基于数据驱动方法的疫情阶段电力用户负荷特性画像模型

2021-03-10 02:46:38陆晓徐春雷冷钊莹吴海伟陈中

电力建设 2021年2期

陆晓，徐春雷，冷钊莹，吴海伟，陈中

(1.国网江苏省电力有限公司，南京市 210024；2.东南大学电气工程学院，南京市 210096)

0 引言

近年来我国经济飞速发展，各行各业用电需求急剧增长，用电结构不断变化[1-3]，行业负荷特性呈现多样化和复杂化发展趋势[4-5]。电力行业数据包含丰富的用电行为信息，对其用电特性展开分析，能够挖掘出不同用户的用电特征和规律[6-7]，对电力部门准确识别客户负荷特征、提供差异化服务、引导有序高效用电有着重要意义。特别是当前新冠肺炎疫情流行的特殊时期，透过电力负荷数据，能有效识别企业复工复产情况，及时客观地反映经济复苏水平，为疫情防控和复工复产决策提供辅助，对加强电网风险管控、把握规划方向发挥积极作用。

一般意义的电力负荷特性分析研究的是电力负荷随时间变化的规律[8]，而新兴的用户标签和画像技术能为电力负荷识别和特征分析提供一种新思路[9-10]，它是一种面向用户，通过挖掘用电数据中的负荷特性，建立语义化画像标签的重要方法。进一步与数据驱动方式结合能适应目前大数据环境，更准确、高效地刻画不同行业负荷特性。

目前，有较多文献采用画像分析方法刻画客户用电行为。文献[11]基于海量电力数据信息，建立客户用电行为标签库，采用模糊聚类方法分析客户用电行为模型，刻画不同类型客户用电行为画像。文献[12]提出面向用户行为的标签层次体系，基于密度、距离的聚类算法和梯度提升度算法的标签生成方法，形成一整套电力用户画像技术。文献[13]将标签画像技术应用到电力资产全寿命周期管理中，采用数据挖掘技术实现了对电力资产特征的全面刻画。

上述文献大多侧重于分析标签生成和画像方法，缺乏对用电行为标签体系的深入研究，而全面、完善的用户负荷特性标签体系是刻画用户行为的重要基础。此外，大多文献从日月年特性入手，仅选取负荷数据及曲线自身特性指标，而有关各行业用户的用电规律性和平顺度指标不够完善，且很少有文献涉及到负荷调控能力和疫情影响程度的分析。为此，文章提出一种基于实际负荷数据驱动的负荷特性分析通用方法，针对新冠肺炎疫情对用电企业的影响，从用户用电规律性、平顺度、负荷调控能力以及疫情影响度这4个方面重新归纳和选取负荷特性指标，全面构建负荷特性标签体系，针对受疫情影响的各行业用户建立全方位、多角度、立体化的负荷画像模型。然后，针对各个负荷特性标签给出详细的指标计算方法。最后，通过算例对典型行业用户的数据进行分析，并给出各指标划分标准。

1 用户负荷特性标签

传统的负荷特性标签覆盖不够全面，文章从调度部门的角度出发，考虑电网公司最关心的负荷规律性、平顺度、负荷调控能力以及疫情影响程度这4个方面的负荷特性，将其作为分析用户负荷特性的4个通用标签。

用电规律性的分析是电力部门实施负荷调控措施的基础。在该标签中，全方面考虑负荷在一年中的变化情况，分别从传统日内、周、月、季度以及季节用电规律5个维度，结合工商业用电特征，对指标进行丰富和细分，具体指标和分类如表1所示。

表1 用电规律性标签

用户的用电平顺度对于电网安全、可靠、有效运行有重要意义。为了综合评价负荷在一天内的平稳程度，考虑已有日负荷的峰谷差率、负荷率以及新定义的波动度和冲击度指标，如表2所示。

表2 用电平顺度标签

电力部门选择有较大可调能力的用户实施负荷调控措施以保证电网安全可靠运行。在负荷调控能力标签中，主要从已有的负荷重要程度、新定义的基于电价和基于激励的负荷调控能力三方面考虑，如表3所示。

表3 负荷调控能力标签

最后，2020年初由于新冠疫情的影响，很多企业都受到了影响。为了从实际电力负荷数据中挖掘各用户受影响程度，新定义了疫情停工减产程度、疫情复工复产程度2个指标，具体指标如表4所示。

