張琳娟，許長(zhǎng)清，王利利，李晨希

（1.國(guó)網(wǎng)河南省電力公司 經(jīng)濟(jì)技術(shù)研究院，河南 鄭州 450000；2.華北電力大學(xué)，北京 102206）

0 引言

2011年，國(guó)務(wù)院發(fā)布了《工業(yè)轉(zhuǎn)型升級(jí)規(guī)劃（2011-2015）》，大力推動(dòng)園區(qū)建設(shè)，發(fā)展園區(qū)經(jīng)濟(jì)，打造主導(dǎo)產(chǎn)業(yè)集群，從而促進(jìn)調(diào)整產(chǎn)業(yè)結(jié)構(gòu)、改變經(jīng)濟(jì)增長(zhǎng)方式，是較好的“經(jīng)濟(jì)驅(qū)動(dòng)器”。治理環(huán)境污染和緩解能源緊缺問(wèn)題，促進(jìn)了可再生能源的發(fā)展。2012年，國(guó)家能源局發(fā)布了《關(guān)于申報(bào)新能源示范城市和產(chǎn)業(yè)園區(qū)的通知》（國(guó)能新能[2012]156號(hào)），新能源成為園區(qū)中的重要供能資源。然而，由于園區(qū)數(shù)量的增多、用能需求的增大以及新能源帶來(lái)的隨機(jī)性，為電網(wǎng)企業(yè)的用能管理帶來(lái)巨大挑戰(zhàn)。此外，能源互聯(lián)網(wǎng)的發(fā)展推廣、電網(wǎng)各部分之間的緊密互聯(lián)以及用電數(shù)據(jù)的有效存儲(chǔ)，為供電服務(wù)信息化創(chuàng)造了有利條件，也為基于數(shù)據(jù)驅(qū)動(dòng)模型提高電網(wǎng)用能管理和服務(wù)水平奠定了基礎(chǔ)[1]。

目前，畫(huà)像算法中最普遍的是用戶(hù)畫(huà)像算法。用戶(hù)畫(huà)像算法可以幫助使用者快速了解用戶(hù)特征并制定相應(yīng)管理方法。該算法在互聯(lián)網(wǎng)領(lǐng)域應(yīng)用較多，在圖書(shū)、旅游等領(lǐng)域也進(jìn)行了較多的實(shí)踐探索，并建立了各式各樣的為用戶(hù)推薦商品和服務(wù)的基于內(nèi)容的推薦系統(tǒng)、基于網(wǎng)站特征的推薦系統(tǒng)和基于隱變量的推薦系統(tǒng)等[2]～[7]。用戶(hù)畫(huà)像算法在電力領(lǐng)域也進(jìn)行了相關(guān)研究。文獻(xiàn)[8]對(duì)客戶(hù)用電特征進(jìn)行分類(lèi)，建立客戶(hù)用電行為標(biāo)簽庫(kù)，對(duì)用戶(hù)標(biāo)簽采用模糊聚類(lèi)算法實(shí)現(xiàn)用戶(hù)群體劃分，將劃分結(jié)果作為用戶(hù)畫(huà)像。文獻(xiàn)[9]，[10]通過(guò)特征間的相似度分析完成客戶(hù)用電行為的特征優(yōu)選，探索用戶(hù)聚類(lèi)分析中聚類(lèi)數(shù)量的最佳參數(shù)。文獻(xiàn)[11]提出了一種改進(jìn)的K-means算法，對(duì)用戶(hù)用電數(shù)據(jù)進(jìn)行分析，得到用戶(hù)典型用電特征曲線，實(shí)現(xiàn)對(duì)用戶(hù)的分類(lèi)分析。文獻(xiàn)[12]基于95598大數(shù)據(jù)平臺(tái)分析電力用戶(hù)的用電特征，提出電力用戶(hù)的標(biāo)簽體系，實(shí)現(xiàn)用戶(hù)畫(huà)像。上述方法均在特定場(chǎng)景較好地解決了相應(yīng)問(wèn)題。然而，受限于用戶(hù)層面，并沒(méi)有考慮群體的畫(huà)像分析，無(wú)法滿足園區(qū)層面提高管理水平的需要，也沒(méi)有考慮高比例可再生能源的接入情況對(duì)畫(huà)像結(jié)果的影響。

