CN113537844B - 基于随机矩阵的区域能源互联网负荷行为分析方法及系统 - Google Patents

基于随机矩阵的区域能源互联网负荷行为分析方法及系统 Download PDF

Info

Publication number
CN113537844B
CN113537844B CN202111079063.7A CN202111079063A CN113537844B CN 113537844 B CN113537844 B CN 113537844B CN 202111079063 A CN202111079063 A CN 202111079063A CN 113537844 B CN113537844 B CN 113537844B
Authority
CN
China
Prior art keywords
matrix
data
obtaining
meteorological
basic state
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
Application number
CN202111079063.7A
Other languages
English (en)
Other versions
CN113537844A (zh
Inventor
吕天光
李宜晓
李文博
孙东磊
何学倩
艾芊
孙树敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202111079063.7A priority Critical patent/CN113537844B/zh
Publication of CN113537844A publication Critical patent/CN113537844A/zh
Application granted granted Critical
Publication of CN113537844B publication Critical patent/CN113537844B/zh
Priority to US17/749,994 priority patent/US20230082218A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Power Engineering (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于随机矩阵的区域能源互联网负荷行为分析方法及系统，属于电力有功负荷数据分析技术领域，根据获取的气象数据，得到耦合气象因素指标；根据耦合气象指标数据得到影响因素矩阵；根据有功负荷数据得到基本状态矩阵；根据基本状态矩阵和影响因素矩阵，得到增广数据源矩阵，进行耦合气象因素指标与有功负荷数据的皮尔森系数计算，得到皮尔森系数矩阵；根据皮尔森系数矩阵与基本状态矩阵，得到源矩阵；对源矩阵进行矩阵变换后，得到随机矩阵；对随机矩阵的特征值进行谱分析后得到概率密度分布，根据概率密度分布与历史概率密度分布的对比，得到有功负荷数据的异常识别结果；本发明极大的提高了有功负荷的异常数据识别准确度。

