基于EEMD-FCM的需求響應(yīng)用戶負(fù)荷曲線分類(lèi)研究

董軍，陳正鵬，竇熙皓，王媛媛，聶仕麟

基于EEMD-FCM的需求響應(yīng)用戶負(fù)荷曲線分類(lèi)研究

董軍，陳正鵬，竇熙皓，王媛媛，聶仕麟

（華北電力大學(xué) 經(jīng)濟(jì)與管理學(xué)院，北京 102206）

需求響應(yīng)（DR）作為電力需求側(cè)管理（DRM）的重要措施，對(duì)提升電網(wǎng)安全、優(yōu)化電力資源配置具有重要意義，目前已得到深化應(yīng)用。為明確各類(lèi)用戶負(fù)荷特性和評(píng)估其參與DR的潛力，需要對(duì)電力用戶進(jìn)行分類(lèi)。首先，綜合考慮用戶屬性、用電時(shí)間規(guī)律等因素，建立基于集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）和模糊C均值聚類(lèi)（FCM）的需求響應(yīng)用戶負(fù)荷曲線分類(lèi)模型。利用EEMD將某電網(wǎng)82組負(fù)荷數(shù)據(jù)分別分解為本征模態(tài)分量和趨勢(shì)分量；然后，采用FCM對(duì)平穩(wěn)的本征模態(tài)分量進(jìn)行聚類(lèi)。結(jié)果表明：EEMD-FCM模型在迭代12次后目標(biāo)函數(shù)值穩(wěn)定收斂于69.87，與傳統(tǒng)FCM聚類(lèi)相比，收斂值更小，求解時(shí)間更快，此外，EEMD-FCM在用戶分類(lèi)上比傳統(tǒng)FCM更加精確；最后，基于用戶用電負(fù)荷曲線分類(lèi)結(jié)果提出不同的需求響應(yīng)策略，為電網(wǎng)實(shí)施精準(zhǔn)需求響應(yīng)提供理論支撐。

用戶負(fù)荷分類(lèi)；集合經(jīng)驗(yàn)?zāi)B(tài)分解；模糊聚類(lèi)；需求響應(yīng)策略

0 引言

隨著我國(guó)電力市場(chǎng)改革的不斷深入，售電市場(chǎng)將進(jìn)一步放開(kāi)，需求側(cè)響應(yīng)的潛能將會(huì)被極大激發(fā)。將電力市場(chǎng)供需兩側(cè)資源同時(shí)進(jìn)行優(yōu)化配置是適應(yīng)未來(lái)發(fā)展的必然要求[1-2]。電力市場(chǎng)需求側(cè)響應(yīng)主要思想是通過(guò)發(fā)掘用戶資源，利用價(jià)格信號(hào)或激勵(lì)信息引導(dǎo)用戶調(diào)整用電行為，從而達(dá)到削峰填谷的目的，實(shí)現(xiàn)社會(huì)效益最大化[3]。與供應(yīng)側(cè)相比，用戶側(cè)需求響應(yīng)具有速度快、成本低、效率高、環(huán)保性強(qiáng)等優(yōu)點(diǎn)。需求響應(yīng)項(xiàng)目實(shí)施的核心是用戶對(duì)電網(wǎng)公司的激勵(lì)措施采取響應(yīng)行為，而這種行為的方式與強(qiáng)度取決于用戶的響應(yīng)特性[4]。對(duì)于電網(wǎng)公司而言，制定有效激勵(lì)機(jī)制的前提是有針對(duì)性地對(duì)用戶的用電特性及負(fù)荷形態(tài)進(jìn)行分類(lèi)，對(duì)用戶的需求響應(yīng)潛力進(jìn)行準(zhǔn)確評(píng)估。

負(fù)荷分類(lèi)：通過(guò)處理大量用電設(shè)備的負(fù)荷數(shù)據(jù)，將具有相同或相似特性數(shù)據(jù)曲線分到同一類(lèi)別，最后得出幾種典型的負(fù)荷特性曲線，其結(jié)果可以應(yīng)用于用電行為分析、負(fù)荷預(yù)測(cè)等方面[5-6]。精確的負(fù)荷分類(lèi)結(jié)果對(duì)電網(wǎng)運(yùn)行規(guī)劃、實(shí)時(shí)調(diào)度、精準(zhǔn)營(yíng)銷(xiāo)等方面具有重要意義。目前，電網(wǎng)側(cè)已經(jīng)儲(chǔ)存了海量的用電負(fù)荷數(shù)據(jù)，為電網(wǎng)公司進(jìn)行用戶負(fù)荷分類(lèi)和用電行為分析提供了數(shù)據(jù)基礎(chǔ)。

針對(duì)負(fù)荷分類(lèi)問(wèn)題，現(xiàn)有方法主要分為人工智能神經(jīng)網(wǎng)絡(luò)方法和聚類(lèi)分析方法。其中，聚類(lèi)分析應(yīng)用較為廣泛[7]。

