CN114611272A - 一种基于最小间隔动态分布的用电负荷曲线数据拟合方法 - Google Patents

Abstract

本发明属于用电数据分析处理应用领域，为了解决电能示值曲线数据异常的恢复问题，提供了一种基于最小间隔动态分布的用电负荷曲线数据拟合方法，包括以下步骤：S1：用户用电曲线特征识别与分类；S2：构建用户不同用电行为最小间隔动态特征曲线；S3：日用电行为特征曲线与最小间隔动态特征曲线相似性匹配；S4：基于最小用电间隔用电权重的数据拟合。本发明用以支撑电网企业开展电力市场化交易负荷预测、贸易结算、电价制定、代理购电等业务，以及电力用户综合能效管理、政府重大分析决策等需求；此算法可有效确保用户用电电能示值曲线的数据完整性、拟合数据的精度，整体提升电能示值曲线数据的质量。

Description

一种基于最小间隔动态分布的用电负荷曲线数据拟合方法

技术领域

本发明属于用电数据分析处理应用技术领域，具体涉及一种基于最小间隔动态分布的用电负荷曲线数据拟合方法。

背景技术

为了支撑电力市场改革和分时段电价制定与贸易结算等需要，国网公司依托“网上国网”，上线了市场化售电e助手，向市场化用户和售电公司开放用户历史电量负荷曲线查询功能，并印发《关于做好“市场化售电e助手”推广和发电企业电费结算工作的通知》(营销营业〔2021〕23号)，也对加快提升高频采集抄表能力、提升分钟级电量曲线数据质量提出了新要求。设备的偶发性故障与通信误码等原因造成的毛刺数据，远程信道不稳定、营销换表业务等原因引发的间歇性采集失败等现象，导致数据缺失在所难免，必然会造成电能示值交易曲线数据不全，影响用户负荷预测、电价制定、代理购电等工作的精准实施。

电力行业现有的曲线数据预测技术大多针对于电网全局用电，其特性整体规律性较稳定，而单一用户的用电示值曲线，受个体生产行为及外界天气变化等因素影响较大，会对用电趋势造成不确定性和强非线性，已有数据预测与拟合方法只有可借鉴性，并不能很好的满足用户交易曲线拟合的要求。如何充分结合用户个体用电行为特征，实现用电曲线数据的恢复和预测是需要解决的关键问题。

中国专利申请CN202110212361.2公开了一种基于DCAE-LSTM短期日负荷曲线预测方法，包括，步骤1)、构建电力负荷带有高噪声的数据集；步骤2)、构造卷积去噪自编码器；步骤3)、构造基于长短期记忆网络的负荷预测网络；步骤4)、将卷积去噪自编码器与基于长短期记忆网络的负荷预测网络结合，组成混合深度神经网络；步骤5)、将步骤1)中带有高噪声的数据集输入步骤4)中的混合深度神经网络实现短期日负荷曲线的预测。其存在的不足是该方法虽有效消除了高噪声对负荷用电的影响，但未对用户个体行为因素充分利用，对用户个体负荷曲线的预测存在明显短板。

发明内容

为了解决现有技术存在的问题，本发明提出了一种基于最小间隔动态分布的用电负荷曲线数据拟合方法。旨在对缺失数据点的电能示值曲线数据有效恢复与预测，还原个体用户用电曲线真实情况，提高交易结算数据的可靠性。

本发明提出了一种基于最小间隔动态分布的用电负荷曲线数据拟合方法，包括以下步骤：

S1：用户用电曲线特征识别与分类；

S2：构建用户不同用电行为最小间隔动态特征曲线；

S3：日用电曲线与最小间隔动态特征曲线相似性匹配；

S4：基于最小用电间隔用电权重的数据拟合。

步骤S1中所述的用户用电曲线特征识别与分类，具体按如下步骤实施：

取用电客户近D日电能示值曲线，对每一日曲线进行特征识别，记录每一日曲线特征信息；特征通过识别间隔用电突增、突降点的数据点时间次序与突增、突降次数进行特征描述记录；特征量记录序列：Q＝{M,N,{T₁,T₂,T₃，......，T_M+N}}，其中M为突增次数，N为突降次数，为第x次突变信息元素，包含突变时间点以及突变描述；

构建近D日曲线特征信息集：

步骤S2中所述的构建用户不同用电行为最小间隔动态特征曲线，具体按如下步骤实施：

依据曲线特征参数进行同类用电特征合并，形成该用户用电特征分类：{Q₁,Q₂,Q₃，......，Q_x}；取某一特征分类Q_x下的所有曲线数据，获取每条曲线每个有效间隔的用电量，对同一时间点对应的间隔用电求取加权平均值，生成间隔用电{q₁,q₂,q₃，......，q₉₅}。

