CN104680261A - 基于重点大客户负荷曲线聚类的电力负荷运行控制方法 - Google Patents

Abstract

本发明公开了一种基于重点大客户负荷曲线聚类的电力负荷运行控制方法，所述方法包括：S1，获取各重点大客户的整点负荷数据，识别坏数据，并对坏数据进行纠错处理；S2，对各重点大客户的整点负荷数据进行归一化处理，计算各重点大客户的日平均负荷曲线，并得到负荷特性；S3，对各重点大客户的日平均负荷曲线进行模型聚类计算，得到各类重点大客户集，并统计各类重点大客户集的用电特征；S4，对各重点大客户的负荷特性进行时段聚类计算，得到目标类集合，并统计目标类中的可中断负荷及其代价，计算可中断负荷规模；S5，通过对比分析各类重点大客户集的用电特征和可中断负荷规模，对负荷运行进行控制。本发明能够提升电力负荷管理水平及效率，实现对电力负荷运行的优化控制。

Description

基于重点大客户负荷曲线聚类的电力负荷运行控制方法

技术领域

本发明涉及一种基于重点大客户负荷曲线聚类的电力负荷运行控制方法，属于电力系统技术领域。

背景技术

负荷曲线是表征电力系统中各类电力负荷随时间变化情况的一种图形，可以直观地反映用户用电的特点和规律，是调度电力系统的电力和进行电力系统规划的依据。电力系统的负荷涉及广大地区的各类用户，每个用户的用电情况很不相同，且事先无法确知在什么时间、什么地点、增加哪一类负荷，因此，电力系统的负荷变化带有随机性。

传统的电力负荷运行控制均是基于电网公司业务分类进行分析，没有应用聚类分析等先进的数据分析方法，导致对客户负荷特征、用电特征、可中断负荷规模的分析不够细致，进而阻碍电力负荷管理水平及效率的提升，难以实现对电力负荷运行的优化控制。

发明内容

本发明的目的在于，提供一种基于重点大客户负荷曲线聚类的电力负荷运行控制方法，能够提升电力负荷管理水平及效率，实现对电力负荷运行的优化控制。

为解决上述技术问题，本发明采用如下的技术方案：一种基于重点大客户负荷曲线聚类的电力负荷运行控制方法，包括以下步骤：

S1，获取各重点大客户的整点负荷数据，识别坏数据，并对坏数据进行纠错处理；

S2，对各重点大客户的整点负荷数据进行归一化处理，计算各重点大客户的日平均负荷曲线，并得到负荷特性；

S3，对各重点大客户的日平均负荷曲线进行模型聚类计算，得到各类重点大客户集，并统计各类重点大客户集的用电特征；

S4，对各重点大客户的负荷特性进行时段聚类计算，得到目标类集合，并统计目标类中的可中断负荷及其代价，计算可中断负荷规模；

S5，通过对比分析各类重点大客户集的用电特征和和可中断负荷规模，对负荷运行进行控制。

前述的基于重点大客户负荷曲线聚类的电力负荷运行控制方法中，所述步骤S1具体包括：

S11，若获取的整点负荷数据大于接电容量或小于零，则确认为坏数据；

S12，采用接电容量不变的其他日期的同时点(时点代表时刻，如：1号12点和13号的12点，其中的12点代表同时点)上的数值替代或采用平滑曲线对坏数据进行处理。

前述的基于重点大客户负荷曲线聚类的电力负荷运行控制方法中，所述步骤S2中的归一化处理算法为：其中，ob代表重点大客户的编号；i∈[1～31]，表示日；j∈[0～23]，表示小时；P_ob,i,max、P_ob,i,min分别表示重点大客户每日负荷的最大值和最小值；P_ob,i,j表示重点大客户的整点负荷；表示归一化后的重点大客户某日某时的负荷，其最大值为1。

前述的基于重点大客户负荷曲线聚类的电力负荷运行控制方法中，所述步骤S2中，所述重点大客户的日平均负荷曲线由一个月中同时刻负荷的平均值来确定，公式为其中，Mean表示取平均值；PT_ob,j为重点大客户某时点上的月平均值；若选择某一日，则平均负荷曲线为

