電力大客戶負荷模式研究

羅煜

摘 要：在當前國家推進電力市場化交易的形勢下，研究電力大客戶的負荷模式具有重要意義。文章通過應用K-means的聚類算法，實現對工業大客戶的電力負荷模式識別。同時，也提出了通過小波的方法壓縮存儲空間，并簡要分析了負荷模式對負荷預測的作用。

關鍵詞：負荷模式；K-means聚類；負荷預測

中圖分類號：TM714 文獻標識碼：A 文章編號：1006-8937（2016）12-0117-03

許多企業用戶對電力的需求相當大，這些電力大客戶日負荷非常大，并且其負荷模式常常在一段時期內基本固定。

本文通過K-means的聚類算法對其日負荷曲線進行模式識別，來研究電力大客戶的負荷模式。通過對電力大客戶的負荷模式研究，可以大致掌握其用電規律，并可應用于負荷預測、需求側響應、調度管理等實際工作中。

1 電力負荷模式研究

1.1 測度函數

在進行電力客戶模式研究時，必須先定義近鄰測度函數。近鄰測度函數有兩種，一種是相似性測度，兩個向量（或點集）之間越相似，其相似測度函數值越大；另一種是不相似測度，兩個向量（或點集）之間越相似，其不相似測度函數值越小。

著名的歐氏距離函數即是一種不相似性測度函數，對兩個向量x，y而言，其歐氏距離定義為：

d■=（x，y）=■2■（1）

在本文中，采取常用的一種相似性測度函數Pearson系數來衡量日負荷曲線間的相似性。Pearson系數定義為：

rPearson（x，y）=■（2）

1.2 負荷曲線去噪

對于電力負荷曲線而言，我們更關心的是曲線的整體形狀，局部的“毛刺”對曲線的整體形狀影響不大。為了聚類結果更快速，以及節省儲存空間，這里提出用Haar小波去燥的方法來處理負荷曲線。

Haar小波的尺度函數定義為：

φ（x）=1， 若0≤x<10， 其余情況（3）

？撞k∈zφ（2jx-k）構成一組正交基，其正交補定義為：

？撞k∈z？漬（2jx-l）

？漬（x）定義如下：

？漬（x）=1， 若0≤x≤1/2-1， 若1/2≤x<1 0， 其余情況（4）

將日負荷曲線展開為？漬（2jx-l）與φ（x-k）的序列相加，去掉屬于較大的j的？漬（2jx-l）分量（去噪），但如果？漬（2jx-l）前的系數很大則予以保留，再進行重構。

1.3 聚類算法

對負荷曲線進行聚類就是把大量負荷曲線分割成不同的類，使得同一個類內的負荷曲線的相似性盡可能大，同時不在同一個類中的負荷曲線的差異性也盡可能地大。即聚類后相似的負荷曲線盡可能聚集到一起，不同負荷曲線盡量分離。 K-means聚類算法是經典的聚類1之一。其聚類準則采用平方誤差準則，其定義如下：

E=■■f■（p，m■）（5）

式中，E的值是聚類的判斷條件，p為需要聚類的元素，Ci為一個類，mi為Ci的中心。ki為Ci目前的元素數目，f為測度函數，表示元素p到mi的距離，本文采取f=■。其聚類算法過程如下：

①設共有x個元素，目前已有個n元素已聚類，目前有m個類Ci（i=1，2，…，m），Ci的元素個數為ki設定閥值？夼。

②對第n+1個元素pn+1，對于每個類Ci，求取將pn+1歸并入Ci后的Ei，取最小的Ei為Emin，設此時i=o，若Emin<？夼，則將pn+1歸入Co中，否則新建一個類Cm+1={pn+1}。

③重復步驟①②，直到n=x，所有元素聚類為止。

1.4 實際數據分析

以下為某企業連續71 d的日負荷曲線（每15 min采樣一次，單條日負荷曲線共96個數據點），如圖1所示。

采用1.3的聚類算法，得到的結果，如圖2所示。

2 電力客戶負荷預測的應用

大型制造型企業在一段較短時間內負荷模式基本不變。因此，對于用電量較大的電力客戶，可以采取負荷模式來進行負荷預測。

從圖1中挑選出連續8 d的日負荷曲線，如圖3所示。

通過聚類算法后，其中一條明顯不同與其他的負荷曲線被區分出來，得到的結果，如圖4（a）（b）所示。該條明顯不同的負荷曲線其實是對應企業的某個周日的負荷曲線。

另外，圖3采用Harr小波去噪后，得到的結果，如圖5所示。對圖5的曲線采用同樣的聚類算法，和圖4的聚類結果相同，但聚類過程中其相關性變得更明顯，而且圖5每條負荷曲線只有48個數據點，比圖4的節省了一般儲存空間。

從圖4中a類取3條連續的日負荷曲線，如圖6所示，我們假想下一天的負荷模式與（a）類相同。

然后，我們可以用選取的這三條日負荷曲線，經過小波去燥后，如圖7所示，求出其中心曲線，如圖8所示。這里我們把中心定義為圖7中三條曲線相加后求平均，中心的定義也可以參考聚類算法中的一些經典定義。

我們將第4日的日負荷曲線與中心曲線放相對比得到的結果，如圖9所示。通過計算，其Pearson相關系數系數達到0.9667，可見，電力負荷模式識別對負荷預測有極其重要的作用。

3 結 語

本文通過應用K-means的聚類算法將電力大客戶的日負荷曲線進行聚類，研究其負荷模式。本文分析表明，K-means聚類算法對負荷曲線聚類有很好的效果。同時，負荷模式對于分析電力客戶的用電行為及其負荷預測有重要作用。在目前推進電力市場化交易的背景下，大客戶的電力負荷模式研究具有重要意義。如何進一步采取數據挖掘等方法和手段去更深入了解用戶行為去指導實際工作等課題，需要進一步展開研究。

參考文獻：

[1] 西奧多里蒂斯.李晶皎（譯）.模式識別（第四版）[M].北京：電子工業出版 社，2012.

[2] 劉耀年.基于模糊識別與模糊聚類理論的短期負荷預測[J].電工技術 學報，2002，（5）.

[3] 許甜田.大用戶負荷預測方法研究及其應用[D].長沙：湖南大學，2013.

[4] Jiawei Han，Micheline Kamber.數據挖掘概念與技術[M].北京：機械工 業出版社，2007.

[5] 劉麗輕.電力用戶負荷模式識別系統研究與設計[D].北京：華北電力大 學，2011.

[6] 張忠華.電力系統負荷分類研究[D].天津：天津大學，2007.

[7] Kuncheva，L. L，Vetrov， etal.Evaluation of Stability of k-Means ClusterEnsembles with Respect to Random Initialization [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2006，（11）.

[8] Shehroz S. Kha，Amir Ahmad. Cluster center initialization algorithmfor K-means clustering[J]. Pattern Recognition Letters，2004.

[9] 仲偉寬.模糊聚類方法在用戶負荷曲線分析中的應用[J].華東電力，2007，（8）.