电力用户对供电可靠性敏感度的评价与分类方法

2021-08-24张宇轩刑占礼

江苏大学学报（自然科学版） 2021年5期

张宇轩, 苏娟, 贾涛, 陈进, 刑占礼

(1. 中国农业大学信息与电气工程学院, 北京 100083; 2. 国网新疆电力有限公司乌鲁木齐供电公司, 新疆乌鲁木齐 830011)

我国一些地区配网建设薄弱、配电资源有限，同时还聚集着大量的市政基础设施、居民聚集社区、大型城市综合体和国家重要职能机构，形成了相对敏感的负荷富集区.对用户实现用电敏感度的评价与分级是提高配网调度能力、优化分布式电源等新能源配网资源的调度策略和实现用户配电需求差异化管理的基础工作，有助于可控资源的优化配置，保障供电安全性与社会稳定性.

目前，已发表文献中对于电力用户敏感度的研究鲜有报道.国内电力用户等级分类主要根据《重要电力用户供电电源及自备应急电源配置技术规范》进行划分.根据用户中断供电可能造成的影响(危害国家安全、重大影响、较大影响)，将电力用户分为特级、一级、二级用户.在电力用户分类相关研究中，文献[1]研究用户画像技术在供电企业用电安全服务工作中的应用，建立适用于安全用电服务的标签体系；文献[2]基于海量用户用电数据，根据用电行为对用户进行分类；文献[3-4]从负荷曲线识别的角度，运用聚类分析的方法对相似负荷用户进行识别，促进电网公司的精细化管理；文献[5]从市场监管角度的用户分类；文献[6]站在售电公司立场，从售电盈利、客户忠实度、售电公司风险角度对用户进行分类，为售电公司的定价政策和目标客户的选择提供指导；文献[7]从电价角度出发，将用户分为不同的电费敏感类型；文献[8]从信用度出发，提出了电力用户信用度评价体系.上述研究均是从负荷特性、经济效益的角度对用户进行分类，并分别应用于市场管理和运行管理.目前，在我国的应急供电保障方面，亟需研究和开发一种能够考虑政治、经济、社会3种影响因素的综合评价方法，以便对用户的重要程度进行客观合理划分与量化评价.

针对上述问题，文中提出基于层次分析(analy-tic hierarchy process, AHP)算法和模糊聚类法的电力用户分类方法，建立综合政治、经济和社会3方面因素的敏感度评价指标体系，并提出电力用户综合敏感度和单一敏感度这2个概念.先采用主观性较强的AHP算法对用户敏感度评价标准进行量化，为聚类算法中的聚类数目确定提供参考依据；然后采用客观性较强的模糊C均值聚类(fuzzy C-means clustering algorithm,FCM)算法对用户敏感度进行计算；最后将AHP与FCM算法的结果进行加权计算，得到用户最终敏感度等级.

1 电力用户敏感度指标体系

1.1 电力用户敏感度定义

1.1.1用户敏感度定义

电力用户敏感度是指用户在一个地区中，当对其中断供电所可能造成的人身伤亡、环境污染、政治影响、经济损失、社会公共秩序混乱的严重程度，体现的是用户在这个地区社会、政治、经济生活中所处的地位.

1.1.2高敏感负荷定义

根据用户敏感度定义，提出高敏感负荷定义：高敏感负荷是指除传统高可靠性负荷的禀赋外，对经济、政治、社会文化敏感性高.其特征如下：高等级维稳、高社会秩序、高应急响应、需精准控制.高敏感负荷要求实现态势全感知、供能高品质、事件定位准、状态控得稳、事后恢复快.

1.2 敏感度指标体系

根据高敏感负荷定义，从政治、经济和社会3个因素提出了敏感度评价指标体系，包括3个一级指标和10个二级指标，如图1所示.

图1 用户敏感度评价指标体系

1.2.1政治因素

政治因素对应的指标包括电力用户等级与年均保电次数.电力用户等级体现的是用户在已有的电力用户重要性划分中的级别，包括特级、一级、二级和三级，侧重的是用户在社会政治活动中的作用.年均保电次数是表征用户一年参与政治活动密集程度的量化参数，年均保电次数越多，说明用户对于政治活动敏感度越大.