文獻(xiàn)[8]利用-Means算法得出某地典型日負(fù)荷曲線的聚類(lèi)結(jié)果，并與典型季節(jié)時(shí)間段內(nèi)負(fù)荷特性進(jìn)行對(duì)比進(jìn)而確定季節(jié)特性。文獻(xiàn)[9]基于智能電表的海量數(shù)據(jù)，構(gòu)建混合高斯模型并采用頻譜分析降維算法進(jìn)行-Means聚類(lèi)，實(shí)現(xiàn)數(shù)據(jù)有效分類(lèi)和負(fù)荷曲線擬合。文獻(xiàn)[10]為降低負(fù)荷維度，采取多級(jí)離散小波變換并融合聚類(lèi)方式優(yōu)化負(fù)荷數(shù)據(jù)簇，實(shí)現(xiàn)負(fù)荷分類(lèi)。文獻(xiàn)[11]融合模擬退火、泛型算法和FCM聚類(lèi)方法，有效解決了傳統(tǒng)聚類(lèi)方法聚類(lèi)精度低的問(wèn)題。文獻(xiàn)[12]以吉林省電網(wǎng)歷史負(fù)荷運(yùn)行數(shù)據(jù)為對(duì)象，改進(jìn)了-Means算法并進(jìn)行兩次聚類(lèi)分析以實(shí)現(xiàn)用戶負(fù)荷的精細(xì)劃分。文獻(xiàn)[13]引入改進(jìn)FCM聚類(lèi)方法進(jìn)行負(fù)荷數(shù)據(jù)分類(lèi)研究，實(shí)現(xiàn)了負(fù)荷數(shù)據(jù)的辨識(shí)及修正。文獻(xiàn)[14]將FCM聚類(lèi)方法與ID3決策樹(shù)相結(jié)合，設(shè)計(jì)了基于QT的負(fù)荷模式識(shí)別模型，有效地判斷用戶所屬類(lèi)別，快速實(shí)現(xiàn)239名用戶負(fù)荷曲線聚類(lèi)。文獻(xiàn)[15]提出基于GMM聚類(lèi)和MDS分析的負(fù)荷分類(lèi)方法，對(duì)某市商場(chǎng)、賓館、綜合型樓宇的用電負(fù)荷進(jìn)行多維尺度分析降維，實(shí)現(xiàn)大規(guī)模負(fù)荷數(shù)據(jù)集的分類(lèi)。文獻(xiàn)[16]提出基于SAP聚類(lèi)的FOA–GRNN負(fù)荷分解方法，挖掘出用電設(shè)備的運(yùn)行狀態(tài)特性，并進(jìn)行負(fù)荷辨識(shí)及設(shè)備功率擬合。文獻(xiàn)[17]提出自適應(yīng)FCM聚類(lèi)算法，構(gòu)建實(shí)用化的負(fù)荷模型，通過(guò)自動(dòng)獲取聚類(lèi)數(shù)目并進(jìn)行模糊聚類(lèi)，避免人工主觀性和負(fù)荷時(shí)變性。

上述研究大多采用傳統(tǒng)的聚類(lèi)算法對(duì)負(fù)荷數(shù)據(jù)進(jìn)行聚類(lèi)分析，并未對(duì)原始數(shù)據(jù)進(jìn)行有效地篩選處理；同時(shí)大多文獻(xiàn)僅得出用戶分類(lèi)結(jié)果，較少?gòu)男枨箜憫?yīng)角度提出結(jié)合用戶負(fù)荷分類(lèi)的需求響應(yīng)策略。為解決以上問(wèn)題，本文將EEMD算法引入到聚類(lèi)分析中，對(duì)傳統(tǒng)的聚類(lèi)方法進(jìn)行優(yōu)化處理，綜合考慮了用戶屬性、用電時(shí)間規(guī)律以及需求響應(yīng)能力等因素，提出了基于EEMD分解和FCM聚類(lèi)相結(jié)合的需求響應(yīng)用戶負(fù)荷曲線分類(lèi)模型，利用EEMD算法將電力負(fù)荷數(shù)據(jù)進(jìn)行處理，再利用FCM算法將其劃分成不同類(lèi)型的電力用戶，使模型的分類(lèi)精度獲得了較大提升。該方法得出的用戶分類(lèi)結(jié)果有利于電網(wǎng)企業(yè)把握用戶用電規(guī)律，進(jìn)而針對(duì)不同類(lèi)型用戶制定精細(xì)化的需求響應(yīng)策略。

1 模型構(gòu)建及原理

1.1 EMD基本原理和EEMD模型

經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）是近年來(lái)在多個(gè)領(lǐng)域得到成功應(yīng)用的數(shù)據(jù)處理方法。該方法對(duì)非平穩(wěn)數(shù)據(jù)進(jìn)行處理的思路是，在原始序列中把數(shù)據(jù)按不同尺度波動(dòng)逐級(jí)分解成獨(dú)立的平穩(wěn)分量。經(jīng)EMD分解后能夠得到有限個(gè)本征模態(tài)分量（IMF），1個(gè)IMF滿足如下條件：

（1）在整個(gè)數(shù)據(jù)序列內(nèi)，極值點(diǎn)個(gè)數(shù)e和過(guò)零點(diǎn)的個(gè)數(shù)Z有：

