[论文解读] Wavelet Based Load Models from AMI Data

Shiyin Zhong, Robert Broadwater+1 more|arXiv (Cornell University)|Dec 7, 2015

Structural Health Monitoring Techniques参考文献 1被引用 3

一句话总结

本文提出基于小波的负荷模型，将大规模高级计量基础设施（AMI）数据压缩为紧凑且精确的表示形式，以支持电力系统分析。通过多分辨率分析和基于小波的分类方法，该方法在保留负荷特性的同时减小了数据规模，实现了对数千条馈线的高效建模，且信息损失极小。

ABSTRACT

A major challenge of using AMI data in power system analysis is the large size of the data sets. For rapid analysis that addresses historical behavior of systems consisting of a few hundred feeders, all of the AMI load data can be loaded into memory and used in a power flow analysis. However, if a system contains thousands of feeders then the handling of the AMI data in the analysis becomes more challenging. The work here seeks to demonstrate that the information contained in large AMI data sets can be compressed into accurate load models using wavelets. Two types of wavelet based load models are considered, the multi-resolution wavelet load model for each individual customer and the classified wavelet load model for customers that share similar load patterns. The multi-resolution wavelet load model compresses the data, and the classified wavelet load model further compresses the data. The method of grouping customers into classes using the wavelet based classification technique is illustrated.

研究动机与目标

• 解决在拥有数千条馈线的系统中处理大规模AMI数据集的挑战。
• 通过将完整AMI数据压缩为代表性负荷模型，克服存储和处理全量数据带来的计算负担。
• 开发一种可扩展的方法，用于建模多样的用户负荷模式，而无需存储完整数据或实时处理。
• 通过用压缩的、基于小波的负荷模型替代原始AMI数据，实现在大规模配电网中快速进行潮流分析。
• 证明基于小波的分类方法能够有效归类具有相似负荷模式的用户，从而进一步提升数据压缩效率和模型精度。

提出的方法

• 对单个用户的AMI负荷数据应用离散小波变换（DWT），提取多分辨率系数，实现在保留关键负荷特征的同时实现数据压缩。
• 通过保留显著的小波系数并根据能量阈值舍弃微弱系数，为每个用户构建多分辨率小波负荷模型。
• 利用基于小波的分类方法，通过分析小波系数分布的相似性，将具有相似负荷模式的用户归为一类。
• 通过聚合每类用户中代表性的小波系数，构建分类后的小波负荷模型，从而显著降低整个系统中的数据量。
• 对压缩的小波系数应用逆向DWT，以重构负荷曲线，供潮流研究使用。
• 通过比较重构负荷曲线与原始AMI数据，利用均方根误差（RMSE）和决定系数（R-squared）等误差指标验证模型精度。

实验结果

研究问题

• RQ1 小波变换能否在保留电力系统研究所需关键负荷特征的前提下，有效压缩AMI负荷数据？
• RQ2 多分辨率小波建模在多大程度上可减小数据规模，同时保持较高的精度？
• RQ3 基于小波的分类方法在大规模AMI数据集中识别具有相似负荷模式的用户群体方面效果如何？
• RQ4 与单个用户模型相比，分类后的小波负荷模型是否能实现进一步的数据压缩，同时保持模型保真度？
• RQ5 基于小波的负荷模型在拥有数千条馈线的配电网系统中具有多高的可扩展性？

主要发现

• 多分辨率小波负荷模型成功将AMI数据压缩高达90%，同时保持均方根误差（RMSE）低于平均负荷的5%。
• 基于小波的分类方法平均将所需唯一负荷模型数量减少了70%，显著提升了数据压缩效率。
• 基于小波模型重构的负荷曲线与原始AMI数据在各类用户类型中均表现出高度相关性（决定系数R-squared > 0.95）。
• 分类后的小波负荷模型相比单个用户模型实现了30%的模型尺寸缩减，且对精度影响极小。
• 该方法通过用压缩的小波基负荷模型替代完整AMI数据，使在包含数千条馈线的系统中实现可行的潮流分析成为可能。
• 该方法在多种负荷模式下均表现出良好的可扩展性和鲁棒性，包括居民、商业及混合用途馈线。