基于MESCM 算法的電網用電行為智能識別

練琳，盧萬平，黃家寶

（廣西電網有限責任公司河池供電局，廣西河池 547000）

電網用電行為分析是電力市場的一個重要環節，已經成為電力行業的熱點。隨著智能電網的快速發展，對智能電網用電負荷分析也提出了更高的要求。與此同時，為進一步實現節能降耗，必須從電網端進行有效的經濟運行管理，同時要做好用戶端的資源配置，鼓勵用戶利用電能或激勵信息來調整用電行為，從而最大限度地發揮節電潛能，從而達到供需雙方良性互動和均衡。

當前已有相關領域研究學者對電網用電行為智能識別方法做出了研究。文獻[1]提出了基于近鄰相似度圖聚類的識別方法，該方法通過改進近鄰相似度圖聚類方法，計算時間與空間復雜度，結合K-means 方法快速聚類用電行為數據，由此實現電網用電行為智能識別；文獻[2]提出了基于廣義回歸神經網絡的識別方法，該方法通過分析暫態特征，將其作為網絡結構輸入數據，使用模擬退火算法對電網用電行為進行全局搜索，由此識別電網用電行為。

已有的研究方法大多針對負荷特性，只是簡單進行日負荷數據預處理，并沒有對負荷縱向特性進行研究，導致用電行為智能識別結果不精準。為此，文中提出了基于MESCM 算法的電網用電行為智能識別方法。

1 MESCM算法用電負荷縱向隨機性分析

除了分析電網用電行為橫向負荷之外，還需對縱向負荷展開研究。負荷縱向隨機特性指的是在用電周期內負荷縱向變化特性。對于某些用電行為，其用電量的日變動不大，且具有很高的穩定性[3]；而對于另一些用電行為，其用電量日變動較大，說明容易受到外部因素影響[4]。此外，在不同時段，相同用電行為也會出現不同的波動。針對傳統方法僅對日負荷曲線進行預處理，缺乏對負荷縱向特性分析的問題，以M-P 律為基礎，結合MESCM 算法對用電負荷縱向隨機性展開詳細分析。

基于M-P 律，結合MESCM 算法在高信噪比環境下，設定標準M-P 律上限值，該值作為樣本協方差矩陣特征閾值λ；然后引入維度為τ的零矩陣Z，對于超出該閾值的矩陣特征值進行求和處理，可得到零矩陣Z的元素為0[5-7]。對于零矩陣Z內部元素按照由大到小的順序排序處理，選擇前n個非零元素形成一個新的矩陣Z'[8]。充分考慮裕度，獲取動態電網用電異常行為檢測閾值，可表示為：

式中，i表示檢測次數。在電網狀態不正常的情況下，樣本協方差矩陣MESCM 的頻譜分布會出現一定的改變，并且在一定程度上會出現比該矩陣更大的特征值[9-10]。文中僅用最大特征值和閾值的對比來判定電網的運行狀況。同時，當信號噪聲比增大時，某些特征值也會在一定程度上大于靜態閾值。在高信噪比的情況下，采用靜態閾值作為故障檢測門限，會導致電網的狀態判斷錯誤，且應用范圍比較窄[11-12]。為此，引入動態閾值，使用該閾值能有效地判斷電網在高、低信噪比情況下的用電行為，該方法具有較大的應用范圍和較好的抗干擾性。

在確定檢測閾值后，對電網用電負荷進行歸一化處理，并將其歸一化[0，1]區間內，將該區間精準劃分為15 個大小區間一致的子區間[13]。在無干擾環境中對負荷縱向隨機分布特性展開詳細分析，并依次將負荷值分配到該區間內，由此獲得日電網負荷分布集合，可表示為：

式中，si表示負荷區間中心位置；hi表示負荷區間的高度。從定量角度出發，電網不同用電行為橫向負荷具有相似特性，均呈現出雙峰型負荷。但是縱向差異較明顯，在早高峰時段和晚高峰時段，負荷的隨機性比較大。

2 電網用電行為智能識別

MESCM 是一種以樣本協方差為基礎的最大特征值，可在較低的信噪比條件下對電網用電行為進行分析，并對其進行抗噪處理。結合分析的電網用電負荷縱向隨機性，設計電網用電行為智能識別流程。

2.1 電網靜態與動態用電特征提取

針對靜態用電特征提取，必須進行降維處理[14]。由于電網采集到的數據為累計數據，具有較高的維度和較大的數據量。因此，采用MESCM 算法對日總用電量進行歸一化處理，對特征矢量中的元素標準化，將數值量化到[0,1]區間內，并設置采樣時間間隔為1 h，使得電網不同用電行為具備24 維用電數據[15]。可表示為：

