王 琳，郭志鵬，張郁靜

（國網(wǎng)天津市電力公司東麗供電分公司，天津 300300）

隨著非侵入式電力負荷監(jiān)測的發(fā)展，如何利用收集到的用戶負荷用電細節(jié)信息分析用戶用電行為特征成為重要的研究方向[1-2]。通過統(tǒng)計分析挖掘用戶用電行為的規(guī)律，為電力公司客戶個性化能效服務(wù)等多項增值業(yè)務(wù)提供數(shù)據(jù)支撐。

用戶用電行為分析及應(yīng)用是配電網(wǎng)中的重要環(huán)節(jié)，許多學(xué)者對居民的用電行為進行了大量研究。從研究內(nèi)容的角度來看，主要集中在3個方面：①分析影響居民用電行為的主要因素，包括家庭特征、社會經(jīng)濟因素、社會心理因素和相關(guān)的環(huán)境行為理論；②通過電力消耗數(shù)據(jù)的統(tǒng)計分析，發(fā)現(xiàn)常規(guī)的用電模式；③干預(yù)策略的研究。

在用戶用電模式分析方面，目前國內(nèi)外關(guān)于居民用戶用能行為分析研究的文獻都以居民用戶家庭總負荷作為研究對象，并未充分利用現(xiàn)有數(shù)據(jù)采集技術(shù)的優(yōu)勢[3-7]。隨著非侵入式負荷監(jiān)測NILM（non-intrusive load monitoring）技術(shù)的發(fā)展，借助NILM得到的用戶電器設(shè)備級的用電信息，可以更深入地研究居民用戶的用電行為[8-9]。此外，在用戶設(shè)備級的用電信息基礎(chǔ)上，用戶需求響應(yīng)潛力評估作為一項新技術(shù)的應(yīng)用，對于電力用戶、電力公司和全社會都有著重要的作用。例如，實現(xiàn)基于用戶自我調(diào)節(jié)的機能，提高安全指數(shù)、用戶服務(wù)質(zhì)量和用戶黏性，實現(xiàn)安全隱患監(jiān)測和預(yù)警等。

基于此，本文提出了基于NILM的用戶行為精細化分析方法，根據(jù)NILM數(shù)據(jù)建立用戶行為特性指標(biāo)，提出基于因子分析法與支持向量機的用戶分類模型。在此基礎(chǔ)上，建立基于精細化負荷數(shù)據(jù)的用戶需求響應(yīng)潛力評估指標(biāo)。算例結(jié)果表明，本文所研究內(nèi)容可以準(zhǔn)確分析用戶行為，為電力公司實行需求側(cè)管理提供科學(xué)指導(dǎo)。

1 用戶行為精細化分析

1.1 NILM技術(shù)

NILM技術(shù)是一種通過分析總線處的用電數(shù)據(jù)來獲取用戶內(nèi)部每個設(shè)備能耗信息的技術(shù)，其基本原理如圖1所示。

圖1 NILM技術(shù)基本原理Fig.1 Basic principles for non-intrusive load monitoring technology

NILM技術(shù)具有硬件設(shè)備簡單、易于應(yīng)用等優(yōu)點，受到了學(xué)者的廣泛關(guān)注。隨著智能電網(wǎng)的發(fā)展，如何利用NILM技術(shù)獲得精細化負荷用電數(shù)據(jù)分析用戶行為，為電力公司實行需求側(cè)管理提供科學(xué)指導(dǎo)，具有重要意義。

文獻[10]將單臺電能表得到的總負荷數(shù)據(jù)分解為家用電器的精細負荷消耗數(shù)據(jù)，非侵入式負荷分解算法如圖2所示，詳細步驟如下。

圖2 非侵入式負荷分解算法Fig.2 Non-intrusive load decomposition algorithm

步驟1對每個家庭的電壓和電流進行采樣。

步驟2根據(jù)電壓、電流采樣結(jié)果，可以得到各住戶的功率特性和諧波特性，并進行歸一化處理。

步驟3建立NILM的目標(biāo)函數(shù)，其表達式為

式中：P(t)為t時刻某個家庭的聚合功率特性；H(t)為t時刻某個家庭的聚合諧波特性；Si為所考慮的第i個家用電器，i=1，2，…，M，Si∈（0，1）；Pi、Hi分別為第i個家用電器的功率特性和諧波特性；λ為權(quán)重因子。

步驟4通過遺傳算法求解目標(biāo)函數(shù)，得到不同負荷分量的能耗信息。

本文引入上述非侵入式負荷分解算法，獲取不同家庭的詳細用電數(shù)據(jù)。

1.2 基于NILM的用戶行為特征挖掘

文獻[8]結(jié)合居民用電數(shù)據(jù)與電價數(shù)據(jù)，初步建立了用戶行為特征庫，但是該文獻對NILM數(shù)據(jù)的分析不夠深入，沒有充分挖掘基于NILM下的用戶行為特征。因此，本文在文獻[8]的基礎(chǔ)上，分別從用電時間、用電功率、用電量3方面進一步建立用戶行為特征，為精細化分析用戶行為奠定基礎(chǔ)。

