一种基于小波变换的负荷识别方法

文献发布时间：2023-06-19 12:22:51

技术领域

本发明涉及电力领域，尤其是涉及一种基于小波变换的负荷识别方法。

背景技术

用户侧需求响应的作用机理是指为了增加需求侧在电力系统运行中的作用，对价格信号或者激励信号电力用户做出响应，改变固有用电方式从而对整个系统负荷特性产生影响的规则及原理。不同行业的负荷作用机理和负荷水平往往呈现出较大的差异性，针对差异化应用需求响应资源，满足不同场景下需求响应的业务需求，需要研究智能电网背景下的需求响应资源匹配及模式识别方法。智能电网是电力能源管理领域的一个现代化应用系统。它利用自动控制和现代通信技术，提高能源消耗的效率、可靠性和安全性。随着智能电网的发展，海量数据资源日益积累。原因之一就是数据记录频率的提高。

智能电网中使用的智能电表可以定期记录用户的电力负荷数据，通常是1小时、30分钟、15分钟甚至1分钟。对于电力消费者来说，这些负载数据有助于获得他们的消费行为模式，也被称为负载模式。这种负载模式可以用于消费者分类。近年来，需求响应得到了实质性的发展，电力供应商可以根据负荷模式和消费类别实现有效的能源控制、灵活的定价和需求管理。另一方面，电力终端消费者可以通过对电价波动的响应来了解他们的负荷模式，以减少他们的电费支出。然而，电力负荷数据一般都是高维。以15分钟的间隔为例。当一个智能电表记录每15分钟从0:00到23:45的一个用户的用电负荷数据，它每天就记录了96个值，根据这些值就可以画出一个日负荷曲线。在这种情况下，一年内的日负荷曲线包含365组96值曲线，这可能会导致将这些曲线分类到不同的集群中提取负荷模式的困难。解决这一问题的传统方法通常是统计方法。例如，用日负荷值之和代替96个值，或者选择日负荷曲线上的代表时段，如峰值时间、波谷时间。虽然这些方法显著地减少了数据的数量，但它们也会导致信息丢失，导致负载模式提取的准确性降低。

发明内容

本发明是为了克服现有技术的聚类方法不适用于曲线聚类导致的信息丢失、负载模式提取的准确性降低的问题，提供一种基于小波变换的负荷识别方法，能够满足不同场景下需求响应资源匹配需要。

为了实现上述目的，本发明采用以下技术方案：

一种基于小波变换的负荷识别方法，包括以下步骤：

步骤一、获取n维的日负荷曲线；

步骤二、采用多级一维离散沃尔什变换(1D DWT)降低n维日负荷曲线X

步骤三、对逼近信号X

步骤四、分别对标准化的逼近信号X′

步骤五、将簇A与簇D聚合，最终得到聚类中心的集合C

作为优选，所述步骤二包括以下内容：

用α代表级数，采用α级一维离散沃尔什变换(1D DWT)降低n维日负荷曲线X

作为优选，所述步骤三包括以下内容：

X′

作为优选，所述步骤四包括以下内容：

标准化的逼近信号和细节信号分别包含原始日负荷曲线的部分信息，通过对两者聚类可以避免由降维造成的信息缺失；

应用k-means聚类，k-means聚类的k值由Simplified Silhouette标准(Simplified Silhouette Width Criterion，SSWC)确定。

作为优选，确定的步骤为：

假设日负荷曲线为X＝{x

SSWC值越大，聚类效果越好；当SSWC最大时，对应的K值即为选定值；

聚类后获得两组簇A和D：

A＝{A

作为优选，所述步骤五中聚合步骤为：

S501、求两组簇的交集

S502、如果A

S503、如果A

S504、如果l

S505、如果l

S506、取C′

C＝C

最终得到聚类中心的集合C

因此，本发明具有如下有益效果：本发明实现需求响应资源对不同场景的匹配，适用于曲线聚类，分析负荷响应与调节目标的契合度，进而实现需求响应资源在不同场景下的匹配过程，减少信息数据丢失的维数，提高了日负荷曲线聚类的有效性，提高负载模式提取的准确性。

附图说明

图1是本实施例的流程图。

具体实施方式

下面结合附图与具体实施方式对本发明做进一步的描述。

实施例：

本实施例提供了一种基于小波变换的负荷识别方法，如图1，包括以下步骤：

步骤一、获取n维的日负荷曲线。