基于EEMD-FCM的需求響應用戶負荷曲線分類研究

董軍，陳正鵬，竇熙皓，王媛媛，聶仕麟

基于EEMD-FCM的需求響應用戶負荷曲線分類研究

董軍，陳正鵬，竇熙皓，王媛媛，聶仕麟

（華北電力大學 經濟與管理學院，北京 102206）

需求響應（DR）作為電力需求側管理（DRM）的重要措施，對提升電網安全、優化電力資源配置具有重要意義，目前已得到深化應用。為明確各類用戶負荷特性和評估其參與DR的潛力，需要對電力用戶進行分類。首先，綜合考慮用戶屬性、用電時間規律等因素，建立基于集合經驗模態分解（EEMD）和模糊C均值聚類（FCM）的需求響應用戶負荷曲線分類模型。利用EEMD將某電網82組負荷數據分別分解為本征模態分量和趨勢分量；然后，采用FCM對平穩的本征模態分量進行聚類。結果表明：EEMD-FCM模型在迭代12次后目標函數值穩定收斂于69.87，與傳統FCM聚類相比，收斂值更小，求解時間更快，此外，EEMD-FCM在用戶分類上比傳統FCM更加精確；最后，基于用戶用電負荷曲線分類結果提出不同的需求響應策略，為電網實施精準需求響應提供理論支撐。

用戶負荷分類；集合經驗模態分解；模糊聚類；需求響應策略

0 引言

隨著我國電力市場改革的不斷深入，售電市場將進一步放開，需求側響應的潛能將會被極大激發。將電力市場供需兩側資源同時進行優化配置是適應未來發展的必然要求[1-2]。電力市場需求側響應主要思想是通過發掘用戶資源，利用價格信號或激勵信息引導用戶調整用電行為，從而達到削峰填谷的目的，實現社會效益最大化[3]。與供應側相比，用戶側需求響應具有速度快、成本低、效率高、環保性強等優點。需求響應項目實施的核心是用戶對電網公司的激勵措施采取響應行為，而這種行為的方式與強度取決于用戶的響應特性[4]。對于電網公司而言，制定有效激勵機制的前提是有針對性地對用戶的用電特性及負荷形態進行分類，對用戶的需求響應潛力進行準確評估。

負荷分類：通過處理大量用電設備的負荷數據，將具有相同或相似特性數據曲線分到同一類別，最后得出幾種典型的負荷特性曲線，其結果可以應用于用電行為分析、負荷預測等方面[5-6]。精確的負荷分類結果對電網運行規劃、實時調度、精準營銷等方面具有重要意義。目前，電網側已經儲存了海量的用電負荷數據，為電網公司進行用戶負荷分類和用電行為分析提供了數據基礎。

針對負荷分類問題，現有方法主要分為人工智能神經網絡方法和聚類分析方法。其中，聚類分析應用較為廣泛[7]。

文獻[8]利用-Means算法得出某地典型日負荷曲線的聚類結果，并與典型季節時間段內負荷特性進行對比進而確定季節特性。文獻[9]基于智能電表的海量數據，構建混合高斯模型并采用頻譜分析降維算法進行-Means聚類，實現數據有效分類和負荷曲線擬合。文獻[10]為降低負荷維度，采取多級離散小波變換并融合聚類方式優化負荷數據簇，實現負荷分類。文獻[11]融合模擬退火、泛型算法和FCM聚類方法，有效解決了傳統聚類方法聚類精度低的問題。文獻[12]以吉林省電網歷史負荷運行數據為對象，改進了-Means算法并進行兩次聚類分析以實現用戶負荷的精細劃分。文獻[13]引入改進FCM聚類方法進行負荷數據分類研究，實現了負荷數據的辨識及修正。文獻[14]將FCM聚類方法與ID3決策樹相結合，設計了基于QT的負荷模式識別模型，有效地判斷用戶所屬類別，快速實現239名用戶負荷曲線聚類。文獻[15]提出基于GMM聚類和MDS分析的負荷分類方法，對某市商場、賓館、綜合型樓宇的用電負荷進行多維尺度分析降維，實現大規模負荷數據集的分類。文獻[16]提出基于SAP聚類的FOA–GRNN負荷分解方法，挖掘出用電設備的運行狀態特性，并進行負荷辨識及設備功率擬合。文獻[17]提出自適應FCM聚類算法，構建實用化的負荷模型，通過自動獲取聚類數目并進行模糊聚類，避免人工主觀性和負荷時變性。