Description

基于随机矩阵的区域能源互联网负荷行为分析方法及系统
技术领域
本发明涉及电力有功负荷数据分析技术领域，特别涉及一种基于随机矩阵的区域能源互联网负荷行为分析方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
目前，非传统主体单元不断产业化并渗入电网，电力系统被认定为典型的大数据系统，不断产生海量、异构、实时、真实的数据。电力系统的状态易受多种外部因素的影响，电力用户消费行为复杂多变。因此充分考虑电力用户的行为，挖掘其主观能动性，实现从被动负载到主动负荷的转变对现代电网建设至关重要。
发明人发现，目前的电网负荷预测和负荷异常数据识别大多是依靠传统物理建模方法，而只依靠传统物理建模方法无法应对电网规模不断复杂的现状，也无法满足实时分析以及精度的要求；单一化的零散气象因素（如单独的风速、风向、日照强度及时间、降雨量、气压等气象因素）无法揭示与电力有功负荷的对应关系，使得电力有功负荷的异常数据识别准确度低；在电力有功负荷的异常数据识别时，如果直接引入电网量测端测量的数据，经数据变换构成随机矩阵，单个或单批次的电网数据异常容易出现状态识别遗漏或者误识别现象的发生。
发明内容
为了解决现有技术的不足，本发明提供了一种基于随机矩阵的区域能源互联网负荷行为分析方法及系统，提高了有功负荷的异常数据识别准确度。
为了实现上述目的，本发明采用如下技术方案：
本发明第一方面提供了一种基于随机矩阵的区域能源互联网负荷行为分析方法。
一种基于随机矩阵的区域能源互联网负荷行为分析方法，包括以下过程：
获取待分析地区的气象数据和有功负荷数据；
根据获取的气象数据，得到耦合气象因素指标；
根据耦合气象指标数据得到影响因素矩阵；
根据有功负荷数据得到基本状态矩阵；
根据基本状态矩阵和影响因素矩阵，得到增广数据源矩阵；
在增广数据源矩阵中，进行耦合气象因素指标与有功负荷数据的皮尔森系数计算，得到皮尔森系数矩阵；
根据皮尔森系数矩阵与基本状态矩阵，得到源矩阵；
对源矩阵进行矩阵变换后，得到随机矩阵；
对随机矩阵的特征值进行谱分析后得到概率密度分布，根据概率密度分布与正常状态时的历史概率密度分布的对比，得到有功负荷数据的异常识别结果。
进一步的，进行耦合气象因素指标与有功负荷数据的皮尔森系数计算，包括：
通过移动窗口，从增广数据源矩阵中选取子矩阵，通过基本状态矩阵的某一行与影响因素矩阵的对应行数据进行皮尔森系数的计算。
进一步的，矩阵变换，包括以下过程：
获取某一采样时刻的源矩阵；
将源矩阵转换为标准非Hermitian矩阵；
根据得到的标准非Hermitian矩阵，计算奇异值等效矩阵；
将得到的若干个奇异值等效矩阵累乘得到待分析矩阵；
将待分析矩阵转换为均值为1方差为0的标准矩阵；
以标准矩阵的协方差矩阵为最终变换后的矩阵。
更进一步的，对矩阵变换后的矩阵，进行特征值计算；
根据得到的特征值进行谱分析；
根据谱分析结果，得到皮尔森系数概率密度分布；
根据皮尔森系数概率密度分布，得到耦合气象因素指标与有功负荷之间的对应关系。
进一步的，耦合气象因素指标至少包括温湿指数HI：
HI=c 1 +c 2 T+c 3 R+c 4 TR+c 5 T 2 +c 6 R 2 +c 7 T 2 R+c 8 TR 2 +c 9 T 2 R 2
其中，c 1 、c 2 、c 3 、c 4 、c 5 、c 6 、c 7 、c 8 和c 9 为常系数，T为温度，R为相对湿度。
进一步的，耦合气象因素指标至少包括实感温度Te：
Figure 657792DEST_PATH_IMAGE001
其中，T a 为气温，R h 为相对湿度，V为风速。
进一步的，耦合气象因素指标至少包括人体舒适度指数k：
Figure 587702DEST_PATH_IMAGE002
其中，T a 为气温，R h 为相对湿度，V为风速。
本发明第二方面提供了一种基于随机矩阵的区域能源互联网负荷行为分析系统。
一种基于随机矩阵的区域能源互联网负荷行为分析系统，包括：
数据获取模块，被配置为：获取待分析地区的气象数据和有功负荷数据；
耦合气象指标获取模块，被配置为：根据获取的气象数据，得到耦合气象因素指标；
影响因素矩阵获取模块，被配置为：根据耦合气象指标数据得到影响因素矩阵；
基本状态矩阵获取模块，被配置为：根据有功负荷数据得到基本状态矩阵；
增广数据源矩阵获取模块，被配置为：根据基本状态矩阵和影响因素矩阵，得到增广数据源矩阵；
皮尔森系数矩阵获取模块，被配置为：在增广数据源矩阵中，进行耦合气象因素指标与有功负荷数据的皮尔森系数计算，得到皮尔森系数矩阵；
源矩阵获取模块，被配置为：根据皮尔森系数矩阵与基本状态矩阵，得到源矩阵；
随机矩阵获取模块，被配置为：对源矩阵进行矩阵变换后，得到随机矩阵；
数据异常识别模块，被配置为：对随机矩阵的特征值进行谱分析后得到概率密度分布，根据概率密度分布与正常状态时的历史概率密度分布的对比，得到有功负荷数据的异常识别结果。
