一种多尺度时间负荷预测曲线数据提取方法及装置与流程

本发明涉及负荷预测曲线数据提取领域，尤其涉及一种多尺度时间负荷预测曲线数据提取方法及装置。

背景技术：

1、电力运行方式编排的核心是安全约束机组组合(security-constrained unitcommitment,scuc)，其目标是优化电力系统在一定时间范围内的发电计划，以满足电力需求并保证系统安全运行。在scuc的实现过程中，负荷预测数据作为重要的输入数据，直接影响调度计划的制定和电力系统的稳定性：1)负荷预测数据提供了未来时间段内电力需求的预估，是scuc决策过程中的基础输入，决定了哪些发电机组需要启停以及它们的发电水平；2)基于负荷预测数据，scuc可以优化发电机组的启停计划，避免不必要的启停操作，在高负荷时合理安排备用机组，从而减少设备磨损和运行成本；3)负荷预测数据帮助scuc识别负荷高峰和低谷，提前采取相应措施，确保电力系统的可靠性和稳定性；4)负荷预测数据可以帮助scuc合理安排备用和调节能力，以应对可再生能源发电的波动，最大限度地利用可再生能源；5)在电力市场中，负荷预测数据对电力交易价格和策略有直接影响。

2、由于电力系统中各专业壁垒凸显、跨专业流程不贯通、数据共享实时性不强以及基于数据安全的考虑，一些电力调度部门、电力市场运营部门或电网公司无法获取满足业务需求的准确数据集，而是通过相关预测分析工具生成或由其他部门提供的负荷预测曲线。负荷预测曲线的格式不符合scuc算法输入的要求，需要进行数据格式的转换和整合，确保输入数据的一致性和规范性。此外，scuc通常以小时或15分钟为时间尺度进行调度，而负荷预测曲线可能是以不同的时间尺度(例如天、周、月)生成的，需要对预测数据进行时间尺度的转换和细化，才能匹配scuc的调度需求。

3、目前，从曲线中自动提取数据的方法和工具已相对成熟，常用方法包括：1.插值方法，使用插值技术(如线性插值、样条插值等)从连续曲线中估算得到离散的数据点，然后根据需要进行时间尺度的调整。2.基于特征点检测的方法，通过检测曲线中的特征点(如极值点、拐点等)来提取关键数据点，然后根据需要进行时间尺度的调整。3.数据分析和模式识别方法，利用数据分析和模式识别技术(如机器学习、统计分析等)从曲线中学习其潜在的模式和规律，然后根据需求提取数据点。这些方法都存在相应的弊端，不能准确快速的提取到负荷。

技术实现思路

1、本发明提供了一种多尺度时间负荷预测曲线数据提取方法及装置，以解决现有技术中不能准确快速的提取到负荷的问题。

2、第一方面，本技术提供了一种多尺度时间负荷预测曲线数据提取方法，包括：

3、获取第一负荷预测曲线图；其中，所述第一负荷预测曲线图包含了负荷预测值随时间变化的数据；

4、根据预设边缘算法，提取所述第一负荷预测曲线图中的负荷曲线，得到第二负荷预测曲线图；

5、根据预设的搜索条件、水平像素范围和自定义时间值，迭代搜索所述第二负荷预测曲线图中垂直方向上的曲线边缘点，直到满足迭代结束条件；其中，每次迭代时，根据误差和预设的学习率更新所述搜索条件；所述水平像素范围是通过第一负荷预测曲线图的时间坐标转换为像素坐标得到的；

6、计算所述曲线边缘点的平均像素坐标，并将所述平均像素坐标转换为自定义时间值内的实际负荷值。

7、本技术将时间坐标转换为像素坐标，并在预设参数指导下进行自适应搜索，提高了曲线边缘点定位的准确性和搜索效率；同时，通过动态调整搜索参数和计算平均像素坐标转化实际负荷值，能够准确并快速的提取到负荷数据；最终，将数据按自定义时间值结构化存储，为用户提供了灵活且可靠的负荷预测信息，满足了不同时间尺度下的电网运行方式编排需求。

8、作为第一方面的一个优选实施例，所述获取第一负荷预测曲线图之后，还包括：

9、对所述第一负荷预测曲线图进行灰度化处理和去噪处理，以使第一负荷预测曲线图中的负荷曲线与背景对比度差值超过预设阈值。

10、此优选实施例中，本技术通过预处理第一负荷预测曲线图，包括灰度化和去噪，该方法有效增强了负荷曲线与背景之间的对比度，确保了曲线特征的清晰度和可识别性，从而为后续的准确边缘检测和数据提取奠定了基础，提高了负荷预测曲线数据提取的质量和可靠性。

