基于電力用戶負荷特性曲線的聚類分析模型設計

白 勇

(重慶電力高等專科學校， 重慶 400050)

聚類分析從人類行為角度對物理對象或集合進行抽象研究，并通過分類相似數據的手段，達到精細處理數據的目的。隨著科學技術手段的進步，該項技術被廣泛應用于電力負荷運算、計算機科學處理等多個領域。在保證數據自身完整性的前提下，應用聚類分析手段可使每個數據簇中的集合源都得到平均分配[1-16]。傳統ME-Wheel模型在統計用戶耗電行為的過程中，通過確定電力因子承載驅動參數的方式，得到標準的用電有限元模型，再通過建立概念性描述曲線的手段，達到分析電力用戶集中耗電特點的目的。但隨著用戶耗電總量的不斷增加，這種傳統應用分析模型在單位時間內用戶耗電行為的分析完整度始終達不到預期水平。為避免上述情況的出現，引入負荷特性曲線，在約束荷載施加量的促進下，設計一種基于電力用戶負荷特性曲線的聚類分析模型，并在實際應用過程中，突出該新型分析模型的實用性價值。

1 基于電力負荷特性曲線的用戶耗電特征分析

基于電力負荷特性曲線用戶耗電特征分析是新型聚類模型的搭建基礎，在曲線網格劃分、特征參數計算等關鍵環節的支持下，其具體分析過程可按如下步驟進行。

1.1 電力負荷特性曲線的網格劃分

電力負荷特性曲線網格為用戶負載特征參數提供了依存條件，且隨著平均耗電時間的不斷增加，網格自身的上限存儲條件不斷增加、下限存儲條件不斷降低，使得特性曲線的寄居空間得到不斷擴充，達到擴充用戶負載特征參數依存面積的目的[17-19]。為保證用戶耗電行為在單位時間內得到有效分析，設：χ代表電力負荷特性曲線寄居的上限存儲條件，γ代表電力負荷特性曲線寄居的下限存儲條件，利用χ、γ可將標準的網格劃分結果表示為：

(1)

其中：r代表電力負荷特性曲線的平均斜率；e代表用戶的平均耗電參量；w代表寄居空間中的電力負荷變量；i代表單位供電時間；y代表用戶耗電能力參數。

1.2 用戶負載特征參數計算

在電力負荷特性曲線的網格空間內，每個用戶負載參數都具備唯一且固定的依存范圍。作為影響用戶耗電行為的關鍵因素，負載特征參數既能限定約束負荷施加量的變化范圍，也能在一定程度上規范電力原數據矩陣中參數的主要存在條件[20-21]。在已知電力負荷特性曲線網格劃分結果的基礎上，設電力用戶的耗電時間為t，網格核心負載能力系數為p，聯立式(1)可將用戶負載特征參數表示為：

(2)

1.3 約束載荷施加量確定

約束載荷施加量在電力負荷特性曲線網格中，利用用戶負荷特征參數，對單位時間內電力用戶的耗電特征進行定向分析。在其他影響因素不發生改變的前提下，約束載荷施加量僅與單位時間內用戶耗電常規系數f、網格存儲因子k保持正相關影響關系。利用f、k聯立式(2)可將約束載荷的施加量表示為

(3)

2 新型聚類分析模型的搭建

在基于電力負荷特性曲線用戶耗電特征分析的基礎上，通過建立原始數據矩陣、完善分析流程等步驟，實現新型聚類分析模型的搭建。

2.1 電力用戶負荷原始數據矩陣建立

電力用戶負荷原始數據矩陣是未經標準化處理聚類數據的唯一存儲空間，且矩陣內所有數值都與約束載荷施加量保持正相關影響關系。設a代表電力用戶負荷原數據矩陣中的標準參量，則a與約束載荷施加量ω間的關系可表示為

(4)

其中j′代表原始數據矩陣的平均負荷參數。默認完整的電力用戶負荷原始數據矩陣為3行、3列的標準形態，則利用式(4)可將該矩陣Fω表示為：

(5)

