[发明专利]电力数据集成处理方法

权利要求书

1.一种电力数据集成处理方法，用于在电网负载预测过程中从历史数据形成训练样本，其特征在于：

计算历史与当天各负载值的局部形态相似度和特征相似度；综合这两个相似度并形成选择训练样本的相似评估函数；计算历史与当天的相似度并降序排列，依次选择相似度最高的多个天数作为负载预测过程的训练样本。

2.根据权利要求1所述的方法，其特征在于，所述计算历史与当天各负载值的局部形态相似度，包括：

从单个负载值分别定量分析历史前几天负载序列和当天前几天的局部形态相似度，具体实现步骤如下：

(1)将正则化的每天负载序列分别向前扩展k个时刻的负载形成新负载序列，得到扩展后第p个历史天的新序列为f_p：

f_p＝[f_p-1,T-(k-1),f_p-1,T-(k-2),…,f_p-1,T,f_p,1,f_p,2,…,f_p,T]

f_p,j表示第p天j时刻的负载值；

(2)计算p＝0时，待预测当天各负载值的负载序列f_0,j；

(3)计算局部形态相似度rf：

rf_p,j＝min{(max(f_p,j/f_0,j)-min(f_p,j/f_0,j)),(max(f_0,j/f_p,j)-min(f_0,j/f_p,j))

所述计算历史与当天各负载值的特征相似度，进一步包括，对连续多天的特征因素做水平加权计算，具体过程如下：

(1)确定当天的特征因素，包括当天气温范围、天气类型，当天负载均值；

(2)计算第i个特征因素与j时刻负载值的关联系数xs_i,j：

①分别提取第i个特征因素值和j时刻负载值的负载值形成向量rt_i和fh_j，即

rt_i＝[rt_l,i,rt_2,i,…rt_M,i]

fh_j＝[fh_l,j,fh_2,j,…fh_M,j]

M为相似天选择范围的历史总天数；i为特征因素数；j为每日负载采样点数；

②分别将向量rt_i和fh_j中的每个元素都除以各自向量中的第一个数据得到处理后向量为rt_i'和fh_j'，即

rt_i'(k)＝rt_i(k)/rt_i(1)

fh_j'(k)＝fh_j(k)/fh_j(1)k＝1，2，…，M

③计算向量rt_i'和fh_j'中的第k个元素的关联系数x_i,j(k)为：

为分辨系数；

④计算第i个特征因素与j时刻负载值的关联系数xs_i,j：

${\mathrm{XS}}_{i,j}=\frac{\underset{i}{\overset{M}{\Σ}}{x}_{i,j}\left(k\right)}{M}$

(3)将关联系数xs_i,j作为的水平加权值来量化特征因素对负载值的影响，水平加权后历史与当天的特征序列分别为rt'_p和rt'₀，即由rt_p和rt₀向量中的元素分别乘以对应的xs_i,j值形成；设第p天与当天j时刻负载的特征相似度为rs_p,j，则

${\mathrm{rs}}_{p,j}=\frac{\Σ({{\mathrm{rt}}^{\′}}_p\·{{\mathrm{rt}}^{\′}}_0)}{\sqrt{\Σ{\left({{\mathrm{rt}}^{\′}}_p\right)}^2}\sqrt{\Σ{\left({{\mathrm{rt}}^{\′}}_0\right)}^2}}$

所述形成选择训练样本的相似评估函数，还包括：

在形成相似天综合评估函数时，计算时间因数α：

${\mathrm{\α}}_i={{\mathrm{\β}}_1}^{\mathrm{mod}(t_i/7)+1}{{\mathrm{\β}}_2}^{\mathrm{int}(t_i/7)+1}$

β₁和β₂分别表示历史与当天的距离每增加一天和一周的相似缩减比例；t_i表示历史与当天的时间间隔，mod是取余函数，int是取整函数；

最终，相似评估函数s为

s＝α·rf·rt。