步骤S3中所述的日用电曲线与最小间隔动态特征曲线相似性匹配，具体按如下步骤实施：

获取用户当前用电示值交易曲线数据；

根据曲线数据缺失数据点情况，将一条曲线数据分成多段连续的曲线段，获取每一曲线段对应的间隔用电序列，形成多条用电曲线段；

根据用电曲线段的有效用电间隔情况，利用皮尔逊系数法求取该段曲线与该用户各动态特征曲线对应时间序列内的相关性；

综合该曲线各分段曲线与各动态特征曲线的相关性情况，利用相似度加权占比方法，求取整条曲线与各特征曲线的相似度。

曲线分段相关性计算说明如下：

假设曲线段q＝[q₁，q，…q₁₄]，获取该用户某一特征曲线同时段数据y＝[y₁，y₂，…y₁₄]

则计算公式如下所示：

其中ρ_q，y即为所求相关性系数，cov(q，y)为q、y向量的协方差，δ_q、δ_y分别为q、y向量的标准差，协方差计算公式如下：

cov(q，y)＝E((q-μ_q)(y-μ_y))

其中E表期望，μ_q、μ_y分别表q、y均值。

步骤S4中所述的基于最小用电间隔用电权重的数据拟合，具体按如下步骤实施：

获取缺失数据曲线段前后两个可信值，根据对应特征曲线同时段的趋势与用电总量，利用加权电量占比求取各间隔的拟合电量

再根据可信点求取曲线拟合示值；其中，Q：所求间隔用电；Q_总：曲线缺失数据点的总用电量；

间隔用电参考曲线对应所求间隔的用电量；

间隔用电参考曲线对应所求曲线缺失数据点的总用电量。

与现有技术相比，本发明的有益效果为：

1.为解决用户用电示值曲线数据缺失的问题，提出一种基于最小间隔动态分布的用电负荷曲线数据拟合方法。该方法首先要基于历史数据构建用电曲线特征数学模型，进而对用户用电行为进行可靠分类，再利用同类型用电特征对缺失数据的曲线进行有效拟合与预测，完成曲线数据的修复。该方法在解决个体用户用电曲线数据缺失问题上具有较高的普适性和精确度。

2.本发明提供了一种基于最小间隔动态分布的用电负荷曲线数据拟合方法，用以支撑电网企业开展电力市场化交易负荷预测、贸易结算、电价制定、代理购电等业务、电力用户综合能效管理、政府重大分析决策等需求，此算法可有效确保电能示值曲线的数据完整性、拟合数据的精度，整体提升电能示值曲线数据的质量。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明方法框图。

图2是本发明的流程概况图。

图3是本发明动态特征曲线构建流程图。

图4是本发明相似度最佳动态特征曲线匹配流程图。

图5是本发明间隔用电趋势拟合流程图。

图6是本发明用户用电特征曲线示意图。

图7是本发明实例仿真验证结果图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

如图1-7所示，本发明是这样实现的，一种基于最小间隔动态分布的用电负荷曲线数据拟合方法，包括以下步骤：

S1：用户用电曲线特征识别与分类；

S2：构建用户不同用电行为最小间隔动态特征曲线；

S3：日用电曲线与最小间隔动态特征曲线相似性匹配；

S4：基于最小用电间隔用电权重的数据拟合。

下面就上述方法中所涉及到的具体步骤作详细解释：

步骤一，步骤S1中所述的用户用电曲线特征识别与分类，具体按如下步骤实施：

取用电客户近D日电能示值曲线，对每一日曲线进行特征识别，记录每一日曲线特征信息。

本发明定义的曲线特征主要考虑时序、涨幅两个维度，每条日用电示值曲线，从00:00分到23:45分，间隔15分钟记录一个时刻的数值，合计96点数值。本特征通过识别间隔用电突增、突降点的数据点时间次序与突增、突降次数进行特征描述记录。

特征量记录序列：Q＝{M,N,{T₁,T₂,T₃，......，T_M+N}}，其中M为突增次数，N为突降次数，T_x为第x次突变信息元素，包含突变时间点以及突变描述(突增或突降)；

构建近D日曲线特征信息集：

特征参数识别：

1)间隔用电突增识别：依次求取曲线数据各有效间隔用电，当紧邻的两个间隔用电，后者大于最小刻度，并且大于前者K₁(K₁为常量系数[2,+∞]，本发明中取值为2)倍时，认为后者为突增用电间隔，并按元素T_x定义要求，记录该突增间隔信息。

2)间隔用电突降识别：依次求取曲线数据各有效间隔用电，当紧邻的两个间隔用电，后者不为0，且小于前者K₂(K₂小于1常量系数，本发明中取值为0.5)倍时，认为后者为突降用电间隔。并按元素T_x定义要求，记录该突降间隔信息。