前述的基于重点大客户负荷曲线聚类的电力负荷运行控制方法中，所述步骤S2中，所述负荷特性包括日负荷率、日最小负荷率和日峰谷差率；

日负荷率＝月平均负荷数据均值/月平均负荷数据最大值；

日最小负荷率＝月平均负荷数据最小值/月平均负荷数据最大值；

日峰谷差率＝月平均负荷数据最大值与最小值的差/月平均负荷数据最大值。

前述的基于重点大客户负荷曲线聚类的电力负荷运行控制方法中，所述步骤S3中的聚类算法为K-means聚类法、K-mediod聚类法、FCM聚类法或HC(Hierarchy Clustering层次聚类)聚类法。

前述的基于重点大客户负荷曲线聚类的电力负荷运行控制方法中，所述步骤S3中，两条日平均负荷曲线之间的距离定义为：

$d({\mathrm{PT}}_{\mathrm{ob}1},{\mathrm{PT}}_{\mathrm{ob}2})=\sqrt{\frac{1}{24}\underset{j=0}{\overset{23}{\mathrm{\Σ}}}{({\mathrm{PT}}_{\mathrm{ob}1,j}-{\mathrm{PT}}_{\mathrm{ob}2,j})}^2};$

采用MIA表征聚类中心和聚类中所有元素的距离的平均值的均值，其定义为：

$\mathrm{MIA}=\sqrt{\frac{1}{k}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{d}^2({\mathrm{CT}}_k,C_k)};$

其中，K为聚类得到的客户类数，CT_k为每个聚类的聚类中心或代表曲线，即隶属于该聚类中所有重点大客户的代表负荷曲线的平均值；C_k表示每个聚类中所包含的重点大客户的集合；n_k表示每个聚类中包含的重点大客户的数目；

采用SC表征各聚类完整性与分隔性的比值之和，其定义为：

$\mathrm{SC}=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\frac{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{d}^2({\mathrm{PT}}_j,{\mathrm{CT}}_i)}{n_i\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{d}^2({\mathrm{CT}}_k,{\mathrm{CT}}_i)};$

$\mathrm{SC}=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\frac{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{d}^2({\mathrm{PT}}_j,{\mathrm{CT}}_i)}{n_i\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{d}^2({\mathrm{CT}}_k,{\mathrm{CT}}_i)};$

当MIA、SC的值较小时，表明聚类效果较好，选择聚类效果好的聚类算法，获取各聚类的初始聚类中心CT_k。

前述的基于重点大客户负荷曲线聚类的电力负荷运行控制方法中，所述聚类算法采用K-means聚类法，具体包括以下步骤：

(1)根据获取的各聚类的初始聚类中心CT_k，计算每个重点大客户的日平均负荷曲线对各初始聚类中心的距离，并根据最小距离重新对重点大客户的日平均负荷曲线进行划分；

(2)重新计算有变化的聚类的聚类中心；

(3)重复步骤(1)和(2)，直到满足MIA、SC的值达到既定取值范围。

前述的基于重点大客户负荷曲线聚类的电力负荷运行控制方法中，所述步骤S4中的时段聚类算法为：

(1)选择关注的具体时间区间；

(2)剔除日最大负荷不出现在关注时间区间的重点大客户；

(3)计算剩余重点大客户的日最小负荷率；

(4)再剔除日最小负荷率大于80％的重点大客户。

前述的基于重点大客户负荷曲线聚类的电力负荷运行控制方法中，所述步骤S4中可中断负荷规模的计算方法为：峰时电费占比＝峰时电费/总电费，可中断负荷占比＝可中断负荷/当期最大负荷。

与现有技术相比，本发明对重点大客户日负荷曲线进行处理后，计算相应的日负荷率、日最小负荷率和日峰谷差率等负荷特性指标，通过对重点大客户负荷特性的分析，总结不同客户群的负荷特性规律；对比分析重点大客户的聚类结果，分析各重点大客户集的用电特征，通过统计各类可中断负荷的水平，判断各类重点大客户集移峰填谷的能力和所需的代价，甄别重点大客户对峰谷电价调整的敏感度，并产生应对策略，为公司有序用电等负荷管理、电网规划建设等领域提供参考依据，能够提升电力负荷管理水平及效率，实现对电力负荷运行的优化控制

