CN114186781A - 一种基于采样间隔负荷曲线的冲击性负荷识别方法及系统 - Google Patents

一种基于采样间隔负荷曲线的冲击性负荷识别方法及系统 Download PDF

Info

Publication number
CN114186781A
CN114186781A CN202111299635.2A CN202111299635A CN114186781A CN 114186781 A CN114186781 A CN 114186781A CN 202111299635 A CN202111299635 A CN 202111299635A CN 114186781 A CN114186781 A CN 114186781A
Authority
CN
China
Prior art keywords
load
user
impact load
impact
users
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.)
Pending
Application number
CN202111299635.2A
Other languages
English (en)
Inventor
李磊
王朝亮
李勤超
卢峰
刘炜
蒋钟
楼文天
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.)
State Grid Zhejiang Electric Power Co Ltd Anji County Power Supply Co
State Grid Zhejiang Electric Power Co Ltd
Huzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Marketing Service Center of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Zhejiang Electric Power Co Ltd Anji County Power Supply Co
State Grid Zhejiang Electric Power Co Ltd
Huzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Marketing Service Center of State Grid Zhejiang Electric Power Co Ltd
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 State Grid Zhejiang Electric Power Co Ltd Anji County Power Supply Co, State Grid Zhejiang Electric Power Co Ltd, Huzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd, Marketing Service Center of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Zhejiang Electric Power Co Ltd Anji County Power Supply Co
Priority to CN202111299635.2A priority Critical patent/CN114186781A/zh
Publication of CN114186781A publication Critical patent/CN114186781A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Water Supply & Treatment (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于采样间隔负荷曲线的冲击性负荷识别方法及系统，属于电网负荷控制技术领域。现有方案，无法有效区分冲击性负荷用户与非冲击性负荷用户。本发明的一种基于采样间隔负荷曲线的冲击性负荷识别方法，通过构建采样间隔负荷曲线、用户基线以及判定指标模型，将每日平均交点数、峰谷差与每日平均交点数的平均每日比值百分比、采样点平均偏离百分比作为判别指标，同时设置较为合理的判定规则以及判别指标的阈值，实现冲击性负荷用户的准确识别，能够适用于复杂多变的用户响应需求。进一步，本发明利用关口表的负荷数据趋势，结合数据统计与分析，构建判定指标模型，可以实现较为便捷、可靠的冲击性特性判别。

Description

一种基于采样间隔负荷曲线的冲击性负荷识别方法及系统
技术领域
本发明涉及一种基于采样间隔负荷曲线的冲击性负荷识别方法及系统，属于电网负荷控制技术领域。
