大用戶的負荷精準預測和能效優化決策技術研究

陳麗娜 楊軻 史浩鵬 馬凡琳 黎翔

（國網甘肅省電力公司平涼供電公司，甘肅平涼 744000）

0.引言

大用戶是指在電力系統中用電量相對較大的企業或者電力客戶，特別是高壓電力客戶，大用戶是電力負荷中的重要組成，對大用戶的負荷進行精準預測，可以使得電網企業能夠合理安排電網的運行方式和調度計劃[1]。本文詳細分析了大用戶的負荷精準預測和能效優化決策技術原理，對于挖掘大用戶的市場潛在價值、提高電力需求側響應能力、合理部署電力營銷策略具有重要的意義。

1.大用戶的負荷精準預測技術

1.1 大用戶的用電需求預測

在具體的大用戶負荷預測過程中，首先借助大數據分析算法得出大用戶的用電特性，其次針對負荷數據進行用電需求預測建模。最后開展負荷需求預測的誤差分析，根據分析結果對模型中的參數進行修正和調整，使得負荷需求模型更加準確實用[2]。

在大用戶用電特性分析中可以采用聚類分析算法，聚類分析是重要的大數據分析技術，在社會中多個領域中都得到了應用，并取得了較好的應用效果。電力負荷數據的聚類分析算法類型較多，包括基于劃分的聚類算法、基于層次的聚類算法、基于密度的聚類算法等，本文主要介紹K均值聚類。在這種算法中，設定樣本的特征向量集X如式（1）所示。

在式（1）中，X1到Xn為第1到n個特征向量。此外，采用Gi(k)表示第k次合并時的第i類，對于算法步驟，第一步是初始分類，令k=0，每個樣本可以當作一個類別，即

第二步是計算各類間的距離Dij，在此基礎上進一步生成一個對稱的距離矩陣。

在式中的m為類別的個數（開始進行計算時，m=N）。第三步是根據前一步求得的矩陣D(k)，在該矩陣中找到最小的元素，設它是Gi(k)和Gj(k)間的距離，將Gi(k)和Gj(k)兩類合并成一類，于是產生了新的聚類Gi(k+1)，Gj(k+1)，…令k=k+1，m=m-1。當上述步驟都完成之后，還需要檢查所生成的樣本類別個數是否符合要求，當類別個數滿足要求時則可以結束上述計算流程。同時根據給定的用電負荷數據集合，首先采用隨機方法選擇K個樣本作為初始中心，然后按照最短距離的原則進行逐步迭代計算，圖1所示為K均值聚類算法在大用戶用電行為分析中的應用。

圖1 K均值聚類算法在大用戶用電行為分析中的應用

從上圖1中可以看出，K均值聚類算法在應用的過程中，首先選擇初始的凝聚點并進行大用戶用電負荷數據的初始分類，但應將樣本數據中的異常離群數據加以剔除，保證樣本數據的準確性。同時還應該對樣本中的錯誤數據進行修正，并進行校驗。如果算法程序判斷初始分類合理，則作為最終的分類結果[3]。如果用電負荷數據分類不合理，則根據K均值聚類算法安裝最近距離原則，重新修改負荷數據分類，直到滿足要求為止，完成大用戶用電特性的分析。可以采用歐式距離來加以評估，目標函數如下式（4）所示：

式中，U表示隸屬度矩陣，uij∈（0,1）表示第j個樣本對于第i個類別的隸屬度；Xci表示類別i的聚類中心，在 J（U,Xc1,Xci,…,Xcn）中體現 ；dij=||Xci-Xj||為 Xci與 j間的歐式距離，表示第j個樣本特征向量Xj與類別i的聚類中心Xci之間的相對距離；m表示加權指數。綜合上式再利用拉格朗日變換即可得到使得上式達到最小的必要條件。

1.2 用電設備故障對大用戶負荷預測的影響

大用戶在生產過程中，受自身的生產用電設備運行狀態影響較大，如果某個生產設備出現了故障而停止生產時，則大用戶的負荷會得到明顯的降低，給電網帶來了較大的負荷波動和沖擊。故為了使得負荷預測更為精準，需要對大用戶的用電故障也加以考慮，實現負荷的精益化預測及管理。首先需要對大用戶中的用電設備的運行可靠性進行評估分析，可以假設用電設備中各個組成部件服從威布爾分布，建立電力部件的故障率函數，并進一步得出電力設備運行可靠度函數、電力設備的平均無故障工作時間等[4]。通過得出大用戶中用電設備運行故障的時空分布，完成對用電設備的可靠性評價，并將其反映到大用戶用電負荷預測模型中，使得對大用戶的負荷預測更為全面，也更為精準。

2.大用戶的能效優化決策系統分析

2.1 大用戶能效優化決策系統的結構

在大用戶的能效優化決策系統中，包括了大用戶的能效采集終端、通訊網絡和大用戶負荷精準預測及能效優化決策軟件等組成。其中能效采集終端將其所采集到的數據信息通過通訊網絡傳輸到優化決策軟件中，通過軟件中程序的分析和計算，輸出提高大用戶的用電能效決策結果。對于大用戶的能效采集終端，應具備對大用戶能耗的實時監測功能，并通過采集終端中的通信功能模塊將數據上傳發送到遠程優化決策服務器中。在大用戶能效優化決策系統中，除了上述硬件結構之外，還需要加強優化決策系統的軟件架構設計。在軟件系統中，包括數據傳輸軟件、傳輸軟件和接收軟件等[5]。

2.2 能效優化決策系統中的負荷精準預測技術

為了更好地對大用戶的能效進行優化，需要對大用戶的負荷進行精準預測。由于地區電網的地理范圍較大，不同地理位置的氣候也存在著較大的差異，為此需要定義位于各不同地區大用戶負荷對氣候因素的靈敏因子γ，γ受溫度、濕度、風力、晴雨等因素影響，如下式（7）和（8）所示。

在式（7）和式（8）中，Pt表示t時刻地區負荷；Pt+1表示下一時刻地區負荷。Δa、Δh、Δw、Δr分別表示溫度、濕度、風力、晴雨的變化量。其中大用戶負荷與氣候因素表如表1所示，晴雨用整形數字進行量化，大雨：0，小雨：1，陰：2，晴：3。

表1 大用戶負荷與氣候因素表

利用下一日的氣象數據，依據建模得到的靈敏因子概率模型，可以計算出γ值，即可得到預測時刻的負荷，從而為大用戶能效優化決策軟件提供豐富的負荷精準預測數據。

3.結論

大用戶一般為高耗能工業生產企業，包括鋼鐵企業、水泥生產企業等，其用電量都具有一定的規模，在地區電網負荷中也占有較高的比值。加強大用戶的負荷預測及能效優化既可以降低大用戶的用能成本又可以加強電力企業對大用戶的管理，具有較高的實用價值。