[發明專利]基于非參數回歸分析的電力負荷異常數據識別與修正方法

有效

• 申請號: 201611074066.0
• 申請日: 2016-11-29
• 公開（公告）號: CN106709816B
• 公開（公告）日: 2020-04-21
• 發明（設計）人: 孫強;趙天輝;王若谷;王建學;吳子豪;郭安祥;張根周;宋元峰;唐林賢;孫宏麗;周藝環
• 申請（專利權）人: 國網陜西省電力公司電力科學研究院;西安交通大學
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;G06Q10/06
• 代理公司: 西安智大知識產權代理事務所 61215
• 代理人: 何會俠

1.基于非參數回歸分析的電力負荷異常數據識別與修正方法，其特征在于：包括以下步驟：

步驟1：對電力負荷數據采用統計模糊矩陣技術進行用電模式分類，將電力負荷數據分為普通用電模式數據集和特殊用電模式數據集兩大類；

步驟2：采用非參數回歸分析法，對步驟1中獲得的普通用電模式數據集提取各時刻的負荷特征值；

具體方法如下：

由于電力負荷數據具有在同一時刻出現的負荷值波動小，分布集中的特點；對于普通用電模式數據集，考慮日負荷數據的上述特點進行各時刻的負荷特征值提取；在時刻t，負荷特征值基于非參數回歸分析的負荷特征值模型如(4)式所示：

式(4)中，L是觀測值個數，是一系列的權重，其中ω_i是點(t,y_i)的權重，y_i是負荷在t時刻的觀測值，是t時刻負荷特征值；其中，ω_i通過式(5)和(6)給出：

式(5)和(6)中，Kern_h(l)是尺度參數為h的核密度函數，l是負荷特征值的位置標記，且l＝L+1，l_i是負荷觀測值位置標記，且l_i∈[1,L]，L是觀測值個數；對于尺度參數h，其值越大，考慮的數據信息越多，得到的負荷特征值越能夠反映數據分布，所以將h設定為數據集中負荷向量的個數；采用廣泛應用的Nadaraya-Wastson非參數回歸分析方法進行負荷特征值提取，負荷特征值如式(7)所示：

選擇標準正態分布的概率密度函數作為核函數，即如(8)式所示：

步驟3：利用步驟2中提取的負荷特征值，根據選取的置信水平，形成異常數據域；

具體方法如下：

在時刻t，電力負荷數據的觀測值和特征值的關系如下式所示：

式(9)中y_i是負荷在t時刻的觀測值，ε_i是特征值與觀測值之間的誤差；假設誤差項ε_i之間獨立同分布，且服從均值為0，方差σ²為正態分布，方差σ²的估計值如(10)式所示：

則異常數據域如(11)式所示：

式(11)中，α表示置信水平，標準正態分布的100·(1-α/2)分位數，y表示異常負荷數據，表示異常數據集合；

步驟4：對普通用電模式數據集和特殊用電模式數據集中的負荷數據利用步驟3形成的異常數據域進行負荷異常數據識別；如果負荷數據屬于異常數據域，則認為該數據是負荷異常值；

步驟5：利用改進的引入負荷水平映射關系和考慮特征值影響的加權均值法對步驟4識別出來的負荷異常值進行修正；

具體方法如下：

選取與待修正日鄰近的普通用電模式下的日負荷，把相同時刻的歷史負荷數據作為參考，其修正公式如式(12)所示：

式(12)中，L_d,t表示修正結果，m表示選取m個普通用電模式下的日負荷，f(y_d-i)和λ_i分別為第d-i天t時刻的負荷映射值和對待修正值的影響權重，λ為負荷特征值在t時刻對待修正值的影響權重，為負荷特征值的映射值；映射關系如(13)式所示：

式(13)中，x_t-1為t-1時刻的負荷值，x’_t和x’_t-1為相似日在t和t-1時刻的負荷值，f(x_t)為經過映射后的負荷值；

步驟1中對電力負荷數據采用統計模糊矩陣技術進行用電模式分類，分為以下四步進行：

1)將電力日負荷數據視為一個負荷向量，用該負荷向量除以本日最大負荷，實現負荷向量歸一化；

2)計算日負荷向量之間的近似系數，計算方法如式(1)所示；日負荷向量之間的近似系數構成近似系數矩陣W；

在式(1)中，X_ij和X_kj(j＝1,2,…,n)表示第i天和第k天的第j個時間點的負荷，n表示日負荷記錄的負荷個數，W_ik表示第i天和第k天的近似系數；

3)通過近似系數矩陣W的m次自乘計算獲得等效模糊矩陣如式(2)和(3)所示，其中m小于等于普通用電模式中的歷史負荷向量數；

在式(2)中，W_m表示等效模糊矩陣，W表示近似系數矩陣,是模糊矩陣乘運算符，W_jk表示第j天和第k天的近似系數，表示第i天和第j天的等效近似系數；

4)根據等效模糊矩陣計算結果，選取合適的分類閾值，將電力負荷數據分為兩大類；分類閾值選取方法如下：

在步驟1)中，將負荷向量進行了歸一化處理，負荷向量用電模式相似與否取決于負荷向量所代表的日負荷曲線的波動情況；由于消除了負荷水平的影響，如果兩個負荷向量用電模式相似，其模糊等效相似系數會大于0.999，所以選取0.999作為分類閾值。