背景技术
冲击性负荷为具有周期性或非周期性，突然变化很大的负荷，如电弧炼钢炉、轧钢机等负荷，并且一般出现最大负荷的时间很短，但其峰值可能是其平均负荷的数倍或数十倍。
进一步，冲击性负荷电力用户在参与电力需求响应时，针对非冲击性负荷设计的响应执行效果评估方法显然不能适用于冲击性负荷用户的响应效果评估。
目前，冲击性负荷识别主要依靠电力公司相关专业人员通过肉眼辨识，识别准确性受观察者主观性影响较大。同时，冲击性负荷用户数量庞大，人工逐户识别效率较低，难以满足需求响应效果评估的时效要求。
更进一步，中国专利(公开号：CN103094928A)公开了一种电网冲击负荷扰动的识别与控制方法，该方法的步骤包括有：数据采集、处理及判断冲击负荷发生；计算冲击负荷偏差；判断冲击负荷发生；区域控制偏差计算；区域控制偏差滤波；区域调节功率计算；区域调节功率分配、备用监视、控制性能考核。本发明通过对数据采集与监视控制系统数据的连续采样判别冲击负荷的发生，并对负荷频率控制的基本比例和积分调节功率进行修正来实现对冲击负荷的控制。
上述方案，将实时冲击负荷与冲击负荷前t1秒平均值相减，得到两者的偏差值，然后直接利用偏差值作为判断冲击负荷是否发生的判断指标，判断指标较为单一，判定方案较为粗浅，无法适用于复杂多变的用户响应需求，进而导致冲击负荷的识别方案，误差较大，无法有效区分冲击性负荷用户与非冲击性负荷用户。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种通过构建采样间隔负荷曲线、用户基线以及判定指标模型，将每日平均交点数、峰谷差与每日平均交点数的平均每日比值百分比、采样点平均偏离百分比作为判别指标，同时设置较为合理的判定规则以及判别指标的阈值，实现冲击性负荷用户的准确识别，能够适用于复杂多变的用户响应需求的基于采样间隔负荷曲线的冲击性负荷识别方法及系统。
为实现上述目的，本发明的技术方案为：
一种基于采样间隔负荷曲线的冲击性负荷识别方法，
包括以下步骤：
第一步，获取样本数据，构建采样间隔负荷曲线；
第二步，构建用户基线，用以判别指标的计算和归纳；
第三步，根据第一步中的采样间隔负荷曲线和第二步中的用户基线，确定判别指标，并设置判定规则以及判别指标的阈值，实现判定指标模型的构建；
所述判别指标至少包括每日平均交点数、峰谷差与每日平均交点数的平均每日比值百分比、采样点平均偏离百分比；
第四步，将用户的负荷数据输入到第三步中的判定指标模型中，对用户的负荷冲击性进行特性判别，以实现冲击性负荷用户的准确识别。
本发明经过不断探索以及试验，通过构建采样间隔负荷曲线、用户基线以及判定指标模型，将每日平均交点数、峰谷差与每日平均交点数的平均每日比值百分比、采样点平均偏离百分比作为判别指标，同时设置较为合理的判定规则以及判别指标的阈值，实现冲击性负荷用户的准确识别，能够适用于复杂多变的用户响应需求。
进一步，由于不同用户的工艺流程、不同生产日的排产投运计划均不同，在无法准确掌握所有用户的所有生产细节的情况下，本发明可利用关口表的负荷数据趋势，将用户作为灰箱模型，结合数据统计与分析，构建判定指标模型，可以实现较为便捷、可靠的冲击性特性判别，方案简单、实用，切实可行。
更进一步：(一)对于用户负荷曲线与当日基线曲线的每日平均交点数：
虽然冲击性负荷用户和非冲击性负荷用户的负荷曲线和用户基线普遍都会发生多次交叉；但从每日交叉点数的统计平均数来看，冲击性负荷用户每日发生的曲线交叉次数(平均为7.9次)明显大于非冲击性负荷用户(平均为4.2次)。
因此从统计意义上看，用户负荷曲线与当日基线曲线每日平均交点数具有判定用户一定的参考性；同时，为了避免某单独日的负荷受到特殊原因影响，取多日每日平均交点数的平均值作为判断依据。
(二)对于用户负荷曲线的峰谷差与每日平均交点数的平均每日比值百分比：
该指标在评价用户负荷特性时，能很好得将冲击性负荷用户与非冲击性负荷区分开，同时该指标的意义也符合人主观判断冲击性负荷的方法，因此，可以将其纳为判定冲击性负荷的判别指标之一。
(三)对于用户负荷点偏离基线点的采样点平均偏离百分比：
该指标在评价用户负荷特性时，能在一定程度上将冲击性负荷和非冲击性负荷区分来，结合其他指标，可以非常好得反映用户负荷特性，因此，可以将其纳为判定冲击性负荷的判别指标之一。
作为优选技术措施：
所述第一步中，样本数据包括某周期内N个关口表M分钟级的负荷数据；
负荷数据分为冲击性负荷用户数据和非冲击性负荷用户数据，便于对模型进行训练以及验证。
作为优选技术措施：
冲击性负荷用户数据至少包括11户冲击性负荷用户，其中6户冲击性负荷用户用作判定指标模型的训练，其余5户冲击性负荷用户用作判定指标模型的验证；
非冲击性负荷用户数据至少包括39户非冲击性负荷用户，其中29户非冲击性负荷用户用作判定指标模型的训练，其余10户非冲击性负荷用户用作判定指标模型的验证。