（2）在任一時(shí)刻，由數(shù)據(jù)中的局部極大值確定的上包絡(luò)線max()由和局部極小值確定的下包絡(luò)線min()的均值有：

EMD分解過(guò)程認(rèn)為信號(hào)是由不同波動(dòng)特征的IMF組合而成，IMF同時(shí)具備線性和非線性特點(diǎn)，模態(tài)分解原理如下[18]。

步驟1：把原始數(shù)據(jù)()作為待處理信號(hào)，尋找局部極值點(diǎn)，并分別連接形成上、下包絡(luò)線max()和min()。

步驟2：max()和min()去均值得到1()。

并計(jì)算()與1()之差，記為1()，1()即為1個(gè)IMF。

步驟3：判斷1()是否滿足IMF的兩個(gè)條件，若滿足，則1()為第一個(gè)IMF，記1()=1k()，即為()的第一個(gè)IMF；如果不滿足條件，循環(huán)步驟1和步驟2，直到滿足條件[19]。

步驟4：將1()從()中分離出，將余數(shù)1()=()–1()當(dāng)作原始序列，重復(fù)以上步驟，最后剩下原始信號(hào)的余項(xiàng)r()。原始序列()可被表示為若干IMF和余項(xiàng)的和，即：

式中：imf()是EMD分解得到的第個(gè)IMF；r()是分解篩除個(gè)信號(hào)殘余分量，一般代表信號(hào)的直流分量或信號(hào)趨勢(shì)。

EMD分解結(jié)束的原則有兩種：

（1）當(dāng)最后一個(gè)固有模態(tài)函數(shù)和剩余分量，變得比預(yù)期值小時(shí)停止。

（2）當(dāng)剩余分量成單調(diào)函數(shù)，無(wú)法再篩選出固有模態(tài)函數(shù)為止。

本文采用原則（2），算法流程如圖1所示。

圖1 EMD算法流程圖

1.2 EEMD基本原理

EMD在分解時(shí)不可避免地會(huì)存在模態(tài)混疊和虛假分量現(xiàn)象，從而影響分解結(jié)果。集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）方法利用白噪聲頻譜均勻分布的特性，在待分析信號(hào)中多次添加隨機(jī)白噪聲，并將對(duì)應(yīng)次序的分量做均值計(jì)算得到相應(yīng)的模態(tài)分量，加入多組不同尺度的噪聲信號(hào)進(jìn)行EMD分解，有效改善了EMD分解的模態(tài)混疊現(xiàn)象[20]。

EEMD方法的具體步驟如圖2所示。

圖2 EEMD算法流程圖

EEMD算法步驟如下：

步驟1：參數(shù)初始化。設(shè)置集成平均次數(shù)和添加的白噪聲幅值；

步驟2：將加入白噪聲的信號(hào)作為一個(gè)整體，進(jìn)行EMD分解，得到各IMF分量；

步驟3：重復(fù)步驟1和2，直至=；

步驟4：次得到的IMF做集成平均處理后得到最終結(jié)果。

2 EEMD-FCM模型與計(jì)算流程

2.1 FCM聚類(lèi)的原理

模糊均值聚類(lèi)（FCM）算法是目前應(yīng)用最廣泛的電力負(fù)荷特性分類(lèi)算法之一。該方法將數(shù)據(jù)集=[1,2,3,···,x]分為個(gè)模糊組，并求每組的聚類(lèi)中心。其模糊劃分可用矩陣=[u]表示，u滿足：

FCM算法通過(guò)構(gòu)造拉格朗日函數(shù)，迭代求取各樣本到聚類(lèi)中心的全局加權(quán)距離平方和最小值以獲得最優(yōu)聚類(lèi)中心，即求使聚類(lèi)目標(biāo)函數(shù)最小化的樣本集和聚類(lèi)中心集[21]。

式中：是樣本數(shù)據(jù)集個(gè)數(shù)；是聚類(lèi)中心數(shù)；為模糊加權(quán)指數(shù)；d表示樣本點(diǎn)和聚類(lèi)中心之間的歐氏距離。

使公式（7）（8）得到最小值的必要條件為：

2.2 負(fù)荷數(shù)據(jù)預(yù)處理

電力系統(tǒng)負(fù)荷由不同特性的模態(tài)疊加而成。由于停電、電表故障等原因?qū)е卢F(xiàn)有負(fù)荷采集設(shè)備在數(shù)據(jù)傳輸時(shí)伴有大量噪聲且存在數(shù)據(jù)丟失現(xiàn)象[22]，這將影響負(fù)荷分類(lèi)的準(zhǔn)確性。為有效解決數(shù)據(jù)缺少和異常問(wèn)題，利用×矩陣表示采集到的負(fù)荷數(shù)據(jù)并進(jìn)行預(yù)處理，代表用戶數(shù)量，代表數(shù)據(jù)采集頻率。

公式（12）～（14）用于異常負(fù)荷數(shù)據(jù)的判斷。通過(guò)公式（14）可以得出每個(gè)負(fù)荷數(shù)據(jù)的變動(dòng)幅度，從而篩選出突變數(shù)據(jù)以便后續(xù)處理。

