Suzhou Electric Appliance Research Institute
期刊号: CN32-1800/TM| ISSN1007-3175

Article retrieval

文章检索

首页 >> 文章检索 >> 最新索引

面向电力现货市场的缺失数据重建方法综述

来源:电工电气发布时间:2024-07-03 09:03 浏览次数:27

面向电力现货市场的缺失数据重建方法综述

李冬伟,杨学森,崔迪凡,燕飞,谢晓爽
(国网天津市电力公司城东供电分公司,天津 300250)
 
    摘 要:在电力现货市场实际运行中,其数据采集过程可能会因设备故障、通信问题等因素导致数据缺失,影响市场结算的准确性。分析了电力现货市场的数据特征,讨论了数据缺失机制,介绍了多种缺失数据重建方法及各自的优越性和局限性,并对电力缺失数据重建方法进行了展望,强调在未来研究中需要关注方法的适用性、准确性、可解释性以及计算效率。
    关键词: 电力现货市场;缺失数据;数据重建;分时电量;市场结算
    中图分类号:F407.61 ;TM930.1     文献标识码:A     文章编号:1007-3175(2024)06-0001-09
 
A Review of Methods for Reconstructing Missing Data for
Electricity Spot Market
 
LI Dong-wei, YANG Xue-sen, CUI Di-fan, YAN Fei, XIE Xiao-shuang
(State Grid Tianjin Chengdong Electric Power Supply Company, Tianjin 300250, China)
 
    Abstract: In the actual operation of the electricity spot market, the data collection process may be missing due to equipment failures, communication problems and other factors, which will affect the accuracy of market settlement. This paper first analyses the data characteristics of the electricity spot market and discusses the missing data mechanism. Subsequently, a variety of missing data reconstruction methods and their respective superiority and limitations are introduced in detail. Finally, the article provides an outlook on missing data reconstruction methods for electricity and emphasises the need to focus on the applicability, accuracy, interpretability and computational efficiency of the methods in future research.
    Key words: electricity spot market; missing data; data reconstruction; time-sharing charge; market settlement
 
