罗滇生，杜 乾，别少勇，庞振国，李盛兴

基于负荷分解的居民差异化用电行为特性分析

罗滇生，杜 乾，别少勇，庞振国，李盛兴

(湖南大学电气与信息工程学院，湖南 长沙 410082)

针对智能电网建设过程中需要准确掌握居民用电特性的要求，将居民负荷分解为基本负荷和季节性负荷。基于自适应模糊c均值算法，分别对居民日基本负荷和夏季降温设备日负荷进行聚类分析。根据分类结果进行负荷特性分析，并在此基础上提出一种用户分类的方法，实现对居民用电行为特性的差异化分析。实验结果表明，基于该分类方法能够准确地描述用户用电行为特性，为需求响应如峰时电价制定、错峰管理、负荷调控等提供了有效的数据支撑。

多维度；聚类分析；用户分类；用电特性；负荷分解

0 引言

智能用电是坚强智能电网的重要组成部分，其指导思想是调动用户参与需求响应，实现用户与电力运营商的双向互动[1]。对居民住宅、商业建筑、公共建筑等非生产性负荷用电特性的研究在智能用电管理中将起到基础性的作用。随着智能电网技术的发展，诞生了智能电表，将双向通信、动态电价、负荷监控等功能融入电网服务，可采集各类用户用电数据[2-3]。海量实时的用户用电数据中隐藏着用户的用电行为习惯，对这些数据进行挖掘，研究用户类型，可以帮助电网了解用户的个性化、差异化服务需求，为未来电力需求响应政策的制定提供数据支撑。

居民用电负荷主要由基本负荷和季节性负荷组成[4]。近年来随着经济快速发展，城网的负荷水平和负荷构成发生了许多变化，尤其是空调类的负荷有了迅速的增长，降温负荷在居民用电负荷中所占的比重越来越大[5]。目前，研究人员对居民负荷特性和季节性负荷特性做了大量研究。文献[6]根据常德地区历史负荷及气象等相关资料，研究分析了该地区的负荷特性，并着重分析了季节性负荷对地区负荷特性的影响。文献[7]深入分析气温对负荷的影响，计算出广州夏季降温负荷的比重，对电力负荷预测具有指导作用。

对电力用户进行分类研究可以实现对用户负荷特性精细化挖掘。文献[8]基于云计算平台和并行k-means聚类算法，将智能小区的居民用户分为五类，并且聚类的准确度达到91.2%。文献[9]运用模糊c均值聚类和模式识别原理，提出了一种基于日负荷曲线的用户所属用电行业的分类方法。但在实施中发现，如果直接使用用电总负荷进行分类，某些用户虽然属于同一类，但其基本负荷之间存在较大差异并且季节性负荷同样差异较大，调控的潜力是不同的。

本文在深入研究上述问题的基础上，以夏季负荷为例，采用自适应模糊c均值算法，分别以日基本负荷数据、夏季降温负荷数据作为特征向量，对居民用户聚类分析，在此基础上提出了一种新的用户分类方法，完成了对居民用户用电特性的多维度分析。主要贡献包括以下内容：(1)对居民用电特性同时进行两级分析，即基本负荷级和夏季降温负荷级；(2)通过对基本负荷和夏季降温负荷的聚类分析，分析居民负荷调控潜力的大小，提出一种居民用户分类的新方法；(3)实现了对各个用户的用电行为特性的差异化分析，为居民负荷调控提供依据。

1 整体思路与实现方法

本文从时间维度、类属维度、影响维度分别对基本负荷级、夏季降温负荷级的用电特性进行精细挖掘，提出尽可能差异化各个用户的用电行为特性分析方法，为居民负荷调控提供依据。首先，以居民日基本负荷为研究对象，以各个用户夏季典型日基本负荷特性曲线值为特征向量，利用自适应模糊c均值算法进行分析，通过对同类曲线间距离L1、不同类典型曲线间的距离L2、聚类生成的隶属度矩阵中每条曲线的最大隶属度的平均值 L3进行综合分析，确定最优的分类数c值[10]，实现居民用户在基本负荷级的分类；然后以居民夏季降温负荷为研究对象，以各个用户典型日空调等设备降温负荷特性曲线值为特征向量，对其进行聚类。在此基础上，建立反映居民基本负荷的用电特性模型和夏季降温负荷的用电特性模型，针对分类情况进行负荷调控潜力分析，提出了一种新的用户分类方法，最后从居民负荷特性、用电类型和错峰潜力共三个方面对各个用户的用电行为特性进行差异化的分析。用电行为特性分析流程如图1所示。