采用公式（15）可以對(duì)負(fù)荷缺失值和異常值進(jìn)行修正。

式中：1、1表示負(fù)荷數(shù)據(jù)向前一段和后一段取點(diǎn)，一般取2。

對(duì)于修正后的數(shù)據(jù)按照式（16）進(jìn)行數(shù)值歸一化，以消除數(shù)據(jù)量級(jí)的影響，從而更加精確地得出數(shù)據(jù)分類(lèi)結(jié)果和負(fù)荷規(guī)律信息。

2.3 EEMD-FCM模型

對(duì)于電力系統(tǒng)負(fù)荷數(shù)據(jù)分類(lèi)，EEMD方法在分解帶有噪聲的數(shù)據(jù)時(shí)具有優(yōu)勢(shì)，能夠?qū)⒇?fù)荷數(shù)據(jù)分解為數(shù)個(gè)本征模態(tài)分量（IMF）和趨勢(shì)分量，避免了模態(tài)混疊問(wèn)題，可有效處理非平穩(wěn)的負(fù)荷數(shù)據(jù)。FCM是基于迭代目標(biāo)函數(shù)的聚類(lèi)算法，在聚類(lèi)準(zhǔn)確度、穩(wěn)定性方面效果較好。

綜合以上兩種方法優(yōu)點(diǎn)，構(gòu)建基于EEMD- FCM的需求響應(yīng)用戶負(fù)荷曲線分類(lèi)模型，通過(guò)EEMD將電力負(fù)荷數(shù)據(jù)分解為頻率由高到低的IMF，然后選取高頻部分模態(tài)向量用FCM聚類(lèi)劃分成多種類(lèi)型的電力用戶。EEMD-FCM流程如圖3所示。

圖3 EEMD-FCM模型流程圖

3 算例分析

3.1 數(shù)據(jù)處理

選取某城市的用電信息。采集系統(tǒng)采集到的82組工作日的96點(diǎn)負(fù)荷曲線數(shù)據(jù)進(jìn)行算例分析。該城市的電力用戶類(lèi)型主要包括居民住宅類(lèi)、教育科研類(lèi)、賓館住宿類(lèi)、商業(yè)類(lèi)、文化娛樂(lè)類(lèi)、醫(yī)療衛(wèi)生類(lèi)以及高耗能工業(yè)類(lèi)共7類(lèi)，具體用戶類(lèi)型如表1所示。

表1 某地區(qū)主要用戶類(lèi)型

將采集到的負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理：從82組處理后的負(fù)荷數(shù)據(jù)中隨機(jī)抽取一組進(jìn)行模態(tài)分解。對(duì)負(fù)荷數(shù)據(jù)添加100組白噪聲序列，采用EEMD算法迭代200次。最終的模態(tài)分解結(jié)果如圖4所示。

圖4 對(duì)負(fù)荷數(shù)據(jù)進(jìn)行EEMD分解結(jié)果

EEMD算法將原負(fù)荷數(shù)據(jù)分解為6組固有模態(tài)向量和一組剩余向量。圖4中，第一組是原始負(fù)荷曲線，其余產(chǎn)生的分解向量是各個(gè)頻率段的數(shù)據(jù)特征。各模態(tài)分解誤差如圖5所示。

圖5 模態(tài)分解結(jié)果誤差

從負(fù)荷數(shù)據(jù)模態(tài)分解結(jié)果和誤差可以看出，模態(tài)1的形態(tài)與原負(fù)荷曲線形態(tài)較為一致，波動(dòng)特征符合，且誤差最小；因此可以選用模態(tài)1進(jìn)行用戶負(fù)荷分類(lèi)。采用同樣的方法對(duì)其余數(shù)據(jù)進(jìn)行模態(tài)分解，選取與原始曲線特征變化一致且誤差最小的模態(tài)重新組合成新的數(shù)據(jù)集合，最后通過(guò)FCM對(duì)新的數(shù)據(jù)集合進(jìn)行聚類(lèi)分析。

3.2 結(jié)果分析

采用傳統(tǒng)FCM聚類(lèi)算法和本文提出的EEMD-FCM算法對(duì)82組工作日96點(diǎn)負(fù)荷數(shù)據(jù)進(jìn)行聚類(lèi)，分類(lèi)數(shù)選為7，得到的聚類(lèi)結(jié)果如表2、表3所示。

表2 傳統(tǒng)FCM聚類(lèi)算法結(jié)果

表3 EEMD-FCM聚類(lèi)算法結(jié)果

對(duì)比分析發(fā)現(xiàn)：采用FCM聚類(lèi)算法時(shí)，第81組用戶負(fù)荷數(shù)據(jù)被劃分為第一類(lèi)賓館住宿類(lèi)，第31組用戶負(fù)荷數(shù)據(jù)被劃分為第三類(lèi)教育科研院所類(lèi)；而采用EEMD-FCM聚類(lèi)算法時(shí)，第81組用戶負(fù)荷數(shù)據(jù)被劃分為第二類(lèi)娛樂(lè)類(lèi)，第31組用戶負(fù)荷數(shù)據(jù)被劃分為第六類(lèi)醫(yī)院類(lèi)。分析第31組和第81組原始負(fù)荷曲線特性可以得出，采用傳統(tǒng)FCM聚類(lèi)的結(jié)果與原始負(fù)荷曲線特性有較大差異。傳統(tǒng)FCM聚類(lèi)存在用戶分類(lèi)不完全現(xiàn)象，而EEMD-FCM聚類(lèi)用戶劃分更加合理精確。

