CN117878927B - 基于时序分析的电力系统负荷趋势分析方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，提出了基于时序分析的电力系统负荷趋势分析方法，包括：获取电力系统负荷数据；将电力系统负荷数据划分为预设长度的短时间数据片段，计算不同短时间数据片段的负荷平稳系数并获取得到电力系统负荷状态表征数据；获取用电负荷分量数据，计算用电负荷分量数据动态时间片段长度，将动态时间片段长度的用电负荷分量数据记为动态时间片段，计算变动趋势概率分布，计算不同动态时间片段之间的趋势代价距离，获取每个用电负荷分量数据的最优动态时间片段；计算得到不同用电负荷分量数据的负荷趋势预测值，根据负荷趋势预测值计算电力系统变化趋势特征数据。本发明实现了对电力系统负荷趋势的准确分析。

Description

基于时序分析的电力系统负荷趋势分析方法

技术领域

本发明涉及数据处理技术领域，具体涉及基于时序分析的电力系统负荷趋势分析方法。

背景技术

电力能源作为一种高效新兴能源，是当前社会工业不断进步和发展的重要动力，是当前社会现代化文明的重要支撑。电力能源具有十分明显的存储困难特性，因此电力系统平稳正常运行的首要条件是的电能生产量和消耗量的动态平衡。当电能生产和消耗量发生不平衡运转时，会影响供电和用电质量和效率，对整个电力系统的安全与稳定性造成较大的干扰影响。因此需要对电力系统负荷趋势状态进行精准分析，避免电力系统运行过程中出现的电能生产消耗不匹配、不平衡造成的危害影响。

发明内容

本发明提供基于时序分析的电力系统负荷趋势分析方法，以解决LSTM算法在电力系统不同用电负荷场景下对负荷趋势分析不准确的问题，所采用的技术方案具体如下：

本发明一个实施例基于时序分析的电力系统负荷趋势分析方法，该方法包括以下步骤：

获取电力系统负荷数据；

将电力系统负荷数据划分为预设长度的短时间数据片段，根据电力系统负荷数据计算不同短时间数据片段的负荷平稳系数，根据负荷平稳系数对电力系统负荷数据进行预处理得到电力系统负荷状态表征数据；

根据电力系统负荷状态数据获取用电负荷分量数据，根据每个不同用电负荷分量数据计算得到用电负荷分量数据动态时间片段长度，将动态时间片段长度的用电负荷分量数据记为动态时间片段，根据每个不同的用电负荷分量数据计算得到每个不同动态时间片段的变动趋势概率分布，根据每个动态时间片段的趋势概率分布计算得到不同动态时间片段之间的趋势代价距离，根据不同动态时间片段的趋势代价距离获取每个用电负荷分量数据的最优动态时间片段；

根据最优动态时间片段计算得到不同用电负荷分量数据的负荷趋势预测值，根据负荷趋势预测值计算电力系统变化趋势特征数据。

优选地，所述根据电力系统负荷数据计算不同短时间数据片段的负荷平稳系数的具体方法为：

将每个短时间数据片中极差与变异系数的乘积记为第一乘积，将第一乘积作为以自然常数为底的指数函数的输入，将输出结果记为负荷平稳系数。

优选地，所述根据负荷平稳系数对电力系统负荷数据进行预处理得到电力系统负荷状态表征数据的方法为：

将不同短时间数据片段的负荷平稳系数作为局部离群因子算法算法的输入，获取负荷平稳系数的异常数据点，剔除负荷平稳系数异常数据点对应的电力系统负荷数据，将剔除后的数据作为拉格朗日插值算法的输入，将算法输出结果记为电力系统负荷状态表征数据。

优选地，所述根据电力系统负荷状态数据获取用电负荷分量数据的方法为：

将电力系统负荷状态表征数据作为变分模态分解算法的输入，将分解后的结果记为用电负荷分量数据。

优选地，所述根据每个不同用电负荷分量数据计算得到用电负荷分量数据动态时间片段长度的数学公式为：

上式中，表示了第k个用电负荷分量数据中所有不同用电负荷峰值跨度的均值大小，/>表示了第k个用电负荷分量数据的峰度数值大小，/>表示了第k个用电负荷分量数据中峰值数据的总个数，/>，/>分别表示了第k个用电负荷分量数据中第t个峰值和谷值数据大小，/>表示了第k个用电负荷分量数据中所有不同数据的均值，/>表示了第k个用电负荷分量数据的动态时间片段长度。

