专变多元负荷场景数据处理方法、装置和计算机设备与流程

本技术涉及电网供电，特别是涉及一种专变多元负荷场景数据处理方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术：

1、随着能源技术的发展，近年来，分布式可再生能源迅猛发展，传统配电网的规模化专变用户呈现出了不同于以往的负荷特性及负荷聚集特性，其特征为分布式资源多、布点分散、随机性强。在电力市场及需求侧响应分析之前，首先需要精确刻画这些电源或负荷的随机性与波动性、解决大样本数据的时空复杂性问题，目前可以采用场景削减技术来对这些多元负荷数据进行削减以达到精简数据的目的。

2、然而，一般可以通过后向削减法来对所有场景的概率进行平均分配处理，再随机选择一条日前场景，不断搜索其他场景针对该场景的距离；以场景距离和概率的乘积作为判据，把结果最小的场景进行场景合并、概率合并，最终终止于所需求的场景个数，实现对多元负荷的削减处理。这种方法无法描述多元负荷数据中时间序列点-点之间的时序关系，对缺陷数据识别能力不足，从而影响场景削减的准确性。另外，此类方法得到的日前场景典型性不足，往往无法反应场景集合之间的个性特征。

技术实现思路

1、本技术提供一种能够有效提高场景削减准确性的专变多元负荷场景数据方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种专变多元负荷场景数据方法，包括：

3、s1，获取专变多元负荷场景数据，并构建所述专变多元负荷场景数据的数据矩阵；

4、s2，构建所述数据矩阵内行向量的时间尺度内豪斯多夫距离最小化目标函数；

5、s3，基于所述目标函数构建所述专变多元负荷场景数据在所述时间尺度下的日前场景数据矩阵；

6、s4，通过亲和力传播算法对所述日前场景数据矩阵内的日前场景进行预聚类处理，并基于所述预聚类处理的场景聚类结果构建分离场景矩阵；

7、s5，构建所述分离场景矩阵内场景类别对应维度的削减场景矩阵，并基于所述削减场景矩阵确定场景数据削减结果。

8、在其中一个实施例中，步骤s1包括：

9、获取专变多元负荷场景数据，基于所述专变多元负荷场景数据构建原始数据矩阵；

10、对所述原始数据矩阵进行数据填充处理，得到补缺数据矩阵；

11、通过二阶开-闭算子对所述补缺数据矩阵进行异常数据消缺处理，得到所述专变多元负荷场景数据的数据矩阵。

12、数据集及其发生概率记为如下集合：

13、

14、对于数据集进行异常数据消缺处理，公式为

15、

16、其中ζi为式(1)中的行向量（1≤i≤ns）。

17、其中oc为开-闭算子，其定义为：

18、

19、其中f和g分别为原时间序列和数学形态学算子，定义如下：

20、

21、

22、更新后的数据集如下所示：

23、

24、在其中一个实施例中，步骤s2包括：

25、构建所述数据矩阵的镜像矩阵；

26、对所述数据矩阵和所述镜像矩阵进行时间尺度对应的分块处理，得到数据分块矩阵和镜像分块矩阵；

27、基于所述数据分块矩阵中分块子矩阵的元素值，确定所述镜像分块矩阵中分块子矩阵的元素值对应的最小豪斯多夫距离优化的目标函数。

28、构造矩阵o的镜像矩阵o'如下：

29、

30、分块得到：

31、

32、同时对矩阵o进行分块，保持行向量数量不变，列向量分成24块：

33、

34、得到矩阵o分块后的子矩阵ki-j维度为1×dim，其中dim的计算公式为：

35、

36、而后通过求解镜像矩阵o'中各维度为1×12的子矩阵（1≤i≤nt, 1≤j≤24）各元素的值，并得到以1h为单位的日前数据。对于任意i、j，优化目标函数为：

37、

38、求取两个序列之间hausdorff距离可由下列公式表示，公式为：

39、

40、在其中一个实施例中，步骤s3包括：

41、基于所述目标函数确定所述镜像分块矩阵中分块子矩阵的元素值；

42、基于镜像分块矩阵中分块子矩阵的元素值和所述数据分块矩阵的维度对日前场景数据矩阵进行赋值处理，得到所述专变多元负荷场景数据在所述时间尺度下的日前场景数据矩阵。