采用傳統(tǒng)FCM算法和EEMD-FCM聚類(lèi)算法的目標(biāo)函數(shù)值迭代曲線如圖6所示。

圖6 目標(biāo)函數(shù)值迭代曲線

分析兩種算法的目標(biāo)函數(shù)值迭代曲線可以看出：在目標(biāo)函數(shù)收斂值上，傳統(tǒng)FCM聚類(lèi)算法的目標(biāo)函數(shù)值最終收斂于83.12，而EEMD-FCM聚類(lèi)算法的目標(biāo)函數(shù)值最終收斂于69.87。EEMD-FCM算法的最優(yōu)解（與聚類(lèi)中心距離）小于傳統(tǒng)FCM聚類(lèi)算法，表明該算法的聚類(lèi)結(jié)果較好。在迭代次數(shù)和運(yùn)算速度上，傳統(tǒng)FCM聚類(lèi)算法迭代15次后目標(biāo)函數(shù)值趨于穩(wěn)定，EEMD-FCM聚類(lèi)算法則迭代12次后目標(biāo)函數(shù)值趨于穩(wěn)定；傳統(tǒng)FCM聚類(lèi)算法用時(shí)12.81 s，而EEMD-FCM算法用時(shí)10.05 s。EEMD-FCM算法的迭代次數(shù)和運(yùn)算速度均優(yōu)于傳統(tǒng)FCM聚類(lèi)算法，表明EEMD-FCM算法能夠提高目標(biāo)函數(shù)的搜索速度，同時(shí)可以有效降低運(yùn)算時(shí)間。通過(guò)以上分析可得，EEMD-FCM算法優(yōu)于傳統(tǒng)FCM聚類(lèi)算法。

4 需求響應(yīng)實(shí)施策略

采用EEMD-FCM聚類(lèi)算法得出7類(lèi)電力用戶負(fù)荷曲線。從最終分類(lèi)結(jié)果可以看出：每個(gè)分類(lèi)能明顯地代表一類(lèi)典型負(fù)荷的負(fù)荷特征，分類(lèi)結(jié)果比較理想。電力需求側(cè)響應(yīng)目標(biāo)是改善用戶側(cè)的終端電力需求，保持供電服務(wù)水平和用戶舒適度不受影響。針對(duì)7類(lèi)負(fù)荷曲線，本文針對(duì)性地提出具體的需求響應(yīng)策略。

（1）賓館住宿。如圖7所示，該類(lèi)負(fù)荷曲線波動(dòng)不大，隨著晚上旅客數(shù)量的增多，大功率用電設(shè)備使用較多，晚高峰相對(duì)較明顯。由于賓館的服務(wù)性質(zhì)，針對(duì)此類(lèi)用戶較合適的做法是為其提供節(jié)能改造服務(wù)。依據(jù)國(guó)家現(xiàn)行的節(jié)能標(biāo)準(zhǔn),采用先進(jìn)的綠色節(jié)能技術(shù)和合同能源管理模式，對(duì)賓館的空調(diào)系統(tǒng)、太陽(yáng)能熱水系統(tǒng)等冷熱源設(shè)備進(jìn)行節(jié)能改造。

圖7 第一類(lèi)賓館住宿

（2）娛樂(lè)場(chǎng)所。從文化娛樂(lè)類(lèi)的負(fù)荷曲線圖8可以看出，該類(lèi)用戶的負(fù)荷多集中在晚上，尤其在20:00—22:30點(diǎn)負(fù)荷達(dá)到峰值，負(fù)荷波動(dòng)較明顯。娛樂(lè)場(chǎng)所對(duì)供電可靠性要求較高，針對(duì)該類(lèi)用戶晚上負(fù)荷偏高的特點(diǎn)，建議安裝儲(chǔ)能系統(tǒng)、備用電源等設(shè)備，通過(guò)合理調(diào)節(jié)控制室內(nèi)空調(diào)溫度、照明強(qiáng)度、提前蓄能等方式參與需求響應(yīng)。

圖8 第二類(lèi)娛樂(lè)場(chǎng)所

（3）教育科研院所。該類(lèi)日負(fù)荷曲線波動(dòng)較大，存在明顯的峰谷差，如圖9所示。與科研時(shí)間相對(duì)應(yīng)，一般會(huì)出現(xiàn)3個(gè)負(fù)荷高峰時(shí)期，分別是08:00—12:00、14:00—16:00、19:00—21:00。盡管此類(lèi)用戶存在明顯的峰谷差，但由于其本身用電性質(zhì)特殊，對(duì)電力系統(tǒng)供電可靠性要求很高，因此，此類(lèi)用戶不適合參與需求響應(yīng)項(xiàng)目。

