基于随机源矩阵和层次分析的用电特征辨识方法及系统与流程

1.本发明涉及电力数据处理技术领域，特别涉及一种基于随机源矩阵和层次分析的用电特征辨识方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
3.大数据为智能电网的发展不断注入了新的活力，因此掌握电力大数据的关键技术对电力行业的可持续发展和坚强智能电网的建立具有重要意义。智能电网背景下的电力系统是典型的大数据系统，配电网侧的高级量测体系不断产生实时、海量的数据。为满足大体量、高异构数据的快速处理与精准分析，本发明采用随机源矩阵作为数据承载与处理工具。随机源矩阵理论对数据的要求较低，能够承载异源的数据，能够同时承载区域性各节点电压、电流、相角、有功负荷、无功负荷等数据；且随机源矩阵对数据的直接利用率较高，无需进行去单位化、归一化处理，适用于紧急状况下的快速及实时性要求，符合极端天气这一背景需要；最后，针对气象因素，随机源矩阵理论能够较好体现气象因素的累积作用，气象因素对电力用户用电行为的影响不是一一对应，也不是单一气象因素的简单叠加。另一方面，在极端天气背景下，国内外大规模停电事件频频发生。因此，快速、准确利用电网中海量数据，挖掘气象因素与负荷用电行为之间的相关性，对辅助后续电力调度决策、提高电网极端天气的应对能力，保障重要电力用户供电可靠性具有重要意义。
4.错综复杂的气象因素日益成为影响电力系统负荷特性的重要因素，电力用户消费行为受其影响，复杂多变。电力用户行为对维持电网安全稳定运行具有重要作用，因此考虑电力用户的行为，挖掘气象因素与电力用户用电行为之间的潜在相关性，构建气象因素评估体系，实现从被动负载到主动负荷的转变对智能电网建设及电网稳定运行至关重要。
5.发明人发现，目前针对耦合气象因素与电力用户相关性的研究欠缺，特别是缺少多个气象因素之间或者多个耦合气象因素横向的对比分析，各个气象因素指标之间较独立，无法实现紧急气象状况下电网信息的快速和高效利用。


技术实现要素：

6.为了解决现有技术的不足，本发明提供了一种基于随机源矩阵和层次分析的用电特征辨识方法及系统，结合随机矩阵理论和层次分析法，将气象影响因素按支配关系分组形成有序的递阶层次结构，通过两两比较的方式确定层次中各个因素的相对重要性，能够根据特定地区气候条件选出适合该地区的气象因素，进而实现了基于最适合气象因素的更准确用电行为分析。
7.为了实现上述目的，本发明采用如下技术方案：
8.本发明第一方面提供了一种基于随机源矩阵和层次分析的用电特征辨识方法。
9.一种基于随机源矩阵和层次分析的用电特征辨识方法，包括以下过程：
10.获取待分析地区的有功负荷数据和气象因素数据；
11.根据有功负荷数据构建基本状态矩阵，根据气象因素数据构建影响因素矩阵，根据基本状态矩阵和影响因素矩阵，得到增广数据源矩阵；
12.通过移动窗口，从增广数据源矩阵中选取子矩阵；
13.根据子矩阵，得到第一目标层的因素，以第一目标层因素为准侧，得到第二目标层的各个因素的两两比较判断矩阵；
14.根据两两比较判断矩阵，得到第二目标层的各个因素相对于总目标的权重，根据第二目标层的各个因素作为准则时的第三目标层的排序权向量，构建排序权矩阵，根据排序权矩阵，得到第三目标层各个因素相对于总目标的权重；
15.根据第三目标层各个因素对于总目标的权重，得到有功负荷数据的分析结果。
16.进一步的，第一目标层的因素为平均谱半径或者皮尔森相关系数。
17.进一步的，第二目标层的因素为单一气象指标和耦合气象指标。
18.更进一步的，单一气象指标包括：温度、湿度、光照和风速。
19.更进一步的，耦合气象指标包括：舒适度指数、实感温度和温湿指数。
20.进一步的，采用数字1-9的比例进行标度给定，构建各个因素的两两比较判断矩阵。
21.更进一步的，两两比较判断矩阵an*n中，a
ij