作为优选技术措施：
某周期为5个工作日，N为96，M为15，
所述用户基线为前5个工作日的15分钟级负荷曲线的平均值曲线。
目前国内配电变压器终端的负荷数据采样间隔为15分钟，所以各省电力公司普遍基于15分钟负荷曲线来判定用户的实际响应效果。
作为优选技术措施：
所述第二步中，用户基线根据电力用户历史负荷数据计算得到，用以体现电力用户未参与需求响应时的实际用电需求，是需求响应执行效果和补贴结算的重要依据。
作为优选技术措施：
所述第三步中，每日平均交点数为
Figure BDA0003337801850000031
其计算公式如下：
Figure BDA0003337801850000032
每当
(Pi，j-Pb，i，j)-(Pi+1，j-Pb，i+1，j)＜0
时，用户前i日这日M分钟级负荷曲线与基线的交点数Ni计数增加1；
其中：
n—采样周期内的天数；
Ni—用户前i日这日负荷曲线与基线的交点数；
Pi,j—用户前i日这日第j个M分钟采集点时，关口表采集到的实际负荷功率值；
Pb,i,j—用户前i日这日第j个M分钟采集点时，基线的负荷功率值；
所述峰谷差与每日平均交点数的平均每日比值百分比为
Figure BDA0003337801850000041
其计算公式如下：
Figure BDA0003337801850000042
Figure BDA0003337801850000043
Figure BDA0003337801850000044
其中：
Xi—用户前i日这日M分钟级负荷曲线的峰谷差与每日平均交点数的比值百分比；
Pi,max—用户前i日这日M分钟级负荷曲线中负荷最大值；
Pi,min—用户前i日这日M分钟级负荷曲线中负荷最小值；
Figure BDA0003337801850000045
—用户前i日这日每日平均交点数；
采样点平均偏离百分比为
Figure BDA0003337801850000046
其计算公式如下：
Figure BDA0003337801850000047
Figure BDA0003337801850000048
其中：
Yi—用户前i日这日各个M分钟级负荷点偏离基线点的平均百分比。
作为优选技术措施：
所述阈值，用于将3个指标
Figure BDA0003337801850000049
纳入冲击性负荷的判定规则，其具体取值如下：
Figure BDA00033378018500000410
从用户利益角度出发，“尽可能将所有冲击性负荷用户判别准确，允许少部分非冲击性负荷用户判定为冲击性负荷用户”的原则，避免将需求响应系统运行时，将非冲击性负荷用户判定为相应未达标而带来的负面体验发生。
作为优选技术措施：
所述判定规则，以用户利益最大化为目标，以尽可能将所有冲击性负荷用户判别准确，允许少部分非冲击性负荷用户判定为冲击性负荷用户为原则，其至少设有3种置信度判定规则，用以说明用户的冲击性负荷置信度；
置信度判定规则包括高置信冲击性负荷用户、中置信冲击性负荷用户、低置信冲击性负荷用户。
作为优选技术措施：
所述高置信冲击性负荷用户：
Figure BDA0003337801850000051
满足上述①②③中所有条件；用于识别具有充分理由能将用户判定为冲击性负荷的个体；
所述中置信冲击性负荷用户：
Figure BDA0003337801850000052
满足上述①②③中任意2个条件；用于识别具有一般理由能将用户判定为冲击性负荷的个体；
所述低置信冲击性负荷用户：
Figure BDA0003337801850000053
满足上述①②③中任意1个条件；用于筛选所有可能具有冲击性负荷特性的个体。
高置信冲击性负荷判别规则可以严格筛选出冲击性特征强烈的用户，但对于冲击性特征不非常明显的冲击性负荷用户，会发生遗漏的情况；中置信冲击性负荷判别规则可以在冲击性负荷用户判定与非冲击性负荷用户误判之间取得较好的平衡，能筛选出所有冲击性负荷用户，并尽量少得将非冲击性负荷用户归类为冲击性负荷用户。
作为优选技术措施：
一种基于采样间隔负荷曲线的冲击性负荷识别系统，
包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述的一种基于采样间隔负荷曲线的冲击性负荷识别方法。
与现有技术相比，本发明具有以下有益效果：
本发明经过不断探索以及试验，通过构建采样间隔负荷曲线、用户基线以及判定指标模型，将每日平均交点数、峰谷差与每日平均交点数的平均每日比值百分比、采样点平均偏离百分比作为判别指标，同时设置较为合理的判定规则以及判别指标的阈值，实现冲击性负荷用户的准确识别，能够适用于复杂多变的用户响应需求。
进一步，由于不同用户的工艺流程、不同生产日的排产投运计划均不同，在无法准确掌握所有用户的所有生产细节的情况下，本发明利用关口表的负荷数据趋势，将用户作为灰箱模型，结合数据统计与分析，构建判定指标模型，可以实现较为便捷、可靠的冲击性特性判别，方案简单、实用，切实可行。
