基于大数据技术的错峰用电管理应用研究

张　昕，李栋华，程　明

(北京南瑞埃森哲信息技术中心有限公司,北京　100096)

Study on Peak Load Shifting Management Based on the Big Data TechnologyZHANG Xin, LI Donghua, CHENG Ming

(NARI Accenture Information Technology Center Co.,LTD, Beijing 100096,China)



基于大数据技术的错峰用电管理应用研究

张昕，李栋华，程明

(北京南瑞埃森哲信息技术中心有限公司,北京100096)

0引言

近年来，随着我国经济的快速发展，电能在终端能源消费当中的分量越来越重[1]。然而由于高GDP 增长率加上用户相对粗放的用电方式导致高峰负荷快速增长，且负荷增长率远高于电量增长率，这使得峰谷差日益增大，电能利用率降低，高峰时段的供电紧张，“电荒”现象频发[2]。减小系统峰谷差最有效的方法是有效地开展需求侧管理，进行削峰填谷，在减小系统波峰负荷的同时增大系统波谷负荷。

在以前的实际用电管理工作中，往往是在电力紧缺的情况下，进行有序用电管理，对供电用户实行错峰、避峰、限电、拉闸等措施，来抑制高峰负荷[3]。现在随着智能电网的建设和需求侧管理相关研究的深入以及需求侧管理相关应用的逐步成熟，面向智能电网的需求侧管理开始在削峰填谷、提高能效、节能减排等方面发挥其不可忽视的作用。目前电力需求侧管理在移峰填谷方面的应用主要是通过对工商业用户实行分时计量电量，实行尖峰、峰谷平分时电价措施引导工商业用户调整生产运行方式，转移高峰时刻的用电负荷，降低高峰用电需求，从而提高电网供电设备的负荷率和利用率，缓和高峰时刻的供用电矛盾[4]。

错峰用电管理属于需求侧管理的一部分，科学合理地开展错峰用电，可以在减小波峰负荷的同时增加波谷负荷，达到削峰填谷的最佳效果。现有错峰用电管理在安排用户错峰时通常不考虑用户的实际用电特点，主要是根据用户的用电性质和负荷等级进行优先排序，这样相对粗放的安排方式往往会使得错峰效果不佳。而且，由于我国错峰用电管理是在电力的紧张形势下兴起的，因此很多电力部门仅将它当成缺电期间的短期工作来对待，单纯依靠行政手段实施错峰，没有真正认识错峰用电管理的关键和重要性。其实无论是电力过剩时期还是电力紧缺时期，我们都应从长远的角度来出发，坚持完善错峰用电工作[5]。

而且，随着智能表计大规模应用和系统接入，用电信息数据资源开始急剧增长并形成了一定的规模，我国电力行业开始步入大数据时代。通过大数据技术的引入和应用，可以释放“大数据”的业务潜力，应用到错峰用电领域，可以实现错峰用电管理应用的实用化、精益化、高效化。

本文的贡献主要在于提出了一种面向智能电网的错峰用电管理新思路，利用大数据技术进行用户的用电模式识别，并将这项技术应用到错峰用电管理领域当中，针对用户不同的用电特点，考虑差异化错峰用电策略。这种基于用户的用电模式识别而开展的错峰潜力分析，可以为供电企业开展错峰用电管理工作提供依据，有效地弥补现有错峰用电管理方式相对粗放的不足，且支持将错峰用电管理作为一项长期用电管理工作来开展，可以有效地降低系统高峰负荷，提高负荷率，减小峰谷差。

1理论体系

大数据技术应用到错峰用电领域的关键是利用大数据技术进行用户的用电模式识别，利用数据挖掘技术对用户的用采数据进行深入分析来开展，进而获得用户的错峰潜力等潜在的有用信息，既能够为供电企业开展错峰用电管理工作提供依据，又能够为电力用户更好地制定用电方案。

1.1用户用电模式识别技术

对单个用户，取其最新一年的每日96点用电信息，对数据进行数据清洗等预处理，然后用Canopy + K-means 聚类算法对这些日负荷特性曲线进行聚类分析，聚类获得的簇即代表用户的用电模式，通过筛选簇内对象大于设定阈值的方法来获得用户的常用用电模式，并对常用用电模式进行类型判定，得到具有错峰潜力的常用用电模式，为后期进行错峰潜力分析选定分析对象。