表4 疫情影响程度标签

2 基于数据挖掘理论的负荷特性指标计算

2.1 用户典型负荷曲线提取方法

典型日负荷曲线是能反映某用户全年整体负荷水平和规律性的日负荷曲线，选取与各类日负荷曲线的聚类中心最相近的实际负荷曲线作为典型曲线。首先，判断该用户全年365条日负荷曲线的最佳聚类数，根据聚类数利用模糊C均值聚类方法[14]获得聚类中心曲线。然后，在全年所有负荷曲线中选取与此聚类中心最为相近的日负荷曲线作为典型日负荷曲线。

2.2 用电规律性

2.2.1日内用电规律

1)日内工作时间特性。

(1)

2)日夜用电特性。

设定白天工作时间为06:00—18:00，夜晚工作时间为18:00—次日06:00。通过计算典型负荷曲线白天用电量Qd和夜晚用电量Qn的比值A12，来判断日夜用电特性，如式(2)所示。

(2)

式中：Pt为t时刻负荷曲线上的负荷值。

3)早晚高峰特性。

(3)

4)峰谷特性显现性。

以隶属度指标表征各时段峰谷属性，定义峰隶属度upeak(t)、谷隶属度uvalley(t)，t时刻的峰谷隶属度分别用偏大型梯形和偏小型梯形[15]表示：

(4)

一天Nt组峰谷隶属度可得到特征指标矩阵X：

X=[upeak(t)uvalley(t)]Nt×2

(5)

进一步用模糊聚类的方法根据峰谷隶属度对典型负荷曲线划分峰、谷、平时段，再结合峰谷时段划分原则[15](峰时段和谷时段的持续时间不应低于2 h)判断用户日用电曲线是否具有明显峰谷，即得到指标A14。

2.2.2周用电规律

1)周内作休制度。

提取用户典型不开工日负荷曲线，并与该用户典型开工日负荷曲线的用电量进行比较，计算其不开工时电量与开工时电量的比值α。计算一周内某天实际用电量Qi与该用户典型开工日负荷曲线用电量Qtypical的比值A21，比较A21与α大小来判别用户的周内作休制度。

A21=Qi/Qtypical

(6)

2)周内用电相似度。

计算用户周内用电相似度有助于了解其工作生产安排计划。在计算周内作休制度指标后，如果用户周内每天都工作，则继续进行周用电相似度计算，选择某一周的实际负荷曲线，计算其一周7天负荷曲线之间的Pearson相关系数A22，判断工作日和休息日工作相似性。

Pearson相关系数[16]用于度量2个向量之间的线性相关性，根据日负荷曲线P1和P2定义相关系数ρ(P1，P2)：

(7)

式中：cov(P1,P2)为P1、P2的协方差；σP1、σP2分别为P1、P2的标准差。

周用电相似度矩阵A22可表示为一周内两两相关系数的矩阵:

(8)

2.2.3月用电相似度

月用电相似度可以体现用户在一年中不同月份的工作生产安排规律。月用电相似度大，说明每个月的负荷水平相似；反之说明每个月负荷水平具有较大差异。本文定义的月用电相似度A3表示一年内每个月最大负荷的均值与年最大负荷之间的比值。

(9)

2.2.4季度用电相似度

定义季度用电相似度A4为一年每个季度最大负荷的均值与年最大负荷之间的比值。季度用电相似度大，说明用户4个季度的负荷水平相似；反之说明用户4个季度负荷水平具有较大差异。

(10)

2.2.5季节用电规律

一般来说，用户的负荷可以分为基本级和季节性负荷[17]。前者可由春秋季的典型负荷曲线表示，因为春秋季节负荷主要为设备运转的基础负荷；后者分为夏季降温负荷和冬季取暖负荷，夏季用户会增加空调等负荷，冬季会增加取暖设备等负荷。

基本负荷计算公式如式(11)所示，求出春、秋季典型负荷曲线，以其平均值作为基础负荷：

(11)

式中：Nspring、Nautumn表示春季和秋季典型负荷曲线数量；Pspring,d、Pautumn,d分别表示第d个春季和秋季典型负荷曲线的日负荷。

夏季降温负荷Pcooling和冬季取暖负荷Pheating的计算公式如式(12)所示。

(12)

通过判断夏季降温负荷占比A51和冬季取暖负荷占比A52来判断用户高温和低温敏感性，其计算公式如下：

(13)

2.3 用电平顺度

(14)

在此基础上为了进一步描述日负荷曲线的平稳程度，本文定义了2个新指标：波动度和冲击度。

2.3.1波动度

定义波动度B3为归一化典型负荷曲线的标准差，表征负荷的离散程度。波动度大，则负荷分散程度大，说明负荷波动性大；反之则负荷分散程度小，说明负荷波动性小。

(15)