針對(duì)上述問(wèn)題，本文提出了一種針對(duì)高比例光伏接入情況下的園區(qū)層次畫(huà)像構(gòu)建算法，從用電類(lèi)別、業(yè)擴(kuò)報(bào)裝和需求響應(yīng)3個(gè)維度綜合分析用戶(hù)畫(huà)像。本文基于聚類(lèi)算法分析園區(qū)畫(huà)像結(jié)果，借助光譜雙聚類(lèi)算法實(shí)現(xiàn)用電類(lèi)別的分析，基于負(fù)荷數(shù)據(jù)及光伏數(shù)據(jù)特點(diǎn)，分別建立負(fù)荷業(yè)擴(kuò)報(bào)裝需求評(píng)價(jià)指標(biāo)體系、光伏業(yè)擴(kuò)報(bào)裝需求評(píng)價(jià)指標(biāo)體系和需求響應(yīng)評(píng)價(jià)指標(biāo)體系。本文基于河南省物流園區(qū)、科技園區(qū)和工業(yè)園區(qū)的用戶(hù)數(shù)據(jù)完成算例分析，結(jié)果表明，園區(qū)用戶(hù)畫(huà)像算法可以展現(xiàn)不同園區(qū)的差異性，從而可以幫助制定園區(qū)用能管理和服務(wù)政策。

1 園區(qū)畫(huà)像算法流程

畫(huà)像構(gòu)建的第1步是數(shù)據(jù)的選取。本文提出的園區(qū)畫(huà)像算法旨在解決園區(qū)用能管理方面精準(zhǔn)服務(wù)水平不足的問(wèn)題，因此選取和園區(qū)服務(wù)相關(guān)的數(shù)據(jù)進(jìn)行分析。選取園區(qū)用戶(hù)每天用電和園區(qū)用戶(hù)電力業(yè)務(wù)往來(lái)記錄兩方面的數(shù)據(jù)，前者包含用戶(hù)的用電行為和用能水平信息，后者包含與業(yè)擴(kuò)報(bào)裝、需求響應(yīng)等用電服務(wù)的相關(guān)信息。

畫(huà)像構(gòu)建的第2步是構(gòu)建用戶(hù)畫(huà)像，將其結(jié)果作為實(shí)現(xiàn)園區(qū)畫(huà)像的基礎(chǔ)。用戶(hù)畫(huà)像從用電服務(wù)涉及的用電類(lèi)別、業(yè)擴(kuò)報(bào)裝需求和需求響應(yīng)3個(gè)方面進(jìn)行分析構(gòu)建。用電類(lèi)別分析的是用戶(hù)用電習(xí)慣，幫助電網(wǎng)了解不同用戶(hù)的用電模式，指定供電方案；業(yè)擴(kuò)報(bào)裝需求分析的是用戶(hù)用能水平、預(yù)估用戶(hù)后續(xù)用能增長(zhǎng)情況，幫助電網(wǎng)提前進(jìn)行規(guī)劃；需求響應(yīng)分析的是用戶(hù)參與電網(wǎng)調(diào)節(jié)的能力，幫助電網(wǎng)挖掘電力調(diào)節(jié)的潛力，降低電網(wǎng)供電波動(dòng)，提高用戶(hù)的用電體驗(yàn)滿意度。這3個(gè)維度的分析，共同為園區(qū)服務(wù)方案的制定提供基礎(chǔ)。

畫(huà)像構(gòu)建的第3步是園區(qū)畫(huà)像的構(gòu)建。園區(qū)畫(huà)像是在用戶(hù)畫(huà)像的結(jié)果上，利用K-means聚類(lèi)算法，劃分群落；然后，統(tǒng)計(jì)不同群落的用戶(hù)數(shù)量占園區(qū)用戶(hù)總數(shù)的比例，將比例構(gòu)成的序列作為園區(qū)畫(huà)像分析結(jié)果。電網(wǎng)可以根據(jù)園區(qū)畫(huà)像，針對(duì)園區(qū)內(nèi)群落構(gòu)成情況，配置相應(yīng)的服務(wù)方式，使園區(qū)服務(wù)更好地與園區(qū)情況相配合，利于園區(qū)生產(chǎn)及園區(qū)經(jīng)濟(jì)發(fā)展。園區(qū)畫(huà)像整體構(gòu)建流程如圖1所示。