1.1.1聚类分析

聚类分析(clustering analysis)是一个将数据集划分为若干组或类的过程，并使得同一个组内的数据对象具有较高的相似度；而不同组中的数据对象相似度很低。相似或不相似通常是利用各对象间距离来进行表示的，两个样本之间的距离越小相似度越高，两个样本之间的距离越大则相似度越低。最常用的欧式距离如式(1)：

(1)

式中:d(xi,xj)代表第i日和第j日的日负荷特性曲线的欧式距离；n为属性空间的维度，由于用户每条日负荷特性曲线都包含96个点，故取n=96；xi为该用户第i日的日负荷特性曲线；xik为该用户第i日的第k个用电量。

我们此次采用的是在Mahout中实现的Canopy算法和K-means算法，其中Canopy算法是用来为K-means算法服务的。思路是：首先通过Canopy算法进行聚类，以确定簇数以及初始簇心，接着通过K-means算法进行迭代运算，收敛出最后的聚类结果。

1.1.2聚类后处理

聚类的目的是得到用户的用电模式，每一簇聚类就代表了一种用电模式，然而并非所有的用电模式都对错峰用电有指导作用，把错峰用电作为一种长期的用电工作，只有常用的用电模式才会对其有指导价值；而错峰工作的重点在于发掘具有错峰潜力的用电模式，因此我们要通过聚类后处理得到用户具有错峰潜力的常用用电模式。

首先，一簇聚类就代表了一种用电模式，由于聚类中心具有代表性，因此每簇聚类的聚类中心所对应的负荷特性曲线可以作为该用电模式的代表曲线[6-7]。对簇内对象进行数量统计，当簇内对象数量大于我们设定的阈值时，可以判定此用电模式为用户的常用用电模式。针对该常用用电模式，要对其进行用电规律统计，统计指标主要是该模式日期分布，从而得到该用电模式的频发时间；计算该模式负荷特性曲线的相关形态指标，根据这些指标进行用电模式类型判断。

用于用电模式类型判断的曲线形态指标包括日负荷率、日峰谷差率、峰期负载率、平期负载率、谷期负载率[8-9]，如表1。将这些指标进行离散化处理，可以将用户的用电模式分为平滑型、避峰型、单峰波动型、双峰波动型4种类型。

表1　负荷曲线形态指标

设定离散标准，将这些连续性的形态指标离散化。离散标准设定：

(3)

这4种用电模式的形态指标对应的离散值分别如表2所示。

表2　用电模式类型及其负荷曲线形态指标对应的离散值

通过构建分类决策树，我们可以快速地将用户的用电模式进行分类，以实现用户用电模式的快速识别。我们利用C5.0算法构造决策树如图1所示。

图1　用电模式类型判别决策树

1.2错峰潜力分析

波动型用电模式与系统波动性有很强的相关性，说明系统负荷的波动主要由这些用电模式引起[10-12]，因此波动型用电模式才是最具有错峰潜力的用电模式，故选定用户波动型常用用电模式为错峰潜力分析对象。

波动型用电模式的峰谷差代表了该模式下用户的单位理想最大错峰潜力，而实际应用中，用户的单位实际最大错峰潜力往往达不到单位理想最大错峰潜力，且单位实际错峰潜力往往达不到单位实际最大错峰潜力，这与系统高峰发生时间和错峰实现手段都有关系。首先，用户的单位实际最大错峰潜力往往达不到单位理想最大错峰潜力。

图2　单位实际最大错峰潜力

从图2中可以看出，用户的单位实际最大错峰潜力与与系统高峰发生时间之间的关系，只有在用户高峰与系统高峰同时发生的时候，用户的单位实际最大错峰潜力才等于用户的单位理想最大错峰潜力，其他情况下，用户的单位实际最大错峰潜力都要小于用户的单位理想最大错峰潜力。