优选地，所述根据每个不同的用电负荷分量数据计算得到每个不同动态时间片段的变动趋势概率分布的方法为：

将每个动态时间片段中斜率相同的数据点个数与动态时间片段数据点总个数的比值记为第一比值，将第一比值按照数值大小排列顺序的结果记为对应动态时间偏度变动趋势概率分布。

优选地，所述根据每个动态时间片段的趋势概率分布计算得到不同动态时间片段之间的趋势代价距离的数学表达式为：

上式中，表示了以自然常数为底的指数函数，/>表示了第k个用电负荷分量数据的动态时间片段长度，/>表示了两个不同位置处数据点之间的欧式距离，，/>分别表示了第i个和第j个用电负荷分量数据动态时间片段长度中第t个位置处数据点，/>表示了用电负荷分量数据动态数据片段长度趋势概率分布KL散度函数，/>，分别表示了第i个和第j个用电负荷分量数据动态时间片段的变动趋势概率分布，/>，分别表示了第i个动态时间片段和第j个动态时间片段，/>表示了第k个用电负荷分量数据中第i个动态时间片段和第j个动态时间片段之间的趋势代价距离。

优选地，所述根据不同动态时间片段的趋势代价距离获取每个用电负荷分量数据的最优动态时间片段的方法为：

将每个用电负荷分量数据动态时间片段与其他不同动态时间片段之间趋势代价距离均值的最大的动态时间片段记为用电负荷分量数据的最优动态时间片段。

优选地，所述根据最优动态时间片段计算得到不同用电负荷分量数据的负荷趋势预测值的数学表达式为：

上式中，表示了第k个用电负荷分量数据的动态时间片段长度，/>表示了长短期记忆递归神经网络，/>，/>分别表示了第k个用电负荷分量数据中第i个动态时间片段和最优动态时间片段，/> 表示了第k个用电负荷分量数据中第t个动态时间片段和最优动态时间片段之间的趋势代价距离，/>表示了第k个用电负荷分量数据负荷趋势预测值。

优选地，所述根据负荷趋势预测值计算电力系统变化趋势特征数据的计算方法为：

将所有不同用电负荷分量数据负荷趋势预测值作为信号重构算法的输入，得到当前电力系统变化趋势特征数据。

本发明的有益效果是：本发明根据电力系统负荷数据计算得到负荷平稳系数，并根据负荷平稳系数对电力系统负荷数据的异常数据点进一步处理，得到电力系统负荷状态表征数据，尽可能减弱甚至消除异常数据点对电力系统负荷趋势分析的准确性影响。同时，本发明根据不同用电负荷场景分解得到相应的负荷分量数据，并对每个不同负荷分量数据进一步分析得到相应的动态时间片段及不同动态时间片段之间的趋势代价距离，较为准确地对电力系统负荷分量数据的变化状态进行计算表征。进一步地，本发明结合不同负荷分量数据的趋势代价距离分别进行预测计算，并通过信号重构算法获取得到电力系统的负荷趋势变化，相较于直接对电力系统用电负荷数据计算，通过结合不同用电负荷场景更加准确地反映电力系统负荷趋势变化状态。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的基于时序分析的电力系统负荷趋势分析方法的流程示意图；

图2为最优动态时间片段获取方法流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，其示出了本发明一个实施例提供的基于时序分析的电力系统负荷趋势分析方法流程图，该方法包括以下步骤：

步骤S001，获取电力系统负荷数据。

每间隔半个小时对正常运行状态的电力系统线路负荷数据进行一次采集，可以获取每日48个不同的电力负荷数据。同时考虑到电力系统负荷状态在一定的时间范围内会规律变化的特点，因此令时隙片段长度Len取值为经验值24，即在每个时隙片段中包含24个不同的电力系统负荷状况数据点。在具体应用中，实施者可根据时间情况设置相应的时隙片段长度。

