时间排序的采样点集合;同理,设Q:[1,q]→2表示历史日负荷集合中任意日的负荷波形曲线,σ(Q)=(v1,…vq)表示对应的按时间排序的采样点集合,d(ui,vj)=|ui-vj|表示集合σ(P)中元素ui与集合σ(Q)中元素vj之间的连接距离,表示两质点分别运动到曲线P的i位置和曲线Q的j位置时对应的离散Fréchet距离。
1)由集合σ(P)和σ(Q)求曲线P和Q的元素连接矩阵Dp×q
2)令i=1,j=1
令i=2→p,j=1
令i=1,j=2→q
本发明首先引入基于曲线离散Fréchet距离的台区日负荷曲线偏离算法,从不同的时间尺度计算最大日负荷曲线偏离“惯性轨迹”的距离;其次根据与最大日最接近的负荷日曲线,校核最大日的偏离程度;最后,确定目前最大负荷真伪。
以上所述,仅是本发明实施例的较佳实施例而已,并非对本发明实施例作任何形式上的限制,依据本发明实施例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,均仍属于本发明实施例技术方案的范围内。
Claims (4)
1.一种台区最大负荷辨识方法,其特征在于,包括以下步骤:
S1:确定台区最大负荷的统计周期及对应的历史日负荷集合后,遍历负荷最大日及其对应的负荷曲线;再分别计算所述的负荷最大日与前一日、后一日、前一周、前一月的负荷曲线的离散Fréchet距离F1-F4;
S2:计算所述的前一日与后一日的负荷曲线的离散Fréchet距离F5;
S3:以所述的F5为基准,检验所述的F1-F4是否显著偏离,从而判断台区最大负荷的真伪。
2.根据权利要求1所述的台区最大负荷辨识方法,其特征在于,
所述的判断台区最大负荷的真伪的步骤为:依据检验步骤S1所得的F1-F4是否显著偏离的结果,若命题成立,则当前的台区最大负荷为异常伪数据;若命题不成立,则当前台区最大负荷为真实值。
3.根据权利要求2所述的台区最大负荷辨识方法,其特征在于,
可重复所述的步骤S1-S3校核历史日负荷集合中次最大值。
4.根据权利要求1所述的台区最大负荷辨识方法,其特征在于,
所述的步骤S1中,根据业务需要,确定台区最大负荷的统计周期及对应的历史日负荷集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110359704.8A CN113094647B (zh) | 2021-04-02 | 2021-04-02 | 一种台区最大负荷辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110359704.8A CN113094647B (zh) | 2021-04-02 | 2021-04-02 | 一种台区最大负荷辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113094647A true CN113094647A (zh) | 2021-07-09 |
CN113094647B CN113094647B (zh) | 2023-06-20 |
Family
ID=76673007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110359704.8A Active CN113094647B (zh) | 2021-04-02 | 2021-04-02 | 一种台区最大负荷辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113094647B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714402A (zh) * | 2014-01-23 | 2014-04-09 | 国家电网公司 | 一种电力台区配变负荷峰值预测方法 |
US20160364472A1 (en) * | 2015-06-15 | 2016-12-15 | International Business Machines Corporation | Functional space-time trajectory clustering |
CN106354803A (zh) * | 2016-08-26 | 2017-01-25 | 清华大学 | 基于特性指标的电力输变电设备负荷坏数据检测算法 |
CN108256559A (zh) * | 2017-12-27 | 2018-07-06 | 国网河南省电力公司电力科学研究院 | 一种基于局部离群点因子的低压窃电用户定位方法 |
US20180375329A1 (en) * | 2015-12-16 | 2018-12-27 | Hitachi, Ltd. | Voltage Stability Monitoring Device and Method |
CN110071502A (zh) * | 2019-04-24 | 2019-07-30 | 广东工业大学 | 一种短期电力负荷预测的计算方法 |
CN112070121A (zh) * | 2020-08-12 | 2020-12-11 | 国网黑龙江省电力有限公司哈尔滨供电公司 | 一种基于变分自编码器的智能电表数据填补方法 |
CN112348236A (zh) * | 2020-10-23 | 2021-02-09 | 浙江八达电子仪表有限公司 | 用于智能用电监测终端的异常日负荷需求预测系统与方法 |
CN112418516A (zh) * | 2020-11-20 | 2021-02-26 | 天津海川能源科技有限公司 | 基于大数据的标幺值法电力负荷预测方法及系统 |
-
2021
- 2021-04-02 CN CN202110359704.8A patent/CN113094647B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714402A (zh) * | 2014-01-23 | 2014-04-09 | 国家电网公司 | 一种电力台区配变负荷峰值预测方法 |
US20160364472A1 (en) * | 2015-06-15 | 2016-12-15 | International Business Machines Corporation | Functional space-time trajectory clustering |