与现有技术相比，本发明的有益效果是：
1、本发明所述的方法及系统，根据采集到的气象数据生成耦合气象因素指标，将电网量测系统采集到的电力数据与耦合气象因素指标进行皮尔森系数的计算，皮尔森系数能够灵敏反映出异常有功数据与影响因素之间的变化趋势是否相同，因此若出现相似影响因素状态下的不同有功异常数据，皮尔森系数将有明显变化，那么相应的随机矩阵模型的特征值分布畸变会更加严重，识别效果就会更好，极大的提高了有功负荷的异常数据识别准确度。
2、本发明所述的方法及系统，将皮尔森系数与随机矩阵模型相结合，采用线性特征值和皮尔森相关系数作为量化指标，实现了相关性的可视化及可量化的有效结合，为负荷的精准预测提供了重要依据。
3、本发明所述的方法及系统，与其他大数据处理方法相比，能融合高维度、异源的电力数据，实现数据的快速的实时计算分析；且应用的实时平移窗口方法能够充分考虑累积效应，窗口在平移时所选取的数据块包含大量先前数据，能够实现数据的高效利用，避免了电力系统数据量不断增大但数据利用率低的问题。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的基于随机矩阵的区域能源互联网负荷行为分析方法的流程示意图。
图2为本发明实施例1提供的相关性分析框架示意图。
图3为本发明实施例1提供的随机矩阵模型构建示意图。
图4为本发明实施例1提供的矩阵变换流程示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1：
如图1、图2、图3和图4所示，本发明实施例1提供了一种基于随机矩阵的区域能源互联网负荷行为分析方法，包括以下过程：
获取待分析地区的气象数据和有功负荷数据；
根据获取的气象数据，得到耦合气象因素指标；
根据耦合气象指标数据得到影响因素矩阵；
根据有功负荷数据得到基本状态矩阵；
根据基本状态矩阵和影响因素矩阵，得到增广数据源矩阵；
在增广数据源矩阵中，进行耦合气象因素指标与有功负荷数据的皮尔森系数计算，得到皮尔森系数矩阵；
根据皮尔森系数矩阵与基本状态矩阵，得到源矩阵；
对源矩阵进行矩阵变换后，得到随机矩阵；
对随机矩阵的特征值进行谱分析后得到概率密度分布，根据概率密度分布与正常状态时的历史概率密度分布的对比，得到有功负荷数据的异常识别结果。
本实施例中，耦合气象指标数据，包括：
（1）温湿指数（Heat Index）
温湿指数（Heat Index）能够综合反映两个单一气象因素温度、相对湿度对人体感知温度的耦合作用。温度和湿度的耦合作用不是简单叠加，当气温适中时，相对湿度的变化对人体实际感知温度的影响程度较小；但当温度较高或者较低时，特别是在夏冬季节，相对湿度的变化将对人体实际感知温度影响较大；本发明着眼于高温季节，利用温湿指数完成相对湿度对温度指数的修正。
温湿指数的计算公式为：
HI= c 1 + c 2 T+c 3 R+c 4 TR+c 5 T 2 +c 6 R 2 +c 7 T 2 R+c 8 TR 2 +c 9 T 2 R 2 （1）
其中，c 1 =-42.38，c 2 =2.049，c 3 =10.14，c 4 =-0.2248，c 5 =-6.838*10-3，c 6 =-5.482*10-2，c 7 =1.228*10-3，c 8 =8.528*10-4，c 9 =-1.99*10-6。式（1）的应用条件为温度应大于80华氏度，即27摄氏度；相对湿度应大于40%。
（2）实感温度（Effective Temperature）
实感温度（Effective Temperature）是指人体在不同气温、湿度和风速条件下产生的一种热感觉指标，是三个单一气象因素耦合作用的显现。在计算时实感温度是以静止饱和的大气条件，即风速为零、相对湿度达到100%的条件下人体感觉舒适的温度来代表不同风速、不同相对湿度以及不同气温条件下的不同体感温度。
计算公式为：
Figure 548705DEST_PATH_IMAGE003
（2）
式中，T e 、T a 、R h 、V分别对应实感温度、气温、相对湿度和风速。
（3）人体舒适度指数（Comfort Index）
人体舒适度指数（Comfort Index）是度量三个单一气象因素温度、相对湿度以及风速对人体的耦合作用，用以表征人体在大气环境中的舒适程度。
计算公式为：
Figure 196855DEST_PATH_IMAGE004
（3）
如图2所示，本实施例中，将随机矩阵理论和皮尔森系数有效结合，完成相关性分析的可视化及可量化。随机矩阵可以处理大规模、多种类数据，为分析不同类型的数据对电力系统的影响，本实施例构建了相关性研究的增广数据源矩阵。
增广数据源矩阵由两部分构成，分别为基本状态矩阵和影响因素矩阵，对于一个n节点系统，在某t i 时刻，每个节点采集k个状态变量，则n个节点获得N个量测数据，其中N=n* k。