步骤S002，将电力系统负荷数据划分为预设长度的短时间数据片段，根据电力系统负荷数据计算不同短时间数据片段的负荷平稳系数，根据负荷平稳系数对电力系统负荷数据进行预处理得到电力系统负荷状态表征数据。

需要说明的是，在对电力系统负荷数据进行采集过程中，由于传感器系统工作运行状态容易受到外界环境因素干扰，导致当前时刻下采集得到的电力系统负荷数据容易受到外界噪声因素影响，而与电力系统负荷实际运行状态出现较大的偏差。同时当电力系统中出现电路停电检修或跳闸故障事故时，会导致当前采集得到的电力系统负荷数据出现确缺失，这种数据异常变化状态会对后续电力系统负荷趋势分析的准确性造成较大的影响，因此需要首先对电力系统负荷数据进行计算处理。

具体地，由于不同时刻的电力系统用户数量存在随机变化状态，因此电力系统的负荷数会存在一定的起伏波动变化情况。但对于处于正常运行状况下电力系统，在较短的时间片中，电力系统负荷数据应具有一定的稳定变化特点。因此将每个时隙片段中的电力系统负荷数据平均划分为6个等长的短时间数据片段，其中，每个短时间数据片段存在4个不同的数据点，在具体应用中，实施者可根据具体情况进行设置。

上式中，表示了以自然常数为底的指数函数，/>，/>分别表示了第i个短时间数据片段中最大和最小电力系统负荷数值，/>表示了第i个短时间数据片段中数据标准差，/>表示了第i个短时间数据片段中数据均值，/>表示了第i个短时间数据片段的负荷平稳系数。

通过上式可以计算得到不同短时间数据片段对应数据的负荷平稳系数的数值大小，对于处于正常平稳运行状态下的电力系统，在相对较短的时间片段中，获取得到的不同时刻处电力系统负荷数值大小应保持稳定。因此在短时间片段中，若计算得到负荷数据的极差越大，同时标准差与均值比值的变异系数也越大，此时计算得到的负荷平稳系数的数值会相对越小，说明在当前短时间片段中电力系统负荷数据出现异常的可能性相对较大。

由于电力系统负荷数据容易受到不同时刻下电力系统用户使用状态的影响而出现不断波动起伏变化情况，导致此时电力系统中出现的异常数据点难以区分，因此通过负荷平稳系数的大小对当前较短的时间片段中数据异常波动变化情况进行突出计算表征。将不同时刻处对应的负荷平稳系数作为局部离群因子（Local Outlier Factor，LOF）算法的输入，获取负荷平稳系数的异常数据点。将负荷平稳系数的异常数据点对应时刻的电力系统负荷数据点标记为异常数据点并赋值为0进行剔除，消除电力系统负荷数据中的异常干扰数据。

同时，将异常数据点剔除后的数据作为拉格朗日插值算法的输入，对电力系统负荷数据中数值为0的数据点和不连续的数据位置进行插值补充。特别地，若存在连续M个数据点数值为0，M取值为时隙片段长度Len，则认为当前获取得到的电力系统负荷数据存在较大的误差影响，重新采集获取电力系统负荷数据。其中，局部离群因子（Local OutlierFactor，LOF）算法和拉格朗日插值算法的具体计算过程为公知技术，在此不再赘述。将对电力系统负荷数据处理后得到的数据记为电力系统负荷状态表征数据。

步骤S003，根据电力系统负荷状态数据获取用电负荷分量数据，根据每个不同用电负荷分量数据计算得到用电负荷分量数据动态时间片段长度，将动态时间片段长度的用电负荷分量数据记为动态时间片段，根据每个不同的用电负荷分量数据计算得到每个不同动态时间片段的变动趋势概率分布，根据每个动态时间片段的趋势概率分布计算得到不同动态时间片段之间的趋势代价距离，根据不同动态时间片段的趋势代价距离获取每个用电负荷分量数据的最优动态时间片段。

