基于大數據的電能計量系統客戶用電規律研究

魏鶴嬋

摘 要： 海量用電數據中隱含著客戶的用電規律特征，對這些數據進行分析能夠了解客戶的差異化、個性化服務需求。基于國內外研究現象，對客戶用電規律關鍵技術進行了系統研究，研究方法包括聚類算法、日期匹配算法、曲線相似性度量算法等。提出詳細的電能計量系統構建方案，分析主網的用電規律和用電特征。結合用電模式分析了海量客戶的用電規律，建立歷史日削峰填谷匹配關系，并以某電力公司2017-2018年的客戶用電數據為例，驗證了用電分析模型的有效性，能夠為未來的電力需求側響應政策的制定提供數據支撐。

關鍵詞： 用電特征; 聚類算法; 用電規律; 電能計量系統

中圖分類號： TP311; TM933 ? ? ?文獻標志碼： A

Abstract： Massive electricity consumption data imply the characteristics of customers electricity consumption law. The analysis of these data can understand differentiated and personalized needs of customers. The key technologies of customers electricity consumption law are systematically studied， including clustering algorithm， date matching algorithm， curve similarity measurement algorithm， etc. A detailed construction scheme of energy measurement system is proposed， and the main network is studied. Based on the electricity consumption law and characteristics， combined with the electricity consumption pattern， the electricity consumption law of mass customers is analyzed， and the matching relationship between peak-shaving and valley-filling is established. The validity of the electricity consumption analysis model is validated by taking the massive electricity consumption data of a power company from 2017 to 2018 as an example， which can provide data support for the formulation of future power demand-side response policy.

Key words： power consumption feature; clustering algorithm; electricity usage law; energy metering system

0 引言

近年來，客戶用電規律及用電量呈現出多元化的特征，未來電網必須能夠提供更加優質、清潔、可靠、安全的電力供應[1]。同時，隨著營配一體化協同工作機制的建立，用電客戶的用電數據能夠與客戶繳費、客戶檔案等關聯起來，對這些用電數據進行深度挖掘能夠幫助電網了解客戶的個性化、差異化服務需求。如何通過提取天氣參數、客戶信息、用電負荷等相關數據，建立電力主網的負荷特征與客戶群體的負荷特征的模式匹配關系，對提高整個配電系統的工作效率和管理水平有著重要的意義[2-4]。國內外學者對客戶用電規律進行了深入研究，林承就等[5]對居民智能用電情況進行了數據統計，通過模糊綜合評價法對居民智能用電的態度進行量化評分，分析了居民用電情況和影響因素;劉利成等[6]探討了典型用電客戶的用電規律，結合大量的行業經驗，構建了月度用電量計算公式，驗證了該電量計算方法的有效性，但系統運行的時間耗費長不能滿足快速的用電需求響應。Ibrahim D等[7]基于并行K-MEANS聚類算法，建立了谷電系數、負荷率、峰時耗電率等時間序列特征，將居民客戶被分成商業客戶、老人家庭、上班族+老人、上班族、空置房等5類客戶，但聚類方法的計算復雜度較高。本文對客戶用電規律關鍵技術進行了系統研究，包括聚類算法、日期匹配算法、曲線相似性度量算法等，并對提出了詳細的電能計量系統構建方案，研究了主網的用電規律和用電特征，結合用電模式分析了海量客戶的用電規律，建立歷史日削峰填谷匹配關系，并以某電力公司2017-2018年的海量客戶用電數據為例，驗證了用電分析模型的有效性，對提高電網需求側能效管理水平具有建設性意義。

1 用電規律模型的構建

1.1 用電規律分類

客戶用電規律分析是對歷史數據的處理過程，本文對海量數據進行聚類分析，用電規律分析需要對以下算法進行研究，聚類算法、最優聚類評價算法、日期匹配算法、曲線相似性度量算法。其中，聚類分析是將海量數據集劃分為若干個子集，并使集合內的數據具有較高的相似度。EM聚類算法作為一種迭代算法，用于含有隱變量的概率參數模型的極大后驗概率估計，EM算法主要分為E步驟和M步驟，通過兩步驟逐步改進模型的參數，最后終止于一個極大點。K-MEANS算法是將數據對象劃分為k個聚類，具體過程為：從數據對象中任意選取k個對象作為初始的聚類中心;分別計算每個對象到聚類中心的距離，并將其分配到最近距離的聚類;分配完成后，重新計算k個聚類的中心點，對兩次聚類中心進行比較，輸出聚類結果。

1.2 用電規律診斷

2 電能計量系統的設計與實現

電能計量系統分為用電規律分析模型、主網負荷聚類分析、主網負荷數據管理、用電客戶負荷查詢、客戶群用電規律分析等模塊，功能模塊[12]如圖1所示。

其中，用電規律分析引擎通過用電規律分析模型的算法實現[13]。

2.1 用電規律分析引擎

用電行為分析引擎是以算法包的形式實現，對用戶規律分析之前，需要對數據進行預處理，包括新舊測量點處理、負值處理、缺失值處理、“0”值處理、異常值檢測處理等[14]。使用EM聚類對主網負荷數據進行聚類，將歷史負荷曲線分成多個群體，從而獲得在不同時期主網負荷的不同特征，主網聚類分析算法流程，如圖2所示。

基于主網聚類的聚類結果，使用Map-Reduce環境下的K-Means聚類算法，對不同主網下的客戶群進行聚類分析，得到負荷聚類結果和負荷聚類特征[15]。客戶群聚類分析流程，如圖3所示。

