典型用户负荷特性及用电特点分析

电力系统典型日负荷曲线电力系统典型日负荷曲线一、背景介绍电力系统负荷与电力系统的经济性、安全性有着直接的关系，负荷的日变化规律决定着电网的运行负荷、机组的电量出力、电源的分担以及电力设备的状态等。

因此，分析和研究负荷变化规律对电力系统的规划、运行和控制具有重要意义。

电力系统典型日负荷曲线是一种区分正常用电特性的工具，它是根据大量实测数据经多次拟合、调整而得出的具有一定客观性的用电特性曲线，其主要表现电力系统负荷时间变化规律。

二、日负荷曲线的特点（1）日负荷曲线是按一天24小时的时间段分析和画出的，其中每个小时的负荷变化及其规律性及变化形态的不同，形成一条曲线。

（2）日负荷曲线表现出日负荷的早晚、高低变化特点，可以比较准确的反应出用户用电的时间特征。

（3）日负荷曲线的横坐标代表时间，纵坐标代表用电量的数量。

（4）日负荷曲线各小时的实际负荷值和曲线上的叠加值可以作为该时间段瞬时负荷的参考值。

三、电力系统典型日负荷曲线特征1、工业用电特征通常，工业用电的日负荷曲线可以分为三段：（1）高早晚段：一般上午7时至8时，下午7时至8时，负荷最高，这段时间内的负荷增加明显；（2）低早晚段：一般上午6时至7时，下午6时至7时，负荷最低，这段时间内的负荷基本稳定；（3）高中段：一般中午12时至14时，负荷最高，这段时间内的负荷增加明显。

2、居民用电特征居民用电的日负荷曲线可以分为四段：（1）高上午段：一般上午7时至9时，负荷最高，这段时间内的负荷增加明显；（2）低上午段：一般上午9时至12时，负荷最低，这段时间内的负荷基本稳定；（3）高下午段：一般下午16时至18时，负荷最高，这段时间内的负荷增加明显；（4）低下午段：一般下午18时至20时，负荷最低，这段时间内的负荷基本稳定。

四、结论从日负荷曲线的特征可以看出，工业用电的负荷波动和居民用电的负荷波动是有差别的，电力系统要准确估算和分析负荷特性，就必须正确分析和描述日负荷曲线的特征。

供电系统中负荷与用户分类一、电力负荷分类1、按发、供、用关系分类（1）、用电负荷：用户的用电设备在某一时刻实际取用的功率的总和。

通俗来讲就是用户在某一时刻对电力系统所要求的功率。

从电力系统来讲，则是指该时刻为了满足用户用电所须具备的发电出力。

（2）、线路损失负荷：电能在输送过程中发生的功率和能量损失叫线路损失负荷。

（3）、供电负荷：用电负荷加上同一时刻的线路损失负荷称为供电负荷。

（4）、厂用负荷：发电厂厂用设备所消耗的功率称厂用负荷。

（5）、发电负荷：供电负荷加上同一时刻各发电厂的厂用负荷，构成电网的全部生产负荷，称为电网发电负荷2、按电力系统中负荷发生的时间对负荷分类（1）高峰负荷：是指电网或用户在一天时间内所发生的最大负荷值。

通常选一天24小时中最高的一个小时的平均负荷为最高负荷。

（2）最低负荷：是指电网或用户在一天24小时内发生的用电量最小的一点的小时平均电量。

（3）平均负荷：是指电网或用户在某一段确定时间阶段内的平均小时用电量。

3、按突然中断供电引起的损失程度分类根据《供配电系统设计规范》（GB50052-2009），负荷等级的划分标准如下：（1）一级负荷中断供电将造成人员伤亡的负荷；中断供电将在政治、经济上造成重大损失的负荷；中断供电将影响有重大政治、经济意义的用电单位的正常工作的负荷。

（2）级负荷中断供电将在政治、经济上造成较大损失的负荷；中断供电将影响重要用电单位的正常工作的负荷。

（3）负荷不属于一级和二级负荷者应为三级负荷。

用电负荷的这种分类方法，其主要目的是为确定供电工程设计和建设标准证使建成投入运行的供电工程的供电可靠性能满足生产或安全、社会安定的需要。

4、按用电的部门属性来划分：（1）工业用电。

其特点是用电量大，用电比较稳定，一般冶炼工业的用电量大，而且负荷稳定，负荷率高，一般在0.95以上；而机械制造行业和食品加工业的用电量就小些，且负荷率也较低，一般在0.70以下。

但是，无论是重工业还是轻工业，或者是冶炼业、加工业，电力负荷在月内、季度内和年度内的变化是不大的，是比较均衡的。

农村居民用电负荷预测方法的探讨【摘要】农村居民用电市场，受近年来国家新农村建设、农村经济发展、家电下乡政策等因素的影响，用电增长水平持续保持两位数增长。

农村电网面临较大程度压力，负荷承载能力、电压维持能力显现不足。

对农村用电市场特别是农村居民用电市场的负荷进行科学合理的预测，分析研究农村居民用电负荷的特点，为农村电网发展规划，改造建设提供基础数据具有重要意义。

【关键词】农村居民；用电负荷；预测1.引言农村居民用电市场，受近年来农村经济发展、家电下乡政策等因素的影响，居民生活电气化水平逐步提高，空调、取暖器、电磁灶等大功率电气设备逐步进入了农村居民家庭，用电增长水平持续保持两位数增长。