需要说明的是，在电力系统供配电区域范围中，可能存在居民负荷用电、商业负荷用电和工业负荷用电等多种不同的用户用电负荷场景，此时获取得到的电力系统负荷数据中叠加反映了当前电力系统供配电区域范围内负荷情况变化情况。但由于不同用电负荷场景下电力系统负荷数据变化情况趋势会存在不同的特点，因此需要集合电力系统负荷状态表征数据进一步分析计算。

具体地，由于电力系统负荷状态表征数据反映了当前状态下电力系统运行负荷状态总体变化情况，因此将电力系统负荷状态表征数据作为变分模态分解（VMD）算法的输入，获取得到电力系统负荷状态表征数据的不同负荷分量数据。假设通过变分模态分解算法分解得到负荷分量数据分别记为，/>，/>，…，/>，共Na个不同的用电负荷分量数据。

由于不同负荷分量数据有较大可能反映了不同用电负荷场景下的负荷数据变化状态特点， 因此需要对不同负荷分量数据进一步计算分析。在不同用电负荷场景下，电力系统用户用电目的和容量可能在不同时刻处会存在较大的差异，因此为了较为准确地对电力系统负荷数据进行计算分析，需要根据不同用电负荷场景获取动态时间片段长度。

具体地，首先获取不同用电负荷分量数据所有峰值、谷值数据及其峰值对应的时刻位置数据，计算每个相邻峰值对应的时刻位置数据的差值，记为用电负荷峰值跨度。由于电力系统负荷数据峰值数值大小和出现的时刻位置反映了当前用电负荷场景下电力系统负荷数据变化规律的特点。

上式中，表示了第k个用电负荷分量数据中所有不同用电负荷峰值跨度的均值大小，/>表示了第k个用电负荷分量数据的峰度数值大小，/>表示了第k个用电负荷分量数据中峰值数据的总个数，/>，/>分别表示了第k个用电负荷分量数据中第t个峰值和谷值数据大小，/>表示了第k个用电负荷分量数据中所有不同数据的均值，/>表示了第k个用电负荷分量数据的动态时间片段长度。

通过上式可以计算得到每个不同用电负荷分量数据的动态时间片段长度，若在用电负荷分量数据中，不同时刻位置处用电负荷分量数据的数值大小越接近，此时对应用电负荷分量数据的峰度数值会相对较小，同时若用电负荷分量数据中不同时刻处峰值、谷值与整体均值的偏离程度均相对较小时，说明当前用电负荷分量数据整体变化较为平缓，因此计算得到的动态时间片段长度也应相对较大，在一个相对较长的时间片段中更容易获取相对平缓变化用电负荷数据的特点。

在每个不同用电负荷分量数据中，以所有峰值位置处为中心动态时间片段长度中所有不同数据点构成的片段记为动态时间片段。对于稳定运行状态下的用电负荷分量数据，在不同动态时间片段中对应用电负荷数据随时间会出现一定程度上的相似变化状态。

在每个不同用电负荷分量数据的所有动态时间片段中，可以计算得到每个数据点对应的位置处的斜率，将所有斜率相同的数据点与当前用电负荷分量数据的动态时间片段中所有数据点总个数的比值记为当前用电负荷分量数据的变动趋势概率，利用每个不同数据点的变动趋势概率可以得到用电负荷分量动态时间片段的变动趋势概率分布。

上式中，表示了以自然常数为底的指数函数，/>表示了第k个用电负荷分量数据的动态时间片段长度，/>表示了两个不同位置处数据点之间的欧式距离，，/>分别表示了第i个和第j个用电负荷分量数据动态时间片段长度中第t个位置处数据点，/>表示了用电负荷分量数据动态数据片段长度趋势概率分布KL散度函数，/>，分别表示了第i个和第j个用电负荷分量数据动态时间片段的变动趋势概率分布，/>，分别表示了第i个动态时间片段和第j个动态时间片段，/>表示了第k个用电负荷分量数据中第i个动态时间片段和第j个动态时间片段之间的趋势代价距离。