2.3.2冲击度

(16)

2.3.3用电平顺度综合评分

以上4个指标中，波动度、冲击度和峰谷差率越大，负荷曲线平顺度越差；而负荷率越大，负荷曲线平顺度越好。指标计算完成后，对各个指标先进行各自评分，范围为1～10分；再使用熵权法[18]得到各指标的客观权重；最后，对用电平顺度标签进行综合评分，得分越高，平顺度越差。

熵权法是一种客观指标权重分析方法，基本思路是根据指标变异性的大小来确定客观权重。首先给定指标B1,…,B4，其中Bi={bi1,…,bij,…,bin}，n为用户数量。将各个指标的得分归一化，得到b′ij：

(17)

求各指标信息熵ei：

(18)

根据信息熵值，计算各指标的权重wi：

(19)

最后，第j个用户的用电平顺度得分计算如下：

(20)

2.4 负荷调控能力

2.4.1负荷重要程度

评判负荷是否具有负荷调控能力前先要判别负荷的重要程度。因为人为改变或间断重要负荷的生产计划会影响社会安定、经济发展。电力负荷应根据对供电可靠性要求及中断供电在政治、经济上所造成影响的程度进行分级[19]。一般一级负荷不参与负荷调控，如交通运输业、公共服务和管理组织行业、钢铁冶炼行业中焦化、烧结和冶炼生产设备等。

2.4.2基于电价的调控能力

价格型负荷调控通过设定阶梯电价、分时电价、实时电价等方式，引导用户调整电力需求，实现削峰填谷的目的[20]。定义用户基于电价的调控能力C21为该用户电价响应转移电量Qprice与一天用电量Qtotal的比值。

C21=Qprice/Qtotal

(21)

2.4.3基于激励的调控能力

激励型负荷调控[20]是以直接补偿或其他时段的优惠电价引导用户在系统需要或电力紧张时减少电力需求。选取典型的基于激励调控的负荷曲线，定义用户基于激励的调控能力C22为该曲线中负荷削减的电量Qincentive与一天用电量的比值。

C22=Qincentive/Qtotal

(22)

2.5 疫情影响程度

2.5.1疫情影响度

这里将疫情影响度定义为用户在2020年疫情期间的总用电量与2019年同期用电量比值的倒数，以此来衡量其营业或生产受疫情的影响程度。用户k的疫情影响度D1为：

(23)

2.5.2疫情恢复度

定义复工复产指数为各行业用户疫情期间每日生产恢复情况，用户k第i天复工复产指数如下:

(24)

疫情恢复度为疫情后企业生产或营业的恢复程度，这里将2020年3月初企业的复工复产指数作为恢复度。用户k的疫情恢复度D2的计算公式如下：

(25)

式中：i1为3月初的日期编号。

3 算例分析

3.1 算例数据

为了准确计算标签分界值，选取某省重要的10个行业19家典型用户在2019年1月1日至2020年3月10日，一天96点的用户专用变压器负荷数据，包括信息传输软件和信息技术服务业、交通运输业、公共服务和管理组织(大学)、黑色金属冶炼压延加工业、电子设备制造业、纺织业、船舶工业、建筑材料及制品业、石油化学业和商业。

首先对负荷数据剔除异常值并进行预处理，再采用2.1节的方法提取各用户典型负荷曲线，进一步对各行业用户的负荷特性指标进行计算，用模糊C均值聚类算法分别对每类指标计算结果划分指标界限。

3.2 用电规律性算例分析

3.2.1日内用电规律

1)日内工作时间特性。

各用户日内工作时间特性如附录A表A1所示，通过模糊聚类得到日内工作时间特性划分标准，如表5所示。其中商业1、商业2属于非24 h工作制，而其他工业属于24 h工作制。

2)日夜用电特性。

日夜用电特性指标如附录A表A2所示，日夜用电特性判断标准如表6所示。

表6 日夜用电特性判断标准

3)早晚高峰特性。

早晚高峰特性指标如附录A表A3所示，早晚高峰判断标准如表7所示。

表7 早晚高峰特性判断标准

4)峰谷特性显现性。

峰谷特性显现性指标如附录A表A4所示，选取具有明显峰谷时段的公共服务和管理组织业用户(大学1)以及峰谷时段不明显的钢铁冶炼业用户1的负荷进行比较，绘制其负荷曲线峰谷时段划分图，如图1所示。