具体实现过程为：
1）分别获取气象条件不同的两城市的电网数据以及气象数据。
2）根据多个单一气象因素计算出耦合气象指标，利用负荷数据作为基本状态矩阵数据，利用耦合气象指标数据作为影响因素矩阵数据，形成增广数据源矩阵，从而形成随机矩阵模型，如图3所示，其中的矩阵变换流程如图4所示。
具体的，按照相同的采样时间节点（如96节点，即15分钟取样一次电网状态数据和气候影响因素数据，电网状态数据包括电压、电流、有功负荷等数据，气候影响因素数据包括温度和湿度等），将电网状态数据和温度、湿度等基本气象因素数据计算得来的耦合气象指标数据（如本实施例中提到的人体舒适度指标等数据）纵向罗列得到增广数据源矩阵，再经过图3所示的数据处理转换成独立同分布的随机矩阵，充分利用随机矩阵容纳数据种类灵活多样，异构性能好的优势。
增广数据源矩阵分为两大部分：基本状态矩阵以及影响因素矩阵；基本状态矩阵由电网量测端得到，影响因素矩阵根据多个单一气象因素指标计算得到的耦合因素指标数据得到。
本实施例中，基本状态矩阵以时间点为列数，以电网基本状态量的数据代表行数，优选的，采用160*160的维度。
影响因素矩阵同样是以时间点为列数，以耦合气象指标数据代表行数。
为有效反映影响因素对电网状态的影响，在构造增广数据源矩阵时需注意影响因素变量的维度和基本状态变量的维度之比c 1应维持在0.4到1之间，若采集到的影响因素数量较少，则需要对采集到的数据进行复制，直到达到维度比的限定要求。
当随机矩阵的维数趋于无穷大且行列比c固定时，根据随机矩阵理论，特征值的经验谱分布会收敛于理论特征。但在实际应用中，只要矩阵的维度相对适中，例如数十到数百，也可以观察到相当准确的渐近收敛结果，这是可以将随机矩阵理论应用到电力系统分析的理论基础。
具体的，本实施例提出的异常数据识别方法的有效性是通过对比正常稳定状态时的数据密度分布和异常状态时数据密度分布来体现的。
密度分布的体现是依据M-P理论和单环率理论，是矩阵特征值分布的两种可视化形式，两个理论可以相互验证。
随机矩阵理论，具体为：在电力系统状态稳定时，数据是满足随机分布的，矩阵特征值分布规律且稳定。
首先M-P律的体现：稳定时数据密度的分布会和理论上的分布如公式（6）所示相符，如到达波峰的时间及波峰幅值、曲线下降的程度及时间都应相符。
单环率理论的体现：正常分布时特征值应分布在内环和外环之间，平均谱半径（在复平面内矩阵特征值与圆心距离的平均值）一般在0.7到0.8之间。
若出现异常，针对M-P律：波形出现畸变，峰值幅值大幅下降，峰值出现时间延后，曲线下降程度增大等现象；针对单环率：矩阵特征值集中分布在内环内部，平均谱半径下降程度明显，一般在0.4左右。
具体的，图3中的M-P律（Marchenko-Pastur law），具体为：
设
Figure 3137DEST_PATH_IMAGE005
为一个非Hermitian特征的随机矩阵，每一个元素为符合独立同分布的随机变量，其元素满足：
Figure 53132DEST_PATH_IMAGE006
（4）
协方差矩阵定义为：
Figure 122719DEST_PATH_IMAGE007
（5）
经过矩阵变换后，协方差矩阵的能量谱分布为：
Figure 382799DEST_PATH_IMAGE008
（6）
其中，
Figure 366674DEST_PATH_IMAGE009
是矩阵的特征值，c为矩阵行、列维度之比，应处于0到1之间，
Figure 395810DEST_PATH_IMAGE010
。
图3中的单环率（Ring Law），具体为：
设
Figure 573981DEST_PATH_IMAGE011
为一个非Hermitian特征的随机矩阵，每一个元素为符合独立同分布的随机变量，其元素满足：
Figure 55778DEST_PATH_IMAGE012
（7）
当矩阵的维度N和T趋于无穷，且保持c=N/T不变时，奇异值等价矩阵的特征值的经验谱分布收敛到圆环，其概率密度函数为
Figure 344808DEST_PATH_IMAGE013
（8）
其中，
Figure 494030DEST_PATH_IMAGE014
为矩阵特征值，L是奇异值等价矩阵的累积个数，圆环内半径为
Figure 843103DEST_PATH_IMAGE015
，圆环外半径为1。
图3中的皮尔森系数（Pearson Correlation Coefficient），具体为：
皮尔森相关系数用于反映两个变量之间线性相关程度的统计指标，更加侧重于一个变量的变化趋势与另一变量变化趋势之间的关系，从而较准确的反映出两个变量之间的追随性能，用符号r pq 表示，取值限于-1到1之间，r pq 的绝对值越大，相关性越强。当r pq 大于0时，表明两个变量呈现正相关，两个变量变化趋势一致，且数值越大，追随性能越好。当r pq 小于0时，两个变量呈现负相关，两个变量变化趋势相反。