附图说明
图1为本发明流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
如图1所示，一种基于采样间隔负荷曲线的冲击性负荷识别方法，
包括以下步骤：
第一步，获取样本数据，构建采样间隔负荷曲线；
第二步，构建用户基线，用以判别指标的计算和归纳；
第三步，根据第一步中的采样间隔负荷曲线和第二步中的用户基线，确定判别指标，并设置判定规则以及判别指标的阈值，实现判定指标模型的构建；
所述判别指标至少包括每日平均交点数、峰谷差与每日平均交点数的平均每日比值百分比、采样点平均偏离百分比；
第四步，将用户的负荷数据输入到第三步中的判定指标模型中，对用户的负荷冲击性进行特性判别，以实现冲击性负荷用户的准确识别。
本发明经过不断探索以及试验，通过构建采样间隔负荷曲线、用户基线以及判定指标模型，将每日平均交点数、峰谷差与每日平均交点数的平均每日比值百分比、采样点平均偏离百分比作为判别指标，同时设置较为合理的判定规则以及判别指标的阈值，实现冲击性负荷的准确识别，能够适用于复杂多变的用户响应需求。
由于不同用户的工艺流程、不同生产日的排产投运计划均不同，在无法准确掌握所有用户的所有生产细节的情况下，本发明利用关口表的负荷数据趋势，将用户作为灰箱模型，结合数据统计与分析，构建判定指标模型，可以实现较为便捷、可靠的冲击性特性判别，方案简单、实用，切实可行。
本发明采样间隔负荷曲线一种具体实施例：
目前国内配电变压器终端的负荷数据采样间隔为15分钟，所以各省电力公司普遍基于15分钟负荷曲线来判定用户的实际响应效果。因此本发明基于15分钟采样间隔负荷曲线进行冲击性负荷识别。
15分钟级曲线(96点曲线)为用户关口表每15分钟时刻点时，用户关口总负荷的瞬时值连接成的曲线。由于冲击性负荷具有负荷波动范围大、短时间内波动快的特点，使得15分钟时刻点采集到的关口负荷值可能是负荷波动的峰值与谷值之间的任意一点，使此时获得的瞬时功率难以表示一段时间内用户负荷的准确情况，因此需要采集5个工作日样本数据。
本发明用户基线一种具体实施例：
用户基线为前5个工作日的15分钟级负荷曲线的平均值曲线，因此，用户的负荷基线整体呈现出比15分钟级曲线更加平缓的趋势。将用户当日15分钟级负荷曲线和基线曲线放在同一坐标系中，往往呈现出当日负荷曲线与基线多次来回穿插，当天负荷曲线波动范围较大的直观表现。
本发明确定判别指标的一种具体实施例：
基于上述冲击性负荷的15分钟级曲线的直观表现特性，在需求响应时间段范围内(10:00～17:00，共计29个15分钟点数，本申请未特殊说明指标的计算时段时，均为此时段)，拟针对性设定以下指标用于识别冲击性负荷：
1)用户近5日的15分钟级负荷曲线与基线的每日平均交点数
Figure BDA0003337801850000071
Figure BDA0003337801850000072
每当
(Pi，j-Pb，i，j)-(Pi+1，j-Pb，i+1，j)＜0；i＝1，2，...，5；j＝1，2，...，28
时，用户前i日这天15分钟级负荷曲线与基线的交点数Ni计数增加1。
其中：
Pi,j—用户前i日这日第j个15分钟采集点时，关口表采集到的实际负荷功率值，kW；
Pb,i,j—用户前i日这日第j个15分钟采集点时，基线的负荷功率值，kW。
2)用户近5日的15分钟级负荷曲线的峰谷差与每日平均交点数的平均每日比值百分比
Figure BDA0003337801850000073
Figure BDA0003337801850000074
Figure BDA0003337801850000075
Figure BDA0003337801850000081
其中：
Xi—用户前i日这日15分钟级负荷曲线的峰谷差与每日平均交点数的比值百分比；
Pi,max—用户前i日这日15分钟级负荷曲线中负荷最大值，kW；
Pi,min—用户前i日这日15分钟级负荷曲线中负荷最小值，kW；
Figure BDA0003337801850000082
—用户前i日这日每日平均交点数，kW。
3)用户近5日的各个15分钟级负荷点偏离基线点的平均百分比
Figure BDA0003337801850000083
Figure BDA0003337801850000084
Figure BDA0003337801850000085
其中：
Yi—用户前i日这日各个15分钟级负荷点偏离基线点的平均百分比。
本发明样本数据分组的具体实施例：
从需求响应系统平台选取可人为判定为冲击性负荷用户11户和非冲击性负荷用户39户共50户作为总样本，样本数据包括各个用户在2020年11月6日～16日的关口表15分钟级负荷数据，据此可计算11月11日～16日当日的用户基线，用于后续指标参数的计算和归纳。