11、作为第一方面的一个优选实施例，所述水平像素范围是通过第一负荷预测曲线图的时间坐标转换为像素坐标得到的，具体为：

12、获取第一负荷预测曲线图；

13、将第一负荷预测曲线图横坐标上的时间坐标转换为像素坐标；

14、其中，所述时间坐标转换为像素坐标可以用下式表示：

15、

16、式中xpixel为像素值坐标，w为第一负荷预测曲线图宽度，t表示每个时间点，xmin表示第二负荷预测曲线图横坐标轴的最小值，xmax表示第二负荷预测曲线横坐标轴的最大值；

17、所述水平像素范围为像素坐标的最小值和最大值。

18、此优选实施例中，本技术通过将第一负荷预测曲线图的时间坐标转换为像素坐标，确定了负荷曲线在图像中的位置，利用线性变换公式确保了在图像水平方向上对负荷曲线进行准确搜索的范围界定，从而提高了曲线边缘点搜索的精确度和效率。

19、作为第一方面的一个优选实施例，所述根据误差和预设的学习率更新所述搜索条件，具体为：

20、所述搜索条件为预设步长和预设曲线宽度；

21、通过计算前一时间点的实际负荷预测值与当前时间点的实际负荷预测值之间的差的绝对值，得到误差；

22、将预设步长乘以自然指数函数的负误差倍数，得到调整后步长，将预设曲线宽度乘以自然指数函数的负误差倍数，得到调整后曲线宽度；其中，所述负误差倍数是通过预设的学习率乘以误差得到的；

23、调整后步长和调整后曲线宽度为更新后的搜索条件。

24、此优选实施例中，本技术通过在未检测到曲线边缘点时引入自适应调整机制，利用误差反馈动态优化搜索参数，具体地，通过计算前一个时间点与当前时间点的实际负荷预测值之差的绝对值作为误差，并根据预设学习率对步长和曲线宽度进行指数调整，这种基于误差的自适应调整策略增强了搜索算法的灵活性和准确性，确保了在多变的数据条件下也能有效地定位曲线边缘点，提高了负荷预测曲线数据提取的效率和可靠性。

25、作为第一方面的一个优选实施例，所述计算所述曲线边缘点的平均像素坐标，并将所述平均像素坐标转换为自定义时间值内的实际负荷值，具体为：

26、所述曲线边缘点的平均像素坐标计算公式为:

27、

28、将所述平均像素坐标转化为自定义时间值内的实际负荷值，转化公式如下式所示：

29、

30、式中，l为实际负荷值。

31、此优选实施例中，本技术通过累加给定搜索范围内检测到的所有边缘点的像素坐标，并除以边缘点的总数，得到平均像素坐标。这一步骤的推理过程基于统计原理，通过集中趋势的测量来减少随机误差的影响，确保了坐标提取的稳定性和可靠性。随后，将该平均像素坐标转换为自定义时间值内的实际负荷值，转化过程利用了预先确定的图像与实际负荷值之间的对应关系，这一转化的推理过程基于比例转换原理，将像素坐标映射回原始的负荷预测数据范围内，确保了负荷值的准确性和实际应用中的有效性。

32、第二方面，本技术提供了一种多尺度时间负荷预测曲线数据提取装置。所述多尺度时间负荷预测曲线数据提取装置，包括获取模块、提取模块、搜索模块和计算模块；

33、获取模块用于获取第一负荷预测曲线图；其中，所述第一负荷预测曲线图包含了负荷预测值随时间变化的数据；

34、提取模块用于根据预设边缘算法，提取所述第一负荷预测曲线图中的负荷曲线，得到第二负荷预测曲线图；

35、搜索模块用于根据预设的搜索条件、水平像素范围和自定义时间值，迭代搜索所述第二负荷预测曲线图中垂直方向上的曲线边缘点，直到满足迭代结束条件；其中，每次迭代时，根据误差和预设的学习率更新所述搜索条件；所述水平像素范围是通过第一负荷预测曲线图的时间坐标转换为像素坐标得到的；