皮尔森系数计算公式为：
Figure 15458DEST_PATH_IMAGE016
（9）
本实施例中，在增广数据源矩阵中，通过移动窗口，选取子矩阵，通过状态矩阵的某一行与影响因素矩阵的对应行数据进行皮尔森系数的计算，多次计算后得到子矩阵中状态矩阵与影响因素矩阵的皮尔森系数。在与基本状态矩阵数据合成增广数据源矩阵时，皮尔森系数矩阵列数小于基本状态矩阵，此时需要对皮尔森系数矩阵进行复制，同时在选取子矩阵维度时，设定子矩阵维度等于原矩阵维度的十分之一左右。
本实施例所述的方法，揭示和量化了耦合气象因素与用电行为（即有功功率负荷）之间的相关性，本实施例在应用随机矩阵理论进行气象因素与电力用户行为相关性分析时，实现了实测和仿真两方面的有效结合，可视化和可量化的有效结合。
在可视化方面：将采集到的电力系统数据构建随机增广数据源矩阵模型，经过矩阵变换，对标准矩阵采用平移窗口法实现数据的实时处理，最终得到矩阵的特征值分布图像，依此得到因气象条件不同导致的用户用电行为不同的影响，即可以判断采集得到的数据是否存在异常，并且能够实现异常数据的实时定位。
本实施例中，平移窗口的实时处理就是以需要的时间节点为矩阵的最后一列取一定规模的数据重新开始矩阵的数据处理。
特征值分布图像包括两种：
第一种是单环率，外环固定半径为1，内环半径根据单环率的公式计算，如果数据是随机分布的，因此电网状态稳定，没出现大的扰动或者故障，那么特征值均应分布在内环和外环之间；如果出现大扰动或者故障 就会集中分布于内环半径内部。
第二种图是M-P律，如果是正常状态，矩阵特征值分布应和将数据代入公式呈现的图基本吻合，如果是非正常状态就会出现较大差别（特别是波峰）。
其中增广数据源矩阵由基本状态矩阵和影响因素矩阵构成（基本状态矩阵和影响因素矩阵上下拼接，基本状态在上，影响因素在下，影响因素矩阵与基本状态矩阵的行数比为0.4左右）。
在可量化方面：主要用以挖掘数据之间的关系，气象因素种类较多，包括温度、湿度、气压、风速、降雨量、日照情况等。本实施例选取温度、湿度与风速数据作为气象因素；基于三个基本气象因素数据计算三个气象指标：温湿指数、实感温度以及人体舒适度指数；再计算三个气象指标与负荷数据之间的皮尔森系数；最终将皮尔森系数作为影响因素构成影响因素矩阵，与对应地区有功负荷数据共同构成随机矩阵模型。
本实施例所述的方法，可以实现相关性分析可视化和可量化有效结合，不再只研究单一气象因素对电力系统的影响，而是同时考虑多种单一气象因素的作用以及气象因素的累积效应，所述方法可以在没有先验公式指导的情况下进行负荷预测，为合理调度起到决策辅助支持作用。
实施例2：
本发明实施例2提供了一种基于随机矩阵的区域能源互联网负荷行为分析系统，包括：
数据获取模块，被配置为：获取待分析地区的气象数据和有功负荷数据；
耦合气象指标获取模块，被配置为：根据获取的气象数据，得到耦合气象因素指标；
影响因素矩阵获取模块，被配置为：根据耦合气象指标数据得到影响因素矩阵；
基本状态矩阵获取模块，被配置为：根据有功负荷数据得到基本状态矩阵；
增广数据源矩阵获取模块，被配置为：根据基本状态矩阵和影响因素矩阵，得到增广数据源矩阵；
皮尔森系数矩阵获取模块，被配置为：在增广数据源矩阵中，进行耦合气象因素指标与有功负荷数据的皮尔森系数计算，得到皮尔森系数矩阵；
源矩阵获取模块，被配置为：根据皮尔森系数矩阵与基本状态矩阵，得到源矩阵；
随机矩阵获取模块，被配置为：对源矩阵进行矩阵变换后，得到随机矩阵；
数据异常识别模块，被配置为：对随机矩阵的特征值进行谱分析后得到概率密度分布，根据概率密度分布与正常状态时的历史概率密度分布的对比，得到有功负荷数据的异常识别结果。
所述系统的工作方法与实施例1提供的基于随机矩阵的区域能源互联网负荷行为分析方法相同，这里不再赘述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器和光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random AccessMemory，RAM）等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于随机矩阵的区域能源互联网负荷行为分析方法，其特征在于：包括以下过程：
获取待分析地区的气象数据和有功负荷数据；
根据获取的气象数据，得到耦合气象指标；
根据耦合气象指标数据得到影响因素矩阵；
根据有功负荷数据得到基本状态矩阵；
根据基本状态矩阵和影响因素矩阵，得到增广数据源矩阵；
在增广数据源矩阵中，进行耦合气象指标与有功负荷数据的皮尔森系数计算，得到皮尔森系数矩阵；
根据皮尔森系数矩阵与基本状态矩阵，得到源矩阵；
对源矩阵进行矩阵变换后，得到随机矩阵；
