基于负荷聚类的中长期电力交易设想

李学农，袁汉杰，王维超

（1.陕西电力交易中心有限公司，陕西西安 710048；2.西安交通大学电气工程学院，陕西西安 710049；3.西安电力高等专科学校，陕西西安 710032）

2016年 12月 29日，继“9号文”（中发【2015】9号文）发布一年多之后，国家发改委、国家能源局印发《电力中长期交易基本规则（暂行）》（发改能源〔2016〕2784 号，以下简称“规则”），在“三方开、一独立、三加强”的顶层设计下[1]，详细描述了“现货市场+中长期交易”的市场模式和交易操作方法，以及流程，在市场成员准入及其权责边界、交易品种和组织、价格机制等关键环节给出了具体指导建议，对规范中长期交易意义重大[2]。

1 中长期交易组织现状分析

电力市场的交易方式按照交易周期长度可分为中长期交易和现货交易。中长期交易一般为日前及日以上交易，如月度、年度交易，而交易组织方式一般包括双边协商、集中竞价、挂牌交易等。根据《规则》要求，应逐步建立交易品种齐全的常态化交易市场，包括电力直接交易、跨省跨区电力交易、合同电量转让交易等多种交易品种，并适当配置辅助服务补偿机制，改善我国目前仍以开展电量交易品种为主的情况，中长期电力交易品种也将大大得到丰富。

“中长期交易总体平衡，现货交易灵活补充”是“9号文”及其配套文件《关于推进电力市场建设的实施意见》对新一轮电改中，市场化电力、电量平衡机制的总体要求，随着电力市场建设的深入，直接交易所占比例越来越大，可以预见，未来中长期交易将占据举足轻重的地位。

在实际交易的开展中，一方面，中长期交易电量大、周期长，系统绝大部分的电量将由中长期交易进行配置，是系统安全稳定运行的基础，而现货市场的安全保障作用相对有限；另一方面，随着市场化进展和直接交易电量的增加，用户经济行为也会适当发生变化，如可能改变或形成新的网络安全约束等，较为粗放的中长期交易组织和管理模式不能满足要求。

因此，规范电力中长期交易是保障电量平衡的根本，与电力系统安全运行和电力市场健康成长密切相关，这也对中长期交易的组织和管理提出了新的要求。《规则》指出，对于未能通过安全校核的各类交易电量，要按一定原则进行电量削减；未能通过的基数电量则需要转让[2]。同时，安全校核结果也将直接影响市场成员的利益，因此在安排交易时，也需要更多考虑需求侧负荷特性等情况。

按照不同的标准，可将负荷进行不同的划分[3]。

1）按物理性能划分：可分为有功负荷和无功负荷。

2）按电力系统运行过程划分：可分为发电、输电及用电负荷。

3）按负荷曲线时间单位划分：可分为年度、月度、日内，乃至时、分为单位的负荷。

4）按用户对供电的要求划分：可分为一类、二类和三类负荷。

5）按国际上的通用分类：可分为农业、工业、商业、事业单位用电、居民生活用电等。

上述思路可以为负荷特性分类和储存提供一定参考。但在市场化条件下，中长期交易的组织安排对市场动态考虑尚显不足，上述负荷分类标准的应用性也较差。中长期交易的安排在实际操作中还存在着一些问题[3-4]：

1）即使是同一行业内的用户，其间的负荷曲线也可能存在着较大的差异。随着国民经济的发展和人们生产、生活方式的变化，负荷的种类越来越丰富，构成越来越复杂。简单地依据用户所属行业进行负荷分类，难免会对中长期交易的安排造成不便。

2）难以体现市场化推进中用户经济行为的变化和发展。市场化条件下，用户经济行为势必发生相当大的改变，既定分类标准难以界定的新型用户也会不断涌现。因此不得不重新考虑负荷类型的划分与定义，及其在中长期交易中起到的作用。

3）缺乏充分的现状分析和理论支持，分类针对性和准确性不够。传统的中长期交易在进行安排时，没有充分考虑分类及校核的紧密联系，如用户负荷的实际特性和变化规律，存在着较大的人为因素，也难以在此基础上进一步深入分析。