图1 居民用电特性分析流程图Fig. 1 Flow chart of residential electricity consumption characteristic analysis

2 居民用电负荷特性分析

2.1 原始数据来源

选取广东省某智能小区作为研究对象，通过智能电表和智能插座采集居民不同时段用电的数据，每户居民每天采样24点负荷数据，并以这些用户的24点日负荷曲线数据作为原始数据样本。

2.2 居民基本负荷特性分析

选取智能小区80个用户夏季典型日的24点基本负荷数据作为聚类特征向量，利用自适应模糊 c均值算法对居民用户日基本负荷曲线进行聚类分析。经计算分析，样本聚类有效性函数值0.532，因为，可见最佳聚类数c=4，即A类、B类、C类、D类，其典型用户夏季典型日基本负荷曲线如图2所示。

图2 居民夏季典型日基本负荷曲线Fig. 2 Typical daily basic load curve of resident users in summer

为了更准确地分析居民用户的基本负荷用电行为特性，对各类典型用户，计算其日负荷率、峰期耗电率、平期耗电率、谷期耗电率等负荷特性指标，如表1所示。

表1 日基本负荷特性指标Table 1 Load characteristic index of daily basic load

结合图2和表1可以看出，四类居民典型日基本负荷特性呈现一定程度的差异。A类居民日负荷率较低且不到0.6，日基本负荷曲线表现为两峰一平一谷，用电高峰分别出现在11点和20点左右，属于典型的迎峰负荷曲线，且峰期耗电率接近一半，低谷时段用电比例较小，所以该类用户的基本负荷具有较大的负荷调控能力，应加强宣传教育，实施分时电价，提高居民参与错峰管理的意愿。B类居民一天中不同时段的用电量一直较低，几乎接近于0，不具有负荷调控的潜力。C类居民日基本负荷曲线表现为一峰一平一谷，用电高峰晚于A类用户，其负荷特性与A类用户相似，具有较大的负荷调控潜力。D类居民日负荷率较高，峰期耗电率与平期耗电率接近，且谷期耗电率明显高于 A、B、C类用户，说明该类居民峰期负荷转移的潜力不大。

2.3 居民夏季降温负荷特性分析

本文对夏季降温负荷的研究主要指对空调、电扇等设备的夏季降温负荷聚类分析以及负荷特性分析。选取智能小区80个用户夏季典型日的24点降温负荷数据作为聚类特征向量，利用自适应模糊 c均值聚类算法对空调、电扇等设备负荷曲线进行聚类分析。样本聚类有效性函数值，因为，所以将空调、电扇等设备的降温负荷数据分为a类、b类、c类、d类共四类最佳，其典型用户夏季典型日降温负荷曲线如图3所示，负荷特性指标如表2所示。

图3 夏季典型日降温负荷曲线Fig. 3 Typical daily cooling load curve in summer

表2 夏季降温负荷特性指标Table 2 Load characteristic index of daily cooling load in summer

a类居民日夏季降温负荷曲线表现为两峰两谷，用电高峰分别出现在12点半和20点左右，属于典型的迎峰负荷曲线，且日负荷率较低，峰期耗电率达到将近47%，低谷时段用电比例较小，所以该类用户的峰期负荷转移到平期时段和低谷时段的潜力很大，应参与错峰管理。b类居民降温负荷曲线与B类居民基本负荷曲线相似，一天中不同时段的用电量几乎接近于0，不具有负荷调控的潜力。c类、d类居民日降温负荷曲线均表现为两峰两谷，虽然负荷率相对于a类较大，但其峰期耗电率最大，且与平期、谷期耗电率存在一定的差距，说明该类居民峰期负荷仍然存在转移的潜力，这两类用户应作为错峰管理实施的对象。

