一种基于净负荷多维特征的电力敏感性指标筛选方法及装置与流程

摘要: 本发明涉及电力指标筛选,特别涉及一种基于净负荷多维特征的电力敏感性指标筛选方法及装置。背景技术:1、电力数据具有采集频率高、覆盖范围广和客观性强等特点,能够反映...
一种基于净负荷多维特征的电力敏感性指标筛选方法及装置与流程

本发明涉及电力指标筛选,特别涉及一种基于净负荷多维特征的电力敏感性指标筛选方法及装置。

背景技术:

1、电力数据具有采集频率高、覆盖范围广和客观性强等特点,能够反映工业生产、商业经营及社会消费活动的变化。目前以用电量、负荷增速、同比变化及峰谷特征等指标作为主要分析依据,通过构建行业、产业和区域多层次分析框架,对运行景气度、产业活跃度和区域运行状态进行监测。在数据基础方面,现有技术已具备融合用电采集系统、电网营销系统、调度运行系统、气象数据、日历信息及宏观统计数据的基本条件,通过多源数据融合,使负荷分析由单纯的电量统计逐步转向运行信息提取。在分析建模方面,时频分解、机器学习及图神经网络等方法正逐步应用于电力分析,通过对负荷序列进行模态分解提取趋势和周期特征,并利用特征筛选方法压缩高维指标,实现从总量相关分析向行业结构识别和产业协同分析的发展。

2、原始电力负荷同时受到气象条件、日历安排、电价调整、电网运行状态及行业季节性等多种非运行性因素的耦合影响,现有技术对上述非运行性扰动的识别与剥离不够充分,导致提取的负荷特征中仍混入大量由外部因素引起的波动成分,无法准确反映分析对象自身的运行变化特征。此外,现有技术在指标构建过程中,较多关注总量和增速类指标,对负荷序列中不同时间尺度的趋势与波动特征、不同分析对象之间的结构分布变化以及分析对象间联动传播关系的刻画不够充分,导致所构建的指标对运行状态变化的表征维度单一,难以全面捕捉多维度运行特征,从而影响了电力指标筛选的准确性。

技术实现思路

1、本发明提供了一种基于净负荷多维特征的电力敏感性指标筛选方法及装置,用于解决电力指标筛选的准确性低的问题。其具体方案如下:

2、第一方面,本技术公开了一种基于净负荷多维特征的电力敏感性指标筛选方法,包括:

3、获取原始电力负荷及外部扰动因素数据,从所述原始电力负荷中剔除由所述外部扰动因素数据确定的扰动负荷,经约束修正后生成净负荷信号集合;

4、对所述净负荷信号集合中的净负荷信号进行多尺度模态分解并提取多尺度特征,结合多维运行特征指标,构建反映分析对象自身变化特征的第一候选指标集;

5、基于所述净负荷信号集合,融合分析对象间协同演化敏感度、时滞关系、先验关系、特征相似度及电力流向,构建综合传播边权;基于所述综合传播边权计算网络扩散贡献度和聚合敏感度,并将所述网络扩散贡献度和聚合敏感度作为反映不同分析对象间联动传播特征的第二候选指标集;

6、合并所述第一候选指标集和所述第二候选指标集以形成候选指标总集,并基于所述候选指标总集筛选核心敏感性指标集,得到综合敏感性指数。

7、可选的,所述从所述原始电力负荷中剔除由所述外部扰动因素数据确定的扰动负荷,包括:

8、根据所述外部扰动因素数据中多种类型的数据分别构建对应的负荷影响函数,将各所述负荷影响函数的输出叠加,合成非运行性扰动反事实基线负荷;

9、将所述非运行性扰动反事实基线负荷作为扰动负荷,并从所述原始电力负荷中剔除。

10、可选的,所述对所述净负荷信号集合中的净负荷信号进行多尺度模态分解并提取多尺度特征,包括:

11、对所述净负荷信号进行变分模态分解,得到k个不同中心频率的模态分量,各所述模态分量之和等于所述净负荷信号;

12、将中心频率低于第一预设频率阈值的模态分量作为长期趋势特征,将中心频率高于第二预设频率阈值的模态分量作为短期冲击特征,将中心频率介于所述第一预设频率阈值与所述第二预设频率阈值之间的模态分量作为中期周期特征;其中,所述第二预设频率阈值大于所述第一预设频率阈值。

13、可选的,所述多维运行特征指标包括:

14、用电结构变化熵,根据各类分析对象在设定周期内的用电量占比所计算的信息熵确定,用于反映用电结构的分布均匀程度;

15、运行节奏稳定性,根据分析对象的净负荷信号在设定周期内相对于该净负荷信号的均值和峰谷包络线的偏离程度确定,用于反映分析对象的负荷曲线形态和活动节律的变化程度;

16、效率弹性指标,根据分析对象的参考活动量增长率和净电力消耗增长率的比值确定,用于区分净负荷变化是由活动量变化引起还是由效率变化引起。

17、可选的,所述结合多维运行特征指标,构建反映分析对象自身变化特征的第一候选指标集,包括:

18、将所述多尺度特征与所述用电结构变化熵、所述运行节奏稳定性及所述效率弹性指标组合为敏感特征向量,将所述敏感特征向量作为第一候选指标集;

19、分析对象在时刻的敏感特征向量表示为:

20、

21、其中:为第1个至第个模态分量,为用电结构变化熵,为运行节奏稳定性,为效率弹性指标,上标代表向量转置。

22、可选的,所述基于所述净负荷信号集合,融合分析对象间协同演化敏感度、时滞关系,包括:

23、对于任意两个分析对象,计算所述两个分析对象各自的净负荷信号在多个预设时滞下的协方差与各自标准差乘积的比值,作为各时滞下的协同演化敏感度;

24、将取得最大协同演化敏感度的时滞确定为所述两个分析对象之间的时滞关系,并将所述最大协同演化敏感度作为该时滞关系对应的协同演化强度。

25、可选的,所述融合分析对象间先验关系、特征相似度及电力流向,构建综合传播边权,包括:

26、获取分析对象间的先验关系强度以及由所述敏感特征向量确定的敏感特征相似度;将所述先验关系强度与所述敏感特征相似度相乘,生成关系耦合边权;

27、将电力流向对应的边权、基于所述时滞关系确定的领先滞后边权、所述关系耦合边权以及基于所述敏感特征相似度确定的相似边权进行加权融合,得到综合传播边权。

28、可选的,所述基于所述综合传播边权计算网络扩散贡献度,包括:

29、根据所述综合传播边权、所述时滞关系对应的领先滞后因子以及所述敏感特征相似度,计算分析对象间的敏感性传播强度:

30、

31、式中:为时刻分析对象向的敏感性传播强度,为综合传播边权,为基于时滞关系确定的领先滞后因子,为敏感特征相似度;

32、对于每个分析对象,计算所述分析对象作为传播源的敏感性输出强度之和与作为接收端的敏感性输入强度之和的比值,作为该分析对象的网络扩散贡献度:

33、

34、式中:为分析对象在时刻的网络扩散贡献度,数值大于1表征输出节点,数值小于1表征接收节点。

35、可选的,所述聚合敏感度通过以下方式计算:

36、将具有先验关联关系的分析对象划分为对象群,获取所述对象群内各分析对象的对象权重;并对所述对象群内各分析对象的敏感特征向量进行加权聚合,得到所述对象群的聚合敏感度:

37、

38、式中:为对象群在时刻的聚合敏感度,为分析对象的对象权重,为敏感性映射函数,为池化运算。

39、第二方面,本技术公开了一种基于净负荷多维特征的电力敏感性指标筛选装置,包括:

40、净负荷信号集合生成模块,用于获取原始电力负荷及外部扰动因素数据,从所述原始电力负荷中剔除由所述外部扰动因素数据确定的扰动负荷,经约束修正后生成净负荷信号集合;

41、第一候选指标集构建模块,用于对所述净负荷信号集合中的净负荷信号进行多尺度模态分解并提取多尺度特征,结合多维运行特征指标,构建反映分析对象自身变化特征的第一候选指标集;

42、第二候选指标集确定模块,用于基于所述净负荷信号集合,融合分析对象间协同演化敏感度、时滞关系、先验关系、特征相似度及电力流向,构建综合传播边权;基于所述综合传播边权计算网络扩散贡献度和聚合敏感度,并将所述网络扩散贡献度和聚合敏感度作为反映不同分析对象间联动传播特征的第二候选指标集;

43、综合敏感性指数确定模块,用于合并所述第一候选指标集和所述第二候选指标集以形成候选指标总集,并基于所述候选指标总集筛选核心敏感性指标集,得到综合敏感性指数。

44、从以上技术方案可以看出,本发明具有以下优点:

45、本发明通过从原始电力负荷中剔除由外部扰动因素数据确定的扰动负荷并经约束修正生成净负荷信号集合,有效降低了气象条件、日历安排、电价调整、电网运行状态及行业季节性等非运行性因素对负荷信号的干扰,使净负荷信号更准确地反映分析对象自身的运行变化特征;通过对净负荷信号进行多尺度模态分解并提取多尺度特征,结合多维运行特征指标构建第一候选指标集,能够从长期趋势、中期周期、短期冲击以及结构分布、运行节奏和效率弹性等多个维度刻画分析对象自身的变化特征;通过融合分析对象间协同演化敏感度、时滞关系、先验关系、特征相似度及电力流向构建综合传播边权,并基于该综合传播边权计算网络扩散贡献度和聚合敏感度,构建反映不同分析对象间联动传播特征的第二候选指标集,能够识别分析对象之间的协同变化、传播路径以及扩散角色;通过合并第一候选指标集和第二候选指标集并筛选核心敏感性指标集,降低了指标之间的信息冗余,并提高了电力指标筛选结果的准确性和全面性。