农村用电负荷水平的大幅提高，农村电网面临较大程度压力，负荷承载能力、电压维持能力显现不足。

特别是遇有极端天气、假日因素，上述现象尤为突出。

掌握农村居民用电负荷的特点，对农村居民用电市场的负荷进行科学合理的预测，为农村电网发展规划，电网改造建设提供基础数据具有重要意义。

2.农村居民用电市场负荷特点分析2.1 农村用电市场的结构分析农村用电市场按电价类别一般分为普通工业用电、非工业用电、农业用电、非居民照明、农村照明、商业照明等用电类别，根据各地农村经济发展水平差异，各类用电类别用电量水平亦有相应的不同，一般来讲经济发展水平相对较低的地区，居民用电所占比重较大，以连云港市郊区为例，2011年综合变以下用电结构比例如表一。

其中：居民用电量比例占全部用电量的67%，非工业、普通工业、农业、非居民照明、农业排灌合计为33%。

2.2 农村居民用电量增长分析受国家宏观经济发展的影响，近几年，农村用电量呈现持续增长趋势，新农村建设促使农村基础设施的进一步完善，农村居民生活水平有较大幅度的提高，表二近年来为连云港市郊区及部分乡镇居民用电户均用电量水平及同比增长率的情况。

2.3 农村居民用电负荷影响因素的分析农村居民用电量及用电负荷受气温气候的变化、电价政策、居民经济收入状况、节假日等因素的影响。

电力负荷分析与优化方法随着社会经济的发展和人们能源消耗的增加，电力负荷的分析和优化变得尤为重要。

电力负荷分析是指对电力系统中的负荷进行定量分析和评估，以了解负荷特征和变化规律，从而为电力系统规划、运行和调度提供依据。

而电力负荷优化则是通过合理的管理和控制手段，实现电力负荷的平衡和高效运行。

电力负荷分析是电力系统运行与调度的基础。

在进行电力负荷分析时，首先需要获取负荷数据。

负荷数据可以通过电能表、智能电网装置等手段进行采集，然后通过建立相应的数据模型，进行负荷曲线的拟合和分析。

负荷曲线的分析可以帮助我们了解负荷的季节性、周期性和日变化特征，在此基础上进行负荷预测和负荷功率合理分配。

负荷预测是电力负荷分析的重要环节。

负荷预测可以帮助电力系统规划人员和运行调度人员提前了解负荷的变化趋势，从而制定相应的运营策略。

在负荷预测中，常用的方法包括传统的统计方法和基于人工智能的预测方法。

统计方法包括时间序列分析、回归分析等，而基于人工智能的方法则包括神经网络、支持向量机等。

这些方法可以通过对历史负荷数据的学习和分析，得出未来一段时间内的负荷预测结果。

除了负荷预测，负荷优化也是电力系统运行中的重要环节。

负荷优化的目标是在满足用户用电需求的前提下，通过合理调整电力系统的运行参数，使得系统的效率最大化。

负荷优化方法主要包括负荷平衡、负荷调度和负荷控制等。

负荷平衡是指在整个电力系统中合理分配负荷，避免发生负荷不均衡现象，从而提高系统的供电能力和稳定性。

负荷调度是根据系统的运行状态和负荷特性，通过合理的负荷分配和电力调度，使得整个系统的运行效率得到最大化。

负荷控制是对负荷进行动态调整和控制，以应对负荷波动和突发事件，确保系统的运行安全性和稳定性。

在实际电力负荷分析与优化中，还需要考虑到电力系统的可再生能源和储能技术等因素。

可再生能源的接入会给系统带来不确定性与波动性，因此需要建立相应的预测模型和优化方法。

储能技术则可以用来平衡负荷波动和提高系统的运行灵活性。

浅析电力负荷特性作者：李洋苏龙王兆杰来源：《数字化用户》2013年第13期【摘要】随着经济的不断增长，电力系统的负荷特性发生了很大的变化。

为了了解地区负荷状况、把握其电力负荷特性的规律和发展趋势，本文根据某电网电力负荷情况、用电量情况，分析了此地区电力负荷特性，主要剖析了引起负荷特性变化的几个因素，论述了电力负荷的构成及其对电力负荷特性的影响，从而为开展电网建设、实现资源优化、发展经济等提供了理论依据。

【关键词】电力负荷特性分析电力负荷特性是我们现代化经济不可缺少的研究课题。

经济的飞速发展，对电力市场的要求发生了极大的改变，从原来的供不应求到供需总体趋缓，再到2009年世界范围内经济危机下的需求端用电量减少，电力负荷特性已经发生了很大的变化。

努力做好电力负荷特性的研究工作，为探讨移峰填谷的政策措施，发展电网建设提供有力的参考依据。

一、电力负荷特性的分析某市是豫北地区的大市之一，下辖五区八县，随着经济的发展，电力负荷一直保持高速增长，用电量也保持持续增长。

从近年来电网负荷及负荷特性情况可见，某市电网的总的变化趋势是：最大负荷及最大峰谷差继续保持逐年增长，年负荷率呈逐年下降趋势，年平均负荷率变化不大。

电网调峰问题日益突出，给电网调度运行增加了难度。

而在2009年，由于电煤供应问题导致电厂发电出力不足，呈现全年性、全网性缺电，出现了拉闸限电情况，在采取了移峰填谷、错峰、削峰限电等措施下，年最大峰谷差在一定程度上减小，年负荷率得到一定的提高。

（一）年负荷曲线分析。

目前，常用的负荷曲线主要有日负荷曲线和年负荷曲线。

下图为某市2005年-2009年年负荷曲线。

该曲线显示，月最高负荷呈逐年增加趋势，负荷高峰出现在每年夏季的7、8月份，全年只有一个夏季高峰，这是由于地处中原，夏季干燥、炎热，降温负荷大量增加引起的；而冬季负荷较春、秋两季又有一个小高峰，这是由于地区冬季寒冷，取暖负荷增加导致。