图1(a)中，公共服务和管理组织业用户(大学1)有明显峰谷，因为该用户为大学负荷，08:00—21:00为持续的峰时段，峰值出现在13:00，为 9.2 MW；而00:00—05:00为持续的谷时段，在凌晨04:00负荷水平减小至4.25 MW，这是因为教室、实验室和图书馆等在夜晚会长时间停止使用；图1(b)中，钢铁冶炼业用户1无明显峰谷，因为钢铁企业是24 h工作制，日内负荷水平一直保持波动的、高水平的状态。

图1 典型用户负荷曲线峰谷时段划分

3.2.2周用电规律

1)周内作休制度。

对各用户的某一天不开工的指标分界α值进行计算，得到当A21<60%时，认为该日为不开工/不营业日；反之，则该用户一周无休。

2)周内用电相似度。

选取交通运输业用户2为例，计算一周7天的负荷曲线相似度，如表8所示。

表8 交通运输业用户2一周负荷曲线相似度

通过表8中数据可知，该用户周二至周五的负荷与周一的相似度较高，都大于0.60；而周六和周日与周一的相似度较低，仅有0.44和0.51，说明该用户在工作日和周末的负荷特性具有差异。这是因为该用户为地铁用户，其用电情况主要受人们出行规律的影响，在工作日，00:00—05:45负荷基本保持不变，因为这段时间没有列车运行，只有照明等普通负荷，且有明显的早高峰和晚高峰特性，在10:00—16:00期间负荷相对稳定；而在节假日则没有明显的早晚高峰，负荷曲线在10:00—12:00、14:00—16:00以及19:00—21:00之间都处于较高水平，且晚上负荷曲线整体水平与工作日相比较高。

3.2.3月用电相似度

A3计算结果如附录A表A5所示，由此可以得到月用电相似度判断标准，如表9所示。

表9 月用电相似度判断标准

3.2.4季度用电相似度

A4计算结果如附录A表A6所示，得到季度用电相似度判断标准，如表10所示。

表10 季度用电相似度判断标准

3.2.5季节用电特性

A51、A52计算结果如附录A表A7所示，高温敏感性和低温敏感性的判断标准如表11所示。

表11 季节用电规律判断标准

分别选取钢铁冶炼业用户3、电子设备制造业用户2和交通运输业用户2，绘制其夏季降温负荷曲线和冬季取暖负荷曲线，如图2所示，并计算其夏季降温负荷占比和冬季取暖负荷占比，如表12所示。

表12 典型用户的季节用电规律性指标计算

通过图2和表12可以看出，钢铁冶炼业用户3高温和低温敏感度较低，夏季降温负荷和冬季取暖负荷占比仅为2.50%和7.77%，因为钢铁企业严格按照生产计划运营，受气候因素影响较小；电子业用户2高温敏感度中，夏季降温负荷占比达到20.48%，而低温敏感度较低，冬季取暖负荷占比仅为1.14%，因为电子企业具有精密仪器设备，这些设备对高温敏感；交通运输业用户2低温敏感度较低，高温敏感度较高，夏季降温负荷占比高达32.28%，因为地铁在夏季空调负荷占比较大。

图2 典型用户夏季降温和冬季取暖负荷曲线

3.3 用电平顺度算例分析

各用户的用电平顺度标签的各指标计算结果如附录A表A8所示，由此可以对波动度、冲击度、峰谷差率和负荷率进行评分，采用熵权法得到各指标的权重如表13所示，用户的用电平顺度综合得分以及排序如表14所示。

表13 用电平顺度标签各指标权重

表14 用电平顺度综合得分和排序(由差到好)

与表中相同从表14中可知，钢铁冶炼业用户1和用户2平顺度最低，平顺度得分分别为7.11和7.33，而纺织业用户1和石化业用户1平顺度最高，得分分别为0.32和0.33。用电平顺度高低判断标准如表15所示。

表15 用电平顺度判断标准

3.4 负荷调控能力算例分析

本算例以钢铁冶炼业用户2为例，分析负荷调控能力的计算过程。钢铁企业均有一定比例的用电设备属于可中断运行的设备，如办公等配套用电设施、轧钢生产线设备等。选取实施激励型负荷调控措施的5条典型负荷曲线，如图3所示。此外，钢铁企业会根据峰谷电价调整生产，将部分负荷转移至低电价时段，选取实施价格型负荷调控措施的4条典型负荷曲线，如图4所示，相应的负荷削减指标分别如表16和表17所示。