上述研究大多采用傳統的聚類算法對負荷數據進行聚類分析，并未對原始數據進行有效地篩選處理；同時大多文獻僅得出用戶分類結果，較少從需求響應角度提出結合用戶負荷分類的需求響應策略。為解決以上問題，本文將EEMD算法引入到聚類分析中，對傳統的聚類方法進行優化處理，綜合考慮了用戶屬性、用電時間規律以及需求響應能力等因素，提出了基于EEMD分解和FCM聚類相結合的需求響應用戶負荷曲線分類模型，利用EEMD算法將電力負荷數據進行處理，再利用FCM算法將其劃分成不同類型的電力用戶，使模型的分類精度獲得了較大提升。該方法得出的用戶分類結果有利于電網企業把握用戶用電規律，進而針對不同類型用戶制定精細化的需求響應策略。

1 模型構建及原理

1.1 EMD基本原理和EEMD模型

經驗模態分解（EMD）是近年來在多個領域得到成功應用的數據處理方法。該方法對非平穩數據進行處理的思路是，在原始序列中把數據按不同尺度波動逐級分解成獨立的平穩分量。經EMD分解后能夠得到有限個本征模態分量（IMF），1個IMF滿足如下條件：

（1）在整個數據序列內，極值點個數e和過零點的個數Z有：

（2）在任一時刻，由數據中的局部極大值確定的上包絡線max()由和局部極小值確定的下包絡線min()的均值有：

EMD分解過程認為信號是由不同波動特征的IMF組合而成，IMF同時具備線性和非線性特點，模態分解原理如下[18]。

步驟1：把原始數據()作為待處理信號，尋找局部極值點，并分別連接形成上、下包絡線max()和min()。

步驟2：max()和min()去均值得到1()。

并計算()與1()之差，記為1()，1()即為1個IMF。

步驟3：判斷1()是否滿足IMF的兩個條件，若滿足，則1()為第一個IMF，記1()=1k()，即為()的第一個IMF；如果不滿足條件，循環步驟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1()=()–1()當作原始序列，重復以上步驟，最后剩下原始信號的余項r()。原始序列()可被表示為若干IMF和余項的和，即：

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

EMD分解結束的原則有兩種：

（1）當最后一個固有模態函數和剩余分量，變得比預期值小時停止。

（2）當剩余分量成單調函數，無法再篩選出固有模態函數為止。

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在分解時不可避免地會存在模態混疊和虛假分量現象，從而影響分解結果。集合經驗模態分解（EEMD）方法利用白噪聲頻譜均勻分布的特性，在待分析信號中多次添加隨機白噪聲，并將對應次序的分量做均值計算得到相應的模態分量，加入多組不同尺度的噪聲信號進行EMD分解，有效改善了EMD分解的模態混疊現象[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1：參數初始化。設置集成平均次數和添加的白噪聲幅值；

步驟2：將加入白噪聲的信號作為一個整體，進行EMD分解，得到各IMF分量；

步驟3：重復步驟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果。

2 EEMD-FCM模型與計算流程

2.1 FCM聚類的原理

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

FCM算法通過構造拉格朗日函數，迭代求取各樣本到聚類中心的全局加權距離平方和最小值以獲得最優聚類中心，即求使聚類目標函數最小化的樣本集和聚類中心集[21]。

式中：是樣本數據集個數；是聚類中心數；為模糊加權指數；d表示樣本點和聚類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 負荷數據預處理