为i元素和j元素之间的标度， a
ji
为的a
ij
倒数，a
ii
均为1。
22.进一步的，根据两两比较判断矩阵，得到第二目标层的各个因素相对于总目标的权重，包括：
23.将两两比较判断矩阵的元素按列归一化；
24.将归一化的两两比较判断矩阵的元素按行相加得到第一矩阵；
25.对第一矩阵进行归一化，得到排序权向量，根据排序权向量得到各个因素相对于总目标的权重。
26.进一步的，第一目标层的因素为皮尔森相关系数时，计算子矩阵内两行数据的皮尔森相关系数，根据皮尔森相关系数构建量量比较判断矩阵。
27.本发明第二方面提供了一种基于随机源矩阵和层次分析的用电特征辨识系统。
28.一种基于随机源矩阵和层次分析的用电特征辨识系统，包括：
29.数据获取模块，被配置为：获取待分析的有功负荷数据和气象因素数据；
30.增广数据源矩阵构建模块，被配置为：根据有功负荷数据构建基本状态矩阵，根据气象因素数据构建影响因素矩阵，根据基本状态矩阵和影响因素矩阵，得到增广数据源矩阵；
31.子矩阵获取模块，被配置为：通过移动窗口，从增广数据源矩阵中选取子矩阵；
32.两两比较判断矩阵构建模块，被配置为：根据子矩阵，得到第一目标层的因素，以第一目标层因素为准侧，得到第二目标层的各个因素的两两比较判断矩阵；
33.权重计算模块，被配置为：根据两两比较判断矩阵，得到第二目标层的各个因素相对于总目标的权重，根据第二目标层的各个因素作为准则时的第三目标层的排序权向量，构建排序权矩阵，根据排序权矩阵，得到第三目标层各个因素相对于总目标的权重；
34.用电行为分析模块，被配置为：根据第三目标层各个因素对于总目标的权重，得到有功负荷数据的分析结果。
35.与现有技术相比，本发明的有益效果是：
36.1、本发明创新性的提出了一种基于随机源矩阵和层次分析的用电特征辨识方法，给出了单一气象因素以及耦合气象因素与用户有功负荷数据之间的相关性大小，根据最后得出的权重给出多个气象指标横向之间的占比关系；使指标体系化、立体化，便于紧急状况下数据的快速挖掘以及信息的快速供应，方便电网后续精准调度以及容量配置。
37.2、本发明创新性的提出了一种基于随机源矩阵和层次分析的用电特征辨识方法，利用随机源矩阵作为数据的承载以及处理工具，利用可移动窗口作为定位或者定时的灵活工具，利用皮尔森系数作为相关性的指标，并针对层次分析法中主观性不好控制这一缺陷，利用皮尔森相关系数而不是专家评分来确认相对重要性，克服了层次分析法在相关性分析中的局限。
38.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
39.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
40.图1为本发明实施例1提供的基于随机源矩阵和层次分析的用电特征辨识方法的流程示意图。
41.图2为本发明实施例1提供的气象因素指标的递阶层次结构示意图。
42.图3为本发明实施例1提供的权重计算流程示意图。
43.图4为本发明实施例1提供的一致性检验计算流程示意图。
44.图5为本发明实施例1提供的一致性校验的流程示意图。
具体实施方式
45.下面结合附图与实施例对本发明作进一步说明。
46.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
47.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
48.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
49.实施例1：
50.如图1和图2所示，本发明实施例1基于随机源矩阵理论和层次分析法，公开了一种气象因素指标综合评估的新方法，包括以下过程：