圖1 園區(qū)畫(huà)像構(gòu)建流程Fig.1 Park portrait construction process

2 用戶(hù)畫(huà)像的構(gòu)建

2.1 用戶(hù)用電類(lèi)別分析

用電類(lèi)別分析的目的是區(qū)分不同用戶(hù)的典型用電行為模式，歸類(lèi)總結(jié)用戶(hù)的用電習(xí)慣，從而幫助供電公司配合用戶(hù)用電習(xí)慣提供個(gè)性化的供能服務(wù)。

通過(guò)觀察分析，用于構(gòu)建畫(huà)像的用電數(shù)據(jù)存在以下特征：園區(qū)中不同用戶(hù)的遷入遷出時(shí)間不同，數(shù)據(jù)的時(shí)間跨度不同；園區(qū)中用戶(hù)的用電數(shù)據(jù)量大，不同用戶(hù)包含的數(shù)據(jù)量不一致；園區(qū)中用戶(hù)用電數(shù)據(jù)缺乏專(zhuān)業(yè)的標(biāo)簽作為方向指導(dǎo)。這些特征導(dǎo)致神經(jīng)網(wǎng)絡(luò)和時(shí)間序列分析的相關(guān)算法難以應(yīng)用于園區(qū)畫(huà)像分析中。聚類(lèi)算法能有效處理數(shù)據(jù)量不一的無(wú)標(biāo)簽數(shù)據(jù)，因此使用聚類(lèi)算法分析用戶(hù)用電行為數(shù)據(jù)。傳統(tǒng)聚類(lèi)算法是將數(shù)據(jù)視作一個(gè)整體，計(jì)算數(shù)據(jù)間的距離進(jìn)行聚類(lèi)，忽略了數(shù)據(jù)內(nèi)部的結(jié)構(gòu)差異，使傳統(tǒng)聚類(lèi)算法無(wú)法滿足局部特征分析的需求。光譜雙聚類(lèi)算法克服了傳統(tǒng)聚類(lèi)算法的不足，可以在用戶(hù)用電日期和用電時(shí)間兩個(gè)方向?qū)τ秒姅?shù)據(jù)同時(shí)進(jìn)行聚類(lèi)，完成用戶(hù)用電波動(dòng)的局部相似性聚類(lèi)分析[13]。光譜雙聚類(lèi)算法的流程如圖2所示。

圖2 光譜雙聚類(lèi)算法流程Fig.2 The chart of spectral biclustering clustering algorithm

2.1.1雙隨機(jī)歸一化方法

雙隨機(jī)歸一化方法能對(duì)行和列同時(shí)進(jìn)行歸一化。使用該方法能在不破壞用電數(shù)據(jù)局部特征信息的條件下降低全局特征信息對(duì)尋找局部特征信息的干擾。算法具體流程如下。

①設(shè)迭代次數(shù)為k，并令k=1，下列矩陣的上標(biāo)代表第k次迭代。

④更新迭代結(jié)果。令A(yù)k=Ank，此時(shí)迭代得到的結(jié)果即為Ak。

⑤當(dāng)滿足Dik中任意值都小于ε或k=K時(shí)停止迭代，得到歸一化結(jié)果Ak，否則重復(fù)步驟②～④的計(jì)算過(guò)程。其中，ε為預(yù)設(shè)的閾值，K為預(yù)設(shè)的最大迭代次數(shù)。

⑥達(dá)到最大迭代次數(shù)的矩陣AK即歸一化后數(shù)據(jù)矩陣A。

數(shù)據(jù)矩陣A是剔除無(wú)關(guān)信息后的干凈數(shù)據(jù)，與后續(xù)算法結(jié)果結(jié)合，轉(zhuǎn)換到合適的代數(shù)空間中，用于聚類(lèi)分析。

