【技术实现步骤摘要】
本专利技术涉及电力负荷监控，尤其涉及一种电力负荷动态局部建模方法及数据采集监控系统。
技术介绍
1、在电力负荷时间序列数据预测模型中，大多是针对历史数据的静态模型，这类模型创建之后一般不会再改变。然而，实际的电力负荷时间序列数据是动态到来的，数据会受到现实世界已知或未知条件的变化而发生改变，使得静态模型的预测精度越来越低。这种输入数据与目标变量之间的关系随着时间的推移而变化的现象被称为概念漂移。所以，对于时间序列数据，建立动态模型可以不断更新优化模型参数，以适应概念漂移，相对于静态建模，这是更加有效地时间序列预测建模方法。
2、目前，常用的时间序列动态建模方法主要有传统的统计学方法、动态神经网络、在线svr等几大类。统计学方法是将arma、arima、varma等经典时间序列预测模型进行改进以适应动态预测需求，但是这些方法对非线性时间序列的处理能力有限，难以取得较好的预测效果。神经网络具有优秀的非线性处理能力，通过对静态神经网络结构的改进，研究者们提出了一些可以实现时间序列在线预测的动态神经网络。然而，神经网络模型训练所需的数据量大，且动态更新的计算复杂度高，不适用于对实时性要求高地时间序列动态预测问题。支持向量回归(support vactor regression，svr)在处理小样本、非线性等问题上具有独特的优势，且泛化能力强，目前已经提出了将在线svr算法应用于时间序列动态预测。
3、多元时间序列在经过分段处理之后，可以得到一系列子序列，这些子序列中的某一些在形状或分布上可能是相似的，将相似的子序
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种电力负荷动态局部建模方法及数据采集监控系统，以解决全局模型无法捕获数据集局部之间的差异性，以及数据集随时间变化可能存在的概念漂移等问题，从而提高预测效果。本专利技术还构建了数据采集监控系统，由数据采集模块、基于svr的多元时间序列动态局部建模模块以及监控app三个部分相互衔接，形成一个完整的体系，为电力负荷监控领域的研究、发展提供有益的借鉴。
2、为解决上述技术问题，本专利技术提供如下技术方案：
3、一方面，提供了一种电力负荷动态局部建模方法，包括以下步骤：
4、将采集的电力负荷多元时间序列数据划分为历史数据和增量数据；
5、在历史数据部分，对所述历史数据进行特征选择、分段和特征提取预处理，得到历史特征向量；对所述历史特征向量进行自适应聚类得到若干个集群，对不同的集群分别建立各自的局部svr模型；
6、在增量数据部分，继承历史数据部分得到的自适应聚类参数和局部svr模型参数；对所述增量数据进行特征选择、分段和特征提取预处理，得到增量特征向量；结合所述增量特征向量更新自适应聚类参数和局部svr模型参数；
7、新数据预测时，首先计算新数据到每个聚类中心的距离，根据距离值计算模糊权重，最后综合每个局部svr模型得到预测结果。
8、优选地，所述预处理过程中，特征选择包括以下变量：干球温度、露点温度、湿球温度、湿度、电力负荷；
9、所述分段是指将多元时间序列数据划分为多个多元子时间序列数据；
10、所述特征提取包括：提取子时间序列数据的集中趋势统计量、离中趋势统计量及分布形态统计量这三个方面的统计特征。
11、优选地，在历史数据部分，采用改进的fcm聚类算法对历史数据进行划分，结合xb聚类有效性指标自适应获取最佳集群数目，实现对历史数据的自适应聚类；之后，根据历史数据聚类的结果，计算各个集群的聚类中心和聚类半径。
12、优选地，在对增量数据的聚类过程中，继承来自历史数据聚类的聚类集群、聚类中心和聚类半径，并将最大聚类半径作为距离阈值，对增量数据采用ecm聚类算法进行在线聚类。
13、优选地，在增量数据部分，基于历史数据聚类得到的聚类集群，聚类中心和聚类半径，初始化增量数据ecm聚类算法的参数，对于新到来的增量数据，采用ecm聚类算法进行增量聚类；在增量聚类过程中，动态更新聚类集群的结构，包括：聚类集群数目的改变、聚类中心的改变或聚类半径的改变。
14、优选地，对于聚类后形成的每一个集群分别训练一个局部svr模型，所述局部svr模型包括三个可调参数，分别是高斯核函数参数、不敏感损失系数和惩罚因子；
15、在历史数据部分，通过k-折交叉验证获得各局部svr模型的三个最优可调参数，然后根据所述最优可调参数在历史数据集上训练各局部svr模型；在增量数据部分，接受历史数据部分传递过来的最优可调参数，即局部svr模型的支持向量，再结合增量数据集更新各局部svr模型。
16、优选地，聚类后得到k个集群，每个集群clusterk的聚类中心为centerk，k＝1,2,...,k，对应建立的局部svr模型为svrk；
17、新数据预测时，首先计算新数据x到每个聚类中心centerk的距离dk，根据距离值dk计算模糊权重wk，然后计算新数据x关于局部svr模型svrk的预测值fk(x)，最后综合k个局部svr模型的预测值得到最终预测值。