基于客戶群聚類分析，對主網特征及客戶群聚類特征進行削峰填谷模式匹配，通過匹配結果將客戶群與主網之間關系分類，如圖4所示。

將歷史數據劃分為3個日期數據集合，分別為：工作日、周末以及節假日。待測日為工作日或周末時，分別在工作日和歷史周末集合中尋找歷史相似日。待測日為節假日時，直接用歷史同一節假日群體進行用電規律的分析。日期匹配分析算法流程，如圖5所示。

2.2 主網負荷的聚類分析

主網負荷的聚類分析對聚類結果、聚類分布、聚類結果特征，能夠直觀的展示負荷分類以及日期構成等，流程圖如圖6所示。

2.3 客戶群用電規律分析

客戶群用電規律分析實現了用戶用電規律分析和用電規律預測。結合主網負荷聚類、客戶負荷聚類、削峰填谷模式匹配執行結果，直觀的展示對比情況;用戶用電規律預判支撐查詢匹配結果，功能流程圖，如圖7所示。

2.4 主網負荷數據管理

主網負荷數據管理和用電客戶負荷查詢以表格和圖形形式展示日主網負荷情況，以及主網、客戶群、用電客戶三者之間的對比關系，用于查詢主網負荷數據和用電客戶負荷數據，頁面流程圖[16]，如圖8所示。

3 仿真實驗分析

為驗證系統的設計思路、操作流程及模塊功及是否滿足各單位功能需求，以某電力公司2017-2018年的海量客戶典型月用電數據為例，對電能計量系統客戶用電規律進行驗證。

3.1 主網聚類結果

利用EM聚類算法對2017年某電力公司典型月主網負荷曲線進行聚類分析，網負荷聚類特征曲線，如圖9所示。

可以看出，每一類的負荷特征曲線形態較為相似，低谷型負荷主要出現在節假日和春季，高峰型負荷主要出現在冬季和夏季。第一類主網負荷曲線夜間負荷較低，晝夜差距明顯，白天從6：00負荷不斷增大，并在11：00達到峰值，19：00后負荷開始下降，分布主要集中在夏冬季節。其中，節假日和春季在第一類中無分布;夏季、秋季、冬季中第一類分布分別占比58.11%、51.70%、6.52%，第二類主網負荷曲線為普通型，整體趨勢與第一類類似，晝夜差距也較為明顯，但白天基本平穩，四季分布均勻，分別占比15.07%，39.82%，41.34%，33.18%;第三類主網負荷曲線為低谷型，在中午有明顯谷值，春秋季和節假日分布較多，夏冬季也有少許分布。其中，節假日占比82.16%，夏季、秋季、冬季中第一類分布分別占比83.93%，1.08%、51.13%、14.31%。綜上，第一類主網負荷曲線主要為夏、冬季節;第二類主網負荷曲線四季分布較為均勻;第三類主網負荷曲線主要為春秋季節;節假日主要集中在第三類。

3.2 客戶群體分析結果

通過對用戶用電曲線數據的聚類分析，可得到電力客戶負荷特征。利用客戶負荷曲線作為并行K-MEANS聚類算法的輸入，得到第一類主網負荷下的客戶負荷曲線，如圖10所示。

通過模式匹配建立第一類主網負荷特征曲線和電力客戶負荷曲線的對應關系，求取皮爾森相關系數及負荷曲線的最大負荷值，結合電力客戶負荷曲線最大負荷值確定削峰填谷對象。客戶負荷特征曲線，可以看出，第一類主網負荷特征曲線與四類電力客戶負荷曲線的皮爾森相關系數分別為0.989 7，0.993 3，0.999 7，0.630 3，最大負荷分別為7.022 0 kW、1.216 9 kW、0.433 7 kW和0.095 1 kW。第一類的最大負荷值最大，因此確定第一類主網日負荷特征曲線下的削峰填谷對象為第一類用戶。

針對第二類主網日負荷特征曲線，利用測量點負荷曲線進行自動化聚類，可以得到第二類日負荷下客戶負荷曲線，如圖11所示。

通過模式匹配等技術建立第二類主網負荷特征曲線與電力客戶負荷曲線的對應關系，第二類主網負荷特征曲線與三類電力客戶負荷曲線的皮爾森相關系數分別為0.996 2，0.995 3，0.858 8，電力客戶的最大負荷為分別為2.371 2 kW，0.412 4 kW，0.056 6 kW。由于第一類和第二類客戶負荷曲線皮爾森相關系數差距較小，且第一類的最大負荷值較大，因此，確定第二類主網電力客戶削峰填谷對象為第一類用戶。

針對第三類主網日負荷特征曲線，利用測量點負荷曲線進行自動化聚類，可以得到第三類日負荷下客戶負荷曲線，如圖12所示。

通過模式匹配等技術建立第三類主網負荷特征曲線與電力客戶負荷曲線的對應關系，可以看出，第三類主網負荷特征曲線與五類電力客戶負荷曲線的皮爾森相關系數分別為0.986 2，0.745 4，0.995 6，-0.605 8，0.991 4電力客戶的最大負荷為分別為5.294 6 kW，4.637 0 kW，0.799 5 kW，0.321 4 kW，0.095 8 kW。由于第四類客戶負荷曲線與第三類主網負荷曲線的相關系數為負值，因此該類客戶優先作為鼓勵用電的客戶類型。而為第一類、第三類和第五類客戶負荷曲線的相關系數差距較小，且均接近1，但第一類的最大負荷值較大，確定第三類主網電力客戶削峰填谷對象為第一類用戶。