3 居民差异化用电行为特性分析

根据居民日基本负荷和降温负荷调控潜力的大小对选取的80个居民进行重新分类，将居民日基本负荷和降温负荷调控潜力较大的居民归属于第一类，共46个用户，其中老人家庭17个，上班族24个；将居民日基本负荷调控潜力较大、降温负荷调控潜力较小的居民归属于第二类，共9个用户，其中老人家庭5个，上班族3个；将居民日基本负荷调控潜力较小、降温负荷调控潜力较大的居民归属于第三类，共11个用户，其中商业居民9个；将居民日基本负荷和降温负荷调控潜力较小的居民归属于第四类，共14个用户，其中空置房13个。 分类结果如表3所示。最后从用电类型、负荷特性、错峰潜力3维度，分析各个用户的用电行为特性。

表3 居民用户分类情况Table 3 Classification of resident users

由表3中居民的分类情况看出，同一类用户的基本负荷调控潜力相似，并且夏季降温负荷调控潜力同样相似，从而可以实现对同一类用户的基本负荷和季节性负荷的精细化分析。在这四类居民中，除了第四类居民不适合参与负荷调控，其余三类共82.5%的居民都存在负荷调控的可能性。对于第一类和第二类的居民，其夏季基本负荷的调控潜力较大，可以通过宣传教育以及分时电价等措施，改善居民的用电行为，引导居民合理用电，如使用电热水器、电炒锅等高耗能家用电器时错开用电高峰，从而实现峰期负荷的转移，改善居民日基本负荷曲线。对于第一类和第三类居民，其夏季降温负荷的调控潜力较大，可以通过合理控制空调温度、用电高峰期关闭不必要的制冷设备等用电行为实现峰期负荷的转移，改善居民日降温负荷曲线。

基于该分类方法的居民差异化用电行为特性分析，可实现对不同用户在基本负荷级和季节性负荷级分别制定不同的需求响应方案，实现在对基础负荷调控时不影响用户季节性负荷的正常运行，对季节性负荷调控时不影响基础负荷，最终辅助需求侧管理的实施。对于现有的电力用户的分类方法[11-12]，一般直接使用用电总负荷及其特征向量进行分类，某些用户虽然属于同一类，但其基本负荷之间存在较大差异并且季节性负荷同样差异较大，调控的潜力是不同的，如某一用户无法实现本文所提方法对用户用电行为特性在基本负荷级和季节性负荷级的精细化分析。

4 结论

本文基于自适应模糊c均值算法，从日基本负荷级、降温负荷级分别对智能小区居民用户进行聚类分析，针对分类情况进行负荷调控潜力分析，提出了一种新的用户分类方法。该方法克服了在以往电力用户分类过程中，同一类用户的基本负荷和夏季降温负荷特性差异较大的问题，从而可以实现居民差异化用电行为特性的精细化分析，为负荷调控、错峰管理、电价制定、效益分析等提供有力的数据支撑。如何快速有效地将精细化分析结果应用于需求响应将是下一步工作的重点。

[1] 汤庆峰, 刘念, 张建华. 计及广义需求侧资源的用户侧自动响应机理与关键问题[J]. 电力系统保护与控制, 2014, 42(24): 138-147.

TANG Qingfeng, LIU Nian, ZHANG Jianhua. Theory and key problems for automated demand response of user side considering generalized demand side resources[J]. Power System Protection and Control, 2014, 42(24): 138-147.

[2] 张新昌, 周逢权. 智能电网引领智能家居及能源消费革新[J]. 电力系统保护与控制, 2014, 42(5): 59-67.

ZHANG Xinchang, ZHOU Fengquan. Smart grid leads the journey to innovative smart home and energy consumption patterns[J]. Power System Protection and Control, 2014, 42(5): 59-67.

[3] 郑小霞, 刘庆强, 林顺富, 等. 面向非干预式负荷监测的居民负荷微观特性研究[J]. 电力系统保护与控制, 2014, 42(10): 62-70.

ZHENG Xiaoxia, LIU Qingqiang, LIN Shunfu, et al. Research of the microscopic signatures of residential loads for NILM[J]. Power System Protection and Control, 2014, 42(10): 62-70.

[4] 姜勇. 南京市居民夏季用电负荷特性分析[J]. 电力系统保护与控制, 2003, 31(4): 24-26.

JIANG Yong. Analysis of residents' summer load characteristics in Nanjing[J]. Power System Protection and Control, 2003, 31(4): 24-26.

[5] 张利民, 付红军, 李育燕, 等. 空调降温负荷比例估计及其对电压稳定的影响[J]. 继电器, 2005, 33(22): 33-36.