2.1.2奇異值分解算法

奇異值分解算法（SVD分解）可以將矩陣分解為特征向量組和特征值矩陣乘積的形式。使用SVD算法將用電數(shù)據(jù)的歸一化矩陣分解為3個(gè)矩陣U，V，Σ。其中，U和V是特征向量組，分別包含用電數(shù)據(jù)在用戶(hù)用電日期和用戶(hù)用電時(shí)間兩個(gè)方向上的數(shù)據(jù)特征信息；Σ為特征值矩陣，矩陣中特征值越大，所對(duì)應(yīng)的特征向量包含的信息越多，對(duì)于構(gòu)建數(shù)據(jù)矩陣越重要。由于最大特征值對(duì)應(yīng)的特征向量包含的特征信息最多，其中有全年用電趨勢(shì)、電網(wǎng)整體波動(dòng)等大量全局特征信息，對(duì)分析用戶(hù)不同用電時(shí)間下的局部特征無(wú)意義，所以須要將其剔除。

2.1.3用K-means聚類(lèi)算法篩選用于數(shù)據(jù)變換的向量組

借助K-means聚類(lèi)算法對(duì)分解得到的U，V矩陣進(jìn)行K-means聚類(lèi)，分別篩選得到在用電日期和用電時(shí)間分析所使用的特征向量組。其中，根據(jù)聚類(lèi)的簇內(nèi)差異，挑選聚類(lèi)結(jié)果最緊湊的前N_best個(gè)向量，即用于進(jìn)行數(shù)據(jù)變換的向量組V_tr，從而完成篩選。向量留存數(shù)N_best代表經(jīng)過(guò)篩選保留的特征向量數(shù)目。保留的向量數(shù)量越多，則保留的用戶(hù)用電信息越多，越有利于后續(xù)分類(lèi)。但是，數(shù)量過(guò)多會(huì)增加計(jì)算量，加大對(duì)全局信息的干擾。因此須要根據(jù)數(shù)據(jù)情況選取向量保留數(shù)量。

將通過(guò)U篩選得到的特征向量組V_tr和歸一化數(shù)據(jù)矩陣A相乘得到結(jié)果Pr。特征向量組V_tr將用戶(hù)用電的歸一化數(shù)據(jù)矩陣轉(zhuǎn)換到合適的代數(shù)空間中，便于對(duì)數(shù)據(jù)矩陣進(jìn)行聚類(lèi)分析。

對(duì)結(jié)果Pr進(jìn)行K-means聚類(lèi)，聚類(lèi)結(jié)果為用戶(hù)每天用電情況的類(lèi)別。對(duì)用戶(hù)每天的用電類(lèi)別進(jìn)行統(tǒng)計(jì)，出現(xiàn)次數(shù)最多的用電類(lèi)別即為用戶(hù)的常見(jiàn)用電類(lèi)別，代表著用戶(hù)的用電習(xí)慣。由于不同行業(yè)的用戶(hù)的無(wú)功、有功消耗方式不同，因此從無(wú)功和有功兩個(gè)角度進(jìn)行聚類(lèi)分析，將無(wú)功用電類(lèi)別、有功用電類(lèi)別作為用戶(hù)的用電類(lèi)別畫(huà)像結(jié)果。

2.2 用戶(hù)業(yè)擴(kuò)報(bào)裝需求分析

業(yè)擴(kuò)報(bào)裝需求分析使用的數(shù)據(jù)主要包括新裝需求數(shù)據(jù)與增加需求數(shù)據(jù)。新裝需求是指用電的申請(qǐng)者就所需耗能，申請(qǐng)與供電企業(yè)建立新的供用能關(guān)系；增加需求是指原有用戶(hù)因原協(xié)議約定的用能容量或注冊(cè)容量不能滿足用能需求，申請(qǐng)?jiān)黾佑媚苋萘?。由于用?hù)擁有負(fù)荷及光伏發(fā)電裝置，因此須研究用戶(hù)負(fù)荷的業(yè)擴(kuò)報(bào)裝需求及光伏發(fā)電的業(yè)擴(kuò)報(bào)裝需求。負(fù)荷業(yè)擴(kuò)報(bào)裝需求和光伏發(fā)電業(yè)擴(kuò)報(bào)裝需求的分析方式相同，所以?xún)H以負(fù)荷的業(yè)擴(kuò)報(bào)裝需求分析為例介紹算法流程。