再者，用户的实际错峰潜力往往达不到单位实际最大错峰潜力。通过调整生产时间，将生产提前或推后一段时间，从而将用电高峰提前或推后，错开系统用电高峰，如图3中所示。这种调整生产时间的错峰手段，其实际错峰潜力往往也达不到单位实际最大错峰潜力，因为生产时间的调整要受到实际生产规律的约束和诸多用户时间协调的约束，恰好能将低谷负荷调到高峰时段的情况是非常少的。

图3　单位实际错峰潜力

通过将生产时间提前或推后Δt，假设用电高峰时段为t2-t3和t4-t5，低谷时段为t0-t1和t6-t7,调整生产时间后的错峰量计算如图4。

图4　调整生产时间后的错峰量计算

则在高峰时段内减少的用电量为

(4)

在低谷时段内增加的用电量为

(5)

2算例分析

本文收集了某省某县用电信息采集系统中所有专变用户一年的用电量及其用户档案，其中用户用电量信息的采样时间范围为2012-01-01～2012-12-31。该县的用电信息采集系统包含大客户终端数为3 505，用户数为3 497，采样间隔为15min。

图5　ID#001用户日负荷特性曲线聚类结果

对单个用户进行用电模式识别，以ID为#001的用户为例，取该用户在2012年度的365条日负荷特性曲线，应用Canopy+ K-means算法对这些曲线进行聚类，结果如图5所示。从图5中可以看出，该用户的日负荷特性曲线可以聚成6簇，即该用户在2012年度主要有6种用电模式，对聚类结果进行后处理可得：

① 对每一簇聚类内的曲线对应天数进行统计，可以得到每簇聚类对应天数分别为65、37、125、97、39、12，前5种用电模式对应天数大于我们设定的阈值30，为常用用电模式；第6种用电模式对应天数少于30，为特殊用电模式。

②类型0～4为常用用电模式，对其负荷曲线形态指标进行统计和离散化处理，并根据用电模式类型判别决策树进行用电模式类型判别，类型0～4的用电模式都是波动型用电模式，都具有错峰潜力。

聚类后处理结束后，还要对筛选出的5种波动型常用用电模式进行用电规律统计和错峰潜力分析。用电规律统计主要是对其时间分布进行统计，找出每种模式的频发时间，可以在来年的对应日期之前提前做出错峰安排；针对每种用电模式，通过与用户沟通，为其量身定制合理的用电策略，可以在实现错峰用电的同时提高用户的用电效率。错峰潜力分析主要是计算用户通过调整其生产时间而达到的错峰量。

现拟制定2014年2月的错峰用电计划，根据之前的用户用电模式识别结果，可以筛选出频发时间位于2月的波动型用电模式。由历史数据分析得出该地区在2月的高峰时段为9:00～11:00和17:00～21:00，对选定的用户用电模式进行错峰潜力分析，部分结果如表3所示。其中错峰调整时间以小时为单位，“+”表示时间前提，“-”表示时间推后；错峰量以103kWh为单位，“+”表示用电量增加，“-”表示用电量减少。由于错峰调整时间设定的变化会导致错峰量的变化，所以针对每个用户，我们得到的错峰潜力分析是不同方案的集合。最佳方案的选择以高峰时段内减少的用电量和低谷时段内增加的用电量之和最大为最优。

用户错峰潜力分析完毕后，加以排序整理得到该地区的用户错峰潜力排序表。错峰用电管理人员可以据此制定相应的错峰计划，包括错峰用户的选择，错峰手段的选取和错峰时间的协调等。

3结论

这种基于用户用电模式分析而开展的错峰用电，针对用户不同的用电特点，考虑差异化错峰用电策略，可以有效地弥补现有错峰用电管理方式相对粗放的不足，且支持将错峰用电管理作为一项长期用电管理工作来开展，带来的收益也是很明显的，主要有以下几点：

表3　大用户错峰潜力分析表

① 提高满意度。考虑用户用电特性，与用户进行事先沟通，体现用户关怀，提高了用户满意度和参与积极性；

② 减少损失。可以在拉闸限电发生之前有效控制峰荷增长，减少用户和社会的经济损失；

③ 控制成本。增加电网设备资产的使用效率，延缓了电网建设，减少了发电成本；

④ 节能减排。引导用户科学合理用电，可以极大地提高用电效率，平滑电力负荷，进而实现节能减排。

目前我们的研究只进行到对用户的错峰潜力分析，距离提供智能化决策方案还有一定的距离，后续的工作重点应该放在根据错峰潜力分析结果对用户负荷曲线进行优化，从而为制定错峰用电计划提供智能化辅助决策支持。

参考文献

[1]杨诗雄.电力需求侧管理现状及问题分析[J].科技致富向导,2011(8):1-2.