1.2.1 基于用電時間的用戶行為特征

利用NILM數(shù)據(jù)，結(jié)合不同用電器的啟停時間得出用電時間的用戶行為特征R1，其計算公式為

1.2.2 基于用電功率的用戶行為特征

利用NILM數(shù)據(jù)，結(jié)合不同電器的實時用電功率得出用電功率的用戶行為特征R2，其計算公式為

1.2.3 基于用電量的用戶行為特征

利用NILM數(shù)據(jù)，并結(jié)合不同電器的用電量及電費情況，探究基于用電量的用戶行為特征及不同電費結(jié)構(gòu)對用戶用電影響R3，其計算公式為

1.3 基于NILM與特征挖掘的用戶聚類

NILM技術(shù)可以提供家庭用戶總用電量及各電器設(shè)備的用電量，利用NILM的研究成果，可以有效提煉基于用電時間的用戶行為特征、基于用電功率的用戶行為特征、基于用電量的用戶行為特征，并根據(jù)行為特征對用戶分類，用戶聚類的總體流程如圖3所示。

圖3 用戶聚類的總體流程Fig.3 Overall process for user clustering

以因子分析與支持向量機算法為基礎(chǔ)，對用戶群體進行分類，具體方法如下。

步驟1獲取數(shù)據(jù)并建立用戶行為特征。用戶行為特征可分為基于用電時間的用戶行為特征、基于用電功率的用戶行為特征、基于用電量的用戶行為特征，共包含22個具體特征。

步驟2分類標(biāo)準(zhǔn)定義選取。用戶分類可以從多個標(biāo)準(zhǔn)入手，針對每個標(biāo)準(zhǔn)分別對用戶從不同的角度進行分類。

步驟3因子分析。因子分析法是一種通過降維技術(shù)來化簡多維向量的數(shù)據(jù)特征提取方法，屬于主成分分析的推廣，其基本思想是通過分析多變量數(shù)據(jù)的相關(guān)關(guān)系，找到支配這種相關(guān)關(guān)系的少數(shù)幾個相關(guān)獨立的潛在因子，達到簡化觀測數(shù)據(jù)，用少數(shù)變量解釋研究復(fù)雜問題的目的[10-11]。

針對某一分類標(biāo)準(zhǔn)的特征向量R，其因子分析的一般模型為

在因子分析法中，求解因子模型的關(guān)鍵是估計因子載荷陣A，A可表示為

式中：λ為樣本協(xié)方差矩陣的特征向量，λ=[λ1,λ2,…,λr]；e為單位向量，e=[e1,e2,…,er]；r為公共因子個數(shù)，其計算公式為

式中，R為向量R中的元素個數(shù)

在計算出因子載荷矩陣后，可以根據(jù)特征向量及協(xié)方差矩陣求公共因子向量Fd為

式中，S為協(xié)方差矩陣。

步驟4用戶分類。支持向量機是一類按監(jiān)督學(xué)習(xí)方式對數(shù)據(jù)進行分類的廣義線性分類器，它的目的是尋找一個超平面來對樣本進行分割，分割的原則是間隔最大化，最終轉(zhuǎn)化為一個凸二次規(guī)劃問題來求解。

支持向量機的優(yōu)化模型可表示為

式中：w為目標(biāo)函數(shù)表示的分類邊界之間的距離；X為自變量數(shù)據(jù)；b為距離因子。

2 用戶需求響應(yīng)潛力指標(biāo)

2.1 電器聚類

在不考慮自然因素和突發(fā)事件的前提下，通過分析人類活動與人類生產(chǎn)生活的活動規(guī)律，可以有助于評估需求響應(yīng)潛力。隨著NILM技術(shù)的發(fā)展，可以獲取用戶針對不同類型電器的歷史用電數(shù)據(jù)，更加準(zhǔn)確地分析用戶的用電習(xí)慣。

基于非侵入式負荷分解結(jié)果，可將常見負荷分為固定性負荷與波動性負荷。其中，固定性負荷也叫典型負荷分量，主要包括制冷電器、聲像電器、廚房電器、照明電器、洗浴電器，該類負荷總體用電量較為平穩(wěn)，波動較小。波動性負荷主要包括空調(diào)器、清潔電器、整容保健電器，該類負荷整體波動情況較為復(fù)雜。

為了進一步分析不同用戶針對各個電器的用電波動情況，建立負荷波動特性指標(biāo)，即

式中：i為家庭編號；j為電器編號；P為設(shè)備的功率；D為用電記錄數(shù)；a為單條用電記錄。在式（11）的基礎(chǔ)上，將1戶家庭的總負荷P∑分別聚類為固定負荷和波動負荷。