36、计算模块用于计算所述曲线边缘点的平均像素坐标，并将所述平均像素坐标转换为自定义时间值内的实际负荷值。

37、本装置使用四个模块分工并协调工作可以更好的准确提取到负荷数据，本技术将时间坐标转换为像素坐标，并在预设参数指导下进行自适应搜索，提高了曲线边缘点定位的准确性和搜索效率；同时，通过动态调整搜索参数和计算平均像素坐标转化实际负荷值，能够准确并快速的提取到负荷数据；最终，将数据按自定义时间值结构化存储，为用户提供了灵活且可靠的负荷预测信息，满足了不同时间尺度下的电网运行方式编排需求。

38、作为第二方面的一个优选实施例，所述获取第一负荷预测曲线图之后，还包括：

39、对所述第一负荷预测曲线图进行灰度化处理和去噪处理，以使第一负荷预测曲线图中的负荷曲线与背景对比度差值超过预设阈值。

40、此优选实施例中，本技术通过预处理第一负荷预测曲线图，包括灰度化和去噪，该方法有效增强了负荷曲线与背景之间的对比度，确保了曲线特征的清晰度和可识别性，从而为后续的准确边缘检测和数据提取奠定了基础，提高了负荷预测曲线数据提取的质量和可靠性。

41、作为第二方面的一个优选实施例，所述水平像素范围是通过第一负荷预测曲线图的时间坐标转换为像素坐标得到的，具体为：

42、获取第一负荷预测曲线图；

43、将第一负荷预测曲线图横坐标上的时间坐标转换为像素坐标；

44、其中，所述时间坐标转换为像素坐标可以用下式表示：

45、

46、式中xpixel为像素值坐标，w为第一负荷预测曲线图宽度，t表示每个时间点，xmin表示第二负荷预测曲线图横坐标轴的最小值，xmax表示第二负荷预测曲线横坐标轴的最大值；

47、所述水平像素范围为像素坐标的最小值和最大值。

48、此优选实施例中，本技术通过将第一负荷预测曲线图的时间坐标转换为像素坐标，确定了负荷曲线在图像中的位置，利用线性变换公式确保了在图像水平方向上对负荷曲线进行准确搜索的范围界定，从而提高了曲线边缘点搜索的精确度和效率。

49、作为第二方面的一个优选实施例，所述根据误差和预设的学习率更新所述搜索条件，具体为：

50、所述搜索条件为预设步长和预设曲线宽度；

51、通过计算前一时间点的实际负荷预测值与当前时间点的实际负荷预测值之间的差的绝对值，得到误差；

52、将预设步长乘以自然指数函数的负误差倍数，得到调整后步长，将预设曲线宽度乘以自然指数函数的负误差倍数，得到调整后曲线宽度；其中，所述负误差倍数是通过预设的学习率乘以误差得到的；

53、调整后步长和调整后曲线宽度为更新后的搜索条件。

54、此优选实施例中，本技术通过在未检测到曲线边缘点时引入自适应调整机制，利用误差反馈动态优化搜索参数，具体地，通过计算前一个时间点与当前时间点的实际负荷预测值之差的绝对值作为误差，并根据预设学习率对步长和曲线宽度进行指数调整，这种基于误差的自适应调整策略增强了搜索算法的灵活性和准确性，确保了在多变的数据条件下也能有效地定位曲线边缘点，提高了负荷预测曲线数据提取的效率和可靠性。

55、作为第二方面的一个优选实施例，所述计算所述曲线边缘点的平均像素坐标，并将所述平均像素坐标转换为自定义时间值内的实际负荷值，具体为：

56、所述曲线边缘点的平均像素坐标计算公式为:

57、

58、将所述平均像素坐标转化为自定义时间值内的实际负荷值，转化公式如下式所示：

59、

60、式中，l为实际负荷值。

61、此优选实施例中，本技术通过累加给定搜索范围内检测到的所有边缘点的像素坐标，并除以边缘点的总数，得到平均像素坐标。这一步骤的推理过程基于统计原理，通过集中趋势的测量来减少随机误差的影响，确保了坐标提取的稳定性和可靠性。随后，将该平均像素坐标转换为自定义时间值内的实际负荷值，转化过程利用了预先确定的图像与实际负荷值之间的对应关系，这一转化的推理过程基于比例转换原理，将像素坐标映射回原始的负荷预测数据范围内，确保了负荷值的准确性和实际应用中的有效性。