CN104809332A - 一种基于负荷率的电力系统海量用户分类方法 - Google Patents

Abstract

本发明公开了一种基于负荷率的电力系统海量用户分类方法，其具体包括如下步骤：SS1计算用户一月之内各日负荷率；SS2计算月均负荷率和月内负荷率标准差；SS3建立负荷率分类图；SS4根据日内稳定程度划区；SS5根据日间稳定程度划区。本发明成功解决了用户负荷分类的海量规模和随机波动这两大难题，且分类流程简单，计算量小，开发难度低，物理含义明晰，实用性强，采用该方法可快速完成海量用户负荷的分类。

Description

一种基于负荷率的电力系统海量用户分类方法

技术领域

本发明属于电力系统用户负荷分类领域，具体地说是涉及一种基于负荷率的电力系统海量用户分类方法。

背景技术

我国电力企业信息化起源于20世纪60年代，从初始电力生产自动化到80年代以财务电算化为代表的管理信息化建设，再到近年大规模的企业信息化建设，特别伴随着下一代智能化电网的全面建设，以物联网和云计算为代表的新一代IT技术在电力行业中的广泛应用，电力数据资源开始急剧增长并形成了一定的规模。尤其是在用电侧，截止到2013年，江苏省客户表计数量达到3000万，光用户负荷信息记录这一项，每年产生的数据量也高达8.41TB。在如此海量的用户负荷数据面前，极其需要快速高效的用户负荷分类方法，以降低用户负荷分析的时间，提升对用户负荷的认知。

用户负荷与系统负荷的特性截然不同。对于系统负荷，大量随机性用电事件(如用电设备的开启关闭以及状态转换等)导致的负荷波动相互抵消，使得系统负荷变化的随机性减小，规律性增强。由于用户负荷的水平相对较低，任何一个用电事件都有可能对大用户的负荷造成较大的影响，这导致了用户负荷变化的随机性增强，而规律性减弱。

同时，系统中用户数量呈现海量性，涉及的行业五花八门。不同行业之间由于生产过程的不同，生产设备往往也大相径庭，这导致了不同用户负荷特性的差异可能会非常之大，即便是同一个行业内的用户，生产工艺的差别也会导致负荷特性差别很大。

由于用户负荷的海量规模，导致复杂的聚类算法对其分类的时间剧增；而由于用户负荷曲线的随机波动过大，曲线形态不稳定，导致基于用户曲线形态的分类方法对用户负荷难以生效。

综上所述，用户负荷的海量规模与随机波动是目前用户负荷聚类的两大难题，亟需提出快速高效的用户负荷分类方法。

发明内容

本发明的目的是为克服已有技术的不足之处，提出了一种基于负荷率的电力系统海量用户分类方法，该方法以用户月均负荷率为横轴，月内负荷率标准差为纵轴，将用户绘于图中，得到用户负荷率分类图。因为用户月均负荷率代表了用户负荷曲线形态平稳与否，而月内负荷率标准差则反映了用户负荷曲线在月内变化程度，用户在该负荷率分类图中的位置即表征了其负荷的日内稳定程度和日间稳定程度。通过在该分类图中设置一定的分界线，可将用户快速分为八个片区，且每个片区的用户负荷都具有自身的变化特性。

本发明采用如下技术方案：一种基于负荷率的电力系统海量用户分类方法，其特征在于，具体包括如下步骤：

SS1计算用户一月之内各日负荷率；

SS2计算月均负荷率和月内负荷率标准差：所述月均负荷率为用户日负荷率在一月之内的平均值，所述月内负荷率标准差为用户日负荷率在一月之内分布的标准差；

SS3建立负荷率分类图：以所述月均负荷率为横轴，所述月内负荷率标准差为纵轴，绘制负荷率分类图；

SS4根据日内稳定程度划区：在所述负荷率分类图上，以月均负荷率0.4，0.6，0.8为横轴分界线，将所述负荷率分类图中的用户分为四个片区，分别为高日内稳定度片区、中日内稳定度片区、低日内稳定度片区、极低日内稳定度片区；

SS5根据日间稳定程度划区：以“负荷率标准差/月均负荷率＝0.1”为边界，所述边界以下片区为高日间稳定度片区，所述边界以上为低日间稳定度片区；原本所述步骤SS4中的四个片区被分割成为A～H八个片区，然后将处于相同片区的用户分为一类。

