电力用户负荷模式分类

开篇：润墨网以专业的文秘视角，为您筛选了一篇电力用户负荷模式分类范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要： 在当前国家进一步推动需求侧响应的形势下，研究电力客户的负荷模式具有重要意义。根据企业的日负荷历史数据，利用负荷曲线之间的相似程度进行聚类，将企业的历史负荷曲线分类为不同负荷模式。在分类过程中，除了设计聚类算法外，选择合适的近邻测度函数来描述日负荷曲线的相似程度，对聚类结果非常重要。

Abstract： Under current position， when demand response is further promoted in China， studies of powercustomerload patterns would be significant. According to the cluster analysis based onsimilarities among the daily load curve of enterprises， we classify historical daily load curves of enterprises into several types. Besides designing a clustering algorithm， choosing an appropriateproximity measure （similarity or distance） to describe similarities among the daily load curve， it is of great importance to achieve satisfactory clustering results.

关键词： 负荷模式；聚类算法；负荷预测

Key words： load patterns；clustering algorithm；load forecasting

中图分类号：TM714 文献标识码：A 文章编号：1006-4311（2015）36-0129-04

0 引言

电力大客户绝大部分为工业企业用户，研究工业企业用户的负荷模式对于掌握区域负荷的空间分布有重要作用。并且，大型的企业在管理上由于生产安排有一定规律，因此许多日负荷曲线是“相似”的，企业的日负荷曲线总体上可能只呈现一定数目的负荷模式。通过研究企业历史负荷曲线数据，再根据企业自身的生产安排，可以预先确定企业未来的负荷的大致情况。通过仿真表明，本文的研究方法对大型企业是比较有效的。

1 电力负荷的模式分类

1.1 近邻测度

近邻测度包含相似测度函数与不相似测度函数。两个向量（可看作序列或曲线）之间相似性越大，其相似测度函数的函数值也越大，其不相似测度函数的函数值就越小；反过来，两个向量之间相似性越小，其不相似测度函数的函数值就越大，其相似测度函数的函数值就越小。

对两个向量x ，y，以下举例3种常见的不相似测度：

2 在确定客户未来日负荷曲线中的应用

企业的负荷曲线分类之后，企业根据生产安排、过往用电量等的历史数据，可以大致估计出未来数天的日用电量，由日用电量这个参数进行匹配可以确定企业未来数天的负荷模式。并且，企业在一段时间内负荷模式不变。

假定企业在一段时间内负荷曲线基本上是相似的，除去周末或停产维修等特殊情况，那么企业很容易预测出下一天的负荷曲线。如下图为从图1中挑选出连续8天（2014年8月8日～15日）的日负荷曲线（图7）。

通过负荷模式分类很容易将明显不同的一条负荷曲线区分出来，得到图8的结果，被单独区分曲线实际对应的日期为8月10日（周日）。

假设下一天（16日）的负荷模式与（a）类相同，日负荷曲线是相似的。取该负荷模式中最近三天（13、14、15日）的曲线来确定下一天的日负荷曲线，见图9。

更直观地，用坐标轴来表示。图12、图13的相似性说明了序列？着1，？着2，？着3是符合正态分布的。通过多个例子验证，大量的统计数据表明，总体上来序列{？着i}符合正态分布。

3 结论

本文通过聚类算法将电力客户的负荷曲线进行分类，形成负荷模式。负荷模式对于研究电力客户行为以及客户的负荷预测有重要作用。仿真分析结果表明，利用日负荷数据进行电力负荷模式分类是可行的，并且利用负荷模式对客户的日负荷进行预测的结果也是令人满意的。进一步探讨天气、温度、雨量、节假日等因素，还可以更深入地研究这些因素对负荷模式的影响。

参考文献：

[1]西奥多里蒂斯等著；李晶皎等译.模式识别[M].四版.北京：电子工业出版社，2012，2.

[2]刘耀年，等.基于模糊识别与模糊聚类理论的短期负荷预测[J].电工技术学报，2002，17（5）.

[3]许甜田.大用户负荷预测方法研究及其应用[D].湖南大学硕士学位论文，2013.

[4]刘丽轻.电力用户负荷模式识别系统研究与设计[D].华北电力大学硕士学位论文，2011.

[5]仲伟宽.模糊聚类方法在用户负荷曲线分析中的应用[J].华东电力，2007，35（8）：97-100.

[6]王小辉.宝钢分公司电力负荷模拟与预测研究[D].上海交通大学硕士学位论文，2008.

[7]史新祁.大型钢铁企业电力负荷短期预测的研究[D].上海交通大学硕士学位论文，2003.

[8]李智勇，品莹，等.基于自组织映射神经网络的电力用户负荷曲线聚类[J].电力系统自动化，2008，32（15）：66-70.

[9]顾洪博，张继怀.聚类算法初始聚类中心的优化[J].工程大学学报，2010，24（2）：222-226.

[10]张忠华.电力系统负荷分类研究[D].天津大学硕士学位论文，2007.

[11]杨淑.模式识别与智能汁算[M].北京：电子工业出版社，2008.

[12]Eamonn Keogh. Fast similarity search in the Presence of longitudinal sealing intime series databases[C]. Proceedings of the IEEE 9th International Conferenceon Tools With Artificial Intelligence， Washington： IEEE ComputerSoeiety， 1997.

[13]Vojdani. Smart integration [J]. IEEE Power and Energy Magazine， 2008，6（6）：71-79.

[14]P. Mc Daniel， S. McLaughlin. Security and privacy challenges in the smartgrid [J]. IEEE Security & Privacy， 2009， 7（3）：75-77.

[15]G. Chicco，I. S. Ilie. Support vector clustering of electrical load pattern data[J]. IEEE Transactions on Power Systems， 2009' 24（3）： 1619-1628.