基于核密度函数及聚类分析的不良负荷数据辨识矫正方法与流程

本发明涉及新能源电力系统，具体是一种基于核密度函数及聚类分析的不良负荷数据辨识矫正方法。

背景技术：

1、随着电力工业的发展，现代电力系统已发展至目前的大电网、大机组、超高压时代，对所采集和传输的广域数据信息质量提出了更高的要求。负荷曲线数据指的是测量仪表在一定的时间间隔内在电能发送端和用户终端所记录的电能损耗。负荷曲线数据是电力系统的“心跳图”，是进行电力系统各种分析与应用的重要数据基础。智能电网的两个重要特征——在干扰事件下的系统自愈性与用户侧需求管理的交互性都需要负荷数据，有效的负荷数据对于智能电网的运行与管理具有关键性的支持作用。因此，对负荷曲线数据的分析将极大地改善电力系统的日常经营管理、系统分析、系统可视化、系统可靠性、电网节能和规划的适用水平。

2、从目前电力系统不良负荷数据辨识的研究角度来看，多数是从方法本身或改进方向上寻找辨识的突破点。事实上，电力系统负荷曲线数据中存在的不良数据可以看作是时间序列中的奇异点或不规则的突变点，而负荷曲线的特征规律则蕴含了不良数据辨识方法的研究方向。随着时间序列研究的兴起，一些基于时间数列且经常用于负荷预测的方法例如arma法被应用在负荷异常数据辨识上，但负荷预测问题并不同于这里所考虑的负荷数据辨识问题，在电力系统负荷预测中，历史负荷被用来预测在将来某个时间点的负荷。在负荷辨识问题中，历史的负荷是用来检测在过去某个特殊时间点的不良数据并寻找一个合适的替代值，换句话说，负荷预测相信所有的历史数据，然而负荷辨识则需要处理历史不良数据并寻找它们的替代值，无法很好地兼容两类问题。

技术实现思路

1、本发明实施例提供了一种基于核密度函数及聚类分析的不良负荷数据辨识矫正方法，以至少解决相关技术中现有负荷辨识则需要处理历史不良数据并寻找它们的替代值，无法很好地兼容两类问题的技术问题。

2、根据本发明实施例的一方面，提供了一种基于核密度函数及聚类分析的不良负荷数据辨识矫正方法，包括以下步骤：

3、根据局部负荷曲线的端点与极值点选择负荷数据特征点，根据特征点构建高斯核密度函数与核密度估计式；

4、根据基于ise的最小二乘交叉验证算法，近似求解核密度估计式的渐进积分均方误差对窗宽一阶偏导为零时的全局最优窗宽值；

5、根据全局最优窗宽值与自适应原理计算局部窗宽值和计及多窗宽参数的核密度函数估计式；

6、根据高斯核密度函数、全局最优窗宽值与局部窗宽值计算核平滑拟合曲线，根据核平滑拟合曲线构建置信区间，对不良负荷数据进行辨识；

7、对辨识出存在不良负荷数据的负荷曲线进行聚类矫正。

8、可选地，对不良负荷数据进行辨识矫正的主要步骤如下：

9、所述高斯核密度函数k(x)为：

10、

11、所述核密度估计式fh(x)为：

12、

13、式中，x为曲线上的负荷数据点，xi为曲线上的第i个负荷数据点，h为窗宽值，n为样本点个数。

14、可选地，根据基于ise的最小二乘交叉验证算法，近似求解核密度估计式的渐进积分均方误差对窗宽一阶偏导为零时的全局最优窗宽值，包括：

15、将负荷数据点样本从小至大排序，根据样本数量奇偶性分为两组；

16、确定两组样本分位数，两组样本做差得到样本区间分位数；

17、设定概率密度函数为正态分布，对核密度估计式的渐进积分均方误差中窗宽值求偏导，并令一阶导数为零，计算实现双峰形状概率准确估计的全局最优窗宽值。

18、可选地，根据全局最优窗宽值hopt与自适应原理计算局部窗宽值λi(i＝1,2,3,...,n)和计及多窗宽参数的核密度函数估计式，包括：

19、对每个负荷数据点设定一个核参数来获得经验分布的点估计，核函数的累加和作为噪声分布函数的估计，得到噪声分布函数估计

20、

21、式中，h为固定窗宽值，λi为第i个局部窗的局部窗宽值，n为样本数据点数量；

22、将全局最优窗宽值hopt代入式(3)固定窗宽中，根据自适应原理求解局部窗宽值λi(i＝1,2,3,...,n)：

23、

24、将局部窗宽值λi(i＝1,2,3,...,n)及全局最优窗宽值hopt代入式(3)得到计及多窗宽的核密度函数估计式。

25、可选地，根据高斯核密度函数、全局最优窗宽值与局部窗宽计算核平滑拟合曲线，根据核平滑拟合曲线构建置信区间，对负荷数据进行辨识，包括：

26、采用nadaraya-watson密度估计法，基于高斯核密度函数、全局最优窗宽值hopt和局部窗宽值λi(i＝1,2,3,...,n)建立核密度平滑方法的控制矩阵，控制矩阵为：