ZHANG Limin, FU Hongjun, LI Yuyan, et al. Relationship between air conditioner load and temperature and its influences on voltage stability[J]. Relay, 2005, 33(22): 33-36.

[6] 廖峰, 徐聪颖, 姚建刚, 等. 常德地区负荷特性及其影响因素分析[J]. 电网技术, 2012, 36(7): 117-125.

LIAO Feng, XU Congying, YAO Jiangang, et al. Load characteristics of Changde region and analysis on its influencing factors[J]. Power System Technology, 2012, 36(7): 117-125.

[7] 陈健, 刘明波, 樊亚亮, 等. 广州电网负荷特性分析[J].电力系统及其自动化学报, 2009, 21(6): 78-83.

CHEN Jian, LIU Mingbo, FAN Yaliang, et al. Studies on load characteristics of Guangzhou power network[J]. Proceedings of the CSU-EPSA, 2009, 21(6): 78-83.

[8] 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.

ZHANG Suxiang, LIU Jianming, ZHAO Bingzhen, et al. Cloud computing-beaed analysis on residential electricity consumption behavior[J]. Power System Technology, 2013, 37(6): 1542-1546.

[9] 李欣然, 姜学皎, 钱军, 等. 基于用户日负荷曲线的用电行业分类与综合方法[J]. 电力系统自动化, 2010, 34(10): 56-61.

LI Xinran, JIANG Xuejiao, QIAN Jun, et al. A classifying and synthesizing method of power consumer industry based on the daily load profile[J]. Automation of Electric Power Systems, 2010, 34(10): 56-61.

[10] 杨浩, 张磊, 何潜, 等. 基于自适应模糊C均值算法的电力负荷分类研究[J]. 电力系统保护与控制, 2010, 38(16): 111-115.

YANG Hao, ZHANG Lei, HE Qian, et al. Study of power load classification based on adaptive fuzzy C means[J]. Power System Protection and Control, 2010, 38(16): 111-115.

[11] 张少敏, 赵硕, 王保义. 基于云计算和量子粒子群算法的电力负荷曲线聚类算法研究[J]. 电力系统保护与控制, 2014, 42(21): 93-98.

ZHANG Shaomin, ZHAO Shuo, WANG Baoyi. Research of power load curve clustering algorithm based on cloud computing and quantum particle swarm optimization[J]. Power System Protection and Control, 2014, 42(21): 93-98.

[12] 黄宇腾, 侯芳, 周勤, 等. 一种面向需求侧管理的用户负荷形态组合分析方法[J]. 电力系统保护与控制, 2013, 41(13): 20-25.

HUANG Yuteng, HOU Fang, ZHOU Qin, et al. A new combinational electrical load analysis method for demand side management[J]. Power System Protection and Control, 2013, 41(13): 20-25.

罗滇生(1971-)，男，教授，硕导，研究方向为电力系统负荷预测、电力市场理论及其应用；E-mail: lhx20070322@ hnu.edu.cn

杜 乾(1992-)，男，硕士研究生，研究方向为电力系统负荷预测、电力市场理论及其应用；E-mail: duqiancui@ 163.com

别少勇(1990-)，男，硕士研究生，研究方向为电力系统负荷预测、电力市场理论及其应用；E-mail: shaoyong_bie @163.com

(编辑 魏小丽)

Analysis of differentiation residential electricity consumption characteristic based on power load decomposition

LUO Diansheng, DU Qian, BIE Shaoyong, PANG Zhenguo, LI Shengxing
(College of Electrical and Information Engineering, Hunan University, Changsha 410082, China)

In view of the need of accurately grasping the characteristics of residential electricity consumption in the process of the design and construction of smart grid, residential load is decomposed to basic load and cooling load which are classified based on adaptive fuzzy C-means algorithm. Then residential load characteristic is analyzed according to clustering analysis result, based on this, a new classified method is proposed and then the analysis of residential electricity consumption characteristic is realized. The analysis results for residential electricity consumption behavior is accurate and effective based on the new classified method, and thus it may provide support for demand response, such as making electricity price of peak load, power load staggering management, and load control. This work is supported by National Natural Science Foundation of China (No. 51277057).

multiple dimensions; cluster analysis; classification of power customers; electricity characteristic; load decomposition

2015-10-29；

2015-11-29作者简介：

10.7667/PSPC151908

国家自然科学基金项目(51277057)