電力系統負荷由不同特性的模態疊加而成。由于停電、電表故障等原因導致現有負荷采集設備在數據傳輸時伴有大量噪聲且存在數據丟失現象[22]，這將影響負荷分類的準確性。為有效解決數據缺少和異常問題，利用×矩陣表示采集到的負荷數據并進行預處理，代表用戶數量，代表數據采集頻率。

公式（12）～（14）用于異常負荷數據的判斷。通過公式（14）可以得出每個負荷數據的變動幅度，從而篩選出突變數據以便后續處理。

采用公式（15）可以對負荷缺失值和異常值進行修正。

式中：1、1表示負荷數據向前一段和后一段取點，一般取2。

對于修正后的數據按照式（16）進行數值歸一化，以消除數據量級的影響，從而更加精確地得出數據分類結果和負荷規律信息。

2.3 EEMD-FCM模型

對于電力系統負荷數據分類，EEMD方法在分解帶有噪聲的數據時具有優勢，能夠將負荷數據分解為數個本征模態分量（IMF）和趨勢分量，避免了模態混疊問題，可有效處理非平穩的負荷數據。FCM是基于迭代目標函數的聚類算法，在聚類準確度、穩定性方面效果較好。

綜合以上兩種方法優點，構建基于EEMD- FCM的需求響應用戶負荷曲線分類模型，通過EEMD將電力負荷數據分解為頻率由高到低的IMF，然后選取高頻部分模態向量用FCM聚類劃分成多種類型的電力用戶。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 數據處理

選取某城市的用電信息。采集系統采集到的82組工作日的96點負荷曲線數據進行算例分析。該城市的電力用戶類型主要包括居民住宅類、教育科研類、賓館住宿類、商業類、文化娛樂類、醫療衛生類以及高耗能工業類共7類，具體用戶類型如表1所示。

表1 某地區主要用戶類型

將采集到的負荷數據進行預處理：從82組處理后的負荷數據中隨機抽取一組進行模態分解。對負荷數據添加100組白噪聲序列，采用EEMD算法迭代200次。最終的模態分解結果如圖4所示。

圖4 對負荷數據進行EEMD分解結果

EEMD算法將原負荷數據分解為6組固有模態向量和一組剩余向量。圖4中，第一組是原始負荷曲線，其余產生的分解向量是各個頻率段的數據特征。各模態分解誤差如圖5所示。

圖5 模態分解結果誤差

從負荷數據模態分解結果和誤差可以看出，模態1的形態與原負荷曲線形態較為一致，波動特征符合，且誤差最小；因此可以選用模態1進行用戶負荷分類。采用同樣的方法對其余數據進行模態分解，選取與原始曲線特征變化一致且誤差最小的模態重新組合成新的數據集合，最后通過FCM對新的數據集合進行聚類分析。

3.2 結果分析

采用傳統FCM聚類算法和本文提出的EEMD-FCM算法對82組工作日96點負荷數據進行聚類，分類數選為7，得到的聚類結果如表2、表3所示。

表2 傳統FCM聚類算法結果

表3 EEMD-FCM聚類算法結果

對比分析發現：采用FCM聚類算法時，第81組用戶負荷數據被劃分為第一類賓館住宿類，第31組用戶負荷數據被劃分為第三類教育科研院所類；而采用EEMD-FCM聚類算法時，第81組用戶負荷數據被劃分為第二類娛樂類，第31組用戶負荷數據被劃分為第六類醫院類。分析第31組和第81組原始負荷曲線特性可以得出，采用傳統FCM聚類的結果與原始負荷曲線特性有較大差異。傳統FCM聚類存在用戶分類不完全現象，而EEMD-FCM聚類用戶劃分更加合理精確。