18、另一方面，提供了一种数据采集监控系统，所述系统包括：
19、数据采集模块，用于采集电力负荷多元时空序列数据；
20、动态局部建模模块，用于根据所述的电力负荷动态局部建模方法对采集的电力负荷多元时空序列数据进行建模和预测；
21、监控app，用于提供数据的查询、显示、在线更新及修改，便于管理人员实时监控。
22、优选地，所述数据采集模块包括：电力负荷采集设备，串口服务器，管理工作站、接口服务器、信息中心存储服务器、平台核心交换机；
23、其中，所述电力负荷采集设备通过所述串口服务器连接所述管理工作站，所述管理工作站连接所述接口服务器，所述接口服务器通过单向隔离网关连接所述信息中心存储服务器，所述信息中心存储服务器通过光纤连接所述平台核心交换机，所述平台核心交换机连接多个云计算节点和web服务器。
24、优选地，所述监控app包括：客户端、服务器端和系统管理后台；
25、所述客户端用于用户注册和登录、在线查询、修改以及退出登录；所述服务器端用于注册和登录验证以及对数据的传输、增加、修改和删除功能；所述系统管理后台用于管理数据库。
26、与现有技术相比，本专利技术提供的技术方案具有以下有益效果：
27、本专利技术针对全局模型无法捕获数据集局部之间的差异性，以及数据集随时间变化可能存在的概念漂移等问题，提出了基于svr的电力负荷多元时间序列动态局部建模(dlm-svr)方法。该方法将采集的数据分为历史数据和增量数据两个部分。在历史数据部分，对数据集进行自适应聚类得到若干个集群，对不同的集群分别建立各本文档来自技高网...
【技术保护点】
1.一种电力负荷动态局部建模方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的电力负荷动态局部建模方法，其特征在于，所述预处理过程中，特征选择包括以下变量：干球温度、露点温度、湿球温度、湿度、电力负荷；
3.根据权利要求1所述的电力负荷动态局部建模方法，其特征在于，在历史数据部分，采用改进的FCM聚类算法对历史数据进行划分，结合XB聚类有效性指标自适应获取最佳集群数目，实现对历史数据的自适应聚类；之后，根据历史数据聚类的结果，计算各个集群的聚类中心和聚类半径。
4.根据权利要求1所述的电力负荷动态局部建模方法，其特征在于，在对增量数据的聚类过程中，继承来自历史数据聚类的聚类集群、聚类中心和聚类半径，并将最大聚类半径作为距离阈值，对增量数据采用ECM聚类算法进行在线聚类。
5.根据权利要求4所述的电力负荷动态局部建模方法，其特征在于，在增量数据部分，基于历史数据聚类得到的聚类集群，聚类中心和聚类半径，初始化增量数据ECM聚类算法的参数，对于新到来的增量数据，采用ECM聚类算法进行增量聚类；在增量聚类过程中，动态更新聚类集群的结
6.根据权利要求1所述的电力负荷动态局部建模方法，其特征在于，对于聚类后形成的每一个集群分别训练一个局部SVR模型，所述局部SVR模型包括三个可调参数，分别是高斯核函数参数、不敏感损失系数和惩罚因子；
7.根据权利要求1所述的电力负荷动态局部建模方法，其特征在于，聚类后得到K个集群，每个集群clusterk的聚类中心为centerk，k＝1,2,...,K，对应建立的局部SVR模型为SVRk；
8.一种数据采集监控系统，其特征在于，所述系统包括：
9.根据权利要求8所述的数据采集监控系统，其特征在于，所述数据采集模块包括：电力负荷采集设备，串口服务器，管理工作站、接口服务器、信息中心存储服务器、平台核心交换机；
10.根据权利要求8所述的数据采集监控系统，其特征在于，所述监控APP包括：客户端、服务器端和系统管理后台；
...【技术特征摘要】
1.一种电力负荷动态局部建模方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的电力负荷动态局部建模方法，其特征在于，所述预处理过程中，特征选择包括以下变量：干球温度、露点温度、湿球温度、湿度、电力负荷；
3.根据权利要求1所述的电力负荷动态局部建模方法，其特征在于，在历史数据部分，采用改进的fcm聚类算法对历史数据进行划分，结合xb聚类有效性指标自适应获取最佳集群数目，实现对历史数据的自适应聚类；之后，根据历史数据聚类的结果，计算各个集群的聚类中心和聚类半径。
4.根据权利要求1所述的电力负荷动态局部建模方法，其特征在于，在对增量数据的聚类过程中，继承来自历史数据聚类的聚类集群、聚类中心和聚类半径，并将最大聚类半径作为距离阈值，对增量数据采用ecm聚类算法进行在线聚类。
5.根据权利要求4所述的电力负荷动态局部建模方法，其特征在于，在增量数据部分，基于历史数据聚类得到的聚类集群，聚类中心和聚类半径，初始化增量数据ecm聚类算法的参数，对于新到来的增量数据，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。