因此，年负荷曲线呈现明显的夏季、冬季两个高峰，而夏季高峰大于冬季高峰。

第28卷㊀第3期2023年6月㊀哈尔滨理工大学学报JOURNAL OF HARBIN UNIVERSITY OF SCIENCE AND TECHNOLOGY㊀Vol.28No.3Jun.2023㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀考虑负荷季节特性的电力用户用电行为画像万㊀伟1,㊀刘红旗1,㊀杜单单1,㊀郭航源1,㊀甄㊀颖1,㊀李英超1,㊀孙伟卿2(1.国网山东省电力公司菏泽供电公司,山东菏泽274000,2.上海理工大学电气工程系,上海市200093)摘㊀要:随着我国电网智能化水平提高以及智能量测终端设备的普及,为电力企业带来了海量的用户侧用电数据㊂为增强电力企业对用户的了解,基于数据挖掘技术提出一种考虑负荷季节特性的电力用户用电行为画像的方法㊂首先,对原始负荷数据进行数据清洗和预处理,并利用方差过滤和特征过滤进行特征筛选;然后,根据季节性基础负荷相互独立的特点,将处理后的负荷数据分解成季节性基础负荷和受其他因素影响的敏感负荷;其次,分别对基础负荷和敏感负荷的相关性系数依次聚类分析,得到双重聚类标签结果,最后得到两类标签形成的用户用电行为画像㊂在算例分析部分利用30个电力用户负荷数据验证了所提出用户画像方案的可行性㊂关键词:数据挖掘;用户画像;数据分析;负荷特性;季节性基础负荷;敏感负荷;聚类分析DOI :10.15938/j.jhust.2023.03.006中图分类号:TM73文献标志码:A文章编号:1007-2683(2023)03-0045-11Portrait of Power CustomersᶄElectricity Consumption BehaviorConsidering the Seasonal Characteristics of LoadWAN Wei 1,LIU Hongqi 1,DU Dandan 1,GUO Hangyuan 1,ZHEN Ying 1,LI Yingchao 1,SUN Weiqing 2(1.Heze Power Supply Company of State Grid Shandong Electric Power Company,Heze 274000,China;2.Department of Electrical Engineering,University of Shanghai for Science and Technology,Shanghai 200093,China)Abstract :With the continuous improvement of the intelligent level of my countryᶄs power grid,the popularization of intelligentmeasurement terminal equipment has brought massive amounts of user-side electricity consumption data to electric power companies.In order to enhance the power companiesᶄunderstanding of customers,based on data mining technology,a method of power usersᶄbehavioral portraits considering the characteristics of load seasons is proposed.Firstly,the original load data is cleaned and preprocessed,and the variance filter and feature filter are used for feature screening.Then,according to the characteristic ofindependent seasonal typical load,the processed load data are decomposed into seasonal basic load and sensitive load affected by other factors.Secondly,the correlation coefficients of the load characteristics of the base load and the sensitive load are clustered in turn to obtain the results of double clustering labels,and the customerᶄs electricity behavior portraits formed by the two types of labels are established.Finally,load data of 30customers is utilized to verify the feasibility of the proposed customer profile method in the example analysis part.Keywords :data mining;customer profile;data analysis;load characteristics;seasonal typical load;sensitive load;clustering analysis㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀收稿日期:2021-11-10基金项目:国家自然科学基金(5177726);国网山东省电力公司科技项目(2020A-061).作者简介:万㊀伟(1973 ),男,高级工程师;刘红旗(1990 ),男,硕士研究生.