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(xiàn)對工業(yè)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(yè)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(nèi)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(guī)律，并可應用于負荷預測、需求側(cè)響應、調(diào)度管理等實際工作中。

1 電力負荷模式研究

1.1 測度函數(shù)

在進行電力客戶模式研究時，必須先定義近鄰測度函數(shù)。近鄰測度函數(shù)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(shù)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(shù)值越小。

著名的歐氏距離函數(shù)即是一種不相似性測度函數(shù)，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(shù)Pearson系數(shù)來衡量日負荷曲線間的相似性。Pearson系數(shù)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(jié)果更快速，以及節(jié)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(shù)定義為：

φ（x）=1， 若0≤x<10， 其余情況（3）

？撞k∈zφ（2jx-k）構(gòu)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(shù)很大則予以保留，再進行重構(gòu)。

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(nèi)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(jīng)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(shù)目，f為測度函數(shù)，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(shù)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(shù)據(jù)分析

以下為某企業(yè)連續(xù)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(shù)據(jù)點），如圖1所示。

采用1.3的聚類算法，得到的結(jié)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(yè)在一段較短時間內(nèi)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(xù)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(qū)分出來，得到的結(jié)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(yè)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(jié)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(jié)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(shù)據(jù)點，比圖4的節(jié)省了一般儲存空間。

從圖4中a類取3條連續(xù)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(jīng)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(jīng)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(jié)果，如圖9所示。通過計算，其Pearson相關系數(shù)系數(shù)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(jié) 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(shù)據(jù)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(yè)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(shù) 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(shù)據(jù)挖掘概念與技術(shù)[M].北京：機械工 業(yè)出版社，2007.

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

[6] 張忠華.電力系統(tǒng)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）.