43、对于日前场景的构建流程，假设集合、集合包括如下点集：

44、

45、对集合中任意一点，计算该点与集合中任意一点之间的欧式距离，找到集合中离最近的点：

46、

47、其中，||·||表示两点之间的欧氏距离，表示集合中的点到集合中的点的最小距离，即：

48、

49、确定集合中各个点到集合的最小距离，并确定各个点对应的最小距离中的最大值，该最大值为从集合到集合的第一单向豪斯多夫距离：

50、

51、可通过同样的方法计算从集合到集合的第二单向豪斯多夫距离，在此不再赘述，最终得出hd。重复上述的处理过程，得到经公式13优化后的以公式10为表征的镜像矩阵o'。随后构造二次镜像矩阵o''如下：

52、

53、在其中一个实施例中，步骤s4包括：

54、通过亲和力传播算法对所述日前场景数据矩阵内的日前场景进行预聚类处理，得到场景聚类结果和类别中心点数据；

55、基于所述类别中心点数据内中心点的互中心，对所述场景聚类结果进行再分离处理，构建分离场景矩阵。

56、对于分离场景矩阵构建流程，矩阵cen中储存着各类的中心，如式(20)所示：

57、

58、对于矩阵cen中的k个中心点，计算其两两之间的互中心（1≤i≤k, 1≤i≤k 且i≠j）：

59、

60、定义互中心衰减半径如下，为中心i至中心j的双向hausdorff距离的一半：

61、

62、在其中一个实施例中，步骤s5包括：

63、构建所述分离场景矩阵内场景类别对应维度的削减场景矩阵；

64、通过粒子群算法，以所述分离场景矩阵中行元素和所述削减场景矩阵之间的豪斯多夫距离方均根为优化目标，对所述削减场景矩阵进行优化处理；

65、基于优化处理得到的削减场景矩阵得到场景数据削减结果。

66、对于场景数据削减的过程，针对再分离后的矩阵o''，针对k个分离类，构造维度为k×24的矩阵o'''，以及其类别标志矩阵idx'''。

67、

68、对于第i（1≤i≤k）个类，依次优化并求解分块矩阵各元素的值，优化方法为粒子群算法，迭代次数为100、种群数量设置为250。优化目标函数为矩阵至矩阵中每行元素豪斯多夫距离方均根最小，记为：