1.2.2经济因素

经济因素对应指标包括单位GDP用电量水平、单位用电量利润、用户类型和信用情况.单位GDP用电量水平表征用户的电能消费水平和经济产出之比，体现了用户的能源经济利用效率.单位用电量利润反映用户的经济效益和产业类型，如高耗能低效益类型或低耗能高效益类型.用户类型反映用户所处的行业对于经济增长的贡献程度，一般分为工业用户、商业用户和居民用户.信用情况反映用户的电费拖欠情况，体现用户的生产生活水平.

1.2.3社会因素

社会因素对应的指标包括文化活动影响、社会工作影响、社会治安影响和居民生活影响.文化活动影响表征用户在推动文化活动方面的作用，反映社会多文化特征，该指标量化值越大说明用户在组织、承办文化活动方面能起到较大的作用，对于推动文化繁荣发展有较大的影响力.社会工作影响表征用户在推动社会经济政治工作中的作用，反映社会秩序特征，该指标量化值越大说明用户在制定工作政策和促进社会运转方面有较大的影响.社会治安影响表征用户在维护社会稳定方面的作用，反映社会稳定特征，该指标量化值越大，说明用户对于维护社会稳定与民族团结方面有较大的影响.居民生活影响表征用户与居民日程生活的关联程度，该指标量化值越大，说明用户与居民日常生活的关系越紧密.

1.3 电力用户敏感度的量化计算

各地区之间发展水平和自身定位有差异，因此对用户敏感度评价的侧重点也有所不同.如经济发达地区侧重于评价用户的经济敏感程度，枢纽城市侧重于评价用户的政治敏感程度.因此，用户敏感度可以分为考虑某一影响因素的单一敏感度和考虑多种影响因素的综合敏感度.

定义单一敏感度计算式为

(1)

式中：si为考虑影响因素i的单一敏感度；m为影响因素i的指标个数；qj为指标j的量化值；ωj为指标j在影响因素i下的权值.

定义综合敏感度计算式为

(2)

式中：R为考虑多种影响因素的综合敏感度；n为影响因素个数；αi为影响因素i的权值.

2 用户敏感度评价指标的量化方法

2.1 用户敏感度评价指标矩阵

若对n个用户进行敏感度评价，每个用户有m个指标，设第i个用户的第j个指标为pij,那么n个用户的敏感度评价指标可用矩阵P表示为

(3)

在矩阵P中，行向量代表一个用户，列向量代表某一指标.根据用户敏感度评价指标体系可知，P中的行向量是一个多数据源向量，P中列向量之间的数值大小与量纲都不同.因此需要对矩阵P进行数据预处理.根据指标性质不同，指标预处理可分为定量指标预处理和定性指标预处理.

2.2 定量指标的数据预处理方法

定量指标可分为极大型指标和极小型指标.极大型指标是指指标数值和评价结果呈正相关；极小型指标是指指标数值和评价结果呈负相关.在本文敏感度评价中，若用户某指标值越大，其敏感度越高，则该指标为极大型指标；若用户某指标值越大，其敏感度越低，则该指标为极小型指标.

由于定量指标初始值为某一确定数值，因此仅需对定量指标进行量纲一化处理.文中采取的方法是极值法.极大型指标量纲一化计算式为

(4)

式中：minpj为矩阵P中第j列最小值；maxpj为矩阵P中第j列最大值.

极小型指标量纲一化计算式为

(5)

2.3 定性指标的数据预处理方法

与定量指标不同，定性指标初始值不是确定数值，而是对用户状态的客观描述或判断.根据式(4)、(5)，定量指标预处理的值在[0,1]之内.因此，定性指标预处理结果也应在[0,1]之内.定性指标预处理要遵循实事求是的原则，依据专家经验，按程度从低到高进行分级别量化和赋值.

以文化活动影响指标为例，根据用户实际情况和专家经验[8]，将文化活动影响指标根据程度从低到高划分为4个级别：无影响、较小影响、较大影响和重大影响，对应判断阈值为0、0.3、0.6、0.9.