圖9 第三類(lèi)教育科研院所

（4）大型商場(chǎng)。商場(chǎng)的用能設(shè)備主要是照明、中央空調(diào)、電梯。從負(fù)荷曲線圖10可知，負(fù)荷從09:00急劇上升，1 h后達(dá)到峰值，隨后直至21:00均是高負(fù)荷狀態(tài)。商場(chǎng)高峰時(shí)段的負(fù)荷高且持續(xù)時(shí)間較長(zhǎng)，低谷時(shí)期用電量很低，峰谷差大。針對(duì)商場(chǎng)負(fù)荷特性，可以推行綠色照明技術(shù)和蓄冷技術(shù)等需求側(cè)管理措施。綠色照明技術(shù)減少商場(chǎng)照明負(fù)荷占總負(fù)荷的比例，蓄冷技術(shù)利用夜間低谷時(shí)段制冷，兩者均可降低系統(tǒng)高峰負(fù)荷壓力。建議相關(guān)部門(mén)出臺(tái)建筑面積達(dá)到一定規(guī)模的用電單位需安裝綠色照明設(shè)備和蓄冷空調(diào)的規(guī)定，緩解高峰時(shí)期的電力供應(yīng)壓力。

圖10 第四類(lèi)大型商場(chǎng)

（5）居民住宅。居民用戶負(fù)荷曲線圖如圖11所示，其特點(diǎn)與日常生活習(xí)慣存在較大關(guān)聯(lián)，午高峰在10:30—13:00，晚高峰集中出現(xiàn)在19:00—22:00，且峰值比午高峰要高，受作息規(guī)律影響，夜間負(fù)荷明顯低于日間。電網(wǎng)公司對(duì)居民用戶采取最有效的需求側(cè)管理措施是居民階梯電價(jià)政策，通過(guò)設(shè)置合理的分時(shí)階梯電價(jià)檔位和價(jià)格引導(dǎo)用戶合理用電。

圖11 第五類(lèi)居民住宅

（6）醫(yī)院。從醫(yī)院類(lèi)負(fù)荷曲線圖12可以看出，其負(fù)荷波動(dòng)較為明顯。由于醫(yī)院門(mén)診時(shí)間原因，負(fù)荷最高峰時(shí)期出現(xiàn)在10:00—12:00之間，次負(fù)荷高峰時(shí)期大約為19:00—21:00之間。由于醫(yī)院本身用電性質(zhì)特殊，對(duì)系統(tǒng)供電的可靠性要求較高，因此，此類(lèi)電力用戶不適合參與需求響應(yīng)項(xiàng)目。

圖12 第六類(lèi)醫(yī)院

（7）高耗能工業(yè)。該類(lèi)用戶大多是耗電量較大、連續(xù)生產(chǎn)型重工業(yè)企業(yè)，其負(fù)荷呈現(xiàn)明顯的早午高峰，其中早午兩個(gè)高峰均在1 h內(nèi)迅速上升至峰值，然后負(fù)荷在未來(lái)的一段時(shí)間內(nèi)維持在高水平。高耗能工業(yè)用電量很大，日負(fù)荷曲線的變化情況主要與用戶本身的生產(chǎn)設(shè)備使用情況有關(guān)，如圖13所示。針對(duì)此類(lèi)用戶實(shí)際特點(diǎn)，建議采用負(fù)荷控制的方式參與需求響應(yīng)。尤其夏季電網(wǎng)負(fù)荷高峰時(shí)段，電網(wǎng)公司可設(shè)計(jì)合理的可中斷負(fù)荷電價(jià)，與用戶簽訂可中斷負(fù)荷合同，使用戶按照合同規(guī)定中斷或削減負(fù)荷。此外，高耗能工業(yè)電力用戶自身應(yīng)該采取整體性節(jié)電措施，參與電網(wǎng)公司合同能源管理節(jié)能項(xiàng)目改造，促進(jìn)整體節(jié)能降耗。

圖13 第七類(lèi)高耗能工業(yè)

5 結(jié)論

本文綜合考慮了用戶屬性、用電時(shí)間規(guī)律以及需求響應(yīng)能力等因素，提出了EEMD-FCM需求響應(yīng)用戶負(fù)荷曲線分類(lèi)模型，并結(jié)合用戶負(fù)荷分類(lèi)結(jié)果提出了相應(yīng)的需求響應(yīng)策略。主要結(jié)論如下：

（1）對(duì)原始負(fù)荷數(shù)據(jù)進(jìn)行缺失和異常值預(yù)處理，利用EEMD算法將82組典型日負(fù)荷數(shù)據(jù)分別分解為本征模態(tài)分量和趨勢(shì)分量，使新負(fù)荷數(shù)據(jù)的特征高度聚集，提升了數(shù)據(jù)有效性，使后續(xù)聚類(lèi)分析的精確性明顯提高。

（2）與傳統(tǒng)的FCM聚類(lèi)算法相比，EEMD-FCM模型迭代12次后的目標(biāo)函數(shù)穩(wěn)定收斂值為69.87，算法求解用時(shí)10.05 s，故提出的EEMD-FCM模型的目標(biāo)函數(shù)穩(wěn)定收斂值更小，迭代次數(shù)更少，模型具有分類(lèi)精度更高，求解速度更快的優(yōu)點(diǎn)。

（3）針對(duì)EEMD-FCM模型得出的7類(lèi)用戶負(fù)荷曲線，提出了具體的需求響應(yīng)策略，其結(jié)果有助于電網(wǎng)公司制定合理的激勵(lì)策略，吸引用戶參與需求響應(yīng)，對(duì)實(shí)現(xiàn)優(yōu)化電力資源配置、提高電網(wǎng)公司經(jīng)濟(jì)效益、確保電網(wǎng)安全穩(wěn)定運(yùn)行具有重要意義。

[1] 全生明.需求側(cè)響應(yīng)資源的經(jīng)濟(jì)性分析與市場(chǎng)均衡模型研究[D].保定: 華北電力大學(xué), 2014.