对随机矩阵的特征值进行谱分析后得到概率密度分布，根据概率密度分布与正常状态时的历史概率密度分布的对比，得到有功负荷数据的异常识别结果；
皮尔森系数的计算，包括：
基本状态矩阵以时间点为列数，以电网基本状态量的数据代表行数；
影响因素矩阵以时间点为列数，以耦合气象指标数据代表行数；
增广数据源矩阵为基本状态矩阵和影响因素矩阵的上下拼接，基本状态矩阵在上，影响因素矩阵在下；
通过移动窗口，从增广数据源矩阵中选取子矩阵，通过基本状态矩阵的某一行与影响因素矩阵的对应行数据进行皮尔森系数的计算，多次计算后得到子矩阵中状态矩阵与影响因素矩阵的皮尔森系数。
2.如权利要求1所述的基于随机矩阵的区域能源互联网负荷行为分析方法，其特征在于：矩阵变换，包括以下过程：
获取某一采样时刻的源矩阵；
将源矩阵转换为标准非Hermitian矩阵；
根据得到的标准非Hermitian矩阵，计算奇异值等效矩阵；
将得到的若干个奇异值等效矩阵累乘得到待分析矩阵；
将待分析矩阵转换为均值为1方差为0的标准矩阵；
以标准矩阵的协方差矩阵为最终变换后的矩阵。
3.如权利要求1所述的基于随机矩阵的区域能源互联网负荷行为分析方法，其特征在于：对矩阵变换后的矩阵，进行特征值计算；
根据得到的特征值进行谱分析；
根据谱分析结果，得到皮尔森系数概率密度分布；
根据皮尔森系数概率密度分布，得到耦合气象因素指标与有功负荷数据之间的对应关系。
4.如权利要求1所述的基于随机矩阵的区域能源互联网负荷行为分析方法，其特征在于：影响因素矩阵与基本状态矩阵的行数比为0.4。
5.如权利要求1所述的基于随机矩阵的区域能源互联网负荷行为分析方法，其特征在于：耦合气象因素指标至少包括温湿指数HI：
HI＝c1+c2T+c3R+c4TR+c5T2+c6R2+c7T2R+c8TR2+c9T2R2
其中，c1、c2、c3、c4、c5、c6、c7、c8和c9为常系数，T为温度，R为相对湿度。
6.如权利要求1所述的基于随机矩阵的区域能源互联网负荷行为分析方法，其特征在于：耦合气象因素指标至少包括实感温度Te：
Figure FDA0003348886270000021
其中，Ta为气温，Rh为相对湿度，V为风速。
7.如权利要求1所述的基于随机矩阵的区域能源互联网负荷行为分析方法，其特征在于：耦合气象因素指标至少包括人体舒适度指数k：
Figure FDA0003348886270000022
其中，Ta为气温，Rh为相对湿度，V为风速。
8.一种基于随机矩阵的区域能源互联网负荷行为分析系统，其特征在于：包括：
数据获取模块，被配置为：获取待分析地区的气象数据和有功负荷数据；
耦合气象指标获取模块，被配置为：根据获取的气象数据，得到耦合气象因素指标；
影响因素矩阵获取模块，被配置为：根据耦合气象指标数据得到影响因素矩阵；
基本状态矩阵获取模块，被配置为：根据有功负荷数据得到基本状态矩阵；
增广数据源矩阵获取模块，被配置为：根据基本状态矩阵和影响因素矩阵，得到增广数据源矩阵；
皮尔森系数矩阵获取模块，被配置为：在增广数据源矩阵中，进行耦合气象因素指标与有功负荷数据的皮尔森系数计算，得到皮尔森系数矩阵；
源矩阵获取模块，被配置为：根据皮尔森系数矩阵与基本状态矩阵，得到源矩阵；
随机矩阵获取模块，被配置为：对源矩阵进行矩阵变换后，得到随机矩阵；
数据异常识别模块，被配置为：对随机矩阵的特征值进行谱分析后得到概率密度分布，根据概率密度分布与正常状态时的历史概率密度分布的对比，得到有功负荷数据的异常识别结果；
皮尔森系数的计算，包括：
基本状态矩阵以时间点为列数，以电网基本状态量的数据代表行数；
影响因素矩阵以时间点为列数，以耦合气象指标数据代表行数；
增广数据源矩阵为基本状态矩阵和影响因素矩阵的上下拼接，基本状态矩阵在上，影响因素矩阵在下；
通过移动窗口，从增广数据源矩阵中选取子矩阵，通过基本状态矩阵的某一行与影响因素矩阵的对应行数据进行皮尔森系数的计算，多次计算后得到子矩阵中状态矩阵与影响因素矩阵的皮尔森系数。
CN202111079063.7A 2021-09-15 2021-09-15 基于随机矩阵的区域能源互联网负荷行为分析方法及系统 Active CN113537844B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111079063.7A CN113537844B (zh) 2021-09-15 2021-09-15 基于随机矩阵的区域能源互联网负荷行为分析方法及系统
US17/749,994 US20230082218A1 (en) 2021-09-15 2022-05-20 Method and system for analyzing regional energy internet load behavior based on random matrix