51.首先，选取单一气象因素(如风速、温度、湿度、光照)、耦合气象因素 (如温湿指数、实感温度、人体舒适度指数)以及有功负荷数据(可以是日均有功负荷量或者日最大有功负荷量)作为研究对象，以上述数据构成随机源数据矩阵；
52.其次，选取随机源矩阵的特征值状态d1或者相关程度l1作为子目标层。应用随机源矩阵理论中的单环律或者皮尔森系数理论，计算数据源矩阵的平均谱半径(msr)或者气象因素与电力有功负荷量之间的皮尔森相关系数作为次子目标层，完成气象因素指标的相关性分析以及气象指标体系的构建；
53.最后，利用平均谱半径或者皮尔森系数代替主观性强的专家打分数值，构成相对重要性的判定，并使用层次分析法确定单一气象因素指标与耦合气象因素指标的权重配比，实现对气象因素指标体系的评估。
54.本发明旨在发生紧急、大规模气象灾害时，能直接利用实时采集到的气象及电网数据，分析能够高效反映气象因素对电力系统用户行为影响的综合指标，进而对后续精准调度、电网规划做出及时准确响应。
55.具体的，包括：
56.s1：建立问题的递阶层次结构；
57.s2：构造两两比较判断矩阵；
58.s3：由判断矩阵计算比较元素的相对权重；
59.s4：计算各层元素的组合权重；
60.s5：根据各层元素的权重，以及获取到的各元素实际值，得到最终的用电行为评估结果(即有功负荷数据值)。
61.s1中，具体的，包括：
62.本发明设定的递阶层次结构如图3所示，选取的子目标层分别为矩阵的特征值状态以及气象因素与用户有功数据量的相关程度，量化指标为矩阵的平均谱半径d1以及皮尔森相关系数l1；下一层为次子目标层，将两个量化指标按照气象因素进一步细化，分为单一气象以及耦合气象因素；在基础目标层中，单一气象指标进一步分为温度、湿度、光照和风速。
63.本实施例中，耦合气象指标数据，包括：
64.(1)温湿指数(heat index)
65.温湿指数(heat index)能够综合反映两个单一气象因素温度、相对湿度对人体感知温度的耦合作用。温度和湿度的耦合作用不是简单叠加，当气温适中时，相对湿度的变化对人体实际感知温度的影响程度较小；但当温度较高或者较低时，特别是在夏冬季节，相对湿度的变化将对人体实际感知温度影响较大；本发明着眼于高温季节，利用温湿指数完成相对湿度对温度指数的修正。
66.温湿指数的计算公式为：
67.hi＝c1 c2t c3r c4tr c5t2 c6r2 c7t2r c8tr2 c9t2r268.其中，c1＝-42.38，c2＝2.049，c3＝10.14，c4＝-0.2248，c5＝-6.838*10-3
，c6＝-5.482*10-2
， c7＝1.228*10-3
，c8＝8.528*10-4
，c9＝-1.99*10-6
。上式的应用条件为温度应大于80 华氏度，即27摄氏度；相对湿度应大于40％。
69.(2)实感温度(effective temperature)
70.实感温度(effective temperature)是指人体在不同气温、湿度和风速条件下产生的一种热感觉指标，是三个单一气象因素耦合作用的显现。在计算时实感温度是以静止饱和的大气条件，即风速为零、相对湿度达到100％的条件下人体感觉舒适的温度来代表不
同风速、不同相对湿度以及不同气温条件下的不同体感温度。
71.计算公式为：
72.te＝37-(37-ta)/[0.68-0.14rh 1/1.76 1.4v
0.75
]-0.29ta(1-rh)
[0073]
式中，te、ta、rh、v分别对应实感温度、气温、相对湿度和风速。
[0074]
(3)人体舒适度指数(comfort index)
[0075]
人体舒适度指数(comfort index)是度量三个单一气象因素温度、相对湿度以及风速对人体的耦合作用，用以表征人体在大气环境中的舒适程度。
[0076]
计算公式为：
[0077]
k＝1.8t
a-0.55(1.8t