优选地，所述步骤SS1包括：求取用户一月之内每天的负荷率，其计算公式如式(1)所示：

       $r=\frac{\stackrel{\‾}{y}}{y_{\max }}---\left(1\right)$

其中，为用户一日之内的平均负荷，y_max为用户一日之内的最大负荷，r为用户每天的负荷率。

优选地，所述步骤SS2包括：对用户一月之内每日的负荷率r₁～r_n作平均，得到月均负荷率，如式(2)所示：

       $\stackrel{\‾}{r}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{r}_i---\left(2\right)$

其中n为每月的天数。

优选地，所述步骤SS2包括：对用户一月之内每日的负荷率r₁～r_n，求取标准差，得到月内负荷率标准差，如式(3)所示：

       $\mathrm{\σ}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(r_i-\stackrel{\‾}{r})}^2}---\left(3\right)$

其中n为每月的天数。

所述步骤SS4包括：所述高日内稳定度负荷内，月均负荷率>0.8；所述中日内稳定度负荷内，0.6<月均负荷率<0.8；所述低日内稳定度负荷，0.4<月均负荷率<0.6；所述极低日内稳定度负荷，月均负荷率<0.4。

本发明所达到的有益效果：(1)负荷率指标计算简单，物理意义明确，月均负荷率和月内负荷率标准差这两个指标即可反映用户负荷曲线在日内和日间的稳定程度，因此无需采用复杂的负荷曲线进行聚类，能够大幅降低负荷聚类时间；(2)在负荷率分类图中，用户所处的位置直观地反映了用户负荷的日内和日间稳定程度；(3)依据用户处于负荷率分类图中的位置，对用户进行分类，得到的分区物理意义明确，分类快速简单。

附图说明

图1是本发明的总体实施流程框图。

图2是采用本发明的方法对某地区50名典型用户负荷进行分类得到的负荷率分类图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示的是本发明的总体实施流程框图，本发明提出一种基于负荷率的电力系统海量用户分类方法，其具体包括如下步骤：

SS1计算用户一月之内各日负荷率：包括求取用户一月之内每天的负荷率，其计算公式如式(1)所示：

       $r=\frac{\stackrel{\&OverBar;}{y}}{y_{\max }}---\left(1\right)$

其中，为用户一日之内的平均负荷，y_max为用户一日之内的最大负荷，r为用户每天的负荷率，该指标位于0～1之间，越接近于1，负荷曲线形态越为平稳，越趋近于0，负荷曲线波动越为剧烈；

SS2计算月均负荷率和月内负荷率标准差：所述月均负荷率为用户日负荷率在一月之内的平均值，所述月内负荷率标准差为用户日负荷率在一月之内分布的标准差，对用户一月之内每日的负荷率r₁～r_n作平均，得到月均负荷率，如式(2)所示：

       $\stackrel{\&OverBar;}{r}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{r}_i---\left(2\right)$

其中n为每月的天数；

对用户一月之内每日的负荷率r₁～r_n，求取标准差，得到月内负荷率标准差，如式(3)所示：

       $\mathrm{\&sigma;}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(r_i-\stackrel{\&OverBar;}{r})}^2}---\left(3\right)$

其中n为每月的天数；

SS3建立负荷率分类图：以所述月均负荷率为横轴，所述月内负荷率标准差为纵轴，绘制负荷率分类图；

SS4根据日内稳定程度划区：在所述负荷率分类图上，以月均负荷率0.4，0.6，0.8为横轴分界线，将所述负荷率分类图中的用户分为四个片区，依据月均负荷率大小，可依次分为：

高日内稳定度负荷：月均负荷率>0.8，此类负荷曲线形态接近于一条直线，一日之内负荷的波动非常微小；

中日内稳定度负荷：0.6<月均负荷率<0.8，此类负荷曲线具有一定的波动特性，但仍相对平稳；

低日内稳定度负荷：0.4<月均负荷率<0.6，此类负荷曲线波动特征显著；

极低日内稳定度负荷：月均负荷率<0.4，此类负荷曲线波动特性极其显著；

SS5根据日间稳定程度划区：以“负荷率标准差/月均负荷率＝0.1”为边界，所述边界以下片区为高日间稳定度片区，所述边界以上为低日间稳定度片区；原本所述步骤SS4中的四个片区被分割成为A～H八个片区，然后将处于相同片区的用户分为一类。

以“月内负荷率标准差/月均负荷率＝0.1”为界，是因为在此界线以下的分区，其月内负荷率标准差小于其月均负荷率的0.1倍，而月内负荷率标准差反映了用户日负荷率在一月之内的波动程度，说明该分区的用户日负荷率波动极为微小，可视为用户曲线形态在一月之内波动微小，用户负荷日间稳定度较高；反之，在此界线以上的分区，则说明其日间稳定度较低，不同日之间的日负荷曲线变化就越大。