通信作者:孙伟卿(1985 ),男,博士,教授,E-mail:sidswq@.0㊀引㊀言随着国家经济发展水平的不断提升,社会对电能的需求日益增大,不同行业的用电行为呈现出多样性和复杂性的特点[1-3]㊂同时,用户侧各种智能量测终端的普及,给电力系统带来了海量的用户侧数据[4]㊂用户画像,一种基于用户数据从整体上定义标签来刻画用户并针对目标用户制定精准营销策略的数据分析工具,可以帮助电力企业掌握用户的用电行为,从而提供个性化服务[5-7]㊂在电力市场改革的背景下,研究电力用户用电行为画像技术能帮助电力企业了解用户的行为情况㊁提高营销能力,同时也能作为未来实时电价制定的依据㊂在智能电网快速发展的背景下,机器学习技术在电网中的应用逐渐增多,电力系统领域对用户画像的研究也逐渐深入[8]㊂电力系统可通过对用户行为进行画像挖掘出电力用户的需求特征,从而实施差异化的营销策略,提升电力系统的服务水平[9]㊂为了实现电力用户行为精准画像,文[10]采用最大相关最小冗余准则和k-means聚类算法实现了用户的用电特征与行为画像㊂文[11]利用模糊C均值聚类算法从实际用电量数据中聚类出各行业的负荷曲线,并且综合分析各行业用电特性,从4个方面为用户定义更加精细的特性标签体系,建立在疫情影响下多类型用户行为的画像模型㊂文[12]基于大数据平台建立了表征居民负荷用电特性的标签体系,并根据用户在不同季节下典型日的负荷曲线来分析每类用户的负荷波动率和需求响应水平,以期构建出能够反映用户用电时序规律以及用电弹性特征的变时间尺度用户画像㊂文[13]从考虑电网的需求互动出发,提出基于非入户终端的细粒度数据和改进k-means聚类算法的用户画像方法,实现对用户用电行为变化的追踪,但是定义标签的过程中必须依靠专家经验㊂总体来看,上述文献都实现了相应的电力用户画像,但是仍存在部分不足:①多数电力用户画像的研究都过多关注于用户特征的构建㊁用户类型的分类等,而对用户用电行为的研究还存在不足;②分析负荷的季节规律时忽略了季节性负荷具有相对独立性的特点,即该季节下用户通常具有某种固定的属性;③许多研究大多从整体对不同行业用户的用电行为特性进行画像,而少有研究将用户负荷进行分解,剥离出用户的基础负荷和敏感性负荷,进而分析用户不同季节下的基本用电属性和不同影响下的用电敏感性㊂由于在不同季节的影响下,用户侧的用电特性是用户群体处于不同季节时由其本身固有的用电特性和受外部环境因素影响的用电特性综合作用的结果㊂如果将其他因素影响的敏感负荷与基础负荷混合进行分析,则会使得用画像的结果不够精细,也就无法精准地掌握用户的用电行为特点㊂为了解决上述问题,本文提出一种基于数据挖掘技术分析用户不同季节下的基础负荷特性和外部因素敏感性的综合画像方法㊂首先,先对用户侧的多元数据进行预处理,经过数据清洗和特征工程,获取得到与用户用电行为相关的特征和负荷数据;其次,考虑季节性负荷的影响,首次提出以距离最小为目标并通过优化算法将用户的用电行为分解为不同季节下的季节性基础负荷与受其他因素影响的负荷;然后,对这两类负荷分别进行聚类㊁分析,形成两类负荷的标签库,鉴于传统k-means算法[14-15]只考虑样本的均值且集群的形状只能是圆形,于是本文采用考虑标准偏差参数,集群可为任意椭圆形状的高斯混合模型(Gaussian mixed model,GMM)算法,聚类效果更具一般性;最终以两类标签组合形成电力用户的精准画像㊂此外,在数据采样时,受通信的影响数据通常无法直接使用,且存在过多冗余的数据㊂于是本文通过缺失值处理㊁拉依达准则[16]等数据清洗等技术进行了预处理㊂同时,画像建模时本文选取方差过滤和互信息法相结合的方法来筛选特征,可以充分捕捉到特征C与标签F之间的相关性㊂最后,在算例部分利用30个电力用户负荷数据来验证所提考虑负荷特性的用户画像方法的有效性㊂1㊀电力用户用电行为画像方案及思路用户画像技术是一种常用的数据分析方式,用来分析用户的用电行为㊁挖掘用户的用电习惯等信息㊂电力用户画像的核心是根据用户行为㊁用户属性给用户贴标签,力图帮助电力企业掌握用户的关键信息[18-19]㊂电力用户用电行为画像建模时,首先需要筛选出合适且与标签相关性强的特征㊂一般筛选有效特征的方法有方差过滤法㊁F检验和互信息法㊁皮尔逊相关系数等㊂由于方差小的特征通常对样本无明显影响,故可去除方差相对较小的特征㊂互信息[19]能够评价某一特征C与标签F之间的相关性,可用来捕捉特征数据和标签之间的关系㊂于是本文选取64哈㊀尔㊀滨㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀方差过滤和互信息法相结合的方法来筛选特征㊂计算方法如式(1)所示:I (C ,F )=ðc ɪC f ɪFp (c ,f )logp (c ,f )p (c )p (f )(1)式中:p (c )为特征C 的边缘分布;p (f )为标签F 的边缘分布;p (c ,f )为二者的联合分布㊂一般情况下,用户的用电行为主要反应在负荷的变化上,因此对用户的用电行为画像也即是对用户侧负荷进行研究㊂而用户侧负荷通常由季节基础负荷和受其他因素影响的负荷共同组成,前者反映了用户在某一季节下不受外部因素影响的基本用电属性,后者反映出用户对外部因素的敏感特性㊂如果不分开进行分析,必然会导致画像的结果不够精细,因此本文分别对这两种负荷分别建立不同的模型进行研究㊂具体流程如图1所示㊂图1㊀用户用电行为画像流程图Fig.1㊀Flowchart of userᶄs electricity behavior portrait1)首先将负荷分解为季节基础负荷和受其他因素影响的负荷㊂对于季节基础负荷,它基本不受短期内电价信号㊁日常温度㊁是否处于工作日等外部因素的影响,每日的变化基本相同㊂然后,对季节基础负荷采用聚类有效性指标控制法[20]确定基础负荷的类型数,再对数据进行聚类分析,根据聚类结果分别定义标签㊂2)对于受外界其他因素影响的负荷,首先对各种需要考虑的因素进行相关性分析,提取得到各种因素对每一类负荷的相关性系数;然后同样根据聚类有效性指标控制法得到受其他因素影响的聚类数k ,再进行聚类分析,得到不同的影响类型,并分别定义标签㊂3)最后,得到季节基础负荷与受外界其他因素影响负荷的两类标签库后,分别根据两类标签库为每个用户打上两类标签,即用户用电行为画像㊂2㊀电力用户负荷分解方法通常随着季节更替,用户用电习惯以及对外部影响因素的敏感性会发生改变,其变化则会表现在基础负荷和敏感性负荷上㊂为了体现出这种变化的差异,需按季节分开进行研究㊂目前分析用户基础属性的研究大多以各个季节中的典型日为代表来表示用户在该季节中的固有用电行为属性[12]㊂但以该方式选择出的基础负荷具有随机性,且不同地区的季节划分也不同,因此得到的基础日负荷无法真实代表该用户在该季节下的一般用电规律㊂为了克服这一问题,本文提出了一种基础负荷的提取方法:从用户在该季节中的所有负荷曲线中求出一条曲线,使其与所有负荷曲线相似性最高,具体步骤如下:1)先根据春㊁夏㊁秋㊁冬将对应月份的数据集进行归类㊂2)在不同季节下提取用户基础日负荷曲线,即寻找一条与所有负荷曲线最为相似的曲线,于是可以转化为求一条曲线使其与所有曲线对应时刻的距离最短㊂假设已知用户i 在第j 个季节中,该季节共有m +1天,则该用户在此季节中的负荷集合Y ij ɪ(m +1)ˑ24:Y ij =y 00y 01y 02 y 023y 10y 11y 12y 123︙︙︙︙y m 0y m 1y m2y m 23éëêêêêêùûúúúúú(2)式中:y d h 为第j 个季节中用户i 在第d 天第h 小时的负荷值㊂设第i 个用户第j 个季节性日基础负荷为X ij =x 0x 1x 2 x 23[](3)式中:为第j 个季节中用户i 在第h 小时的基础负荷值㊂74第3期万㊀伟等:考虑负荷季节特性的电力用户用电行为画像再以曲线间所有坐标距离最短为目标函数:min S ij ()=ðmn =0ð23t =0(Y ij n []t []-X ij t [])2(4)式中:S ij 为目标函数值;m 为第j 个季节中的天数㊂同时,X ij 各时刻的值不能超过对应时刻的上下限:min{Y ij n []t []}ɤX ij t []ɤmax{Y ij n []t []}t =0,1,2, ,23;n =0,1,2, ,m(5)最后结合式(4)和式(5),通过粒子群优化算法对目标函数进行求解,经迭代求解得到最优的X ij ,即为对应季节下的基础负荷曲线㊂将日负荷Y ij 对应减去基础负荷X ij ,即可得到受其他因素影响的日负荷Z ij ,d :Z d ij=Y d ij -X ij=[y d 0y d 1y d 2y d 23]-x 0x 1x 2 x 23[]=[z d 0z d 1z d 2 z d23](6)式中:z d0为第j 个季节中用户i 在第d 天第h 小时的受其它因素影响的负荷值㊂3㊀电力用户用电行为画像方法通过负荷分解将季节性基础负荷和外界因素的敏感负荷分离开后,再分别构建聚类模型,经过分析分别定义季节性基础负荷的标签库与外界因素敏感负荷的标签库,最后分别以这两类标签来刻画用户的用电行为,实现用户用电行为的精准画像㊂画像过程如图2所示㊂图2㊀画像过程Fig.2㊀Portrait process3.1㊀相关性分析用户的用电行为会受到多种因素的影响,例如温度变化㊁工作日和周末等,这些外界因素变化有可能导致用户用电行为也跟着变化㊂为了描述用户对不同因素的敏感性,本文采用皮尔逊积矩相关系数用来反映这些外部其他影响因素与用户用电负荷之间的关系㊂ρX ,Y =cov X ,Y ()σX σY =E X -μX ()Y -μY ()()σX σY(7)式中:X ㊁Y 分别为两个变量;μX ㊁μY 分别为变量X 和Y 的均值;σX 和σY 为表示变量和Y 的标准差㊂ρX ,Y 取值在-1与+1之间,绝对值越大则表明相关性越强(若为正数,表明两个变量是正相关;若为负数,表明两个变量是负相关)㊂3.2㊀聚类分析3.2.1㊀聚类数k 值确定GMM 聚类算法[21]首先必须确定分类数k ㊂根据GMM 算法的原理,可利用误差平方和(sum of squared error,SSE)作为确定聚类数的评价指标㊂SSE 的公式如下:SSE =ðk i =1ðx ɪC ix -u i 2(8)式中:k 为聚类数;C i 为聚类中的某一簇;u i 为C i 中各数据点的均值;x 为簇中的某一个点㊂假设真实聚类数为k ∗,当聚类数k <k ∗时,k增加,SSE 会迅速减小;当k ȡk ∗时,k 增加,SSE 的减小趋势会明显变缓,于是可以根据SSE 的变化情况确定最佳聚类数㊂3.2.2㊀GMM 聚类算法为了分析不同季节下不同行为类型的用户行为,需对基础负荷以及敏感负荷进行聚类[22],本文采用GMM 算法进行聚类,目的是为了将相似负荷划分至同一类进行分析㊂通过SSE 确定聚类数k 后,假设每类数据都服从高斯分布,其中高斯分布的概率模型为P (y |θ)=ðKk =1αk ϕ(y |θk )(9)式中:y 为样本;αk 为权重;ϕ(y |θk )为高斯分布的概率密度;θk 为概率密度的参数(包括μk 和σk 2)㊂概率密度表达式为ϕ(y |θk )=12πσk -exp -2(y -μk )σ2k()(10)式中:σk 为样本y 的标准差;μk 为样本y 的均值㊂通过高斯模型训练数据分别估计出这k 类高斯分布的概率密度函数和每一类的权重a k ㊂接着计算出每个数据分别在k 类高斯分布中出现的概率,即将该数据分别代入k 个高斯分布中求出属于每个类的概率P y i ()k :P y i ()k =αk ϕ(y i |θk )ðKk =1αk ϕ(y i |θk )(11)式中:y i 为某个数据;k 为第k 个高斯分布㊂最后,通过比较将该样本归至概率值最高的一类㊂84哈㊀尔㊀滨㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀3.3㊀用电行为特征描述描述电力用户的用电行为特征,通常可以采用源于用户负荷曲线的用电特征[23]来描述,如负荷率㊁峰谷差率㊁峰值平均功率比等㊂负荷率k1,可用来描述用户电力设备的使用情况,表示为日平均负荷P av与最大负荷P max之比:k1=P av Pmax (12)峰谷差率k2,可用来描述用电行为的波动性,表示为峰谷差(P峰-P谷)与峰值负荷P峰之比:k2=P峰-P谷P峰(13)峰值平均功率比k3,可用来描述用户峰值时段用电水平,表示为峰值负荷P峰与平均负荷P av之比: k3=P峰P