通过上式可以计算得到不同用电负荷分量数据中不同时间片段的趋势代价距离，若在用电负荷分量数据中两个不同的时间片段之间相对距离越远，则认为对当前用电负荷分量数据动态时间片段的趋势变化影响相对越微弱，则计算得到的度量距离数值也会相对较小。同时，若两个不同动态时间片段中用电负荷分量数据的变动趋势概率分布较为相同，则此时两个不同动态时间片段的KL散度数值也会相对较小，说明当前用电负荷分量数据中两个不同动态时间片段位置处用电负荷数值趋势变化情况较为接近，此时计算得到两个不同时间片段之间的趋势代价距离的数值也会相对较小。

在不同用电负荷分量数据的每个动态时间片段与其他动态时间片段可以计算得到相应的趋势代价距离的数值大小，因此，如图2所示，将动态时间片段与其他动他时间片段趋势代价距离均值最小的动态时间片段记为最优动态时间片段，通过最优动态时间片段可以相对准确地反映当前时间段状态下用电负荷分量数据的总体变化状态。

步骤S004，根据最优动态时间片段计算得到不同用电负荷分量数据的负荷趋势预测值，根据负荷趋势预测值计算电力系统变化趋势特征数据。

需要说明的是，在对电力系统用电负荷状态进行预测过程中，不同时间位置处计算得到的数据状态会存在较为明显的差异状态，因此需要结合同时间位置处电力系统的用电负荷变化趋势状态进行计算分析。

上式中，表示了第k个用电负荷分量数据的动态时间片段长度，/>表示了长短期记忆递归神经网络，/>，/>分别表示了第k个用电负荷分量数据中第i个动态时间片段和最优动态时间片段，/> 表示了第k个用电负荷分量数据中第t个动态时间片段和最优动态时间片段之间的趋势代价距离，/>表示了第k个用电负荷分量数据负荷趋势预测值。

通过上式计算得到电力系统不同用电负荷分量数据的负荷趋势预测值数据大小，在电力系统不同用电负荷分量数据中不同动态时间片段所处的时刻位置和数据变化趋势特点均存在差异，因此，若对应动态时间片段与当前最优动态时间片段之间的趋势代价距离越小，说明当前动态时间片段中的数据与总体变化趋势的特点较为一致，此时对应动态时间片段的预测贡献也会相对较大，避免直接使用LSTM对用电系统电力负荷数据整体进行预测时忽略局部数据信息导致的准确性较差的问题。

对于电力系统中不同用电负荷分量数据均可以计算得到相应的负荷趋势预测值的数值大小，由于电力系统不同用电负荷分量数据与不同用电负荷场景相对应，因此通过将所有不同用电负荷分量数据负荷趋势预测值作为信号重构算法的输入，得到当前电力系统变化趋势特征数据，信号重构算法的具体计算方法为公知技术，在此不再赘述。通过对不同用电负荷场景下的电力负荷数据趋势分别预测分析，有效地避免了在对电力系统负荷趋势分析过程中， 不同用电场景下数据相互干扰造成的负荷趋势预测不准确的问题。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (4)

1.基于时序分析的电力系统负荷趋势分析方法，其特征在于，该方法包括以下步骤：

获取电力系统负荷数据；

将电力系统负荷数据划分为预设长度的短时间数据片段，根据电力系统负荷数据计算不同短时间数据片段的负荷平稳系数，根据负荷平稳系数对电力系统负荷数据进行预处理得到电力系统负荷状态表征数据；

根据电力系统负荷状态表征数据获取用电负荷分量数据，根据每个不同用电负荷分量数据计算得到用电负荷分量数据动态时间片段长度，将动态时间片段长度的用电负荷分量数据记为动态时间片段，根据每个不同的用电负荷分量数据计算得到每个不同动态时间片段的变动趋势概率分布，根据每个动态时间片段的变动趋势概率分布计算得到不同动态时间片段之间的趋势代价距离，根据不同动态时间片段的趋势代价距离获取每个用电负荷分量数据的最优动态时间片段；