27、

28、式中，wi(xj)表示对应估算xj处的数据值在时间ti时的观察值所占的权重；

29、根据控制矩阵与负荷样本点向量计算核平滑拟合曲线

30、

31、式中，为控制矩阵，y为样本点向量；

32、根据核平滑拟合曲线与要求构建置信区间，对负荷数据进行辨识。

33、可选地，对辨识出存在不良负荷数据的负荷曲线进行聚类矫正包括：将辨识出的存在不良负荷数据的负荷曲线与其他曲线进行层次聚类，在不良负荷数据所在时刻找出所有同类负荷曲线所对应的负荷值，将全部的负荷值的均值作为矫正值，根据所述矫正值对不良负荷数据的负荷曲线进行矫正。

34、可选地，对辨识出存在不良负荷数据的负荷曲线进行聚类矫正包括：

35、标记不良负荷所在负荷曲线，计算任意两负荷曲线之间的欧氏距离d：

36、

37、式中，表示负荷曲线ai＝[a1,a2...an]到负荷曲线bi＝[b1,b2...bn]的欧式距离d；

38、根据计算得到的欧氏距离，采用linkage函数界定负荷曲线之间相似度；

39、基于负荷曲线间相似度信息使用cophenetic函数评价曲线集合的分类信息；

40、根据分类信息使用cluster函数创建聚类，确定与不良负荷数据所在曲线同属一类的其他负荷曲线；

41、在不良负荷数据所在时刻找出同类负荷曲线所对应负荷值，取其均值作为矫正值：

42、

43、式中，xr为矫正后负荷值，xt为不良负荷数据所在类其他负荷曲线相对应时刻负荷值，n为同类型负荷曲线个数。

44、可选地，求解全局最优窗宽值包括：

45、将各负荷曲线上数据点x1,x2,x3,...,xn作为样本按照从小到大排序，排序后给序列编号xs1,xs2,xs3,...,xsn，对样本分组为group1和group2，

46、当样本数量n为偶数时，

47、gropu1中元素为xs1,xs2,xs3,...,xsn/2-1,xsn/2，

48、group2中元素为xsn/2+1,xsn/2+2,xsn/2+3,...,xsn-1,xsn；

49、当样本数量n为奇数时，

50、group1中元素为xs1,xs2,xs3,...,xsn+1/2-1,xsn+1/2，

51、group2中元素为xsn+1/2,xsn+1/2+1,xsn+1/2+2,...,xsn-1,xsn；

52、确定样本分组group1与group2的分位数q1和q2，确定区间分位数iqr，区间分位数iqr为：

53、iqr＝q2-q1                        (9)

54、根据基于ise的最小二乘交叉验证算法，令核密度估计式的渐进积分均方误差对窗宽的一阶偏导为零，选择式(10)与式(11)中较小的一项作为全局最优窗宽值hopt；

55、hamse＝1.06σn-1/5                     (10)

56、hamse＝1.06(iqr/1.34)n-1/5＝0.791iqrn-1/5            (11)

57、式中，n为样本数据点数量，σ为样本数据点x的标准差，hamse是采用积分误差最小原则求取的全局最优窗宽值hopt。

58、可选地，求取局部窗宽值λi(i＝1,2,3,...,n)的主要步骤如下：

59、1)对每个负荷数据点设定一个核参数来获得经验分布的点估计，核函数的累加和作为噪声分布函数的估计，得到噪声分布函数的估计

60、

61、式中，h为固定窗宽值，λi为局部窗宽值，n为样本数据点数量；

62、2)将求取到的全局最优窗宽值hopt代入式(12)固定窗宽值h中，根据自适应原理求解局部窗宽值λi(i＝1,2,3,...,n)：

63、

64、3)将求取到的局部窗宽值λi(i＝1,2,3,...,n)与全局最优窗宽值hopt代入到式(12)中得到计及多窗宽的核密度函数估计式：

65、

66、与现有的技术相比，本发明具有如下有益效果：

67、本发明的辨识方法精确还原了负荷曲线首段的变化特征，提出了一种基于核密度函数及聚类分析的不良负荷数据辨识矫正方法，准确地辨识矫正负荷数据中存在的异常，从而为电力系统调度、运行计划的协同制定提供科学的数据支撑。

68、本发明的评估方法可引导电力系统的合理发展，能够解决大机组对电力系统带来的问题，通过基于核密度函数及聚类分析的方法在负荷侧进行辨识矫正，对接入新能源电源的电网调度和检修计划的制定更具指导意义。

69、本发明在核密度函数特征点选取存在主观因素，包含冗杂信息等问题，通过将负荷曲线曲率信息、弦长信息共同考虑进选取过程，并结合自适应特征点的选取方式，对实际数据辨识也具有一定的参考价值。

70、本发明适用于各大电网数据正确性验证矫正工作，通过核密度函数构建核平滑拟合曲线，为异常数据辨识问题提供参考，该方法充分考虑了系统中的负荷存在波动性、随机性等特点，提高采集数据的准确性，并为引导新能源的合理发展以及保障系统安全稳定运行奠定基础。