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111079063.7A CN113537844B (zh) 2021-09-15 2021-09-15 基于随机矩阵的区域能源互联网负荷行为分析方法及系统

Publications (2)

Publication Number Publication Date
CN113537844A CN113537844A (zh) 2021-10-22
CN113537844B true CN113537844B (zh) 2021-12-17

Family

ID=78123122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111079063.7A Active CN113537844B (zh) 2021-09-15 2021-09-15 基于随机矩阵的区域能源互联网负荷行为分析方法及系统

Country Status (2)

Country Link
US (1) US20230082218A1 (zh)
CN (1) CN113537844B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114677019B (zh) * 2022-03-30 2024-06-28 山东大学 基于随机源矩阵和层次分析的用电特征辨识方法及系统
CN115954879B (zh) * 2023-03-13 2023-10-27 南昌工程学院 基于ao算法优化pnn的配电网线变关系精准辨识方法
CN116070804B (zh) * 2023-04-06 2023-07-14 国网冀北电力有限公司 基于知识图谱和数据驱动的电力系统负荷预测方法及装置
CN117318037B (zh) * 2023-09-27 2024-09-06 国网湖北省电力有限公司电力科学研究院 一种含规模分布式新能源接入的配电网状态分析方法
CN117060402B (zh) * 2023-10-09 2024-01-09 山东浪潮数字能源科技有限公司 一种基于分布式智能电网的能源互联网平台架构方法
CN118133210B (zh) * 2024-05-07 2024-08-02 浙江新再灵科技股份有限公司 电梯人体感应传感器数据异常特征提取方法、装置
CN118411160A (zh) * 2024-07-02 2024-07-30 无锡学院 一种考虑多种气象因子的电网故障预测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779129A (zh) * 2015-11-19 2017-05-31 华北电力大学（保定） 一种考虑气象因素的短期电力负荷预测方法
CN112001644A (zh) * 2020-08-27 2020-11-27 广东电网有限责任公司广州供电局 一种配电网运行可靠性检测方法、装置、终端及存储介质

