目录
摘要:随着我国电力现货市场的逐步推进, 电力市场中的交易结算环节对电力市场用户电量数据的准确度提出了更高的要求。首先, 为解决由于计量装置等问题造成的分时电量数据缺失与异常, 采取非参数核密度估计 (kernel density estimation, KDE) 的方法, 对窗宽进行优化选取,根据电力市场用户的历史电量数据提取其日分时电量特征曲线。其次, 将提取的特征曲线结合历史电量所蕴含的信息得到用户电量数据的可行域矩阵, 并将其应用于异常数据的辨识中。再次, 根据异常数据区间用电量大小对特征曲线进行缩放处理后的数据作为连续缺点数据修正值。最后, 利用某省电力市场用户的计量电量数据, 对所提方法的有效性和准确性进行了验证。结果表明所提方法能够有效地处理异常数据, 和其他方法相比较, 该文方法在连续多点电量数据异常的修正过程中准确度最高, 具有实际应用价值。
一、基于非参数核密度估计的特征曲线提取方法
1.1 特征曲线提取方法
1.2 窗宽的选取优化
若采用高斯函数作为核函数,最优带宽可设置为:
二、异常数据的辨识
三、算例分析
部分源代码:
完整源代码见👇:https://mbd.pub/o/bread/ZpWalZhs
%% 清空工作区
clc
clear all
close all
sx = xlsread('数据.xlsx');
%% 转换成(day)*(sample)
u=size(sx);
k=u(1)/96;
SS=zeros(k,96);
for ii=1:1:k
SS(ii,:)=sx(96*(ii-1)+1:96*ii,:);
plot(SS(ii,:),'color',[0.5 0.5 0.5]);
hold on
end
四. 结论
为了解决在电力现货市场结算环节中所面临的计量电量数据异常问题, 本文提出了基于非参数核密度估计的电力市场用户电量数据辨识与修正方法。本文所提方法可准确识别出电力市场用户的电量异常数据并对其进行修正。
五、参考文献
[1]严明辉,潘舒宸,吴滇宁,等.基于非参数核密度估计的电力市场用户电量异常数据辨识与修正方法[J].现代电力,2022,39(01):80-87.DOI:10.19725/j.cnki.1007-2322.2020.0432.
本文内容来源于网络,仅供参考学习,如内容、图片有任何版权问题,请联系处理,24小时内删除。