由于采用原始数据(不同重点大项目负荷大小不一)不利于聚类，因此本发明的模型聚类针对采用归一化处理后的数据进行分析。

附图说明

图1是本发明实施例的行业负荷曲线聚类分析流程图；

图2是本发明实施例的重点大客户负荷曲线图显示流程图；

图3是本发明实施例的重点大客户的峰谷电价敏感度分析的流程图。

下面结合附图和具体实施方式对本发明作进一步的说明。

具体实施方式

本发明的实施例：一种基于重点大客户负荷曲线聚类的电力负荷运行控制方法，如图1所示，包括以下步骤：

一、获取各重点大客户的整点负荷数据，识别坏数据，并对坏数据进行纠错处理

(1)若获取的整点负荷数据大于接电容量或小于零，则确认为坏数据；

(2)采用接电容量不变的其他日期的同时点上的数值替代或采用平滑曲线对坏数据进行处理。

二、对各重点大客户的整点负荷数据进行归一化处理，计算各重点大客户的日平均负荷曲线，并得到负荷特性(如图2所示)

1、归一化处理

公式其中，ob代表重点大客户的编号；i∈[1～31]，表示日；j∈[0～23]，表示小时；P_ob,i,max、P_ob,i,min分别表示重点大客户每日负荷的最大值和最小值；P_ob,i,j表示重点大客户的整点负荷；表示归一化后的重点大客户某日某时的负荷，其最大值为1。

2、计算日平均负荷曲线

所述重点大客户的日平均负荷曲线由一个月中同时刻负荷的平均值来确定，其公式为其中，Mean表示取平均值；PT_ob,j为重点大客户某时点上的月平均值；若选择某一日，则平均负荷曲线为

3、负荷特性分析

所述负荷特性包括日负荷率、日最小负荷率和日峰谷差率；日负荷率＝月平均负荷数据均值/月平均负荷数据最大值；日最小负荷率＝月平均负荷数据最小值/月平均负荷数据最大值；日峰谷差率＝月平均负荷数据最大值与最小值的差/月平均负荷数据最大值。

如图2所示，对上述负荷特性进行评价分析：

(1)若日负荷率、最小负荷率均大于全网当期值，日峰谷差率小于全网当期值，则该重点大客户的负荷特性评价为优；

(2)若日负荷率、日最小负荷率小于全网当期值，日峰谷差率大于全网当期值，则该重点大客户的负荷特性评价为差；

(3)其他情况，该重点大客户的负荷特性评价为一般。

全网月平均日负荷率、日最小负荷率和日峰谷差率取全网当月的日负荷率均值、日最小负荷率均值和日峰谷差率均值。

三、对各重点大客户的日平均负荷曲线进行模型聚类计算，得到各类重点大客户集，并统计各类重点大客户集的用电特征

可采用K-means聚类法、K-mediod聚类法、FCM聚类法或HC(HierarchyClustering层次聚类)聚类法对各重点大客户的日平均负荷曲线进行模型聚类分析。

两条日平均负荷曲线之间的距离定义为：

$d({\mathrm{PT}}_{\mathrm{ob}1},{\mathrm{PT}}_{\mathrm{ob}2})=\sqrt{\frac{1}{24}\underset{j=0}{\overset{23}{\mathrm{\Σ}}}{({\mathrm{PT}}_{\mathrm{ob}21,j}-{\mathrm{PT}}_{\mathrm{ob}2,j})}^2};$

采用MIA表征聚类中心和聚类中所有元素的距离的平均值的均值，其定义为：

$\mathrm{MIA}=\sqrt{\frac{1}{k}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{d}^2({\mathrm{CT}}_k,C_k)};$

其中，K为聚类得到的客户类数，CT_k为每个聚类的聚类中心或代表曲线，即隶属于该聚类中所有重点大客户的代表负荷曲线的平均值；C_k表示每个聚类中所包含的重点大客户的集合；n_k表示每个聚类中包含的重点大客户的数目；

采用SC表征各聚类完整性与分隔性的比值之和，其定义为：

$\mathrm{SC}=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\frac{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{d}^2({\mathrm{PT}}_j,{\mathrm{CT}}_i)}{n_i\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{d}^2({\mathrm{CT}}_k,{\mathrm{CT}}_i)};$

当MIA、SC的值较小时，表明聚类效果较好，选择聚类效果好的聚类算法，获取各聚类的初始聚类中心CT_k。

所述聚类算法采用K-means聚类法，具体包括以下步骤：

(1)根据获取的各聚类的初始聚类中心CT_k，计算每个重点大客户的日平均负荷曲线对各初始聚类中心的距离，并根据最小距离重新对重点大客户的日平均负荷曲线进行划分；

(2)重新计算有变化的聚类的聚类中心；

(3)重复步骤(1)和(2)，直到满足MIA、SC的值达到既定取值范围。

K-medoid聚类法、FCM聚类法和HC(Hierarchy Clustering层次聚类)聚类法的具体流程与K-means聚类法类似，此处不展开描述。

由上述聚类算法获得的各类重点大客户集中，统计各类重点大客户集的用电特征，用电特征的显示处理：从本类中提取用电特征的四方面，对“生产规律”、“段式负荷”和“最大负荷发生时”三个字段，每字段内为同一种描述的客户的占比最大，则显示该描述，本类重点大客户中“峰谷差”取所有值的平均值。