根据最优动态时间片段计算得到不同用电负荷分量数据的负荷趋势预测值，根据负荷趋势预测值计算电力系统变化趋势特征数据；

所述根据电力系统负荷数据计算不同短时间数据片段的负荷平稳系数的具体方法为：

将每个短时间数据片中极差与变异系数的乘积记为第一乘积，将第一乘积作为以自然常数为底的指数函数的输入，将输出结果记为负荷平稳系数；

所述根据负荷平稳系数对电力系统负荷数据进行预处理得到电力系统负荷状态表征数据的方法为：

将不同短时间数据片段的负荷平稳系数作为局部离群因子算法的输入，获取负荷平稳系数的异常数据点，剔除负荷平稳系数异常数据点对应的电力系统负荷数据，将剔除后的数据作为拉格朗日插值算法的输入，将算法输出结果记为电力系统负荷状态表征数据；

所述根据电力系统负荷状态表征数据获取用电负荷分量数据的方法为：

将电力系统负荷状态表征数据作为变分模态分解算法的输入，将分解后的结果记为用电负荷分量数据；

所述根据每个不同用电负荷分量数据计算得到用电负荷分量数据动态时间片段长度的数学公式为：

；

上式中，表示了第k个用电负荷分量数据中所有不同用电负荷峰值跨度的均值大小，/>表示了第k个用电负荷分量数据的峰度数值大小，/>表示了第k个用电负荷分量数据中峰值数据的总个数，/>，/>分别表示了第k个用电负荷分量数据中第t个峰值和谷值数据大小，/>表示了第k个用电负荷分量数据中所有不同数据的均值，表示了第k个用电负荷分量数据的动态时间片段长度；

所述根据每个不同的用电负荷分量数据计算得到每个不同动态时间片段的变动趋势概率分布的方法为：

将每个动态时间片段中斜率相同的数据点个数与动态时间片段数据点总个数的比值记为第一比值，将第一比值按照数值大小排列顺序的结果记为对应动态时间片段变动趋势概率分布；

所述根据每个动态时间片段的变动趋势概率分布计算得到不同动态时间片段之间的趋势代价距离的数学表达式为：

；

上式中，表示了以自然常数为底的指数函数，/>表示了第k个用电负荷分量数据的动态时间片段长度，/>表示了两个不同位置处数据点之间的欧式距离，/>，分别表示了第i个和第j个用电负荷分量数据动态时间片段长度中第t个位置处数据点，/>表示了KL散度函数，/>，/>分别表示了第i个和第j个用电负荷分量数据动态时间片段的变动趋势概率分布，/>，/>分别表示了第i个动态时间片段和第j个动态时间片段，/>表示了第k个用电负荷分量数据中第i个动态时间片段和第j个动态时间片段之间的趋势代价距离。

2.根据权利要求1所述的基于时序分析的电力系统负荷趋势分析方法，其特征在于，所述根据不同动态时间片段的趋势代价距离获取每个用电负荷分量数据的最优动态时间片段的方法为：

将每个用电负荷分量数据动态时间片段与其他不同动态时间片段之间趋势代价距离均值的最大的动态时间片段记为用电负荷分量数据的最优动态时间片段。

3.根据权利要求2所述的基于时序分析的电力系统负荷趋势分析方法，其特征在于，所述根据最优动态时间片段计算得到不同用电负荷分量数据的负荷趋势预测值的数学表达式为：

；

上式中，表示了第k个用电负荷分量数据的动态时间片段长度，/>表示了长短期记忆递归神经网络，/>，/>分别表示了第k个用电负荷分量数据中第i个动态时间片段和最优动态时间片段，/> 表示了第k个用电负荷分量数据中第t个动态时间片段和最优动态时间片段之间的趋势代价距离，/>表示了第k个用电负荷分量数据负荷趋势预测值。

4.根据权利要求1所述的基于时序分析的电力系统负荷趋势分析方法，其特征在于，所述根据负荷趋势预测值计算电力系统变化趋势特征数据的计算方法为：

将所有不同用电负荷分量数据负荷趋势预测值作为信号重构算法的输入，得到当前电力系统变化趋势特征数据。