2.2 需求響應(yīng)潛力指標(biāo)

由于固定性負荷是由居民的長期生活習(xí)慣決定的，該部分負荷無法有效參與電網(wǎng)的需求響應(yīng)過程。而波動性負荷具有很大的靈活性，可以有效參與電網(wǎng)的需求響應(yīng)過程。因此，針對每個用戶的波動性負荷分量，可確定個體用戶的需求響應(yīng)潛力指標(biāo)，實現(xiàn)用戶用電靈活性分析，用戶需求響應(yīng)潛力指標(biāo)流程如圖4所示。

圖4 用戶需求響應(yīng)潛力指標(biāo)流程Fig.4 Process for Demand response potential index of users

用戶需求響應(yīng)潛力指標(biāo)α的表達式為

式中：Cflu為波動性負荷總用電容量；Call為用戶總用電容量。

3 算例分析

3.1 用戶行為精細化分析

3.1.1 用戶行為特征

選取10戶居民，對部分用戶行為特性指標(biāo)進行分析，其結(jié)果如表1所示。

表1 用戶特性指標(biāo)計算結(jié)果Tab.1 Calculation results of user characteristic indexes

3.1.2 用戶聚類

在用戶行為精細化分析階段，本文建立了4個分類標(biāo)準(zhǔn)，對用戶從不同的角度進行分類。分類標(biāo)準(zhǔn)及不同標(biāo)準(zhǔn)下的用戶類別如表2所示。根據(jù)用電習(xí)慣，可將用戶分為單峰型、兩峰型、多峰型、持續(xù)型4類；根據(jù)能源消耗，可將用戶分為高能耗、中能耗、低能耗3類；根據(jù)新能源汽車，可將用戶分為有、無兩類；根據(jù)用電模式，可將用戶分為標(biāo)準(zhǔn)模式、經(jīng)濟模式、外出模式3類。

表2 分類標(biāo)準(zhǔn)Tab.2 Classification criteria

結(jié)合NILM數(shù)據(jù)，以用戶的用電習(xí)慣為標(biāo)準(zhǔn)對用戶分類，如圖5所示。圖5展示了典型的單峰型用電、兩峰型用電、多峰型用電、持續(xù)型用電居民的用電負荷曲線，其中，單峰型指居民用電高峰時間集中在09：00—18：00之間的用電特征模式；兩峰型指居民用電高峰時間集中在09：00—12：00、14：00—18：30之間的用電特征模式；多峰型指居民用電高峰時間集中在09：00—12：00、14：00—18：00、20：00—22：00之間的用電特征模式；持續(xù)型指無用電高峰，居民用電時間均勻分布在各個時段。

圖5 基于用電習(xí)慣的用戶分類Fig.5 User classification based on electricity consumption habit

以能源消耗的分類結(jié)果為例，結(jié)合NILM數(shù)據(jù)分析不同用戶的能源消耗水平，從而實現(xiàn)用戶分類，其聚類結(jié)果如圖6所示。

圖6 基于用戶的能源消耗水平的用戶分類1Fig.6 User classification 1 based on energy consumption level of users

為了同時驗證因子分析的有效性，圖7為同時利用最大負荷小時數(shù)、負荷最大值、負荷平均值進行聚類的結(jié)果。

圖7 基于用戶的能源消耗水平的用戶分類2Fig.7 User classification 2 based on energy consumption level of users

3.2 需求響應(yīng)潛力評估

根據(jù)NILM技術(shù)，可將每個用戶的總體負荷分為固定性負荷與波動性負荷。其中，固定性負荷是由居民的長期生活習(xí)慣決定的，該部分負荷無法有效參與電網(wǎng)的需求響應(yīng)過程；而波動性負荷具有很大的靈活性，可以有效參與電網(wǎng)的需求響應(yīng)過程。因此，針對每個用戶的波動性負荷分量（可調(diào)控負荷容量），確定個體用戶的需求響應(yīng)能力，其分析結(jié)果如圖8所示。

圖8 用戶需求響應(yīng)潛力Fig.8 Response potential of user demand

從圖8可以看出，個體用戶的需求響應(yīng)潛力在10：00—12：00、00：00—05：00、17：00—24：00 較高。這說明在考慮固定性負荷與波動性負荷的情況下，個體用戶的需求響應(yīng)潛力的變化情況受到用戶日常生活習(xí)慣的影響，當(dāng)用戶用電量增加時，其參與需求響應(yīng)的潛力也隨之增加。

4 結(jié)語

本文提出了基于NILM的用戶行為精細化分析方法，根據(jù)用戶行為特性指標(biāo)實現(xiàn)用戶聚類，并建立了基于精細化負荷數(shù)據(jù)的用戶需求響應(yīng)潛力評估指標(biāo)。算例結(jié)果表明，本文研究內(nèi)容可以準(zhǔn)確分析用戶行為，為電力公司實行需求側(cè)管理提供科學(xué)指導(dǎo)。