3 电力用户敏感度评价方法

层次分析(AHP)算法是解决多源异构指标评价问题的常用算法，文中采用AHP算法计算电力用户敏感度指标权重，量化敏感度等级.但是AHP算法具有主观性较强的缺点，为了平衡主观性干扰，采用FCM算法从数据特征角度对用户敏感度进行聚类.提出了基于AHP和FCM算法的电力重要用户敏感度综合评价方法.

3.1 基于AHP算法的敏感度评价方法

AHP是一种多层次的结构算法，常用于计算指标权重，具有系统、灵活、简洁的特点[9].本节采用AHP算法计算敏感度指标权重、量化敏感度等级.应用AHP算法进行敏感度评价流程如下：

1) 建立评价指标层次结构.电力用户敏感度评价指标体系的层次结构见图1，从上到下分为目的层、准则层、方案层.

2) 构建判断矩阵A[10].判断矩阵就是用数值表示各层次指标之间两两比较的相对重要性，计算式为

(6)

式中：aij为重要性数值，通常用9级标度法赋值(见表1).

表1 9级标度法

3) 矩阵一致性检验[11].计算矩阵一致性比例CCR，计算式为

(7)

式中：λmax是判断矩阵最大特征值；n为矩阵阶数；RRI是一致性指标.当CCR<0.1时，矩阵一致性检验通过，才可以计算指标权重.

4) 计算指标权重向量ω，其满足下式：

Aω=λmaxω，

(8)

式中：A为判断矩阵.当考虑的是用户在影响因素i下的单一敏感度si，得到的ω即为式(1)中的ωj；当考虑的是用户在多种影响因素下的综合敏感度R，得到的ω即为式(2)中的αi.

5) 计算基于AHP算法的用户综合敏感度RAHP.将上一步得到的ωj和αi分别代入式(1)、(2)计算用户综合敏感度，并划分用户敏感度等级.

3.2 基于FCM算法的敏感度评价方法

AHP算法的评价结果具有较强的主观性和随机性，评价结果受人为干扰影响较大.为尽量减少人为干扰，需要从数据特征角度对用户敏感度进行评价.FCM对每个样本与每类原型间的距离用其隶属度平方加权，得到了基于目标函数模糊聚类的一般性描述[12]，具有较强的客观性，且原理简单、计算灵活.

基于FCM算法对用户进行敏感度评价的流程如下：

1) 确定输入数据，初始化隶属度矩阵和聚类中心.输入数据包括用户敏感度评价指标矩阵P、聚类数量ncluster、指标权重.

(9)

式中：pik为用户i在第k个指标上的值；pk为第k个指标的聚类中心值；ωk为第k个指标的权重.

3) 计算目标函数J.当ΔJ小于给定阈值时，输出聚类结果：每类聚类中心和用户的隶属度矩阵.否则，更新聚类中心和隶属度矩阵并返回步骤2)重新计算.

4) 计算基于FCM算法的用户综合敏感度RFCM.根据输出的聚类中心和式(1)、(2)计算用户综合敏感度.

3.3 基于AHP和FCM算法的敏感度综合评价

基于AHP和FCM算法的电力用户敏感度评价方法流程见图2.

图2 电力用户敏感度评价方法流程图

评价方法流程如下：

1) 分析用户特征，收集数据，根据评价目标选取敏感度指标.

2) 对用户敏感度指标数据进行预处理，得到敏感度评价指标矩阵P.

3) 应用AHP算法评价用户敏感度.首先计算影响因素与指标权重；然后量化用户敏感度评价标准；最后根据式(1)、(2)计算基于AHP算法的用户综合敏感度RAHP.

4) 应用FCM算法评价用户敏感度.将矩阵P、指标权重和聚类数量(即敏感度评价等级标准数量)作为输入数据代入到程序中计算，输出用户隶属度矩阵和聚类中心.根据隶属度矩阵判定每个用户所属的类别；将聚类中心代入到式(1)、(2)计算基于FCM算法的用户综合敏感度RFCM.

5) 最终用户敏感度等级确定.为避免评价结果陷入完全主观判断和绝对客观数据的特征脱离实际，需要将AHP算法的评价结果和FCM算法的评价结果进行加权计算得到最终的用户综合敏感度，并按照用户敏感度等级量化标准确定最终的用户敏感度等级.加权计算式为

Rfin=γ1RAHP+γ2RFCM，

(10)

式中：Rfin为最终的用户综合敏感度；RAHP、RFCM分别为AHP算法、FCM算法得到的电力用户敏感度；γ1、γ2分别为AHP算法、FCM算法结果的权重，γ1+γ2=1，调节γ1和γ2的值就可以调节主客观因素对于电力用户敏感度评价结果的影响.