将上述用户分为两组，分别为：①指标归纳组：包含随机选取的6户冲击性负荷用户和29户非冲击性负荷用户；②数据验证组：包含另外5户冲击性负荷用户和10户非冲击性负荷用户。
本发明一种具体计算步骤实施例：
(1)计算并统计指标归纳组中各个用户的判定指标
Figure BDA0003337801850000086
(2)归纳总结并选取适当的取值，结合恰当的判定规则，使得能利用确定的指标阈值和判定规则能有效区分用户的负荷类型，并且判定结果能与人为标注的“冲击性负荷”/“非冲击性负荷”用户标签对应；
(3)使用上一步骤归纳确定的指标阈值与判定规则对数据验证组的用户进行统计并判定，确定规则的有效性。
本发明指标归纳组指标计算与统计实施例：
计算与统计结果如表1指标归纳组指标统计表所示。
表1指标归纳组指标统计表
Figure BDA0003337801850000091
Figure BDA0003337801850000101
据上表统计结果分析，可发现各指标特性：
(一)用户15分钟级负荷曲线与当日基线曲线每日平均交点数
Figure BDA0003337801850000102
(1)人工认定的冲击性负荷用户和非冲击性负荷用户的负荷曲线和基线普遍都会发生多次交叉；
(2)从每日交叉点数的统计平均数来看，冲击性负荷用户每日发生的曲线交叉次数(7.9次)明显大于非冲击性负荷用户(4.2次)；
(3)但从用户个例看，冲击性负荷和非冲击性负荷都会发生交叉次数过多(16次)和不交叉(0次)的情况，原因可能有：①冲击性负荷用户的基线过高或过低，而统计日用户负荷投运情况发生变化，使得即使当天负荷发生波动，也未与基线发生交叉；②非冲击性负荷用户每日生产稳定，负荷围绕基线小幅度来回波动，波动范围小但次数多；③用户统计日发生检修或排产调整等其他情况；
(4)因此从统计意义上看，用户15分钟级负荷曲线与当日基线曲线每日平均交点数
Figure BDA0003337801850000103
具有判定用户一定的参考性；同时，为了避免某单独日的负荷受到特殊原因影响，取多日Ni的平均值作为判断依据。
(二)用户近5日的15分钟级负荷曲线的峰谷差与每日平均交点数的平均每日比值百分比
Figure BDA0003337801850000104
(1)人工认定的冲击性负荷用户与非冲击性负荷用户在
Figure BDA0003337801850000105
指标上有明显差别：人工认定的冲击性负荷平均每天负荷曲线峰谷值与当日基线的比值统计平均数(96.57％)明显高于人工认定的非冲击性负荷的用户的该项统计平均数(44.19％)；
(2)纵观指标归纳组的个体样本，人工认定的冲击性负荷用户在该指标上普遍存在指标值较高的情况；而人工认定的非冲击性负荷用户在该指标上的表现大多数值较小，但不排除个别少量非冲击性负荷用户存在指标值偏高的情况，但这并不影响该指标值可作为判定用户是否为冲击性负荷作的必要条件；
(3)该指标在评价用户负荷特性时，能很好得将冲击性负荷用户与非冲击性负荷区分开，同时该指标的意义也符合人主观判断冲击性负荷的方法，因此，可以将其纳为判定冲击性负荷的判别指标之一。
(三)用户近5日的各个15分钟级负荷点偏离基线点的平均百分比
Figure BDA0003337801850000111
(1)人工认定的冲击性负荷用户与非冲击性负荷用户在
Figure BDA0003337801850000112
指标上有一定差别：人工认定的冲击性负荷用户平均15分钟采集点负荷值与当时基线的负荷值的统计平均数(33.89％)明显高于人工认定的非冲击性负荷的用户的该项统计平均数(18.49％)；
(2)纵观指标归纳组的个体样本，人工认定的冲击性负荷用户在该指标上普遍存在指标值较高的情况；而人工认定的非冲击性负荷用户在该指标上的表现大多数值较小，但不排除个别少量非冲击性负荷用户存在指标值偏高的情况(如用户在参考日与统计日因生产原因，每天投运的负荷量偏差很大，但每天的负荷曲线表现平稳)，往往这类用户的指标
Figure BDA0003337801850000113
会很小，因此，可将多个指标结合进行冲击性负荷判别；
(3)该指标在评价用户负荷特性时，能在一定程度上将冲击性负荷和非冲击性负荷区分来，结合其他指标，可以非常好得反映用户负荷特性，因此，可以将其纳为判定冲击性负荷的判别指标之一。
本发明一种冲击性负荷判别规则实施例：
本着从用户利益角度出发，提出“尽可能将所有冲击性负荷用户判别准确，允许少部分非冲击性负荷用户判定为冲击性负荷用户”的原则，避免将需求响应系统运行时，将非冲击性负荷用户判定为相应未达标而带来的负面体验发生。
同时，结合上述指标的统计与分析归纳，将上文提到的3个指标
Figure BDA0003337801850000114
纳入冲击性负荷的判定规则，归纳总结其阈值：
Figure BDA0003337801850000115
另外，考虑到为了说明用户的冲击性负荷置信度，设定如下3种置信度判定规则：
(1)高置信冲击性负荷用户：