式中，qab、分別表示第b個日用電量歸一化前、后的數值；qa表示a個用電行為數據集合。

針對動態用電特征提取，將用電行為的日負載數據作為時間序列，采用基于模型的時間序列聚類方法來描述用電行為的動態特性，并將其劃分成多個狀態轉換矩陣，大大減少了用電數據維度[16]。將用電量量化到經過MESCM 算法劃分的固定負荷區間內，用字符表示各負荷等級，使得一天中所有時間段負荷值構成電網一天用電的用電量序列，可表示為：

式中，qt、qt-1分別表示第t個時間段的分割點；表示第t個時間段的平均用電量。將用電量構成的數據集進行歸一化處理后，將高維度數據轉換為短小連續字符串，達到數據降維的目的。

2.2 MESCM算法用電行為智能識別

選取電網靜態與動態用電特征樣本節點，構造數據源矩陣，在采樣周期內，使用滑動時間窗采集電網用電異常行為數據，獲取窗口矩陣，詳細步驟如下：選取一組時間序列，將長為L的滑動窗口置于數據點的中心位置，并求出滑動窗口與數據點間的距離：

式中，d(yt)表示t時刻數據點到空間中心的距離。

設定一個閾值μ，如果avg(y(L)t)≤μ，那么滑動窗口將沿著時間序列向下一個單元移動，并同時標記數據點，集合全部數據點加入用電行為數據集。

由于電網用電時不會頻繁打開用電設備，一旦開啟某一個設備會保持一段時間。因此，可通過控制滑動窗口來縮短識別時間。滑動窗口結構如圖1所示。

圖1 滑動窗口結構

從圖1 中可以看出，當滑動窗口接收到電力性能數據之后，將該窗口滑動至應答中的序號位置。

基于此，構建的智能識別函數可表示為：

式中，E(q)表示用電負荷特征矩陣；G表示用電特征數據庫；R表示用電設備開關狀態矩陣。根據上述公式預處理相關數據后，獲取標準矩陣，并得到MESCM 樣本協方差矩陣特征值。對比分析用電負荷特征值與樣本協方差矩陣特征閾值，對超過閾值的特征歸一到一個數據集合中，并計入零矩陣Z中；按照元素屬性由大到小的順序依次排列矩陣中元素，組成新的矩陣。充分考慮裕度，獲取動態電網用電行為檢測閾值，當檢測到新的矩陣中出現元素大于檢測閾值的情況時，可判定用電行為類別。

3 實 驗

3.1 實驗數據分析

選擇用戶日常用電較多的四類電器，分別是筆記本電腦、電冰箱、空調、電視，四類用電行為月累計用電量范圍，如表1 所示。

表1 用電行為月累計用電量范圍

用電行為月累計用電量范圍中，用電量大于月平均用電量的時間屬于用電峰值時間。因此，峰值閾值計算公式為：

式中，T表示采樣總時間；qt表示第t個時間點所對應的用電量。根據該閾值為電網每個用電行為構建峰時頻數向量，可表示為：

式中，mε24t表示在24 小時內不同時間段的峰值用電量天數。為了分析用電行為不同特征量，統計用電行為規律電網負荷峰值平均分布情況，曲線如圖2 所示。

圖2 用電行為電網負荷峰值平均分布曲線

由圖2 可知，第一類用電行為持續一天，但在8～12 h 出現用電高峰；第二類用電行為從凌晨開始出現了三次用電高峰，分別是0～4、12～16、22～24 h；第三類用電行為較為特殊，維持時間較短，在0～4、12～16 h 出現了用電高峰；第四類用電行為具有一定規律性，始終存在用電高峰期。

3.2 實驗結果與分析

為了驗證基于MESCM 算法的電網用電行為智能識別方法，將其與基于近鄰相似度圖聚類識別方法、基于廣義回歸神經網絡識別方法的用電行為識別結果進行對比分析，如圖3 所示。

圖3 三種方法用電行為識別結果對比分析

由圖3 可知，使用基于近鄰相似度圖聚類識別方法、基于廣義回歸神經網絡識別方法獲取的電網負荷均與圖2 所示數據不一致。而使用基于MESCM算法的電網用電行為智能識別方法獲取的電網負荷均與圖2 所示平均分布曲線一致，識別的用電行為分別是筆記本電腦、電冰箱、空調、電視，其中筆記本電腦與圖2 所示數據存在5 kW 的最大誤差。

4 結束語

該文提出了基于MESCM 算法的電網用電行為智能識別方法，基于M-P 律引入動態監測閾值，在保證計算精度的基礎上，使用MESCM 算法智能識別電網用電行為。通過提取用電行為負荷特征，實現數據降維，結合滑動窗口實現電網用電行為智能識別。通過實驗驗證可知，該方法能夠有效識別用電行為類別，避免在高信噪比下出現適用性差的問題出現。