结合96点曲线数据，对各有效间隔进行突变特征识别，并统计突增与突降的次数，形成最终的曲线特征量序列。

说明：本发明该步骤中D，为常量系数，默认值为365，可根据研究数据源情况进行调整，其不应小于30。

步骤二，步骤S2中所述的构建用户不同用电行为最小间隔动态特征曲线，具体按如下步骤实施，如图2所示：

2.1：基于步骤一中的用户每日曲线用电特征，统计不同的特征量序列，以特征量序列为准，统计记录该特征量序列下的曲线情况，完成曲线特征分类归并，归并规则Q_x＝Q_y，形成该用户特征分类集{Q₁，Q₂，Q₃，......，Q_x}。

2.2：取某一特征分类Q_x下的所有曲线数据，获取每条曲线每个有效间隔的用电量，对同一时间点对应的间隔用电求取平均值，生成间隔用电{q₁，q₂，q₃，……，q₉₅}。

假如：特征分类Qx下的有30条曲线，分别为曲线X₁-x₃₀，且各曲线q₁(00:00分到00:15分)均为有效值，则：

2.3：根据各特征分类形成对应的特征分类曲线集：

如图6所示，根据实际数据计算所得的同一用户，不同特征分类(工作日与非工作日)下的间隔用电曲线。

2.4：给定初始数据点(00:00时刻对应的数值)R₁(大于0的常量)，结合用电间隔序列{q₁，q₂，q₃，......，q₉₅}，生成对应的特征曲线数据{R₁，R₂，R₃，......，R₉₆}。

计算公式：R_n+1＝R_n+q_n，R₁为已知量。

步骤三：步骤S3中所述的日用电曲线与最小间隔动态特征曲线相似性匹配，如图3所示，具体按如下步骤实施：

3.1获取用户当前用电示值交易曲线数据；

3.2根据曲线数据缺失数据点情况，将一条曲线数据分成多段连续的曲线段，获取每一曲线段对应的间隔用电序列，形成多条用电曲线段；

3.3根据用电曲线段的有效用电间隔情况，利用皮尔逊系数法求取该段曲线与该用户各动态特征曲线对应时间序列内的相关性。

曲线分段相关性计算说明如下：

假设曲线段q＝[q₁，q，…q₁₄]，获取该用户某一特征曲线同时段数据y＝[y₁，y₂，…y₁₄]

则计算公式如下所示：

其中ρ_q，y即为所求相关性系数，cov(q，y)为q、y向量的协方差，δ_q、δ_y分别为q、y向量的标准差，协方差计算公式如下：

cov(q，y)＝E((q-μ_q)(y-μ_y))

其中E表期望，μ_q、μ_y分别表q、y均值。

同理利用上述计算方法可得该曲线段与其他动态曲线的相似度，同理亦可求得该用户该曲线其他曲线段与该用户所有动态特征曲线的相似度。

3.4综合该曲线各分段曲线与各动态特征曲线的相关性情况，利用相似度加权占比方法，求取整条曲线与各特征曲线的相似度。

假设当前运行曲线各曲线段有效数据点数依次为：N₁、N₂、N...、N_x，利用权重占比求取当前运行曲线与动态特征曲线Q₁的相似性。

同理利用上述计算方法可得当前运行曲线与其它所有动态特征曲线Q_x的相似性。

3.5根据步骤3.4求取结果，获取与该曲线相似度最高(用电行为最接近)的动态特征曲线。

选取相关性计算结果中最大值：

若相似度大于0.85，认为匹配成功，对应的动态特征曲线即为该当前运行曲线的数据拟合参考曲线。若相似度不大于0.85，认为匹配失败，未找到可做数据拟合参考的动态特征曲线。针对该情况，本发明按照所有动态特征曲线进行计算，给出多分拟合数值供选择应用。

步骤四：步骤S4中所述的基于最小用电间隔用电权重的数据拟合，如图4所示，具体按如下步骤实施：

4.1基于步骤三获取当前运行曲线数据、与之对应的最优匹配动态特征曲线数据Q_x；

4.2根据当前运行曲线数据缺失情况，获取当前运行曲线数据中需要进行数据拟合的曲线段(需拟合数据点前后两个数据点，如当前运行曲线数据，需拟合数据点R₁₂-R₃₂，则需要获取R₁₁、R₃₃两个数据点)，同时需获取动态特征曲线中与该曲线段对应的数值Q_x(R₁₁-R₃₃)。

4.3根据参考动态特征曲线对应时段的用电趋势分布，计算各拟合数据点对应时间间隔的用电量。

如：

其中：特征曲线各数据点

数值已知，当前运行曲线数据点R₁₁、R₃₃已知，未知数只有待求取的当前运行曲线数据点R₁₂，将已知数据点数值代入上方计算公式，即可求得当前运行曲线需要拟合的未知数据点R₁₂的数值。