a-26)(1-rh)-3.2v
1/2
3.2
[0078]
本实施例中，增广数据源矩阵由两部分构成，分别为基本状态矩阵和影响因素矩阵，对于一个n节点系统，在某ti时刻，每个节点采集k个状态变量，则n 个节点获得n个量测数据，其中n＝n*k。
[0079]
具体实现过程为：
[0080]
1)分别获取气象条件不同的两城市的电网有功负荷数据以及气象数据。
[0081]
根据多个单一气象因素计算出耦合气象指标，利用有功负荷数据作为基本状态矩阵数据，利用单一气象指标和耦合气象指标数据作为影响因素矩阵数据，形成增广数据源矩阵。
[0082]
具体的，按照相同的采样时间节点(如96节点，即15分钟取样一次电网状态数据和气候影响因素数据，电网状态数据包括电压、电流、有功负荷等数据，气候影响因素数据包括温度和湿度等)，将电网状态数据和温度、湿度等基本气象因素数据计算得来的单一气象指标和耦合气象指标数据(如本实施例中提到的人体舒适度指标等数据)纵向罗列得到增广数据源矩阵。
[0083]
增广数据源矩阵分为两大部分：基本状态矩阵以及影响因素矩阵；基本状态矩阵由电网量测端得到，影响因素矩阵根据多个单一气象因素指标以及计算得到的耦合因素指标数据得到。
[0084]
本实施例中，基本状态矩阵以时间点为列数，以电网基本状态量的数据代表行数，优选的，采用160*160的维度。
[0085]
影响因素矩阵同样是以时间点为列数，以单一气象因素指标和耦合气象指标数据代表行数。
[0086]
为有效反映影响因素对电网状态的影响，在构造增广数据源矩阵时需注意影响因素变量的维度和基本状态变量的维度之比c1应维持在0.4到1之间，若采集到的影响因素数量较少，则需要对采集到的数据进行复制，直到达到维度比的限定要求。
[0087]
当随机矩阵的维数趋于无穷大且行列比c固定时，根据随机矩阵理论，特征值的经验谱分布会收敛于理论特征。但在实际应用中，只要矩阵的维度相对适中，例如数十到数百，也可以观察到相当准确的渐近收敛结果，这是可以将随机矩阵理论应用到电力系统分析的理论基础。
[0088]
s2中，具体的，包括：
[0089]
需要结合随机矩阵理论和皮尔森系数理论，改善层次分析法中主观性较强的局限，这是本发明中较强的创新点之一。层次分析法理论中，层次结构的建立有着很大的灵活
性和抗干扰性，当某一个层次包含的元素发生变化时，对整个层次结构变化的影响是有限的。由于决策目标的实现要经过自上而下几个层次的分析判断，即使某一层次中若干判断失误，对决策目标的影响比采用非层次决策方法要小的多。层次结构便于人们在面对复杂问题时快速做出决策，符合本发明的应用背景，因此本实施例选择使用层次分析法建立气象因素的综合指标评价。
[0090]
在建立气象因素指标的递阶层次结构后，上下层次之间元素的隶属关系就被确定。假定上一层次在元素ck作为准则，对下一层次的元素a1，a2，a3……an
有支配关系，该步骤的目的是在准则ck之下按照他们相对重要性赋予a1，a2， a3……an
相应权重。根据平均谱半径及皮尔森系数的大小给定两两元素比较时重要性的相对大小，并采用1-9的比例进行标度给定，构成两两判断比较矩阵，具体的标度见表1。
[0091]
表1：比例标度对照表
[0092][0093][0094]
注：2，4，6，8为上述相邻判断的中值。
[0095]
若有n个指标，得到的两两比较判断矩阵a＝(a
ij
)
n*n
具有以下性质：
[0096]
(1)a
ij
》0；
[0097]
(2)a
ij
＝1/a
ij
；
[0098]
(3)a
ii
＝1。
[0099]
例如，以单一气象指标矩阵特征值分布d
11
为准则，在比较温度数据与光照数据之间的相关重要性时：若温度数据矩阵特征值分布的量化指标平均谱半径为0.7，光照数据矩阵的平均谱半径为0.5，则温度与光照相比，温度比光照明显重要，因此a