采用傳統FCM算法和EEMD-FCM聚類算法的目標函數值迭代曲線如圖6所示。

圖6 目標函數值迭代曲線

分析兩種算法的目標函數值迭代曲線可以看出：在目標函數收斂值上，傳統FCM聚類算法的目標函數值最終收斂于83.12，而EEMD-FCM聚類算法的目標函數值最終收斂于69.87。EEMD-FCM算法的最優解（與聚類中心距離）小于傳統FCM聚類算法，表明該算法的聚類結果較好。在迭代次數和運算速度上，傳統FCM聚類算法迭代15次后目標函數值趨于穩定，EEMD-FCM聚類算法則迭代12次后目標函數值趨于穩定；傳統FCM聚類算法用時12.81 s，而EEMD-FCM算法用時10.05 s。EEMD-FCM算法的迭代次數和運算速度均優于傳統FCM聚類算法，表明EEMD-FCM算法能夠提高目標函數的搜索速度，同時可以有效降低運算時間。通過以上分析可得，EEMD-FCM算法優于傳統FCM聚類算法。

4 需求響應實施策略

采用EEMD-FCM聚類算法得出7類電力用戶負荷曲線。從最終分類結果可以看出：每個分類能明顯地代表一類典型負荷的負荷特征，分類結果比較理想。電力需求側響應目標是改善用戶側的終端電力需求，保持供電服務水平和用戶舒適度不受影響。針對7類負荷曲線，本文針對性地提出具體的需求響應策略。

（1）賓館住宿。如圖7所示，該類負荷曲線波動不大，隨著晚上旅客數量的增多，大功率用電設備使用較多，晚高峰相對較明顯。由于賓館的服務性質，針對此類用戶較合適的做法是為其提供節能改造服務。依據國家現行的節能標準,采用先進的綠色節能技術和合同能源管理模式，對賓館的空調系統、太陽能熱水系統等冷熱源設備進行節能改造。

圖7 第一類賓館住宿

（2）娛樂場所。從文化娛樂類的負荷曲線圖8可以看出，該類用戶的負荷多集中在晚上，尤其在20:00—22:30點負荷達到峰值，負荷波動較明顯。娛樂場所對供電可靠性要求較高，針對該類用戶晚上負荷偏高的特點，建議安裝儲能系統、備用電源等設備，通過合理調節控制室內空調溫度、照明強度、提前蓄能等方式參與需求響應。

圖8 第二類娛樂場所

（3）教育科研院所。該類日負荷曲線波動較大，存在明顯的峰谷差，如圖9所示。與科研時間相對應，一般會出現3個負荷高峰時期，分別是08:00—12:00、14:00—16:00、19:00—21:00。盡管此類用戶存在明顯的峰谷差，但由于其本身用電性質特殊，對電力系統供電可靠性要求很高，因此，此類用戶不適合參與需求響應項目。

圖9 第三類教育科研院所

（4）大型商場。商場的用能設備主要是照明、中央空調、電梯。從負荷曲線圖10可知，負荷從09:00急劇上升，1 h后達到峰值，隨后直至21:00均是高負荷狀態。商場高峰時段的負荷高且持續時間較長，低谷時期用電量很低，峰谷差大。針對商場負荷特性，可以推行綠色照明技術和蓄冷技術等需求側管理措施。綠色照明技術減少商場照明負荷占總負荷的比例，蓄冷技術利用夜間低谷時段制冷，兩者均可降低系統高峰負荷壓力。建議相關部門出臺建筑面積達到一定規模的用電單位需安裝綠色照明設備和蓄冷空調的規定，緩解高峰時期的電力供應壓力。

圖10 第四類大型商場

（5）居民住宅。居民用戶負荷曲線圖如圖11所示，其特點與日常生活習慣存在較大關聯，午高峰在10:30—13:00，晚高峰集中出現在19:00—22:00，且峰值比午高峰要高，受作息規律影響，夜間負荷明顯低于日間。電網公司對居民用戶采取最有效的需求側管理措施是居民階梯電價政策，通過設置合理的分時階梯電價檔位和價格引導用戶合理用電。