69、

70、第二方面，本技术还提供了一种专变多元负荷场景数据处理装置，所述装置包括：

71、数据获取模块，用于获取专变多元负荷场景数据，并构建所述专变多元负荷场景数据的数据矩阵；

72、目标函数构建模块，用于构建所述数据矩阵内行向量的时间尺度内豪斯多夫距离最小化目标函数；

73、场景矩阵构建模块，用于基于所述目标函数构建所述专变多元负荷场景数据在所述时间尺度下的日前场景数据矩阵；

74、数据预聚类模块，用于通过亲和力传播算法对所述日前场景数据矩阵内的日前场景进行预聚类处理，并基于所述预聚类处理的场景聚类结果构建分离场景矩阵；

75、场景削减模块，用于构建所述分离场景矩阵内场景类别对应维度的削减场景矩阵，并基于所述削减场景矩阵确定场景数据削减结果。

76、第三方面，本技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

77、获取专变多元负荷场景数据，并构建所述专变多元负荷场景数据的数据矩阵；

78、构建所述数据矩阵内行向量的时间尺度内豪斯多夫距离最小化目标函数；

79、基于所述目标函数构建所述专变多元负荷场景数据在所述时间尺度下的日前场景数据矩阵；

80、通过亲和力传播算法对所述日前场景数据矩阵内的日前场景进行预聚类处理，并基于所述预聚类处理的场景聚类结果构建分离场景矩阵；

81、构建所述分离场景矩阵内场景类别对应维度的削减场景矩阵，并基于所述削减场景矩阵确定场景数据削减结果。

82、第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

83、获取专变多元负荷场景数据，并构建所述专变多元负荷场景数据的数据矩阵；

84、构建所述数据矩阵内行向量的时间尺度内豪斯多夫距离最小化目标函数；

85、基于所述目标函数构建所述专变多元负荷场景数据在所述时间尺度下的日前场景数据矩阵；

86、通过亲和力传播算法对所述日前场景数据矩阵内的日前场景进行预聚类处理，并基于所述预聚类处理的场景聚类结果构建分离场景矩阵；

87、构建所述分离场景矩阵内场景类别对应维度的削减场景矩阵，并基于所述削减场景矩阵确定场景数据削减结果。

88、第五方面，本技术还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

89、获取专变多元负荷场景数据，并构建所述专变多元负荷场景数据的数据矩阵；

90、构建所述数据矩阵内行向量的时间尺度内豪斯多夫距离最小化目标函数；

91、基于所述目标函数构建所述专变多元负荷场景数据在所述时间尺度下的日前场景数据矩阵；

92、通过亲和力传播算法对所述日前场景数据矩阵内的日前场景进行预聚类处理，并基于所述预聚类处理的场景聚类结果构建分离场景矩阵；

93、构建所述分离场景矩阵内场景类别对应维度的削减场景矩阵，并基于所述削减场景矩阵确定场景数据削减结果。

94、上述专变多元负荷场景数据处理方法、装置、计算机设备、存储介质和计算机程序产品，通过在构建专变多元负荷场景数据的数据矩阵，先构建数据矩阵内行向量的时间尺度内豪斯多夫距离最小化目标函数，进而基于目标函数构建专变多元负荷场景数据在时间尺度下的日前场景数据矩阵；通过亲和力传播算法对日前场景数据矩阵内的日前场景进行预聚类处理，并基于预聚类处理的场景聚类结果构建分离场景矩阵，最后构建分离场景矩阵内场景类别对应维度的削减场景矩阵，并基于削减场景矩阵确定场景数据削减结果。本技术通过日前场景的预聚类及基于豪斯多夫距离的再分离过程，可有效对多元负荷数据中时间序列点-点之间的时序关系进行描述，实现对缺陷数据的精准识别，可大幅删减相似场景、避免这些类似场景参与运算降低多元负荷总体行为的多样性，从而提高场景数据削减的准确性。

技术特征：

1.一种专变多元负荷场景数据处理方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述获取专变多元负荷场景数据，并构建所述专变多元负荷场景数据的数据矩阵包括：

3.根据权利要求1所述的方法，其特征在于，所述构建所述数据矩阵内行向量的时间尺度内豪斯多夫距离最小化目标函数包括：

4.根据权利要求3所述的方法，其特征在于，所述基于所述目标函数构建所述专变多元负荷场景数据在所述时间尺度下的日前场景数据矩阵包括：

5.根据权利要求1所述的方法，其特征在于，所述通过亲和力传播算法对所述日前场景数据矩阵内的日前场景进行预聚类处理，并基于所述预聚类处理的场景聚类结果构建分离场景矩阵包括：

6.根据权利要求1至5任意一项所述的方法，其特征在于，所述构建所述分离场景矩阵内场景类别对应维度的削减场景矩阵，并基于所述削减场景矩阵确定场景数据削减结果包括：

7.一种专变多元负荷场景数据处理装置，其特征在于，所述装置包括：

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

技术总结
本申请涉及一种专变多元负荷场景数据处理方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：通过在构建专变多元负荷场景数据的数据矩阵，先构建数据矩阵内行向量的时间尺度内豪斯多夫距离最小化目标函数，进而构建专变多元负荷场景数据在时间尺度下的日前场景数据矩阵；通过亲和力传播算法对日前场景数据矩阵内的日前场景进行预聚类处理，并基于预聚类处理的场景聚类结果构建分离场景矩阵，最后构建分离场景矩阵内场景类别对应维度的削减场景矩阵，并基于削减场景矩阵确定场景数据削减结果。本申请可大幅删减相似场景、避免这些类似场景参与运算降低多元负荷总体行为的多样性，从而提高场景数据削减的准确性。

技术研发人员：邱朝明,周玖,余志文,梁宇博,姚煜
受保护的技术使用者：广东电网有限责任公司广州供电局
技术研发日：
技术公布日：2024/9/23