四、对各重点大客户的负荷特性进行时段聚类计算，得到目标类集合，并统计目标类中的可中断负荷及其代价，计算可中断负荷规模

时段聚类算法包括以下步骤：

(1)选择关注的具体时间区间(比如10：00-12：00)；

(2)剔除日最大负荷不出现在关注时间区间的重点大客户；

(3)计算剩余重点大客户的日最小负荷率；

(4)再剔除日最小负荷率大于80％的重点大客户。

五、通过对比分析各类重点大客户集的用电特征和和可中断负荷规模，对负荷运行进行控制

1、变电容量和电网投资计算

变电容量＝可中断负荷规模x规划容载比；

所对应的电网投资＝容量x单位容量所需投资。

2、峰谷分时电价与重点大客户负荷曲线的关系分析

如图3所示，按照下式计算峰时电费占总电费的比重、可中断负荷占最大负荷的比重：

峰时电费占比＝峰时电费/总电费；

可中断负荷占比＝可中断负荷/当期最大负荷；

从而确定重点大客户对峰谷电价调整的敏感度，展示峰谷电价敏感度不同的重点大客户集，并展示相应的分析和策略。其中，比较分析各类重点大客户的峰时电费占比和可中断负荷占比，判据如下：

(1)峰时电费占比大(大于等于33％，经验值)、可中断负荷占比大(大于等于10％，经验值)的重点大客户，这类重点大客户负荷曲线与峰谷分时电价关系密切，通过调整峰谷电价水平，可以实现移峰填谷，明显改善该类重点大客户的负荷特性；

(2)峰时电费占比大、可中断负荷占比小(小于10％)的重点大客户，这类重点大客户负荷曲线受峰谷电价的影响小，调整峰谷电价水平对改善其负荷特性的作用小；

(3)峰时电费占比小(小于33％)、可中断负荷占比大的重点大客户，这类重点大客户负荷曲线对峰谷电价的调整不明显，客户的大比重可中断负荷是通过其他方式补偿得到的；

(4)峰时电费占比小、可中断负荷占比小的重点大客户，这类重点大客户的研究价值不大，峰谷电价的调整对其负荷曲线的影响不明显。

3、负荷运行控制的评价因素

(1)对比重点大客户不同时期(如春、夏、秋、冬季典型日或不同年份节假期典型日)的负荷特性变化情况。

(2)对聚类出来的各类重点大客户集，可通过对比各聚类中心的负荷特性指标和用电特征，评价各类重点大客户负荷特性指标的优劣。

(3)可通过对比各类重点大客户的可中断负荷规模，评价各类重点大客户集的移峰填谷的潜力。

(4)通过对比各重点大客户所在区域移峰填谷的潜力，为重点大客户移峰填谷潜力大的区域电网建设和投资提供新的思路。

(5)通过对比各类重点大客户峰时段电费占全部电费的比重和各类重点大客户可中断负荷占最大负荷的比重，评价各重点大客户对调整峰谷电价的敏感性。

Claims (10)

1.一种基于重点大客户负荷曲线聚类的电力负荷运行控制方法，其特征在于，包括以下步骤：

S1，获取各重点大客户的整点负荷数据，识别坏数据，并对坏数据进行纠错处理；

S2，对各重点大客户的整点负荷数据进行归一化处理，计算各重点大客户的日平均负荷曲线，并得到负荷特性；

S3，对各重点大客户的日平均负荷曲线进行模型聚类计算，得到各类重点大客户集，并统计各类重点大客户集的用电特征；

S4，对各重点大客户的负荷特性进行时段聚类计算，得到目标类集合，并统计目标类中的可中断负荷及其代价，计算可中断负荷规模；

S5，通过对比分析各类重点大客户集的用电特征和和可中断负荷规模，对负荷运行进行控制。

2.根据权利要求1所述的基于重点大客户负荷曲线聚类的电力负荷运行控制方法，其特征在于，所述步骤S1具体包括：

S11，若获取的整点负荷数据大于接电容量或小于零，则确认为坏数据；

S12，采用接电容量不变的其他日期的同时点上的数值替代或采用平滑曲线对坏数据进行处理。

3.根据权利要求1或2所述的基于重点大客户负荷曲线聚类的电力负荷运行控制方法，其特征在于，所述步骤S2中的归一化处理算法为：其中，ob代表重点大客户的编号；i∈[1～31]，表示日；j∈[0～23]，表示小时；P_ob,i,max、P_ob,i,min分别表示重点大客户每日负荷的最大值和最小值；P_ob,i,j表示重点大客户的整点负荷；表示归一化后的重点大客户某日某时的负荷，其最大值为1。

