母线日最高负荷的处理方法和装置与流程

本发明涉及数据处理领域，具体而言，涉及一种母线日最高负荷的处理方法和装置。

背景技术：

对于母线负荷预测而言，其难点往往在于如何准确地把握在负荷波动过程中的一些关键点，例如：最高负荷、最低负荷。不妨将日最高负荷、日最低负荷的预测统称为“极值负荷预测”。一方面，我们可以利用全天负荷曲线预测技术，直接得到极值负荷的预测结果；另外一方面，还需要研究直接预测母线极值负荷的特殊方法。

同时，常规的极值负荷预测结果一般都是确定性的，仅给出一个确切的数值，既无法估计该负荷值可能出现的概率，又无法确定预测结果可能的波动范围，忽视了预测结果本身的概率特性。

针对上述的问题，目前尚未提出有效的解决方案。

技术实现要素：

本发明实施例提供了一种母线日最高负荷的处理方法和装置，以至少解决相关技术中无法有效预测母线日最高负荷的技术问题。

根据本发明实施例的一个方面，提供了一种母线日最高负荷的处理方法，包括：对预定时间范围内母线日负荷的各子高峰幅值进行分类，得到分类结果；根据所述分类结果，计算所述各子高峰幅值的概率密度；根据所述各子高峰幅值的概率密度，计算日最高负荷幅值的概率密度，其中，所述日最高负荷幅值的概率密度用于确定所述母线日最高负荷。

可选地，对预定时间范围内母线日负荷的各子高峰幅值进行分类，得到分类结果包括：获取预定时间范围内母线日负荷的各子高峰幅值；按照不同的季节和/或不同的星期类型对所述各子高峰幅值进行分类。

可选地，按照不同的季节和/或不同的星期类型对所述各子高峰幅值进行分类包括：确定不同的季节和/或不同的星期类型中相邻两天的负荷增量；计算所述负荷增量的均值和方差，得到不同的季节和/或不同的星期类型的增量期望矩阵和增量方差矩阵。

可选地，根据所述分类结果，计算所述各子高峰幅值的概率密度包括：利用序列运算对所述分类结果进行计算，分别得到所述各子高峰幅值的概率密度。

可选地，根据所述各子高峰幅值的概率密度，计算日最高负荷幅值的概率密度包括：对所述母线日最高负荷的取值区间进行离散化，得到离散化的取值区间；对所述离散化的取值区间进行划分，得到多个子区间；分别计算所述各子高峰幅值在多个所述子区间的概率序列；利用并积运算对所述概率序列进行计算，得到所述日最高负荷幅值的概率密度。

根据本发明实施例的另一方面，还提供了一种母线日最高负荷的处理装置，包括：分类模块，用于对预定时间范围内母线日负荷的各子高峰幅值进行分类，得到分类结果；第一计算模块，用于根据所述分类结果，计算所述各子高峰幅值的概率密度；第二计算模块，用于根据所述各子高峰幅值的概率密度，计算日最高负荷幅值的概率密度，其中，所述日最高负荷幅值的概率密度用于确定所述母线日最高负荷。

可选地，所述分类模块包括：获取单元，用于获取预定时间范围内母线日负荷的各子高峰幅值；分类单元，用于按照不同的季节和/或不同的星期类型对所述各子高峰幅值进行分类。

可选地，所述分类单元包括：确定子单元，用于确定不同的季节和/或不同的星期类型中相邻两天的负荷增量；计算子单元，用于计算所述负荷增量的均值和方差，得到不同的季节和/或不同的星期类型的增量期望矩阵和增量方差矩阵。

可选地，所述第一计算模块用于利用序列运算对所述分类结果进行计算，分别得到所述各子高峰幅值的概率密度。

可选地，所述第二计算模块包括：离散单元，用于对所述母线日最高负荷的取值区间进行离散化，得到离散化的取值区间；划分单元，用于对所述离散化的取值区间进行划分，得到多个子区间；第一计算单元，用于分别计算所述各子高峰幅值在多个所述子区间的概率序列；第二计算单元，用于利用并积运算对所述概率序列进行计算，得到所述日最高负荷幅值的概率密度。