00
＝a
11
＝1，a
01
＝5，a
10
＝1/5。
[0100]
继而得出两两比较判断矩阵为：
[0101][0102]
s3中，具体的，包括：
[0103]
该步骤需要解决的问题是在准则ck下，n个元素a1，a2，a3……an
排序权重的计算问题，并进行一致性检验。权重的计算是通过求解判断矩阵的特征根问题，如下式所示：
[0104]
aω＝λ
max
ω
[0105]
所得到的ω经正规化后作为元素a1，a2，a3……an
在准则ck下排序权重，具体的流程图如图4所示，将a的元素按列归一化，将归一化后的矩阵a按行相加得到矩阵s(即第一矩阵)，其中，按行相加就是两行对应元素相加，例如原来是n*n的矩阵，按行相加之后得到的1*n的矩阵。
[0106]
矩阵s归一化后得到排序权向量(即s就是1*n的矩阵，归一化之后，对应数值就是n个变量的权重)，计算λ
max
，计算公式如下：
[0107][0108]
然后根据计算得到的λ
max
进行一致性校验，具体流程如图5所示，其中一致性指标r.i.对照表如表2所示。
[0109]
计算一致性指标c.i.，c.i＝(λ
max-n)/(n-1)，对照r.i.对照表，计算一致性比例c.r.＝c.i./r.i.，若c.r.小于0.1，一致性校验通过。
[0110]
表2：一致性指标r.i.表
[0111][0112]
s4中，具体的，包括：
[0113]
为了得到递阶层次结构中每一层次中所有元素相对于总目标的相对权重，需要把第三步的计算结果进行适当的组合，并进行总的判断一致性检验，这一步骤是由上而下逐层进行的。最终计算结果得出最低层次元素，即决策方案优先顺序的相对权重和整个递阶层此模型的判断一致性检验。
[0114]
假定已经计算出第k-1层元素相对于总目标的组合排序权重向量：
[0115][0116]
第k层在第k-1层第j个元素作为准则下元素的排序权向量为：
[0117][0118]
其中，不受支配(即与k-1层第j个元素无关)的元素权重为零，令则第k层n个元素相对于总目标的组合排序权重向量由下式给出：
[0119]ak
＝b
kak-1
[0120]
本实施例中，根据得出每一层次每一元素在上一层某元素支配下的相对重要性权重，并得出各个层次之间的相对重要性权重，进而得出气象指标横向之间的对比关系，除了用权重数据表示评估结果，还可用雷达图等图像形式表达气象因素对用户用电行为的影响程度。
[0121]
实施例2：
[0122]
本发明实施例2提供了一种基于随机源矩阵和层次分析的用电特征辨识系统，包括：
[0123]
数据获取模块，被配置为：获取待分析的有功负荷数据和气象因素数据；
[0124]
增广数据源矩阵构建模块，被配置为：根据有功负荷数据构建基本状态矩阵，根据气象因素数据构建影响因素矩阵，根据基本状态矩阵和影响因素矩阵，得到增广数据源矩阵；
[0125]
子矩阵获取模块，被配置为：通过移动窗口，从增广数据源矩阵中选取子矩阵；
[0126]
两两比较判断矩阵构建模块，被配置为：根据子矩阵，得到第一目标层的因素，以第一目标层因素为准侧，得到第二目标层的各个因素的两两比较判断矩阵；
[0127]
权重计算模块，被配置为：根据两两比较判断矩阵，得到第二目标层的各个因素相对于总目标的权重，根据第二目标层的各个因素作为准则时的第三目标层的排序权向量，构建排序权矩阵，根据排序权矩阵，得到第三目标层各个因素相对于总目标的权重；
[0128]
用电行为分析模块，被配置为：根据第三目标层各个因素对于总目标的权重，得到有功负荷数据的分析结果。
[0129]
所述系统的工作方法与实施例1提供的基于随机源矩阵和层次分析的用电特征辨识方法相同，这里不再赘述。
[0130]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。