Figure BDA0003337801850000116
满足上述①②③中所有条件；用于识别具有充分理由可将用户判定为冲击性负荷的个体；
(2)中置信冲击性负荷用户：
Figure BDA0003337801850000117
满足上述①②③中任意2个条件；用于识别具有一般理由可将用户判定为冲击性负荷的个体；
(3)低置信冲击性负荷用户：
Figure BDA0003337801850000121
满足上述①②③中任意1个条件；用于筛选所有可能具有冲击性负荷特性的个体。
本发明一种数据验证实施例：
使用数据验证组的样本数据，结合上述判定规则，对用户的负荷冲击性与否进行判断。数据验证组样本包含随机选取的与指标归纳组不重复的5户冲击性负荷用户和10户非冲击性负荷用户，及各用户在2020年11月6日～16日的关口表15分钟级负荷数据。利用基于15分钟级负荷曲线的识别方法(包含不同置信规则)对数据验证组样本的判别结果如表2数据验证组样本冲击性判别结果表所示。
表2数据验证组样本冲击性判别结果表
Figure BDA0003337801850000122
注：判定结果一列中，“是”表示依该判别规则，该用户被判别为冲击性负荷用户；
“否”表示依该判别规则，该用户被判别非非冲击性负荷用户。
为了进一步验证判别规则的可靠性，对数据验证的样本进行拓展，将指标归纳组与数据验证组用户进行联立，即对全体样本进行冲击性特性判别，统计结果如表3全体样本冲击性判别结果统计表所示。
表3全体样本冲击性判别结果统计表
Figure BDA0003337801850000131
本发明一种最佳实施例：
本发明的一种基于15分钟采样间隔负荷曲线的冲击性负荷识别方法，包括所涉及到的判别指标选择和阈值设定，提出了高、中、低三种置信度的冲击性负荷用户判别规则。
其中，高置信冲击性负荷判别规则可以严格筛选出冲击性特征强烈的用户，但对于冲击性特征不非常明显的冲击性负荷用户，会发生遗漏的情况；中置信冲击性负荷判别规则可以在冲击性负荷用户判定与非冲击性负荷用户误判之间取得较好的平衡，能筛选出所有冲击性负荷用户，并尽量少得将非冲击性负荷用户归类为冲击性负荷用户。
不同用户的工艺流程、不同生产日的排产投运计划均不同，在无法准确掌握所有用户的所有生产细节的情况下，利用关口表的负荷数据趋势，将用户作为灰箱模型，结合数据统计与分析，以及一定的判别规则，可以实现较为便捷、可靠的冲击性特性判别。因此本申请的中置信冲击性负荷用户判别规则是一个较好的方法。
本发明相关技术术语的名词解释
电力需求响应：
电力需求响应是通过激励机制，引导电力客户在约定时间内短时优化用电负荷，有效实现削峰填谷，缓解电力供需矛盾，增强电力应急调节能力的行为。
用户基线负荷：
基线负荷是根据电力用户历史负荷数据估算得到的一条负荷曲线，体现电力用户未参与需求响应时的实际用电需求，是需求响应执行效果和补贴结算的重要依据。在本文中基线负荷为前5个工作日的15分钟级负荷曲线的平均值曲线。
应用本发明方法的一种系统实施例：
一种基于采样间隔负荷曲线的冲击性负荷识别系统，其包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的一种基于采样间隔负荷曲线的冲击性负荷识别方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于采样间隔负荷曲线的冲击性负荷识别方法，其特征在于，
包括以下步骤：
第一步，获取样本数据，构建采样间隔负荷曲线；
第二步，构建用户基线，用以判别指标的计算和归纳；
第三步，根据第一步中的采样间隔负荷曲线和第二步中的用户基线，确定判别指标，并设置判定规则以及判别指标的阈值，实现判定指标模型的构建；
所述判别指标至少包括每日平均交点数、峰谷差与每日平均交点数的平均每日比值百分比、采样点平均偏离百分比；
第四步，将用户的负荷数据输入到第三步中的判定指标模型中，对用户的负荷冲击性进行特性判别，以实现冲击性负荷用户的准确识别。
2.如权利要求1所述的一种基于采样间隔负荷曲线的冲击性负荷识别方法，其特征在于，
所述第一步中，样本数据包括某周期内N个关口表M分钟级的负荷数据；
负荷数据分为冲击性负荷用户数据和非冲击性负荷用户数据。
3.如权利要求2所述的一种基于采样间隔负荷曲线的冲击性负荷识别方法，其特征在于，
冲击性负荷用户数据至少包括11户冲击性负荷用户，其中6户冲击性负荷用户用作判定指标模型的训练，其余5户冲击性负荷用户用作判定指标模型的验证；
非冲击性负荷用户数据至少包括39户非冲击性负荷用户，其中29户非冲击性负荷用户用作判定指标模型的训练，其余10户非冲击性负荷用户用作判定指标模型的验证。
4.如权利要求2所述的一种基于采样间隔负荷曲线的冲击性负荷识别方法，其特征在于，
某周期为5个工作日，N为96，M为15，
所述用户基线为前5个工作日的15分钟级负荷曲线的平均值曲线。