根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述中任意一项所述的方法。

根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的方法。

在本发明实施例中，采用对预定时间范围内母线日负荷的各子高峰幅值进行分类，得到分类结果；根据所述分类结果，计算所述各子高峰幅值的概率密度；根据所述各子高峰幅值的概率密度，计算日最高负荷幅值的概率密度，其中，所述日最高负荷幅值的概率密度用于确定所述母线日最高负荷的方式，通过预定时间范围内母线日负荷的各子高峰幅值的分类结果，进而确定母线日最高负荷，达到了准确得到母线日最高负荷的目的，从而实现了更加有效、可靠的预测母线日最高负荷的技术效果，进而解决了相关技术中无法有效预测母线日最高负荷技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，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。在附图中：

图1是根据本发明实施例的母线日最高负荷的处理方法的流程图；

图2是根据本发明可选实施例的负荷增量的分类统计结果的示意图；

图3是根据本发明一种可选实施例的母线最高负荷的概率密度的示意图；

图4是根据本发明实施例的母线日最高负荷的处理装置。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本发明实施例，提供了一种母线日最高负荷的处理方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的母线日最高负荷的处理方法的流程图，如图1所示，该方法包括如下步骤：

步骤s102，对预定时间范围内母线日负荷的各子高峰幅值进行分类，得到分类结果；

步骤s104，根据分类结果，计算各子高峰幅值的概率密度；

步骤s106，根据各子高峰幅值的概率密度，计算日最高负荷幅值的概率密度，其中，日最高负荷幅值的概率密度用于确定母线日最高负荷。

通过上述步骤，可以采用对预定时间范围内母线日负荷的各子高峰幅值进行分类，得到分类结果；根据分类结果，计算各子高峰幅值的概率密度；根据各子高峰幅值的概率密度，计算日最高负荷幅值的概率密度，其中，日最高负荷幅值的概率密度用于确定母线日最高负荷的方式，通过预定时间范围内母线日负荷的各子高峰幅值的分类结果，进而确定母线日最高负荷，达到了准确得到母线日最高负荷的目的，从而实现了更加有效、可靠的预测母线日最高负荷的技术效果，进而解决了相关技术中无法有效预测母线日最高负荷技术问题。

可选地，对预定时间范围内母线日负荷的各子高峰幅值进行分类，得到分类结果包括：获取预定时间范围内母线日负荷的各子高峰幅值；按照不同的季节和/或不同的星期类型对各子高峰幅值进行分类。

上述预定时间范围可以为历史时间段，通过上述方式可以获取历史时间段内母线日负荷的各子高峰幅值，并进行分类。

作为一种可选的实施例，前n天为历史日，历史负荷向量为：

p＝[p1p2lpn]

定义负荷增量序列为：

λ＝[δ1δ2lδn-1]

其中：δn＝ln+1-ln,n＝1,2,...,n-1

取n＝365，按照季节λ的不同将划分为4个分量，对每个分量按照所属星期类型的不同，重组为二维数组，剔除节假日因素。图2是根据本发明可选实施例的负荷增量的分类统计结果的示意图，如图2所示，从图中可以看出，周六相对于周五的负荷增量均值明显为负数，周一相对于周日的负荷增量均值为正数，这是工作日负荷水平较高、周末负荷水平较低的直接体现。同时，夏季负荷增量的离散性要明显大于其他季节。

可选地，按照不同的季节和/或不同的星期类型对各子高峰幅值进行分类包括：确定不同的季节和/或不同的星期类型中相邻两天的负荷增量；计算负荷增量的均值和方差，得到不同的季节和/或不同的星期类型的增量期望矩阵和增量方差矩阵。

由于负荷的惯性，相邻两天间的日最高负荷不易突变，通过对相邻两天间负荷增量的分析，消除趋势性的影响，通过对负荷增量的分类统计，可以体现出日最高负荷的周期性，从而统一最高负荷幅值的概率表达式。