4.根据权利要求3所述的基于重点大客户负荷曲线聚类的电力负荷运行控制方法，其特征在于：所述步骤S2中，所述重点大客户的日平均负荷曲线由一个月中同时刻负荷的平均值来确定，公式为其中，Mean表示取平均值；PT_ob,j为重点大客户某时点上的月平均值；若选择某一日，则平均负荷曲线为

5.根据权利要求3所述的基于重点大客户负荷曲线聚类的电力负荷运行控制方法，其特征在于：所述步骤S2中，所述负荷特性包括日负荷率、日最小负荷率和日峰谷差率；

日负荷率＝月平均负荷数据均值/月平均负荷数据最大值；

日最小负荷率＝月平均负荷数据最小值/月平均负荷数据最大值；

日峰谷差率＝月平均负荷数据最大值与最小值的差/月平均负荷数据最大值。

6.根据权利要求1所述的重点大客户的负荷曲线聚类方法，其特征在于：所述步骤S3中的聚类算法为K-means聚类法、K-mediod聚类法、FCM聚类法或HC聚类法。

7.根据权利要求6所述的基于重点大客户负荷曲线聚类的电力负荷运行控制方法，其特征在于：所述步骤S3中，两条日平均负荷曲线之间的距离定义为：

$d({\mathrm{PT}}_{\mathrm{ob}1},{\mathrm{PT}}_{\mathrm{ob}2})=\sqrt{\frac{1}{24}\underset{j=0}{\overset{23}{\mathrm{\Σ}}}{({\mathrm{PT}}_{\mathrm{ob}1,j}-{\mathrm{PT}}_{\mathrm{ob}2,j})}^2};$

采用MIA表征聚类中心和聚类中所有元素的距离的平均值的均值，其定义为：

$\mathrm{MIA}=\sqrt{\frac{1}{k}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{d}^2({\mathrm{CT}}_k,C_k)};$

其中，K为聚类得到的客户类数，CT_k为每个聚类的聚类中心或代表负荷曲线，即隶属于该聚类中所有重点大客户的代表负荷曲线的平均值；C_k表示每个聚类中所包含的重点大客户的集合；n_k表示每个聚类中包含的重点大客户的数目；

采用SC表征各聚类完整性与分隔性的比值之和，其定义为：

$\mathrm{SC}=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\frac{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{d}^2({\mathrm{PT}}_j,{\mathrm{CT}}_i)}{n_i\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{d}^2({\mathrm{CT}}_k,{\mathrm{CT}}_i)};$

当MIA、SC的值较小时，表明聚类效果较好，选择聚类效果好的聚类算法，获取各聚类的初始聚类中心CT_k。

8.根据权利要求7所述的基于重点大客户负荷曲线聚类的电力负荷运行控制方法，其特征在于，所述聚类算法采用K-means聚类法，具体包括以下步骤：

(1)根据获取的各聚类的初始聚类中心CT_k，计算每个重点大客户的日平均负荷曲线对各初始聚类中心的距离，并根据最小距离重新对重点大客户的日平均负荷曲线进行划分；

(2)重新计算有变化的聚类的聚类中心；

(3)重复步骤(1)和(2)，直到满足MIA、SC的值达到既定取值范围。

9.根据权利要求1所述的基于重点大客户负荷曲线聚类的电力负荷运行控制方法，其特征在于：所述步骤S4中的时段聚类算法为：

(1)选择关注的具体时间区间；

(2)剔除日最大负荷不出现在关注时间区间的重点大客户；

(3)计算剩余重点大客户的日最小负荷率；

(4)再剔除日最小负荷率大于80％的重点大客户。

10.根据权利要求1或9所述的基于重点大客户负荷曲线聚类的电力负荷运行控制方法，其特征在于：所述步骤S4中可中断负荷规模的计算方法为：峰时电费占比＝峰时电费/总电费，可中断负荷占比＝可中断负荷/当期最大负荷。