av(14)为了更加形象地体现某种用电类型的不同特征在整体中的水平,可以根据打分制来描述,设定满分为10分,所有用户中此类特征的得分可由下式得到:s c ore(ki,C j)=10T C j k i.av-T k i.minT ki.max-T k i.min(15)式中:k i为特征类别;C j为第j类用电行为;T C j ki.av为所有第j类用电行为中k i特征的平均值;T ki.min为所有用户中k i特征的最小值;T ki.max为所有用户中k i特征的最大值㊂4㊀算例分析本文收集了某普通居民区域内30个用户在4年内的用电数据,采样时间范围为2014年1月1日至2017年12月31日,采样间隔为1小时㊂数据先经过预处理,接着剔除方差小的特征数据,然后通过特征数据和用电负荷数据之间的互信息计算,最终筛选出天气㊁温度㊁星期㊁电价(主要指分时电价)等特征,进一步处理得到数据一共1051920条㊂本文使用Anaconda软件编程仿真,验证所提出的对用户用电行为画像方法的有效性和可行性㊂4.1㊀负荷分解4.1.1㊀季节划分首先根据当地的气象情况对季节进行划分,4个季节的划分结果如表1所示㊂然后,根据季节分别将数据进行划分㊂表1㊀季节划分Tab.1㊀Seasonal division季节起始日期终止日期春季3月1日5月31日夏季6月1日8月31日秋季9月1日11月31日冬季12月1日2月28日/29日4.1.2㊀基础负荷提取用户在不同季节下的基础负荷反映了用户在不同季节下用电规律,一般研究中为了方便通常使用四季中的春分㊁夏至㊁秋分㊁东至这种典型日负荷曲线来表示[12],但这种人为规定的典型日用户曲线具有一定的主观性和偶然性㊂而本文使用第3节中的数据挖掘算法提取基础负荷,较于前者更客观㊂两种方法提取的基础负荷结果如图3所示㊂94第3期万㊀伟等:考虑负荷季节特性的电力用户用电行为画像图3㊀用户14个季节下基础负荷提取结果Fig.3㊀Extraction results of base load for user1in four seasons图3直观体现了两种方式基础负荷的提取结果,红粗线为不同季节下对应的典型日负荷,蓝线为采用第3小节分解方法提取的基础负荷㊂然后,分别将两种方法得到的基础负荷曲线与该季节内的其它曲线进行趋势分析,得到表2所示结果㊂表2㊀基础负荷与实际负荷相关性统计表Tab.2㊀Statistical table of correlation between typicalload and actual load相关性系数不同方法统计占比本文文[12]ρ>0.85100%96.7%ρ>0.998%90.2%ρ>0.9595%86.3%㊀㊀以相关性系数r的大小来评价两条曲线的趋势一致性时,相关性系数值越大,说明二者的变化趋势越相似㊂一般而言,只要ρ值大于0.8即可认为二者变化趋势相同㊂表2结果表明,负荷分解后的基础负荷曲线与原曲线相似性都在0.85以上,而选择以典型日负荷曲线与原曲线相似性大于0.85的仅有96.7%㊂因此,可以认为分解得到的基础负荷曲线更能客观地反映用户在该季节下的用电规律㊂随机取某一用户某一天的负荷为例,展示分解结果,如图4所示㊂图4㊀某用户某一天的负荷分解结果Fig.4㊀The load decomposition results of a useron a given day㊀㊀图4(a)㊁(b)㊁(c)分别为该用户在该季节下的原始负荷曲线㊁基础负荷曲线以及受其他因素影响的敏感负荷曲线㊂图4表明敏感负荷在实际负荷中的占比较小,表现为实际负荷曲线上的波动㊂因此,负荷分解的目的有两个:一是提取出用户的基本负荷用来分析用户的整体的基本用电行为规律,二是剥离出用户的敏感性负荷用来分析用户的对其它因素的敏感性㊂4.2㊀确定最佳聚类数4.2.1㊀基础负荷聚类数n由于不同用户各种特征之间的量纲以及数量级不一致,为了消除这种影响,在进行负荷分解后,首先将分解后得到的基础负荷数据经过Z-Score标准化处理:X=X ij-μσ(16)式中:X ij为用户i在第j个季节的负荷;μ为这120个负荷数据的均值;σ为标准差㊂然后,根据GMM聚类数的评价指标SSE确定基础负荷数据最佳聚类数n,结果如图5所示㊂由图5可知,分解后基础负荷与分解前实际日负荷的SSE曲线在k<3时变化快,k>3时变化慢,因此确定n值为3㊂因此,图5表明了30个用户在4个季节中的行为类型可分为3类㊂4.2.2㊀受外界其它因素影响的敏感负荷聚类数m将每个用户的日负荷统一减去对应季节的基础负荷值,得到受其他因素影响的负荷㊂然后对可能导致负荷变动的外界因素(本文主要考虑气温㊁电价㊁工作日)进行相关性分析,利用皮尔逊积矩分析每个用户每个季节受外界因素影响的负荷与气温㊁电价㊁工作日之间的相关性㊂05哈㊀尔㊀滨㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀图5㊀基础负荷最佳聚类数n 的确定过程Fig.5㊀Determining process of optimal clusteringnumber n for typicalloads图6㊀用户1春季相关性结果热力图Fig.6㊀Spring correlation results thermalmaps of user1图7㊀用户1夏季相关性结果热力图Fig.7㊀Summer correlation results thermalmaps of user 1㊀㊀以用户1为例进行相关性分析,分析结果如图6㊁图7所示㊂用户1在不同季节下与各因素的相关性存在差异,受各因素的影响大小不同㊂经过分析得:1)春季和秋季,温度变化不稳定,用户用电情况易受其影响;而夏季和冬季,温度变化稳定,故温度与负荷的相关性较弱㊂2)对于工作日与周末,较多用户属于周一到周五工作的上班族,故周末用电负荷较工作日大㊂3)负荷与电价关系敏感时,电价与敏感负荷的相关性系数为负值,表明电价与用户负荷呈负相关性㊂受其他因素影响负荷聚类数的SSE 结果如图8所示㊂图8㊀敏感负荷最佳聚类数m 的确定过程Fig.8㊀Determination process of the optimal clusternumber m for sensitive