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10043535B2 (en) * 2013-01-15 2018-08-07 Staton Techiya, Llc Method and device for spectral expansion for an audio signal
EP3179220A1 (en) * 2015-12-10 2017-06-14 Aragon Photonics Labs, S.L.U. System and method of optical spectrum analysis
CN106099945A (zh) * 2016-07-20 2016-11-09 中国电力科学研究院 一种配电网无功优化大数据建模及异常方案检测方法
CN106327079B (zh) * 2016-08-23 2021-12-03 中国电力科学研究院 一种配电网无功优化控制的评价方法
CN108074004A (zh) * 2016-11-12 2018-05-25 华北电力大学（保定） 一种基于网格法的地理信息系统短期负荷预测方法
CN108022001B (zh) * 2017-09-20 2021-10-19 河海大学 基于pca和分位数回归森林的短期负荷概率密度预测方法
CN109597967B (zh) * 2018-11-20 2023-08-25 江苏云上电力科技有限公司 一种电力系统配变电站负荷数据异常检测与修复方法
CN109657613B (zh) * 2018-12-19 2023-05-02 贵州大学 基于幂法和并行计算技术的大规模电网异常负荷识别方法
CN110601185B (zh) * 2019-09-17 2021-07-06 武汉大学 一种基于统一潮流模型的综合能源系统薄弱点辨识方法
CN111191856B (zh) * 2020-02-17 2023-12-08 天津大学 计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779129A (zh) * 2015-11-19 2017-05-31 华北电力大学（保定） 一种考虑气象因素的短期电力负荷预测方法
CN112001644A (zh) * 2020-08-27 2020-11-27 广东电网有限责任公司广州供电局 一种配电网运行可靠性检测方法、装置、终端及存储介质

Also Published As

Publication number Publication date
US20230082218A1 (en) 2023-03-16
CN113537844A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN113537844B (zh) 基于随机矩阵的区域能源互联网负荷行为分析方法及系统
CN109659933A (zh) 一种基于深度学习模型的含分布式电源配电网电能质量预测方法
CN109886430A (zh) 一种基于工业大数据的设备健康状态评估与预测方法
Li et al. A spatial-temporal layer-wise relevance propagation method for improving interpretability and prediction accuracy of LSTM building energy prediction
CN102184337B (zh) 一种受气象信息影响的新能源发电能力动态组合分析方法
CN111680841B (zh) 基于主成分分析的短期负荷预测方法、系统及终端设备
US20150149128A1 (en) Systems and methods for analyzing model parameters of electrical power systems using trajectory sensitivities
Huang et al. A Bayesian Network model for predicting cooling load of commercial buildings
Chuentawat et al. The comparison of PM2. 5 forecasting methods in the form of multivariate and univariate time series based on support vector machine and genetic algorithm
CN105160437A (zh) 基于极限学习机的负荷模型预测方法
CN112182720A (zh) 一种基于建筑能源管理应用场景的建筑能耗模型评价方法
CN109472283A (zh) 一种基于多重增量回归树模型的危险天气事件预测方法和装置
CN110400011A (zh) 电力现货交易中风电场出力申报方案的确定方法及装置
CN114021483A (zh) 基于时域特征与XGBoost的超短期风电功率预测方法
CN115310648A (zh) 一种基于多气象变量模型识别的中长期风电功率组合预测方法
Ramya et al. Environment change prediction to adapt climate-smart agriculture using big data analytics
CN117874527A (zh) 一种多模式数据融合的深度学习预测方法
CN101446828A (zh) 一种非线性过程质量预报方法
CN114444821A (zh) 面向电力物联网的集成学习负荷预测方法、系统及介质
CN104764414A (zh) 一种利用群算法的fbg非均匀应变重构方法
CN108710966B (zh) 一种基于多簇esn神经网络的光伏发电功率预测方法
Tena-García et al. Implementing data reduction strategies for the optimal design of renewable energy systems
CN117200223A (zh) 日前电力负荷预测方法和装置
CN116542385A (zh) 一种针对风、光功率预测的集成学习方法及系统
CN116681158A (zh) 基于集成极限学习机的参考作物蒸散量预测方法

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