同理可依次求得需要拟合数据点的数值R₁₃-R₃₂，同理当一条曲线含有多段需要拟合的数据时，可利用上述方法求取各自曲线段数据点对应的数值，从而完成整天曲线缺失数据的拟合。本发明实例仿真验证结果详见附图7。

通过以上所述可以看出，为解决用户用电示值曲线数据缺失的问题，提出基于最小间隔动态分布的用电负荷曲线数据拟合方法，该方法首先要基于历史数据构建用电曲线特征数学模型，进而对用户用电行为进行可靠分类，再利用同类型用电特征对缺失数据的曲线进行有效拟合与预测，完成曲线数据的修复。该方法在解决个体用户用电曲线数据缺失问题上具有较高的普适性和精确度。

本发明提供了一种基于最小间隔动态分布的用电负荷曲线数据拟合方法，用以支撑电网企业开展电力市场化交易负荷预测、贸易结算、电价制定、代理购电等业务、电力用户综合能效管理、政府重大分析决策等需求，此算法可有效确保电能示值曲线的数据完整性、拟合数据的精度，整体提升电能示值曲线数据的质量。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (6)

1.一种基于最小间隔动态分布的用电负荷曲线数据拟合方法，其特征在于，包括以下步骤：

S1：用户用电曲线特征识别与分类；

S2：构建用户不同用电行为最小间隔动态特征曲线；

S3：日用电曲线与最小间隔动态特征曲线相似性匹配；

S4：基于最小用电间隔用电权重的数据拟合。

2.根据权利要求1所述的一种基于最小间隔动态分布的用电负荷曲线数据拟合方法，其特征在于，步骤S1中所述的用户用电曲线特征识别与分类，具体按如下步骤实施：

取用电客户近D日电能示值曲线，对每一日曲线进行特征识别，记录每一日曲线特征信息；特征通过识别间隔用电突增、突降点的数据点时间次序与突增、突降次数进行特征描述记录；特征量记录序列：Q＝{M,N,{T₁,T₂,T₃，......，T_M+N}}，其中M为突增次数，N为突降次数，T_x为第x次突变信息元素，包含突变时间点以及突变描述；

构建近D日曲线特征信息集：

3.根据权利要求1所述的一种基于最小间隔动态分布的用电负荷曲线数据拟合方法，其特征在于，步骤S2中所述的构建用户不同用电行为最小间隔动态特征曲线，具体按如下步骤实施：

依据曲线特征参数进行同类用电特征合并，形成该用户用电特征分类：{Q₁,Q₂,Q₃，......，Q_x}；取某一特征分类Q_x下的所有曲线数据，获取每条曲线每个有效间隔的用电量，对同一时间点对应的间隔用电求取加权平均值，生成间隔用电{q₁,q₂,q₃，......，q₉₅}。

4.根据权利要求1所述的一种基于最小间隔动态分布的用电负荷曲线数据拟合方法，其特征在于，步骤S3中所述的日用电曲线与最小间隔动态特征曲线相似性匹配，具体按如下步骤实施：

获取用户当前用电示值交易曲线数据；

根据曲线数据缺失数据点情况，将一条曲线数据分成多段连续的曲线段，获取每一曲线段对应的间隔用电序列，形成多条用电曲线段；

根据用电曲线段的有效用电间隔情况，利用皮尔逊系数法求取该段曲线与该用户各动态特征曲线对应时间序列内的相关性；

综合该曲线各分段曲线与各动态特征曲线的相关性情况，利用相似度加权占比方法，求取整条曲线与各特征曲线的相似度。

5.根据权利要求4所述的一种基于最小间隔动态分布的用电负荷曲线数据拟合方法，其特征在于，曲线分段相关性计算说明如下：

定义曲线段q＝[q₁，q，…q₁₄]，获取该用户某一特征曲线同时段数据y＝[y₁，y₂，…y₁₄]

则计算公式如下所示：

其中ρ_q，y即为所求相关性系数，cov(q，y)为q、y向量的协方差，δ_q、δ_y分别为q、y向量的标准差，协方差计算公式如下：

cov(q，y)＝E((q-μ_q)(y-μ_y))

其中E表期望，μ_q、μ_y分别表q、y均值。

6.根据权利要求1所述的一种基于最小间隔动态分布的用电负荷曲线数据拟合方法，其特征在于，步骤S4中所述的基于最小用电间隔用电权重的数据拟合，具体按如下步骤实施：

获取缺失数据曲线段前后两个可信值，根据对应特征曲线同时段的趋势与用电总量，利用加权电量占比求取各间隔的拟合电量

再根据可信点求取曲线拟合示值；其中，Q：所求间隔用电；Q_总：曲线缺失数据点的总用电量；

间隔用电参考曲线对应所求间隔的用电量；

间隔用电参考曲线对应所求曲线缺失数据点的总用电量。

Images