[2]王兵.探讨当前电力需求侧管理的现状与策略[J].大科技,2010(12):1-2.

[3]国家发展改革委.有序用电管理办法.2011.

[4]国家经贸委考察团.美国、加拿大电力需求侧管理考察报告[R].电力需求侧管理,2002,4(3):58-60.

[5]国家发展改革委.电力需求侧管理办法.2010-11-04.

[6]黎祚,周步祥,林楠. 基于模糊聚类与改进 BP算法的日负荷特性曲线分类与短期负荷预测[J]. 电力系统保护与控制,2012,40(3):56-60.

[7]刘丽轻,丁巧林,张铁峰,等. 电力用户负荷模式识别方法研究[J].华北电力大学学报，2011,38(6):29-33.

[8]陈伟，乐丽琴，崔凯，等. 典型用户负荷特性及用电特点分析[J]. 能源技术经济,2011,23(9):44-49.

[9]张素香,刘建明,赵丙镇,等. 基于云计算的居民用电行为分析模型研究[J].电网技术，2013,37(6):1542-1546.

[10]Abreu M J,Cmara Pereira F, Ferrão P. Using pattern recognition to identify habitual behavior in residential electricity consumption[J]. Energy and Buildings, 2012, 49: 479-487.

[11]Tsekouras G J, Salis A D, Tsaroucha M A, et al. Load Time-Series Classification Based on Pattern Recognition[J]. Intech, 2008.

[12]Ghaemi S, Brauner G. User behavior and patterns of electricity use for energy saving[C]//Internationale Energiewirtschaftstagung an der TU Wien,2009:1-12.

张昕(1972—)，男，硕士，高级工程师，研究方向包括企业信息化规划、计划管理、实时数据库技术等，E-mail: zhangxin@sgepri.sgcc.com.cn；

李栋华(1984—)，男，硕士，工程师，研究方向包括企业信息系统、物联网、大数据、移动互联网等, E-mail:lidonghua@sgepri.sgcc.com.cn；

程明(1990—)，女，学士，研究方向为电力信息化、大数据等，E-mail: chengming1@sgepri.sgcc.com.cn。

(责任编辑：杨秋霞)

Study on Peak Load Shifting Management Based on the Big Data TechnologyZHANG Xin, LI Donghua, CHENG Ming

(NARI Accenture Information Technology Center Co.,LTD, Beijing 100096,China)

摘要：为有效地降低峰谷差，提高负荷率，本文提出了一种面向智能电网的错峰用电管理新思路，利用大数据技术进行用户的用电模式识别，并将这项技术应用到错峰用电管理领域当中，针对用户不同的用电特点，考虑差异化错峰用电策略。这种基于用户的用电模式识别而开展的错峰潜力分析，可有效地弥补现有错峰用电管理方式相对粗放的不足。

关键词：大数据技术；错峰用电；用电模式识别；负荷特性；聚类分析

Abstract：In order to reduce the difference between peak and valley load effectively and improve load rate, a new idea for peak load shifting management is presented for smart grid, in which the electricity consumption pattern is recognized by using big data technology. In addition, this technology is also applied to peak load shifting management, and different peak load shifting strategies are considered as to the consumption characteristics of different users. The peak load shifting potential analysis based on pattern recognition can make up for the shortcoming of extensive peak load shifting management effectively.

Keywords：big data technology; peak load shifting; electricity consumption pattern recognition；load characteristics; cluster analysis

作者简介：

收稿日期：2014-07-18

文章编号：1007-2322(2015)03-0066-05

文献标志码：A

中图分类号：TM7