US20180375329A1 (en) * | 2015-12-16 | 2018-12-27 | Hitachi, Ltd. | Voltage Stability Monitoring Device and Method |
CN106354803A (zh) * | 2016-08-26 | 2017-01-25 | 清华大学 | 基于特性指标的电力输变电设备负荷坏数据检测算法 |
CN108256559A (zh) * | 2017-12-27 | 2018-07-06 | 国网河南省电力公司电力科学研究院 | 一种基于局部离群点因子的低压窃电用户定位方法 |
CN110071502A (zh) * | 2019-04-24 | 2019-07-30 | 广东工业大学 | 一种短期电力负荷预测的计算方法 |
CN112070121A (zh) * | 2020-08-12 | 2020-12-11 | 国网黑龙江省电力有限公司哈尔滨供电公司 | 一种基于变分自编码器的智能电表数据填补方法 |
CN112348236A (zh) * | 2020-10-23 | 2021-02-09 | 浙江八达电子仪表有限公司 | 用于智能用电监测终端的异常日负荷需求预测系统与方法 |
CN112418516A (zh) * | 2020-11-20 | 2021-02-26 | 天津海川能源科技有限公司 | 基于大数据的标幺值法电力负荷预测方法及系统 |
Non-Patent Citations (6)
Title |
---|
SIXIAN LIU 等: "Distribution Network Topology Checking and Power Stealing Identification Based on Marketing & Distribution & Dispatching Data Analysis", 2020 ASIA ENERGY AND ELECTRICAL ENGINEERING SYMPOSIUM (AEEES), pages 508 - 513 * |
张健: "异常电力负荷数据的t检验辨识与修正", 《电力需求侧管理》 * |
张健: "异常电力负荷数据的t检验辨识与修正", 《电力需求侧管理》, vol. 7, no. 1, 31 January 2005 (2005-01-31), pages 12 - 14 * |
彭显刚等: "基于密度聚类和Fréchet判别分析的电价执行稽查方法", 《电网技术》 * |
彭显刚等: "基于密度聚类和Fréchet判别分析的电价执行稽查方法", 《电网技术》, vol. 39, no. 11, 5 November 2015 (2015-11-05), pages 3195 - 3201 * |
陈超: "电力系统短期负荷预测研究", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑), pages 042 - 904 * |
Also Published As
Publication number | Publication date |
---|---|
CN113094647B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11043808B2 (en) | Method for identifying pattern of load cycle | |
CN111442778A (zh) | 出行方案推荐方法、装置、设备及计算机可读存储介质 | |
CN116013087B (zh) | 一种基于城市运动车辆检测的车流量统计方法 | |
CN112860952B (zh) | 巡检机器人定位检修部件的方法及系统 | |
CN106323301A (zh) | 一种道路情报的获取方法及装置 | |
CN107564290A (zh) | 一种城市道路交叉口饱和流率计算方法 | |
CN109637128B (zh) | 一种基于Markov的灰色Verhulst短时交通流预测方法及系统 | |
CN110727714A (zh) | 融合时空聚类和支持向量机的居民出行特征提取方法 | |
CN110598775B (zh) | 基于模糊聚类和bp神经网络的预测方法、系统及存储介质 | |
CN103971133A (zh) | 基于案例推理的钢板表面缺陷的自动识别方法 | |
CN116257740B (zh) | 一种海洋石油油气水生产大数据处理系统 | |
CN110991527A (zh) | 一种考虑电压曲线平均波动率的相似度阈值确定方法 | |
CN115310677A (zh) | 一种基于二进制编码表示与多分类的航迹预测方法及装置 | |
CN113988373B (zh) | 基于多通道卷积神经网络的多任务海量用户负荷预测方法 | |
CN110390440B (zh) | 一种基于聚类和深度神经网络的智能电表用户聚合负荷预测方法 | |
CN116933125A (zh) | 时间序列数据预测方法、装置、设备及存储介质 | |
CN114266457A (zh) | 一种配电线路异损诱因检测的方法 | |
CN113094647A (zh) | 一种台区最大负荷辨识方法 | |
CN116304537B (zh) | 基于智能量测终端的窃电用户核查方法 | |
CN111310121A (zh) | 一种新能源出力概率预测方法和系统 | |
CN115565376B (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 | |
CN110851577A (zh) | 一种电力领域的知识图谱扩充方法及装置 | |
CN107273703B (zh) | 一种路面使用性能分布情况预测方法 | |
CN106816871B (zh) | 一种电力系统状态相似性分析方法 | |
CN115456260A (zh) | 客服话务量预测方法 |
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 |