QUAN SHENGMING.Analysis and research for economy and market equilibrium model of demand side response resources[D].Baoding: North China Electric Power University, 2014(in Chinese).

[2] 蔡秋娜, 劉思捷, 陸秋瑜.基于GMM聚類(lèi)和SVM的用戶負(fù)荷行業(yè)分類(lèi)辨識(shí)方法[J].廣東電力, 2017, 30(12): 91-96.

CAI QIUNA, LIU SIJIE, LU QIUYU.Identification method for user industry classification based on GMM clustering and SVM[J].Guangdong Electric Power, 2017, 30(12): 91-96(in Chinese).

[3] 肖勇, 王巖, 何恒靖, 等.電力需求側(cè)管理可避免成本模型研究[J].電力需求側(cè)管理, 2020, 22(4): 56-61.

XIAO YONG, WANG YAN, HE HENGJING, et al.Avoidable cost model study in power demand side management[J].Power Demand Side Management, 2020, 22(4): 56-61(in Chinese).

[4] 王蓓蓓, 楊雪純, 楊勝春.基于中長(zhǎng)期時(shí)間維度的需求響應(yīng)潛力及效果的系統(tǒng)動(dòng)力學(xué)分析[J].中國(guó)電機(jī)工程學(xué)報(bào), 2015, 35(24): 6368-6377.

WANG BEIBEI, YANG XUECHUN, YANG SHENGCHUN.Demand response performance and potential system dynamic analysis based on the long and medium time dimensions[J].Proceedings of the CSEE, 2015, 35(24): 6368-6377(in Chinese).

[5] LIU Y, YUEN C, HUANG S, et al.Peak-to-average ratio constrained demand-side management with consumer’s preference in residential smart grid[J].IEEE Journal of Selected Topics in Signal Processing, 2014, 8(6): 1084-1097.

[6] 劉永光, 孫超亮, 牛貞貞, 等.改進(jìn)型模糊 C 均值聚類(lèi)算法的電力負(fù)荷特性分類(lèi)技術(shù)研究[J].電測(cè)與儀表, 2014, 51(18): 5-9.

LIU YONGGUANG, SUN CHAOLIANG, NIU ZHENZHEN, et al.Research on the improved fuzzy C-means clustering algorithm based power load characteristic classification technology[J].Electrical Measurement & Instrumentation, 2014, 51(18): 5-9(in Chinese).

[7] 張鐵峰, 顧明迪.電力用戶負(fù)荷模式提取技術(shù)及應(yīng)用綜述[J].電網(wǎng)技術(shù), 2016, 40(3): 804-811.

ZHANG TIEFENG, GU MINGDI.Overview of electricity customer load pattern extraction technology and its application[J].Power System Technology, 2016, 40(3): 804-811(in Chinese).

[8] AZAD S A, ALI A B M S, WOLFS P.Identification of typical load profiles using K-means clustering algorithm[C]//Asia-Pacific World Congress on Computer Science and Engineering.Nadi, Fiji: IEEE, 2014: 1-6.

[9] LI R, LI F, SMITH N D.Multi-resolution load profile clustering for smart metering data[J].IEEE Transactions on Power Systems, 2016, 31(6): 4473-4482.

[10] JIANG Z, LIN R, YANG F, et al.A fused load curve clustering algorithm based on wavelet transform[J].IEEE Transactions on Industrial Informatics, 2017, 14(5): 1856-1865.

[11] TEERARATKUL T, O’NEILL D, LALL S.Shape-based approach to household electric load curve clustering and prediction[J].IEEE Transactions on Smart Grid, 2017, 9(5): 5196-5206.

[12] 劉姝秀.不同時(shí)空尺度下多元負(fù)荷用戶精細(xì)分類(lèi)方法設(shè)計(jì)與實(shí)現(xiàn)[D].長(zhǎng)春: 吉林大學(xué), 2020.

LIU SHUXIU.Design and Implementation of fine classification methods for design and implementation of fine classification methods for multi-load users at different time scales[D].Changchun: Jilin University, 2020(in Chinese).

[13] 孔祥玉, 胡啟安, 董旭柱, 等.引入改進(jìn)模糊 C 均值聚類(lèi)的負(fù)荷數(shù)據(jù)辨識(shí)及修復(fù)方法[J].電力系統(tǒng)自動(dòng)化, 2017, 41(9): 90-95.

KONG XIANGYU, HU QI’AN, DONG XUZHU, et al.Load data identification and correction method with improved fuzzy C-means clustering algorithm[J].Automation of Electric Power Systems, 2017, 41(9): 90-95(in Chinese).

[14] 劉麗輕.電力用戶負(fù)荷模式識(shí)別系統(tǒng)研究與設(shè)計(jì)[D].保定: 華北電力大學(xué), 2012.