经过如上步骤，某地区50名典型用户的负荷率分类图如附图2所示，其中八个分区里的用户负荷特性汇总如下：

图中横轴为月均负荷率，纵轴为标准差，圆圈代表各个用户。可以看到，A/C/D/F三类用户数较多，B/E/F四类用户数较少，H类没有用户，故无阐述。下面介绍各类用户的基本特点：

A：以纺织、高科技产业公司为主，负荷率高，负荷曲线形状稳定，不同日之间变化小；

B：该类用户数只有1个，为电子科技有限公司，负荷率高，负荷曲线形状不稳定，不同日之间变化大；

C：该类用户以钢铁/材料/冶金为代表，负荷率中等，负荷曲线形状稳定，不同日之间变化小；

D：该类用户以水泥/钢铁/冶金为代表，负荷率中等，负荷曲线形状不稳定，不同日之间变化大；

E：该类用户数只有1个，为特种船用板有限公司，负荷率低，负荷曲线形状稳定，不同日之间变化小；

F：该类用户以水泥/钢铁/机械制造为代表，负荷率低，负荷曲线形状不稳定，不同日之间变化大；

G：该类用户以钢铁/机械制造为代表，负荷率极低，负荷曲线形状不稳定，不同日之间变化大。

由以上具体实施步骤和可见，本发明所提出的用户负荷率分类图方法，采用负荷率这一高效简单的用户负荷曲线形态表征指标，以月均负荷率为横轴，表征用户负荷的日内稳定程度，以月内负荷率标准差为纵轴，表征用户负荷的日间稳定程度，通过将用户绘于该图之上，可直观标准用负荷曲线在日内和日间变化的规律性，再于此图上划分若干片区，可快速实现用户的分类，解决海量用户的分类问题。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.一种基于负荷率的电力系统海量用户分类方法，其特征在于，具体包括如下步骤：

SS1计算用户一月之内各日负荷率；

SS2计算月均负荷率和月内负荷率标准差：所述月均负荷率为用户日负荷率在一月之内的平均值，所述月内负荷率标准差为用户日负荷率在一月之内分布的标准差；

SS3建立负荷率分类图：以所述月均负荷率为横轴，所述月内负荷率标准差为纵轴，绘制负荷率分类图；

SS4根据日内稳定程度划区：在所述负荷率分类图上，以月均负荷率0.4，0.6，0.8为横轴分界线，将所述负荷率分类图中的用户分为四个片区，分别为高日内稳定度片区、中日内稳定度片区、低日内稳定度片区、极低日内稳定度片区；

SS5根据日间稳定程度划区：以“负荷率标准差/月均负荷率＝0.1”为边界，所述边界以下片区为高日间稳定度片区，所述边界以上为低日间稳定度片区；原本所述步骤SS4中的四个片区被分割成为A～H八个片区，然后将处于相同片区的用户分为一类。

2.根据权利要求1所述的一种基于负荷率的电力系统海量用户分类方法，其特征在于，所述步骤SS1包括：求取用户一月之内每天的负荷率，其计算公式如式(1)所示：

$r=\frac{\stackrel{\&OverBar;}{y}}{y_{\max }}---\left(1\right)$

其中，为用户一日之内的平均负荷，y_max为用户一日之内的最大负荷，r为用户每天的负荷率。

3.根据权利要求1所述的一种基于负荷率的电力系统海量用户分类方法，其特征在于，所述步骤SS2包括：对用户一月之内每日的负荷率r₁～r_n作平均，得到月均负荷率，如式(2)所示：

$\stackrel{\&OverBar;}{r}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{r}_i---\left(2\right)$

其中n为每月的天数。

4.根据权利要求3所述的一种基于负荷率的电力系统海量用户分类方法，其特征在于，所述步骤SS2包括：对用户一月之内每日的负荷率r₁～r_n，求取标准差，得到月内负荷率标准差，如式(3)所示：

$\mathrm{\&sigma;}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(r_i-\stackrel{\&OverBar;}{r})}^2}---\left(3\right)$

其中n为每月的天数。

5.根据权利要求1所述的一种基于负荷率的电力系统海量用户分类方法，其特征在于，所述步骤SS4包括：所述高日内稳定度负荷内，月均负荷率>0.8；所述中日内稳定度负荷内，0.6<月均负荷率<0.8；所述低日内稳定度负荷，0.4<月均负荷率<0.6；所述极低日内稳定度负荷，月均负荷率<0.4。