2.2 特性聚類數據的標準化處理

特性聚類數據的標準化處理是在電力用戶負荷原始數據矩陣中，根據量綱數量級計算原理，對用戶特征參數進行的按比重劃分處理[22-23]。隨著用戶耗電需求的不斷增加，單位時間內電力用戶負荷特性曲線的斜率開始不斷變化，這也是導致傳統ME-Wheel模型對用戶耗電行為分析完整度逐漸下降的主要原因。為解決上述問題，新型聚類分析模型增設電力用戶負荷數據標準化處理流程，并通過精細化矩陣變量因子的方式達到提升用戶耗電行為分析完整度的目的。詳細計算過程如式(6)所示。

(6)

2.3 聚類分析流程的完善

新型聚類分析模型的處理流程以電力負荷特性曲線網格結構劃分作為起始環節，且隨著用戶耗電量的不斷增加，與其相關負載特征參數的平均值也會隨之發生改變。在保證負荷特征曲線約束載荷施加量波動幅度可控的前提下，對負載特征參數進行歸一化處理[24-25]。再利用上述結果建立標準的電力用戶負荷原始數據矩陣，通過標準化處理手段得到具備聚類屬性的特性數據，實現新型聚類分析模型的順利應用。圖1為完整的聚類分析處理流程。

圖1 聚類分析流程

3 實驗結果與分析

為驗證基于電力用戶負荷特性曲線聚類分析模型的實用性，設計如下對比實驗：截取一段完整的用戶耗電曲線，分別應用新型聚類分析模型和現有ME-Wheel模型，對該用戶的耗電行為進行分析，其中前者作為實驗組，后者作為對照組。

3.1 實驗參數設置

為保證實驗結果的真實性，可按照表1完成相關實驗參數設置。

表1 實驗參數設置

表1中：ETT參數代表實驗時間；BPP參數代表基本耗電參量；CBL代表耗電行為分析完整度極限。為保證對比實驗結果的絕對公平性，實驗組、對照組實驗參數始終保持一致。

3.2 單位時間內用戶耗電行為分析完整度對比

用戶耗電行為分析完整度是指在新型聚類分析模型的影響下，單位時間內用戶耗電量與用電器承載最大電流間的比值，其具體計算方法如式(7)所示。

(7)

其中：Q′代表單位時間內用戶耗電量；Imax代表用電器承載最大電流；Z代表基本耗電參量。在基本耗電參量為0.38的條件下，以10 min作為單位時間標準，分別記錄在5次單位時間內實驗組、對照組用戶耗電行為分析完整度的變化情況。具體實驗結果對比如圖2所示。

圖2 單位時間內用戶耗電行為分析完整度對比

分析圖2可知：實驗組用戶耗電行為分析完整度在前4個單位時間內，均呈現逐漸上升的變化趨勢，在第5個單位時間內基本保持穩定，最大值達到了62.78%，與極限數值相比上升了9.57%；對照組耗電行為分析完整度在第1個單位時間內先上升、再下降，在第2個單位時間內不斷上升，在第3、4個單位時間內都保持先上升、再下降的變化趨勢，在第5個單位時間內基本保持穩定，最大值可以達到47.36%，與極限數值相比下降了5.85%。綜上可知，在基本耗電參量為0.38的條件下，應用基于電力用戶負荷特性曲線聚類分析模型，可使單位時間內用戶耗電行為的分析完整度上升15.42%。

4 結束語

與現有ME-Wheel模型相比，基于電力用戶負荷特性曲線聚類分析模型的搭建過程相對簡單，且所有參數計算處理均圍繞負荷特性曲線進行。從實際應用性方面來看，這種運算方式具備更強的說服力，能從根本上提升模型自身的分析精準程度。實驗結果表明：應用新型聚類分析模型后，用戶耗電行為定向分析結果具備更強的說服力，證明模型自身的實用性價值。