对不同季节、不同星期类型的结果分别进行统计分析，可得到7×4的增量期望矩阵e和增量方差矩阵s如下：

增量期望矩阵：

增量方差矩阵：

其中，μij、σij分别为在季节i中星期i到i+1相邻两天负荷增量的统计均值和方差。增量期望矩阵e和增量方差矩阵s通过其中元素取值的不同体现负荷增量的不同星期类型与季节特性，自动蕴含峰值负荷幅值变化的周期性，简化和统一了概率密度的形成方法。

可选地，根据分类结果，计算各子高峰幅值的概率密度包括：利用序列运算对分类结果进行计算，分别得到各子高峰幅值的概率密度。

作为一种可选的实施例，根据增量期望矩阵与增量方差矩阵，可以得到各个子高峰出现幅值的概率密度预测结果。以双峰情况为例，设第一、第二子高峰的历史序列分别为：

p′＝[p′1p′2lp′n]

p″＝[p1″p2″lp″n]

对应的增量序列为：

a'＝[δ'1δ'2lδ'n-1]

λ″＝[δ″1δ″2lδ″n-1]

分别对a'和λ″按季节与星期进行拆分与重组，得到对应的增量期望矩阵、增量方差矩阵分别为e',s',e″,s″。设待预测日对应的增量δ'n,δ″n满足正态分布，期望和方差分别为μ′ij,σ′ij,μ″ij,σ″ij，则待预测日的第一、第二子高峰幅值的概率密度可以分别表示为：

可选地，根据各子高峰幅值的概率密度，计算日最高负荷幅值的概率密度包括：对母线日最高负荷的取值区间进行离散化，得到离散化的取值区间；对离散化的取值区间进行划分，得到多个子区间；分别计算各子高峰幅值在多个子区间的概率序列；利用并积运算对概率序列进行计算，得到日最高负荷幅值的概率密度。

由于母线日最高负荷是各子高峰取值的最大值，故可借助序列运算理论，由各子高峰的概率密度直接计算得到最高负荷幅值的概率密度函数。

首先对日最高负荷可能出现的取值空间进行离散化，令：

l＝min(l′n+μ′ij-3·σ′ij,l″n+μ″ij-3·σ″ij)

则可认为为所有可能的取值空间，将其等分成k段，第k段代表取值在子区间[ak,bk]内，其中：

则第一、第二子高峰出现在各子区间的概率序列为：

p′(k)＝[p′1p′2lp′k]

p″(k)＝[p″1p″2lp″k]

日最高负荷在区间[ak,bk]内，当且仅当第一子高峰、第二子高峰的最大值在区间[ak,bk]内。由序列运算理论中并积运算的性质，两个随机变量的分布序列的并积是这两个随机变量最大值的分布序列，因此设日最高负荷落在[ak,bk]的概率值为pmax(k)，对于多个子高峰的情形，只需要对这多个子高峰的概率密度进行并积运算即可，如下式所示:

pmax(k)＝p'(k)·p″(k)

下面对本发明一种可选的实施方式进行说明。

现有的概率性负荷预测方法，分为基于预测误差的概率性预测方法与基于幅值统计的概率性预测方法两大类。基于预测误差的概率性预测方法的预测精度取决于确定性预测方法精度的高低，而目前尚无专门针对最高负荷幅值和时刻的成熟预测方法。而基于幅值统计值的预测方法则要求该序列是平稳的，即待预测序列与历史序列的统计特性相同，这一假设在母线极值负荷预测中是不能满足的。

考虑母线日最高负荷的预测，除了将其作为单独的随机变量进行研究之外，还可解构为多个随机变量之和，例如其预测值与预测误差之和、前一日负荷与两日间负荷增量之和，等等。针对以上情况，本申请可选的实施例提供了一种基于历史负荷增量的母线日最高负荷的处理方法，该方法将待预测日的母线负荷解构为“前一日负荷”与“相邻两日负荷增量”之和。由于前一日母线负荷已知，因此待预测日负荷与负荷增量具有相同的分布特性。同时，负荷增量的分类统计结果可以自动涵盖负荷的周期性与趋势性，通过适当的变换可以形成平稳序列，故可将其分类统计结果用于对母线日最高负荷的预测中。