4 算例分析

4.1 算例描述

以某省科技核心区电力用户为例进行算例分析.负荷呈现以下特点：① 分布集中，不仅包括传统工商业用户，也包括一些国家重要职能机关，在有限的地理空间形成负荷聚集中心；② 人口众多，文化多样，社会生活丰富.因此在对该地区电力用户进行敏感度评价的时候，主要考虑政治和社会因素.所以在对该地区电力用户进行敏感度评价的时候选取了政治和社会2个准则层指标下的6个方案层指标.选取的14个用户原始数据统计见表2.

表2 用户原始情况统计表

4.2 指标量化

根据第2节给出的数据预处理办法，首先将待处理指标分为定量指标和定性指标.

定量指标包括年均保电次数，且年均保电次数与敏感度成正相关，为极大型指标，根据表2中数据，按照式(4)进行处理.定性指标包括电力用户等级、文化活动影响、社会工作影响、社会治安影响和居民生活影响.根据2.3节的处理方法，对这5个指标进行预处理.电力用户等级指标根据用户级别从低到高划分为三级、二级、一级和特级，对应判断阈值为0.2、0.4、0.6、0.8.文化活动影响、社会工作影响、社会治安影响和居民生活影响4个指标根据程度从低到高划分为4个级别：无影响、较小影响、较大影响和重大影响，对应判断阈值为0、0.3、0.6、0.9.预处理之后的用户敏感度评价指标矩阵P见表3.

表3 用户敏感度评价指标矩阵P

4.3 基于AHP算法的敏感度评价

4.3.1指标权重计算

各层次指标的判断矩阵根据专家经验和相关资料进行反复讨论，最终确定的各矩阵见图3，所有矩阵均通过一致性检验.最终得到各准则层权重如下：政治的权重为0.67；社会的权重为0.33.而各方案层指标权重如表4所示.

图3 各层指标判断矩阵

表4 各方案层指标权重

4.3.2 RAHP的计算

将指标权重和矩阵P代入到式(1)、(2)计算电力用户RAHP的值，结果见表5.

表5 用户RAHP值

以用户C为例，量纲一化后，其电力用户等级为0.4,年均保电次数为0.33，则政治敏感度为0.4×0.67+0.33×0.33=0.38；其文化活动影响为0、社会工作影响为0.3、社会治安影响为0.9、居民生活影响为0.6，则社会敏感度为0×0.21+0.3×0.21+0.9×0.51+0.6×0.07=0.56；用户C敏感度RAHP为0.38×0.67+0.56×0.33=0.44.

为使电力用户敏感度评价结果更加直观，将用户敏感度值转化为用户敏感度等级，见表6.

表6 敏感度等级对应表

4.4 基于FCM算法的敏感度评价

4.4.1聚类结果

根据表6得聚类数量ncluster=3.按照3.2节FCM算法敏感度评价流程，将聚类数量、矩阵P和指标权重作为输入，代入到MATLAB程序中，得到聚类中心和用户隶属度矩阵，结果见表7.

表7 聚类结果

4.4.2 RFCM的计算

将表7数据代入到式(1)、(2)计算基于FCM算法的用户敏感度RFCM，结果见表8.

表8 用户RFCM值

4.5 最终用户敏感度等级确定

为避免评价结果陷入完全主观判断或绝对客观数据的特征脱离实际，取γ1=γ2=0.5，根据式(10)，计算得到最终的用户综合敏感度值和敏感度等级，如表9所示.

表9 最终用户敏感度和敏感度等级

由表9可见，高敏感用户包括A、F、G、H、I、M，他们的保电次数较多且在社会因素方面都会有较高的影响力；中敏感用户包括B、C、K、N，他们在政治或者社会因素中都存在某1个或者2个指标的数值较低，影响力较小；低敏感用户包括D、E、J、L，他们在用户等级、保电次数和主要社会影响方面作用都不够突出，影响很小.