随着电力市场体系建设的逐步推进，中长期交易作为其中重要的组成部分，其组织和管理亟需进一步完善。因此，本文认为，在中长期交易的组织和管理中，需求侧的信息采集和利用要引起更多重视，而且传统的用户特性类别在应用时也需进一步细化和梳理[5]。

本文设想，利用数据挖掘技术、负荷预测和聚类等理论，结合大数据处理方法的优势，对现有负荷数据进行深入分析，以获取用户负荷特性，作为中长期交易安排的参考依据之一，提升交易组织的安全性和准确性；并以陕西省负荷数据为例，利用k-means聚类方法对其处理，使其按照负荷特性归属相应的聚类中心，并结合结果对陕西省中长期交易的组织和管理提出建议。

2 负荷特性数据聚类

电力系统负荷特性不但影响到电网规划和安全优化运行，也是负荷聚类、预测和定价等需求侧管理技术不可或缺的依据。对负荷特性的研究主要是基于对负荷历史曲线和数据的分析，并借由一定的指标体系，量化其用电特性规律，并预测负荷特性的变化趋势。

电力系统的负荷分类就是按照负荷特性，分析研究电力负荷的构成，以得出某一地区（或一个部门等）内各类负荷组成的种类、比重及其相互之间关系，使得划分到不同类别中的用户呈现出差异尽可能大的负荷特性，而同一类中的用户尽可能地相似，最终分类得到每一类典型负荷特性曲线，进而在此基础上对负荷分类结果作进一步应用研究[5]。

以中长期交易的安全稳定为出发点，本文选择用户的年负荷特性曲线、装机容量和交易电量占比作为负荷特性聚类指标，原因如下[3]：

1）负荷曲线是在期货、合约交易等中分析负荷特性最直观的依据。负荷曲线可以比较全面地反映出负荷变化趋势和经济行为偏好，并很快得出如典型日负荷曲线、最大负荷和年负荷率等其他指标，也有利于将来进一步深入分析。

2）交易电量占比可检验负荷特性聚类结果是否符合实际。如果某一（类）用户属于负荷波动巨大，聚类结果会倾向于将其安排为以周、月为单位短时交易。但若其电量超过总电量的限定百分比，或是涉及用户数量非常庞大，电网短时分配电量和调峰能力可能难以达到要求，此时应酌情调整。

3）装机容量聚类可规范大用户准入。大用户直购电有利于促进市场公平竞争，完善市场机制建设；在此供电形式中，双方也需要履行特殊的供电义务和偏差责任。因此大用户规范准入是开展直接交易的重要一环，对于双边交易等中长期交易组织方式，应设置合适的装机容量门槛，规范市场秩序，降低制度性成本。

3 基于k-means的负荷聚类

k-means聚类方法是一种经典的基础聚类方法，其核心思想是：将待聚类的n个数据对象划分为k个类别（每类对应一个聚类中心），并以每个数据对象到该类的聚类中心的平方和最小为优化目标，尽可能提升每一类内数据对象的相似度。算法具有效率高、结构简单、可用于大数据集的处理和具有相对可伸缩性等优点，因此在用户分类和负荷预测等需求侧数据处理中应用广泛[6]。

该算法本质上是一个根据原始数据特性不断移动修正聚类中心、最终使相似的数据收敛于相应聚类中心以完成聚类的过程[7]。在每次计算中，先围绕当前聚类中心聚类，对i阶数据的聚类处理如式（1）：

式中：S(i)为距离数据对象最近的一个“类”；X(i)表示需聚类的数据对象；Cj表示该类的聚类中心。

接着根据聚类结果把聚类中心移动到该类成员的平均位置，如式（2）所示：

然后利用式（2）重新划分数据对象。算法的最优解也是以欧氏距离之和最小化为目标的，目标函数如式（3）：

函数J(S(i),C)表示每个样本点到其质心的距离平方和。因此函数J(S(i),C)可作为算法的收敛函数。

虽然k-means完成样本分配和聚类的工作，但不能自动指定聚类中心数量，最优的聚类数量也是不确定的。因此在该方法的应用需结合交易组织的实施情况，以提升其安全性和科学性。