loads由图8可知,受其他因素影响的负荷可分成4类㊂由于受到了外界不同因素的影响,不同用户的具体情况需通过进一步分析㊂4.3㊀负荷聚类分析4.3.1㊀基础负荷聚类结果经过分析,确定实际负荷与基础负荷均可分为3类㊂利用GMM 算法分别进行聚类,结果如图9所示㊂图9㊀负荷聚类结果图Fig.9㊀Typical load clustering result graph15第3期万㊀伟等:考虑负荷季节特性的电力用户用电行为画像图9(a)为对实际负荷聚类的结果,可以发现:用户1~10除了用户8㊁9的夏季全年的用电行为都是类型1㊁用户21~30全年的基础负荷为类型3,而在用户11~20中用户13㊁16㊁19的夏季以及用户13㊁14的秋季用电为类型1,其他时间均为类型2㊂图9(b)为分解后基础负荷的聚类结果,发现除了用户8㊁9的夏季用电行为变成了类型1,以及用户13㊁14的秋季用电行为变成了类型2,其它结果均与分解前一致㊂现将每类负荷分别求取平均值得到聚类中心的三条基础负荷曲线(k =1,2,3),由于每个用户在电器数量和能耗上均有差异,且用电行为更注重趋势而非数量级大小,故本文对X k 进行如下处理:X =X Kmax(X k )-min(X k )(17)式中:max(X k )为k 类负荷中的最大值;min(X k )为k 类负荷中的最小值㊂最终得到此3类用户的基础负荷曲线,如图10所示㊂图10㊀3类基础负荷曲线对比Fig.10㊀Comparison of three typical load curves对图10进行对比分析发现,3类用电行为存在以下特点:1)类型1为日间双高峰型:该用电类型存在两段高峰与两段低谷㊂11点至12点以及18点至7点之间处于用电低谷,且中午用电负荷多于晚上;8点至10点㊁13点至17点之间处于用电高峰㊂2)类型2为早晚双高峰型:该用电类型一天内存在两段高峰时段与两段低谷时段㊂1点至5点㊁11点至15点为用电低谷;6点至10点㊁16点至0点为用电高峰,且晚高峰高负荷值于早高峰㊂3)类型3为晚间单峰型:该用电类型从6点开始用电负荷逐渐增大,直至20点负荷下降㊂高峰时段是16点至21点,低谷时段是0点至5点㊂再分别计算3类基础负荷的负荷率㊁峰谷差率以及峰值平均功率比,计算结果如表3所示㊂表3㊀基础负荷用电行为特征对比Tab.3㊀Comparison of electrical behavior characteristicsof base load行为特征用户类型日间双高峰型早晚双高峰型晚间单峰型负荷率0.6250.750.73峰谷差率0.56250.6250.666峰值平均功率比1.61.331.36㊀㊀由表3可知,早晚双高峰型用电行为的负荷率较高,说明具备此类行为的用户大功率的用电设备使用集中在早晚时刻;晚间的单峰型的峰谷差率较高,因此具有此类行为的用户的平均负荷波动性强;日间双高峰型的峰值平均功率比较高,表明此类行为在其峰值时段的用电水平较高㊂为了更直观地展现不同基础负荷类型的行为特征,以雷达图的形式展示用电行为特征打分结果,结果如图11所示㊂25哈㊀尔㊀滨㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀图11㊀3种基础负荷类型的用电行为打分结果Fig.11Scoring results of three types of electricityconsumption behavior4.3.2㊀受其他外界因素影响的负荷聚类结果由图8可知,受其他外界因素影响的负荷可分为4类㊂对不同影响因素的敏感性进行聚类,得到如图12所示的分类结果㊂图12㊀受其他因素影响负荷聚类结果Fig.12The load clustering results are affectedby other factors以不同的颜色代表不同的敏感性,由图12可知,用户21~30全年敏感性均一致,用户1~10存在3种敏感性,用户11~20具有两种敏感性㊂将30个用户在不同季节下受其他因素影响负荷的聚类结果与其影响因素的相关性系数对应,结果如表4所示,最后一列为聚类类别的标签㊂1)第一类:对外界的3种变化都敏感(label =3)㊂对应于图11中的黑色部分,此类用户具有极大的调峰潜力㊂主要集中于用户1~10的秋季与用户10~21的春㊁秋㊁冬季㊂2)第二类:对电价变化最敏感(label =0)㊂对应于图11中的浅灰色部分,主要出现在用户10~20中,说明该用户对于需求响应价格信号响应积极度比起其他类型的用户更高一些㊂此外,用户1㊁2在夏季同样呈现该类型特点㊂3)第三类:对工作日与周末最敏感(label =2)㊂对应于图11中的浅黄色部分,全部出现在用户1~10中,说明此类用户在工作日与周末的负荷有较大的区别,工作日期间负荷较周末低一些㊂表4㊀30个用户不同敏感因素的聚类标签与敏感性对应表Tab.4㊀Correlation coefficient of user's degree of externalinfluence in different seasons季节用户编号温度电价工作日Label 春季12︙1516︙2223︙-0.02-0.02︙0.020.03︙0.070.08︙-0.14-0.13︙-0.28-0.24︙-0.010.02︙-0.31-0.40︙-0.06-0.05︙0.030.03︙22︙00︙11︙夏季12︙1516︙2223︙-0.01-0.01︙0.310.31︙0.030.02︙-0.52-0.50︙-0.37-0.36︙-0.1-0.12︙-0.16-0.17︙-0.34-0.32︙0-0.01︙00︙33︙11︙秋季12︙1516︙2223︙0.23-0.23︙0.020.02︙0.020︙-0.18-0.17︙-0.28-0.15︙0.050.01︙-0.19-0.19︙-0.06-0.08︙00︙22︙00︙11︙冬季12︙1516︙2223︙0.400.40︙-0.36-0.39︙0.060.05︙-0.04-0.07︙-0.37-0.32︙-0.06-0.04︙0.080.07︙-0.35-0.38︙0.020.01︙22︙33︙11︙4)第四类:对外界变化均不敏感(label =1)㊂对应于图11中的深灰色部分,全部出现在用户35第3期万㊀伟等:考虑负荷季节特性的电力用户用电行为画像。