表17 钢铁业用户2价格型负荷调控典型曲线指标

图3 钢铁业用户2激励型负荷调控典型曲线

图4 钢铁业用户2价格型负荷调控典型曲线

由表16可知，在上述钢铁冶炼业用户2的激励型负荷调控典型负荷曲线中，该用户基于激励的调控负荷削减比均大于30%，平均值为38.79%；负荷削减最大值达到96.240 MW，平均值为75.990 MW；峰时段削减电量最大值为650.140 MW·h，平均值为463.084 MW·h。

表16 钢铁业用户2激励型负荷调控典型曲线指标

由表17可知，该用户基于电价的负荷调控负荷削减比约为10.43%，负荷削减平均值为20.12 MW，峰时段削减电量平均值为157.53 MW·h，相较于基于激励的负荷削减值小。再通过分析建材业和石化业等用户的负荷调控情况，得到负荷调控能力判断标准，如表18所示。

表18 负荷调控能力判断标准

3.5 疫情影响程度算例分析

各用户疫情影响程度标签的各指标计算结果如附录A表A9所示，根据计算结果可得到用户疫情影响度和疫情恢复度判断标准，如表19所示。

表19 疫情影响度和疫情恢复度判断标准

选取疫情影响度较小且恢复度较高的电子设备制造业用户2以及疫情影响度较高且恢复度较低的商业用户1，绘制2020年1月30日—2月9日(图中对应日期编号为1至11)，2019年2月10日—2月20日(图中对应日期编号为1至11)的典型负荷曲线以及日用电量，如图5和图6所示。

疫情对多数电力用户都造成了消极影响，从企业类型来看，商业受疫情影响程度最大，而工业例如钢铁冶炼业、电子设备制造业等受疫情影响程度较小。其中，商业用户1的疫情影响度为4.348，如图5所示，该用户在疫情期间几乎不营业，白天负荷大幅减少，日用电量降为2019年的20%左右。而电子设备制造业用户2的疫情影响度为1.096，如图6所示，该用户在疫情期间负荷略有减少，减少4%～5%，日用电量与2019年相差不大。虽然大部分企业都因为疫情减产，但是信息传输软件和信息技术服务业在疫情期间负荷出现了较大涨势，较2019年增长了2～3倍，日用电量由原来的100 MW·h增加到280 MW·h，如图7所示。

图5 商业用户1 2019年和2020年疫情同期典型曲线以及日用电量

图6 电子设备制造业用户2 2019年和2020年疫情同期典型曲线以及日用电量

图7 信息传输软件和信息技术服务业用户1 2019年和2020年疫情同期日用电量

此外，从企业规模来说，此次疫情中大型企业生产受影响度较小，恢复度属于较高水平，负荷在2019年同期的95%以上；而中小企业普遍受影响度高且恢复度为中低水平，负荷仅为2019年同期的60%～85%，如纺织业用户2相较纺织业用户1来说企业规模较小，其疫情影响度为4.505且恢复度仅为85%，而纺织业用户1疫情影响度仅为1.007且恢复度高于100%。

3.6 用户负荷特性标签

通过上述指标的分类，可以对算例中分析的19个用户贴上相应的负荷特性标签，以钢铁冶炼业用户1为例，其负荷特性标签结果如图8所示。

图8 钢铁冶炼业用户1的负荷特性标签

4 结论

基于数据挖掘理论对用户用电规律性、平顺度、负荷调控能力以及疫情影响度四方面进行负荷大数据分析，提出了电力用户负荷特性分析通用方法，并建立了全面的负荷特性标签体系对用户负荷特性画像进行刻画。在算例中，通过对重要行业典型用户负荷数据的挖掘，给出了各指标的分界标准，有利于电力部门更深入理解各行业用户的用电特征，为电力调度部门实现客户负荷特征的准确识别和分类提供方法依据，以达到高效率地为不同客户提供差异化、针对性服务的目的。此外，还针对2020年新冠肺炎疫情期间重要电力用户的用电情况，分析了重要行业受影响程度和恢复程度。

所提出的标签体系中只选取了典型指标，虽然数量不多，但其所反映的行业用电特性覆盖面还是比较全面的。此外，由于本文仅选取了10个重要行业中19个典型用户进行分析，为了获得更精确的指标分界和判断标准，应扩大数据库范围。本文提出的负荷特性分析通用方法中，还可能缺乏一些特殊行业特有的负荷特性，今后将针对此方面开展进一步研究。

附录A