圖11 第五類居民住宅

（6）醫院。從醫院類負荷曲線圖12可以看出，其負荷波動較為明顯。由于醫院門診時間原因，負荷最高峰時期出現在10:00—12:00之間，次負荷高峰時期大約為19:00—21:00之間。由于醫院本身用電性質特殊，對系統供電的可靠性要求較高，因此，此類電力用戶不適合參與需求響應項目。

圖12 第六類醫院

（7）高耗能工業。該類用戶大多是耗電量較大、連續生產型重工業企業，其負荷呈現明顯的早午高峰，其中早午兩個高峰均在1 h內迅速上升至峰值，然后負荷在未來的一段時間內維持在高水平。高耗能工業用電量很大，日負荷曲線的變化情況主要與用戶本身的生產設備使用情況有關，如圖13所示。針對此類用戶實際特點，建議采用負荷控制的方式參與需求響應。尤其夏季電網負荷高峰時段，電網公司可設計合理的可中斷負荷電價，與用戶簽訂可中斷負荷合同，使用戶按照合同規定中斷或削減負荷。此外，高耗能工業電力用戶自身應該采取整體性節電措施，參與電網公司合同能源管理節能項目改造，促進整體節能降耗。

圖13 第七類高耗能工業

5 結論

本文綜合考慮了用戶屬性、用電時間規律以及需求響應能力等因素，提出了EEMD-FCM需求響應用戶負荷曲線分類模型，并結合用戶負荷分類結果提出了相應的需求響應策略。主要結論如下：

（1）對原始負荷數據進行缺失和異常值預處理，利用EEMD算法將82組典型日負荷數據分別分解為本征模態分量和趨勢分量，使新負荷數據的特征高度聚集，提升了數據有效性，使后續聚類分析的精確性明顯提高。

（2）與傳統的FCM聚類算法相比，EEMD-FCM模型迭代12次后的目標函數穩定收斂值為69.87，算法求解用時10.05 s，故提出的EEMD-FCM模型的目標函數穩定收斂值更小，迭代次數更少，模型具有分類精度更高，求解速度更快的優點。

（3）針對EEMD-FCM模型得出的7類用戶負荷曲線，提出了具體的需求響應策略，其結果有助于電網公司制定合理的激勵策略，吸引用戶參與需求響應，對實現優化電力資源配置、提高電網公司經濟效益、確保電網安全穩定運行具有重要意義。

[1] 全生明.需求側響應資源的經濟性分析與市場均衡模型研究[D].保定: 華北電力大學, 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聚類和SVM的用戶負荷行業分類辨識方法[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.電力需求側管理可避免成本模型研究[J].電力需求側管理, 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.基于中長期時間維度的需求響應潛力及效果的系統動力學分析[J].中國電機工程學報, 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.改進型模糊 C 均值聚類算法的電力負荷特性分類技術研究[J].電測與儀表, 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.電力用戶負荷模式提取技術及應用綜述[J].電網技術, 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.不同時空尺度下多元負荷用戶精細分類方法設計與實現[D].長春: 吉林大學, 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.引入改進模糊 C 均值聚類的負荷數據辨識及修復方法[J].電力系統自動化, 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.電力用戶負荷模式識別系統研究與設計[D].保定: 華北電力大學, 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和多維尺度分析的負荷分類方法[J].電網技術, 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.基于自適應模糊C均值算法的電力負荷分類研究[J].電力系統保護與控制, 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EMD與小波閾值相結合的光生混沌信號降噪[J].現代電子技術, 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距影響因素研究[J].電工技術, 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的運動想象腦電信號消噪方法[J].傳感技術學報, 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, 等.改進自適應模糊C均值算法在負荷特性分類的應用[J].電力系統自動化, 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.智能用電數據的采集與預處理[J].貴州電力技術, 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，研究方向為能源經濟與電力市場；

陳正鵬（1997—），男，碩士研究生，研究方向為電力市場。