Page 67 - 2024年第55卷第12期
P. 67
５．２ 负荷特征提取 采用上文所提方法对 ７个受端省
市进行逐月典型负荷曲线提取。以广东省某月负荷为
例，考虑到负荷特征会随着时间推移而发生改变，本
研究采用决策时间点前最近 １年的负荷数据提取典型
负荷特征曲线，力求最为准确地刻画各省负荷特性差
异。图 ７为广东 ２０２２年 １月逐日负荷需求曲线，首先
根据表 １所示负荷特征参数计算方法进行负荷特征参
数的计算。计算结果表明，采用上文所提基于核密度
估计的特征参数拟合方法对当月各负荷特征参数进行
拟合，由于非参数核密度估计中，带宽越大，拟合曲
线越平滑；带宽越小，曲线越容易出现峰值，造成过 图 ７ 广东省某月典型负荷图
拟合，故本文通过多折交叉验证机制进行了最优带宽
表 ２ 核函数及带宽参数选取
的筛选，不同特征参数选取的核密度函数以及带宽如
特征参数 核函数 带宽 ｈ
表 ２所示。
日负荷率 指数核函数 ０．００５
使用正态分布拟合与本方法进行对比，本文所提
日峰谷差率 指数核函数 ０．０１
拟合方法 可 以 更 好 地 展 现 各 负 荷 特 征 参 数 分 布 特 点
峰期负载率 高斯核函数 ０．００５
（图 ８）。通过概率密度拟合，得到典型日负荷特性指
谷期负载率 高斯核函数 ０．００７
标向量为［０．８３９７，０．３７３４，１．１２７３，０．８２３５，１．０５９５］。
平期负载率 高斯核函数 ０．００３
利用式（２２）计算权重并对样本中的负荷曲线进行加权
叠加后得到充分提取曲线特征参数的典型负荷曲线如图 ９所示。
图 ８ 负荷特征参数核密度估计拟合效果
图 ９ 广东某月典型负荷提取结果
４
— １ ７ ９ —