母线日最高负荷的预测中，各子高峰的幅值直接决定了日最高负荷的幅值。下面对具体实施步骤进行说明：

(1)首先在历史负荷曲线中找出每日母线负荷的各子高峰幅值，进行统计分析；

(2)根据统计信息，分别预测各个子高峰幅值的概率密度，并运用序列运算得到日最高负荷幅值的概率密度；

(3)根据各子高峰幅值的概率密度预测值，运用序列运算得到日最高负荷出现于各个子高峰的概率分布。

对某一地区全年的负荷数据进行分析，形成负荷增量矩阵，以不同季节、不同星期对负荷增量进行重组，分别统计均值和方差，结果如下面2个表格所示，其中数据量纲均为mw。从表1中可以看出，周五至周六的负荷增量均值为负，表明有较大的下降。而周日至周一的负荷增量显著为正，第二子高峰周五、周日的增量的均值显著小于第一子高峰对应星期类型增量的均值，夏季高峰负荷的方差值要远大于其他季节的方差，表明夏季负荷的波动程度要高于其他季节。

表1：不同星期类型、不同季节负荷增量的均值

表2：不同星期类型、不同季节负荷增量的方差

通过以上的增量均值、增量方差确定各个子高峰的概率密度函数的参数，形成相应的概率密度预测结果，并通过对两者的并积运算，形成母线日最高负荷幅值的概率密度。图3是根据本发明一种可选实施例的母线最高负荷的概率密度的示意图，如图3所示，该图展现了该地区某母线的极值预测过程。

为了便于比较，用竖线画出了当天的实际最高负荷值。由图3可见，当天实际最高负荷出现在全天最高负荷概率密度峰值附近，说明如此的概率预测具有实用价值。

实施例2

根据本发明实施例的另外一个方面，还提供了一种母线日最高负荷的处理装置，图4是根据本发明实施例的母线日最高负荷的处理装置，如图4所示，该母线日最高负荷的处理装置包括：分类模块42，第一计算模块44和第二计算模块46。下面对该母线日最高负荷的处理装置进行详细说明。

分类模块42，用于对预定时间范围内母线日负荷的各子高峰幅值进行分类，得到分类结果；

第一计算模块44，连接至上述分类模块42，用于根据分类结果，计算各子高峰幅值的概率密度；

第二计算模块46，连接至上述第一计算模块44，用于根据各子高峰幅值的概率密度，计算日最高负荷幅值的概率密度，其中，日最高负荷幅值的概率密度用于确定母线日最高负荷。

上述装置各模块结合可以实现通过预定时间范围内母线日负荷的各子高峰幅值的分类结果，进而确定母线日最高负荷，达到了准确得到母线日最高负荷的目的，从而实现了更加有效、可靠的预测母线日最高负荷的技术效果，进而解决了相关技术中无法有效预测母线日最高负荷技术问题。

此处需要说明的是，上述分类模块42，第一计算模块44和第二计算模块46对应于实施例1中的步骤s102至s106，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。

可选地，分类模块包括：获取单元，用于获取预定时间范围内母线日负荷的各子高峰幅值；分类单元，用于按照不同的季节和/或不同的星期类型对各子高峰幅值进行分类。

可选地，分类单元包括：确定子单元，用于确定不同的季节和/或不同的星期类型中相邻两天的负荷增量；计算子单元，用于计算负荷增量的均值和方差，得到不同的季节和/或不同的星期类型的增量期望矩阵和增量方差矩阵。

可选地，第一计算模块用于利用序列运算对分类结果进行计算，分别得到各子高峰幅值的概率密度。

可选地，第二计算模块包括：离散单元，用于对母线日最高负荷的取值区间进行离散化，得到离散化的取值区间；划分单元，用于对离散化的取值区间进行划分，得到多个子区间；第一计算单元，用于分别计算各子高峰幅值在多个子区间的概率序列；第二计算单元，用于利用并积运算对概率序列进行计算，得到日最高负荷幅值的概率密度。

实施例3

根据本发明实施例的另一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述中任意一项的方法。

实施例4

根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项的方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。