作为一种基于划分的聚类方法，k-means负荷聚类算法流程可用以下4个步骤概括[11]：

1）设定聚类中心。可根据交易品种、组织方式和交易市场以及交易安排的其他需要，作为模糊隶属指标，设置k个初始聚类中心Ci（i=1，2，...，k）。

2）负荷特性聚类。通过求取负荷特性和聚类中心之差的欧式范数（简化后的负荷特性数据为一阶数据），来计算每个特性数据Xk（k=1，2，...，n）与聚类中心的距离如式（4）所示：

并根据最小距离重新对相应的负荷种类进行划分，形成各交易安排聚类Si（i=1，2，...，Ni），Ni表示聚类Si中包含的负荷种类个数。

3）更新聚类中心。式（5）表示对聚类中心附近的数据对象取均值，迭代得到类Si（i=1，2，…，Ni），Ni中新的聚类中心：

4）迭代至收敛。重复步骤2）和3），直到每个聚类中心收敛。

4 算例分析

本章以2012年陕西省全行业负荷数据本文将按照负荷特性进行k-means聚类分析，并提出中长期交易安排建议，以验证本文的设想。

陕西省全行业用户分类目录共有八大类别，包括工业建筑、农林牧渔、交通运输和金融服务等。其中每个大类下又可分为若干小类，如工业下又可分为制造业、采矿业、电气水的生产供应业等。

电气化铁路等公共运输业耗电、抽水蓄能耗能、水利等公共设施管理业耗电不参与交易的非竞争性电量，本次聚类不予考虑。

本章从当前用户类别出发，对2012年陕西省全社会用户、共计8个大类76个小类的负荷数据进行基于用电特性的聚类和梳理分析，对每个小类的负荷都计算每个用户的平均耗电，以便根据聚类结果，对相应类别用户的中长期交易安排提出建议。

4.1 数据预处理

数据预处理主要包括归一化、用电特性提取[5]。

在实际的负荷聚类中，各类用户数据在量级上会有很大差别。为了抵消量级对负荷特性分析的影响，需要对负荷序列进行归一化，将其化为无量纲数据。负荷数据归一化的方法众多，此处主要选择Z-score归一化方法，即用负荷序列的均值与标准差对原序列进行归一化[8]：

式中，σ,μ为负荷序列的均值和标准差。

另外，用户的负荷特性曲线数据维度较高，直接聚类计算量较大；而且若对负荷特性曲线基于隶属度等方法直接聚类，实际上是将数据点之间的几何平均距离作为相近性判定的依据，如通过求取其各阶范数得出欧氏距离、明考斯基距离等。事实上，即使在同一几何平均距离下，负荷特性曲线的形态也可能会存在较大差异。因此科学的分类识别模型是建立在特性曲线形态相似性的精确考虑上的[5]。

因此可采用间接聚类方法，即采用先对用户负荷求取时间序列均方差的办法来表征其波动情况，然后进行聚类。

中长期交易的组织安排主要基于用电特性波动状况来考虑。均方差可以反映时间序列相对于平均值的离散程度，是评估时间序列波动的最常用的指标之一。因此，本节采用负荷序列均方差来研究时间序列的动态变化情况，均方差越大表示曲线变化率越大，反之越小。它反映了用电曲线的动态特征。

4.2 交易周期的安排

对于原始的77个类别的用户进行聚类，聚类前后对比如图1—2所示。图1为聚类处理前77个小类的用户负荷波动系数分布情况，图2是基于交易组织方式聚类后的结果。

以图1中类编号14～20区段的“制造业”为例进行说明中长期交易的组织参考：

图1 聚类前用户用电波动程度Fig.1 The fluctuation of user electricity utilization before clustering

图2 基于波动程度聚类后Fig.2 The result after clustering based on the fluctuation index of electricity utilization

制造业用户是工业大类下分的一个重要类别，在制造业之下又分成了食品烟草、纺织、化工品、电气电子设备和废弃资源回收等30余个小类。中长期交易安排需考虑的用电特性，除波动系数之外，还受限于系统的供电和调峰能力。若电量占比超过一定限度，受系统调峰能力限制，即使是用电特性波动较大的聚类用户，也不能为其安排月度、周度等较短的交易周期。本文利用平均月用电量、在该用户所属二级负荷分类行业的总用电量占比，来量化其负荷用户等级。基于制造业行业用户的总用电量占比进行聚类，用户特性前后特性如图3—4所示。