LIU LIQING.Research and design on recognition system of electricity customer load pattern[D].Baoding: North China Electric Power University, 2012(in Chinese).

[15] 張美霞, 李麗, 楊秀, 等.基于高斯混合模型聚類(lèi)和多維尺度分析的負(fù)荷分類(lèi)方法[J].電網(wǎng)技術(shù), 2020, 44(11): 4283-4293.

ZHANG MEIXIA, LI LI, YANG XIU, et al.A load classification method based on Gaussian mixture model clustering and multi-dimensional scaling analysis[J].Power System Technology, 2020, 44(11): 4283-4293(in Chinese).

[16] HUANG N E, SHEN Z, LONG S R.The empirical mode decomposition method and the Hilbert spectrum for nonlinear and nonstationary time series analysis[J].Proc Roy Soc London A, 1998, 454: 903-955.

[17] 楊浩, 張磊, 何潛, 等.基于自適應(yīng)模糊C均值算法的電力負(fù)荷分類(lèi)研究[J].電力系統(tǒng)保護(hù)與控制, 2010, 38(16): 111-115.

YANG HAO, ZHANG LEI, HE QIAN, et al.Study of power load classification based on adaptive fuzzy C-means[J].Power System Protection and Control, 2010, 38(16): 111-115(in Chinese).

[18] 牛闊, 張朝霞, 王娟芬, 等.改進(jìn)EMD與小波閾值相結(jié)合的光生混沌信號(hào)降噪[J].現(xiàn)代電子技術(shù), 2018, 41(17): 53-58.

NIU KUO, ZHANG ZHAOXIA, WANG JUANFEN, et al.Photogenerated chaos signal noise reduction based on improved EMD and wavelet threshold[J].Modern Electronic Technology, 2018, 41(17): 53-58(in Chinese).

[19] 劉韋妤, 陳芳芳.基于EMD方法的直流線路故障測(cè)距影響因素研究[J].電工技術(shù), 2020(5): 32-34.

LIU WEIYU, CHEN FANGFANG.Research on influencing factors of DC line fault location based on EMD method[J].Electric Engineering, 2020(5): 32-34(in Chinese).

[20] 蔡慧, 馬玉良, 佘青山, 等.基于EEMD和WT的運(yùn)動(dòng)想象腦電信號(hào)消噪方法[J].傳感技術(shù)學(xué)報(bào), 2016, 29(5): 716-722.

CAI HUI, MA YULIANG, SHE QINGSHAN, et al.De-noising method of the MI EEG based on EEMD and WT[J].Chinese Journal of Sensors and Actuators, 2016, 29(5): 716-722(in Chinese).

[21] 曾博, 張建華, 丁藍(lán), 等.改進(jìn)自適應(yīng)模糊C均值算法在負(fù)荷特性分類(lèi)的應(yīng)用[J].電力系統(tǒng)自動(dòng)化, 2011, 35(12): 42-46.

ZENG BO, ZHANG JIANHUA, DING LAN, et al.An improved adaptive fuzzy C-means algorithm for load characteristics classification[J].Automation of Electric Power Systems, 2011, 35(12): 42-46(in Chinese).

[22] 鄧東林, 徐冘, 陳劍, 等.智能用電數(shù)據(jù)的采集與預(yù)處理[J].貴州電力技術(shù), 2019, 22(3): 81-86.

DENG DONGLIN, XU YIN, CHEN JIAN, et al.Acquisition and preprocessing of smart electric appliance network power data[J].Power Systems and Big Data, 2019, 22(3): 81-86(in Chinese).

Research on Demand Response of User Load Curve Classification Based on EEMD-FCM Method

DONG Jun, CHEN Zhengpeng, DOU Xihao, WANG Yuanyuan, NIE Shilin

(School of Economics and Management, North China Electric Power University, Beijing 102206, China)

Demand response, as an important measure of power demand-side management, is of great significance for improving grid security and optimizing the allocation of power resources, and has gradually been applied so far.In order to clarify the load characteristics of various types of users and accurately assess their potential to participate in demand response, it is necessary to classify the power users.Firstly, this paper comprehensively considers user attributes, electricity time rules and other factors, and proposes a demand response of user load curve classification model based on EEMD and FCM.EEMD was used to decompose 82 sets of load data of a certain power grid into eigenmode components and trend components, and then the FCM algorithm was used to cluster the most stable eigenmode components.The results show that the objective function value of the EEMD-FCM model stably converges to 69.87 after 12 iterations.Compared with the traditional FCM clustering, the convergence value is smaller and the solution time is faster.In addition, EEMD-FCM is more precise than traditional FCM in user classification.Finally, based on the user classification results of the power consumption characteristics, different demand response strategies are proposed to provide theoretical support for the grid to implement precise demand response.

user load classification; EEMD; FCM; demand response strategy

10.3969/j.ISSN.1672-0792.2021.10.006

TM73

A

1672-0792(2021)10-0045-10

2021-08-09

董 軍（1964—），女，教授，研究方向?yàn)槟茉唇?jīng)濟(jì)與電力市場(chǎng)；

陳正鵬（1997—），男，碩士研究生，研究方向?yàn)殡娏κ袌?chǎng)。