大用户的负荷精准预测和能效优化决策技术研究

陈丽娜 杨轲 史浩鹏 马凡琳 黎翔

（国网甘肃省电力公司平凉供电公司，甘肃平凉 744000）

0.引言

大用户是指在电力系统中用电量相对较大的企业或者电力客户，特别是高压电力客户，大用户是电力负荷中的重要组成，对大用户的负荷进行精准预测，可以使得电网企业能够合理安排电网的运行方式和调度计划[1]。本文详细分析了大用户的负荷精准预测和能效优化决策技术原理，对于挖掘大用户的市场潜在价值、提高电力需求侧响应能力、合理部署电力营销策略具有重要的意义。

1.大用户的负荷精准预测技术

1.1 大用户的用电需求预测

在具体的大用户负荷预测过程中，首先借助大数据分析算法得出大用户的用电特性，其次针对负荷数据进行用电需求预测建模。最后开展负荷需求预测的误差分析，根据分析结果对模型中的参数进行修正和调整，使得负荷需求模型更加准确实用[2]。

在大用户用电特性分析中可以采用聚类分析算法，聚类分析是重要的大数据分析技术，在社会中多个领域中都得到了应用，并取得了较好的应用效果。电力负荷数据的聚类分析算法类型较多，包括基于划分的聚类算法、基于层次的聚类算法、基于密度的聚类算法等，本文主要介绍K均值聚类。在这种算法中，设定样本的特征向量集X如式（1）所示。

在式（1）中，X1到Xn为第1到n个特征向量。此外，采用Gi(k)表示第k次合并时的第i类，对于算法步骤，第一步是初始分类，令k=0，每个样本可以当作一个类别，即

第二步是计算各类间的距离Dij，在此基础上进一步生成一个对称的距离矩阵。

在式中的m为类别的个数（开始进行计算时，m=N）。第三步是根据前一步求得的矩阵D(k)，在该矩阵中找到最小的元素，设它是Gi(k)和Gj(k)间的距离，将Gi(k)和Gj(k)两类合并成一类，于是产生了新的聚类Gi(k+1)，Gj(k+1)，…令k=k+1，m=m-1。当上述步骤都完成之后，还需要检查所生成的样本类别个数是否符合要求，当类别个数满足要求时则可以结束上述计算流程。同时根据给定的用电负荷数据集合，首先采用随机方法选择K个样本作为初始中心，然后按照最短距离的原则进行逐步迭代计算，图1所示为K均值聚类算法在大用户用电行为分析中的应用。

图1 K均值聚类算法在大用户用电行为分析中的应用

从上图1中可以看出，K均值聚类算法在应用的过程中，首先选择初始的凝聚点并进行大用户用电负荷数据的初始分类，但应将样本数据中的异常离群数据加以剔除，保证样本数据的准确性。同时还应该对样本中的错误数据进行修正，并进行校验。如果算法程序判断初始分类合理，则作为最终的分类结果[3]。如果用电负荷数据分类不合理，则根据K均值聚类算法安装最近距离原则，重新修改负荷数据分类，直到满足要求为止，完成大用户用电特性的分析。可以采用欧式距离来加以评估，目标函数如下式（4）所示：

式中，U表示隶属度矩阵，uij∈（0,1）表示第j个样本对于第i个类别的隶属度；Xci表示类别i的聚类中心，在 J（U,Xc1,Xci,…,Xcn）中体现 ；dij=||Xci-Xj||为 Xci与 j间的欧式距离，表示第j个样本特征向量Xj与类别i的聚类中心Xci之间的相对距离；m表示加权指数。综合上式再利用拉格朗日变换即可得到使得上式达到最小的必要条件。

1.2 用电设备故障对大用户负荷预测的影响

大用户在生产过程中，受自身的生产用电设备运行状态影响较大，如果某个生产设备出现了故障而停止生产时，则大用户的负荷会得到明显的降低，给电网带来了较大的负荷波动和冲击。故为了使得负荷预测更为精准，需要对大用户的用电故障也加以考虑，实现负荷的精益化预测及管理。首先需要对大用户中的用电设备的运行可靠性进行评估分析，可以假设用电设备中各个组成部件服从威布尔分布，建立电力部件的故障率函数，并进一步得出电力设备运行可靠度函数、电力设备的平均无故障工作时间等[4]。通过得出大用户中用电设备运行故障的时空分布，完成对用电设备的可靠性评价，并将其反映到大用户用电负荷预测模型中，使得对大用户的负荷预测更为全面，也更为精准。

2.大用户的能效优化决策系统分析

2.1 大用户能效优化决策系统的结构

在大用户的能效优化决策系统中，包括了大用户的能效采集终端、通讯网络和大用户负荷精准预测及能效优化决策软件等组成。其中能效采集终端将其所采集到的数据信息通过通讯网络传输到优化决策软件中，通过软件中程序的分析和计算，输出提高大用户的用电能效决策结果。对于大用户的能效采集终端，应具备对大用户能耗的实时监测功能，并通过采集终端中的通信功能模块将数据上传发送到远程优化决策服务器中。在大用户能效优化决策系统中，除了上述硬件结构之外，还需要加强优化决策系统的软件架构设计。在软件系统中，包括数据传输软件、传输软件和接收软件等[5]。

2.2 能效优化决策系统中的负荷精准预测技术

为了更好地对大用户的能效进行优化，需要对大用户的负荷进行精准预测。由于地区电网的地理范围较大，不同地理位置的气候也存在着较大的差异，为此需要定义位于各不同地区大用户负荷对气候因素的灵敏因子γ，γ受温度、湿度、风力、晴雨等因素影响，如下式（7）和（8）所示。

在式（7）和式（8）中，Pt表示t时刻地区负荷；Pt+1表示下一时刻地区负荷。Δa、Δh、Δw、Δr分别表示温度、湿度、风力、晴雨的变化量。其中大用户负荷与气候因素表如表1所示，晴雨用整形数字进行量化，大雨：0，小雨：1，阴：2，晴：3。

表1 大用户负荷与气候因素表

利用下一日的气象数据，依据建模得到的灵敏因子概率模型，可以计算出γ值，即可得到预测时刻的负荷，从而为大用户能效优化决策软件提供丰富的负荷精准预测数据。

3.结论

大用户一般为高耗能工业生产企业，包括钢铁企业、水泥生产企业等，其用电量都具有一定的规模，在地区电网负荷中也占有较高的比值。加强大用户的负荷预测及能效优化既可以降低大用户的用能成本又可以加强电力企业对大用户的管理，具有较高的实用价值。