陕西省制造业用户基于波动系数和行业平均用电量占比等用电特性分别聚类，结果如表1所示。

图3 聚类前用户用电占比Fig.3 The users’electricity utilization proportion(ratio）before clustering

图4 基于用电占比聚类后Fig.4 The result after clustering based on the proportion of electricity utilization

5 结论和建议

以表1中基于陕西制造业用户平均用电量的聚类为例分析，可知：

交易周期安排方面，木材加工及制品和家具制品业中的部分轻工业用户，年度用电特性波动极大，且电量等级为Ⅰ类小型用户，符合安全稳定要求，可安排周度甚至日前的交易周期；其他木材加工及制品和家具制品业、化学原料及化学制品制造业中部分轻工业和氯碱制取企业、部分交通运输设备制造企业、以及非金属矿物制品业中的部分非轻工业用户，用电特性波动较大，且行业年用电量占比较小，符合安全稳定要求，因此可选择将其安排为月度交易；按照年用电量波动聚类情况，其他用户可安排为年度交易。另外，非金属矿物制品业中的部分轻工业用户，虽然聚类结果为电波动Ⅱ类用户，但用电量占比聚类属于Ⅱ类及以上用户，结合调峰能力和安全校核方面的考虑，也安排为年度交易。

表1 制造业用户聚类结果Tab.1 The result of manufacturing industry after clustering based on the proportion and fluctuation index of electricity utilization

用户等级分类方面，黄磷制取企业（属化学品制造业）、水泥产企业（属非金属矿物制品业），以及除去铁合金冶炼之外的、黑色金属冶炼及压延加工业，可优先作为参与直接交易中的大用户来考虑；而石油加工、炼焦及核燃料加工业、化学原料及化学制品制造业，以及非金属矿物制品业中的部分轻工业用户，可考虑使其按照规定由售电公司代理交易业务；而其他Ⅰ类负荷应划分为工商业普通用户，不能参与直接交易。

综上，由陕西省制造业的分析结果可以看出，基于年用电波动系数的聚类可以用于其交易周期的考虑和安排，而基于年用电量占比的聚类则可作为划分评定用户等级的依据，并检验交易周期的安排是否符合系统安全稳定运行的要求。

参考文献

[1]刘思捷，蔡秋娜，杨韵，等.适应月度直接交易的电量安全校核模型及方法[J].广东电力，2017，30（3）：15-20.LIU Sijie，CAI Qiuna，YANG Yun，et al.Electricity quantity checking model and method for monthly direct transaction[J].Guangdong Electric Power，2017，30（3）：15-20.

[2]谷峰.电力市场顶层设计与交易现实的博弈妥协——解读电力中长期交易基本规则[J].中国电力企业管理，2017（1）：32-35.GU Feng.The top of the electricity market design and trading reality of the game and compromise—Interpreting the basic rules of medium and long term transactions[J].China Power Enterprise Management，2017（1）：32-35.

[3]张忠华.电力系统负荷分类研究[D].杭州：浙江大学，2017.

[4]肖琪.基于优化K-means算法的电力负荷分类研究[D].大连：大连理工大学，2015.

[5]程祥.基于负荷量测数据的电力负荷聚类方法研究[D].杭州：浙江大学，2017.

[6]陈凡，刘海涛，黄正，等.基于改进k-均值聚类的负荷概率模型[J].电力系统保护与控制，2013（22）：128-133.CHEN Fan， LIU Haitao， HUANG Zheng， etal.Probabilistic load model based on improved k-means clustering algorithm[J].PowerSystem Protection and Control，2013（22）：128-133.

[7]毛国君.数据挖掘原理与算法[M].北京：清华大学出版社，2005.

[8]VISALAKSHI N K，THANGAVEL K.Impact of normaliza⁃tion in distributed K-Means clustering[J].International Journal of Soft Computing，2009（4）：168-172.