5.如权利要求1所述的一种基于采样间隔负荷曲线的冲击性负荷识别方法，其特征在于，
所述第二步中，用户基线根据电力用户历史负荷数据计算得到，用以体现电力用户未参与需求响应时的实际用电需求。
6.如权利要求1所述的一种基于采样间隔负荷曲线的冲击性负荷识别方法，其特征在于，
所述第三步中，每日平均交点数为
Figure FDA0003337801840000021
其计算公式如下：
Figure FDA0003337801840000022
每当
(Pi，j-Pb，i，j)-(Pi+1，j-Pb，i+1，j)＜0
时，用户前i日这日M分钟级负荷曲线与基线的交点数Ni计数增加1；
其中：
n—采样周期内的天数；
Ni—用户前i日这日负荷曲线与基线的交点数；
Pi,j—用户前i日这日第j个M分钟采集点时，关口表采集到的实际负荷功率值；
Pb,i,j—用户前i日这日第j个M分钟采集点时，基线的负荷功率值；
所述峰谷差与每日平均交点数的平均每日比值百分比为
Figure FDA0003337801840000023
其计算公式如下：
Figure FDA0003337801840000024
Figure FDA0003337801840000025
Figure FDA0003337801840000026
其中：
Xi—用户前i日这日M分钟级负荷曲线的峰谷差与每日平均交点数的比值百分比；
Pi,max—用户前i日这日M分钟级负荷曲线中负荷最大值；
Pi,min—用户前i日这日M分钟级负荷曲线中负荷最小值；
Figure FDA0003337801840000027
—用户前i日这日每日平均交点数；
采样点平均偏离百分比为
Figure FDA0003337801840000028
其计算公式如下：
Figure FDA0003337801840000031
Figure FDA0003337801840000032
其中：
Yi—用户前i日这日各个M分钟级负荷点偏离基线点的平均百分比。
7.如权利要求6所述的一种基于采样间隔负荷曲线的冲击性负荷识别方法，其特征在于，
所述阈值，用于将3个指标
Figure FDA0003337801840000033
和
Figure FDA0003337801840000034
纳入冲击性负荷的判定规则，其具体取值如下：
Figure FDA0003337801840000035
8.如权利要求7所述的一种基于采样间隔负荷曲线的冲击性负荷识别方法，其特征在于，
所述判定规则，以用户利益最大化为目标，允许少部分非冲击性负荷用户判定为冲击性负荷用户为原则，其至少设有3种置信度判定规则，用以说明用户的冲击性负荷置信度；
所述置信度判定规则包括高置信冲击性负荷用户、中置信冲击性负荷用户、低置信冲击性负荷用户。
9.如权利要求8所述的一种基于采样间隔负荷曲线的冲击性负荷识别方法，其特征在于，
所述高置信冲击性负荷用户：
Figure FDA0003337801840000036
和
Figure FDA0003337801840000037
满足①②③中所有条件；用于识别具有充分理由能将用户判定为冲击性负荷的个体；
所述中置信冲击性负荷用户：
Figure FDA0003337801840000038
和
Figure FDA0003337801840000039
满足①②③中任意2个条件；用于识别具有一般理由能将用户判定为冲击性负荷的个体；
所述低置信冲击性负荷用户：
Figure FDA00033378018400000310
和
Figure FDA00033378018400000311
满足①②③中任意1个条件；用于筛选所有可能具有冲击性负荷特性的个体。
10.一种基于采样间隔负荷曲线的冲击性负荷识别系统，其特征在于，
包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-9任一所述的一种基于采样间隔负荷曲线的冲击性负荷识别方法。
CN202111299635.2A 2021-11-04 2021-11-04 一种基于采样间隔负荷曲线的冲击性负荷识别方法及系统 Pending CN114186781A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111299635.2A CN114186781A (zh) 2021-11-04 2021-11-04 一种基于采样间隔负荷曲线的冲击性负荷识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111299635.2A CN114186781A (zh) 2021-11-04 2021-11-04 一种基于采样间隔负荷曲线的冲击性负荷识别方法及系统

Publications (1)

Publication Number Publication Date