电力负荷分类解析在我们的日常生活和工业生产中，电力是不可或缺的能源。

而要有效地规划、管理和供应电力，就必须对电力负荷进行准确的分类和理解。

电力负荷分类是电力系统运行、规划和设计的重要基础，它有助于合理配置电力资源，提高电力系统的稳定性和经济性。

一、电力负荷的定义及重要性电力负荷，简单来说，就是电力系统中各种用电设备所消耗的电功率的总和。

它是一个动态的量，会随着时间、季节、气候以及用户的用电行为等因素而不断变化。

准确了解和分类电力负荷具有极其重要的意义。

首先，它有助于电力供应商合理规划发电、输电和配电设施的建设和改造，以满足不同类型负荷的需求，避免出现电力供应不足或过剩的情况。

其次，通过对负荷特性的分析，可以优化电力系统的运行方式，提高电力系统的效率和可靠性。

此外，对于电力用户来说，了解自身的负荷类型和特点，有助于合理安排用电，降低用电成本，实现节能减排。

二、电力负荷的分类方法电力负荷的分类方式多种多样，常见的分类方法主要有以下几种：1、按用途分类（1）工业负荷：这是电力负荷的重要组成部分，包括各类工厂的生产设备、生产线等。

工业负荷通常具有较大的功率、稳定的运行时间和较高的用电需求，而且不同行业的工业负荷特性也有所不同。

例如，钢铁厂的电炉、轧钢机等设备，其用电负荷大且具有较强的冲击性；而电子厂的生产设备则对电能质量要求较高。

（2）商业负荷：主要包括商场、酒店、办公楼等商业场所的照明、空调、电梯等设备。

商业负荷的特点是用电时间相对集中，季节性和节假日的影响较为明显，例如夏季商场和酒店的空调负荷会大幅增加。

（3）居民负荷：这是与我们日常生活息息相关的负荷，如家庭中的照明、电器、采暖等。

居民负荷的特点是分散性较大，单个用户的用电量相对较小，但总体数量众多，且用电时间具有一定的规律性，例如晚上用电高峰时段的负荷较大。

（4）农业负荷：包括农田灌溉、农产品加工等方面的用电。

农业负荷受季节和气候的影响较大，例如在灌溉季节，水泵的用电负荷会显著增加。

内蒙古电网负荷特性与调峰能力分析王睿淳;刘斌【摘要】对内蒙古电网用电负荷特性及风力发电负荷特性进行了分析，依据目前的电源结构，分析了内蒙古电网的开机方式及调峰能力，总结了影响电网调峰能力的主要因素：负荷中心供电能力不足、供热期间供热机组调峰能力不足、自备电厂不参与电网调峰等；提出了政府出台相关政策优化电源布局、要求自备电厂参与调峰、鼓励建设蓄能调峰电站等建议，以增加内蒙古电网的调峰能力，达到提高电网接纳风电装机容量能力的目的。

%This paper summarized the main factors that affected power peaking capacity through the research about the power load characteristics and wind power generation load characteristics in Inner Mongolia Power Grid. On the basis of power supply construction, this paper analysed the way of unit start-up and peak load regulating capacity, recommended the government would publish relevant policies to optimize power supply distribution, proposed the request of captive power plant to participate peak regulating, encouraged the construction of storage peaking power plants and other suggestions, in order to improve the ability of power grid to accept wind power capacity.【期刊名称】《内蒙古电力技术》【年(卷),期】2014(000)005【总页数】6页(P5-10)【关键词】电网负荷特性;调峰能力;风电接纳能力;风力发电;自备电厂【作者】王睿淳;刘斌【作者单位】内蒙古电力集团有限责任公司，呼和浩特 010020;内蒙古电力集团有限责任公司，呼和浩特 010020【正文语种】中文【中图分类】TM714在2013年冬季供热期间，由于电源结构不合理和自备电厂不参与电网调峰，内蒙古电网接纳风电和保证居民供热矛盾突出。