参考文献
[1] 国家发展改革委,国家能源局. 关于加快建设全国统一电力市场体系的指导意见[EB/OL] . (2022-01-18)[2024-03-20].https://www.gov.cn/zhengce/zhengceku/2022-01/30/content_5671296.htm.
[2] 国家发展改革委,国家能源局. 关于印发《电力现货市场基本规则(试行)》的通知[EB/OL] . (2023-09-07)[2024-03-20].https://www.gov.cn/zhengce/zhengceku/202309/content_6904881.htm.
[3] 金勇进. 缺失数据的插补调整[J] . 数理统计与管理,2001,20(6) :47-53.
[4] 庞新生. 缺失数据插补处理方法的比较研究[J]. 统计与决策,2012,28(24) :18-22.
[5] 杨晓倩. 缺失数据插补方法的选择研究[D]. 兰州:兰州财经大学,2016.
[6] 邓建新,单路宝,贺德强,等. 缺失数据的处理方法及其发展趋势[J] . 统计与决策,2019,35(23) :28-34.
[7] 李富盛,陈伟松,钱斌,等. 面向低压配电网智能电表误差监测的 LightGBM-EM-EC 多变量缺失数据高效重建[J] . 中国电机工程学报,2022,42(S1) :95-105.
[8] 廖祥超. 九种常用缺失值插补方法的比较[D] . 昆明:云南师范大学,2017.
[9] 徐鸿艳,孙云山,秦琦琳,等. 缺失数据插补方法性能比较分析[J]. 软件工程,2021,24(11) :11-14.
[10] 冷亚军,吴宗育,梁昌勇,等. 基于 EM 填补和加权秩和比的电力系统黑启动决策方法[J] . 中国管理科学,2022,30(12) :327-337.
[11] 路昂. 基于用电负荷的缺失数据插补方法研究[J]. 分布式能源,2020,5(4) :74-80.
[12] 宋亮,万建洲. 缺失数据插补方法的比较研究[J]. 统计与决策,2020,36(18) :10-14.
[13] 庞新生. 多重插补处理缺失数据方法的理论基础探析[J]. 统计与决策,2005,21(4) :12-14.
[14] 杨茂,王金鑫,都键. 基于极限学习机与格兰杰检验的风电功率缺失数据补齐[J] . 东北电力大学学报,2019,39(4) :9-16.
[15] 谷海彤,陈邵华,吴晓强,等. DA 多重插补法在电网电能量数据缺失处理中的应用[J] . 广西科技大学学报,2017,28(3) :103-109.
[16] 中国电力企业联合会. 电网短期和超短期负荷预测技术规范:DL/T 1711—2017[S]. 北京:中国电力出版社,2017:3.
[17] 林辉,刘晶,郝志峰,等. 基于相似日负荷修正的节假日短期负荷预测[J] . 电力系统保护与控制,2010,38(7) :47-51.
[18] 国家能源局山东监管办公室. 关于修订《山东省电力现货市场交易规则( 试行)》《山东省电力中长期市场交易规则( 试行)》《山东省电力零售市场交易规则( 试行)》的通知[EB/OL].(2020-07-31)[2024-03-21].https://sdb.nea.gov.cn/dtyw/tzgg/202309/t20230919_110428.html.
[19] 王华佑,孙云莲,谢文旺,等. 一种实时在线的用户电量数据修正方法[J] . 电测与仪表,2018,55(19) :101-105.
[20] 程雅梦,李明,李悦,等. 基于计量在线监测及智能诊断的日电量拟合研究[J] . 供用电,2021,38(1) :74-79.
[21] 莫维仁,张伯明,孙宏斌,等. 短期负荷预测中选择相似日的探讨[J] . 清华大学学报(自然科学版),2004,44(1) :106-109.
[22] 李邦云,袁贵川,丁晓群. 基于相似搜索和加权回归技术的短期电价预测[J] . 电力自动化设备,2004,24(1) :42-45.
[23] 周潮,邢文洋,李宇龙. 电力系统负荷预测方法综述[J].电源学报,2012(6) :32-39.
[24] 廖旎焕, 胡智宏, 马莹莹, 等. 电力系统短期负荷预测方法综述[J] . 电力系统保护与控制,2011,39(1) :147-152.
[25] 毛李帆,姚建刚,金永顺,等. 中长期负荷预测的异常数据辨识与缺失数据处理[J] . 电网技术,2010,34(7) :148-153.
[26] 朱梦成. 面向缺失数据处理的 SVM 算法研究[D]. 天津:天津大学,2017.
[27] 冯磊,王石刚,梁庆华. 基于 GAKNN 方法的配电站时间序列缺失数据补全方法[J] . 电力自动化设备,2021,41(12) :187-192.
[28] MALARVIZHI M R.K-NN Classifier Performs Better Than K-Means Clustering in Missing Value Imputation[J].Iosrjournals Org, 2012, 6(5) :12-15.
[29] 梅玉杰,李勇,周王峰,等. 基于机器学习的配电网异常缺失数据动态清洗方法[J] . 电力系统保护与控制,2023,51(7) :158-169.
[30] 王策. 一种基于 k-means 算法和关联规则的缺失数据填补方法[D]. 哈尔滨:哈尔滨工程大学,2014.
[31] 杨挺,何周泽,赵东艳,等. 基于 FSOM 神经网络的电能质量数据缺失修复算法[J] . 电网技术,2020,44(5) :1941-1949.
[32] 严明辉,潘舒宸,吴滇宁,等. 基于非参数核密度估计的电力市场用户电量异常数据辨识与修正方法[J] .现代电力,2022,39(1) :80-87.
[33] 陈振宇,刘金波,李晨,等. 基于 LSTM 与 XGBoost 组合模型的超短期电力负荷预测[J] . 电网技术,2020,44(2) :614-620.
[34] 赵龙,杨波,卢志鹏,等. 基于谱聚类和 AM-LSTM 的分布式光伏集群超短期预测方法[J] . 供用电,2023,40(7) :10-17.
[35] 郭蕴颖,丁云峰. 基于 CNN 和 LSTM 联合预测并修正的电量缺失数据预测[J] . 计算机系统应用,2020,29(8) :192-198.
[36] 王子馨,胡俊杰,刘宝柱. 基于长短期记忆网络的电力系统量测缺失数据恢复方法[J] . 电力建设,2021,42(5) :1-8.
[37] 王坤峰,苟超,段艳杰,等. 生成式对抗网络 GAN 的研究进展与展望[J] . 自动化学报,2017,43(3) :321-332.
[38] 王守相,陈海文,潘志新,等. 采用改进生成式对抗网络的电力系统量测缺失数据重建方法[J]. 中国电机工程学报,2019,39(1) :56-64.
[39] 蔡榕,杨雪,田江,等. 基于相关性分析和生成对抗网络的电网缺失数据填补方法[J] . 电力工程技术,2024,43(1) :229-237.
[40] RONNEBERGER O , FISCHER P , BROX T . U-Net:Convolutional Networks for Biomedical Image Segmentation[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention,2015 :234-241.
[41] 许慧敏. 基于深度学习 U-Net 模型的高分辨率遥感影像分类方法研究[D]. 成都:西南交通大学,2018.
[42] 崔阳阳,赵洪山,曲岳晗,等. 基于残差 U 型网络的低压台区电力缺失数据补全方法[J] . 电力系统自动化,2022,46(9) :83-90.
[43] DONOHO D L.Compressed sensing[J].IEEE Transactions on Information Theory,2006,52(4) :1289-1306.
[44] 陈蕾,陈松灿. 矩阵补全模型及其算法研究综述[J] .软件学报,2017,28(6) :1547-1564.
[45] 彭义刚, 索津莉, 戴琼海, 等. 从压缩传感到低秩矩阵恢复:理论与应用[J] . 自动化学报,2013,39(7) :981-994.
[46] CANDES E J , TAO J . The Power of Convex Relaxation: Near-Optimal Matrix Completion[J].IEEE Transactions on Information Theory, 2010,56(5) :2053-2080.
[47] 刘正超,吴科成,蔡珑,等. 基于线性 Bregman 方法的缺失负荷数据低秩矩阵补全[J] . 广东电力,2018,31(5) :68-73.
[48] 乔文俞,李野,刘浩宇,等. 基于曲线相似与低秩矩阵的缺失电量数据补全方法[J] . 电力建设,2020,41(1) :32-38.
[49] 赵洪山,寿佩瑶,马利波. 低压台区缺失数据的张量补全方法[J] . 中国电机工程学报,2020,40(22) :7328-7336.
[50] 李培冠,於志勇,黄昉菀. 基于稀疏表示的电力负荷数据补全[J]. 计算机科学,2021,48(2) :128-133.
[51] 杨挺,孙兆帅,季浩,等. 基于矩阵范数优化理论的用电数据质量提升算法[J] . 中国电机工程学报,2022,42(10) :3501-3511.