CN114186781A true CN114186781A (zh) 2022-03-15

Family

ID=80540663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111299635.2A Pending CN114186781A (zh) 2021-11-04 2021-11-04 一种基于采样间隔负荷曲线的冲击性负荷识别方法及系统

Country Status (1)

Country Link
CN (1) CN114186781A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114638552A (zh) * 2022-04-22 2022-06-17 国网浙江省电力有限公司营销服务中心 基于参考日分钟级曲线与滑动窗口的冲击性负荷识别方法
CN117076990A (zh) * 2023-10-13 2023-11-17 国网浙江省电力有限公司 基于曲线降维和聚类的负荷曲线辨识方法、装置及介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114638552A (zh) * 2022-04-22 2022-06-17 国网浙江省电力有限公司营销服务中心 基于参考日分钟级曲线与滑动窗口的冲击性负荷识别方法
CN114638552B (zh) * 2022-04-22 2022-09-02 国网浙江省电力有限公司营销服务中心 基于参考日分钟级曲线与滑动窗口的冲击性负荷识别方法
CN117076990A (zh) * 2023-10-13 2023-11-17 国网浙江省电力有限公司 基于曲线降维和聚类的负荷曲线辨识方法、装置及介质
CN117076990B (zh) * 2023-10-13 2024-02-27 国网浙江省电力有限公司 基于曲线降维和聚类的负荷曲线辨识方法、装置及介质

Similar Documents

Publication Publication Date Title
CN107609783B (zh) 一种基于数据挖掘的智能电能表综合性能进行评估的方法及系统
CN114186781A (zh) 一种基于采样间隔负荷曲线的冲击性负荷识别方法及系统
Lootsma et al. The multiplicative AHP, SMART and ELECTRE in a common context
CN108335216A (zh) 一种保险风险评估方法、装置、终端设备及存储介质
CN110263827A (zh) 基于交易规律识别的异常交易检测方法及装置
CN106530139A (zh) 电网投资分析模型指标参数计算方法
CN109064023A (zh) 一种人力效能管理系统的方法和装置
CN110020868A (zh) 基于线上交易特征的反欺诈模块决策融合方法
CN112001644A (zh) 一种配电网运行可靠性检测方法、装置、终端及存储介质
CN113516336A (zh) 一种确定窃电嫌疑用户的方法及系统
CN110298741A (zh) 一种财务欺诈风险识别系统
CN112488496A (zh) 一种财务指标预测方法及装置
CN113516192A (zh) 一种用户用电异动识别方法、系统、装置及存储介质
CN107274025B (zh) 一种实现用电模式智能识别与管理的系统和方法
CN106709623B (zh) 一种基于风险计算模型的电网营销稽查风险管控方法
KR101438050B1 (ko) 거래처 모니터링 시스템
CN110378610B (zh) 基于用户重要度和设备运行状态的配网薄弱环节辨识方法
CN107220921B (zh) 一种对能耗在线监测系统所采集数据的验证方法
KR101292130B1 (ko) 기업별 실시간 상대가치 평가 방법
CN114881802A (zh) 基于元数据的数据资产管理方法及系统
CN109214598A (zh) 基于k-means和arima模型预测住宅小区抵押风险的批量评级方法
CN115146735A (zh) 用户用电异常识别
Naved et al. The profitability of five popular variations of moving averages on Indian market Index S&P CNX Nifty 50 during January 2004-December 2014
CN112258338A (zh) 一种基于最近邻算法的基站费用自动化稽核方法
CN112116197A (zh) 一种基于供应商评价体系的不良行为预警方法及系统

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