[发明专利]电力数据集成处理方法

说明书

技术领域

本发明涉及智能电网，特别涉及一种电力数据集成处理方法。

背景技术

由分布式电源、储能装置、能量变换装置、负载和监控、保护装置汇集而成的分布式微网系统对主网而言，可作为在秒级时间尺度内动作以满足外部输配电网络需求的可控单元；对于电力用户，分布式微网是能满足用户特定需求的可定制电源。分布式微网负载预测是实现安全、节能、高效运行的重要前提，是实现分布式微网能量优化管理的条件和依据，其预测效果的好坏直接关系到分布式微网和主网系统发供电计划的编制、电能质量的高低和电力市场的交易等。现有关于分布式微网负载预测技术针对发电装置的发电预测，而对用户负载预测尚无成熟方法。随着用户负载的波动性和随机性越来越大、历史数据不全面，其负载预测难度更大。

发明内容

为解决上述现有技术所存在的问题，本发明提出了一种电力数据集成处理方法，包括：

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。

优选的，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：