為了分析用戶(hù)負(fù)荷的業(yè)擴(kuò)報(bào)裝需求增長(zhǎng)趨勢(shì)，須要預(yù)測(cè)用戶(hù)中長(zhǎng)期的負(fù)荷水平。然而，單獨(dú)使用某種預(yù)測(cè)方法得到的中長(zhǎng)期負(fù)荷預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的誤差較大，因此，本文采用基于等權(quán)遞歸理論的組合預(yù)測(cè)模型，將Logistic曲線模型和改進(jìn)灰色Verhulst模型相結(jié)合，對(duì)電力用戶(hù)未來(lái)3年的用電量以及年最大負(fù)荷進(jìn)行預(yù)測(cè)[14]，[15]。

將預(yù)測(cè)得到的結(jié)果與當(dāng)前用電負(fù)荷規(guī)模進(jìn)行比較，得到評(píng)價(jià)用戶(hù)業(yè)擴(kuò)報(bào)裝需求程度的年平均用電量增長(zhǎng)率和年平均最大負(fù)荷增長(zhǎng)率兩個(gè)主要指標(biāo)。此外，當(dāng)前最大負(fù)荷規(guī)模以及未來(lái)3年的最大負(fù)荷預(yù)測(cè)規(guī)模分別與當(dāng)前合同運(yùn)行容量進(jìn)行比較，可得到另外兩個(gè)評(píng)價(jià)指標(biāo)：變壓器當(dāng)前負(fù)載率和變壓器未來(lái)3年預(yù)期負(fù)載率。上述4個(gè)指標(biāo)的計(jì)算如式（5）所示。

式中：Grate1，Grate2分別為用戶(hù)年平均用電量增長(zhǎng)率和年平均最大負(fù)荷增長(zhǎng)率；Lrate1，Lrate2分別為變壓器當(dāng)前負(fù)載率和變壓器未來(lái)3年預(yù)期負(fù)載率；Q，Q1，Q2，Q3分別為用戶(hù)當(dāng)前年用電量和未來(lái)1，2，3年用電量的預(yù)測(cè)值；P，P1，P2，P3分別為用戶(hù)當(dāng)前年最大負(fù)荷和未來(lái)1，2，3年最大負(fù)荷的預(yù)測(cè)值；Pmax為用戶(hù)當(dāng)前合同運(yùn)行容量。

園區(qū)用戶(hù)負(fù)荷業(yè)擴(kuò)報(bào)裝需求評(píng)價(jià)結(jié)果評(píng)價(jià)指標(biāo)體系如表1所示。

表1 業(yè)擴(kuò)報(bào)裝需求評(píng)價(jià)結(jié)果的評(píng)價(jià)指標(biāo)體系Table 1 Evaluation index system of business expansion demand

根據(jù)實(shí)際經(jīng)驗(yàn)賦予指標(biāo)權(quán)重，并對(duì)指標(biāo)進(jìn)行加權(quán)求和，其結(jié)果命名為負(fù)荷業(yè)擴(kuò)報(bào)裝需求評(píng)價(jià)結(jié)果。

海洋油氣資源開(kāi)發(fā)是服務(wù)海洋強(qiáng)國(guó)戰(zhàn)略和“一帶一路”倡議的具體體現(xiàn)，對(duì)實(shí)現(xiàn)國(guó)家能源戰(zhàn)略、維護(hù)國(guó)家權(quán)益等具有重要意義?；葜莺Ｊ戮直痔峁?zhuān)業(yè)優(yōu)質(zhì)高效的海事服務(wù)理念，積極采取多種有效措施，不斷提高海事監(jiān)管服務(wù)水平，與有關(guān)企業(yè)共同努力解決存在的安全隱患，大力助推海洋石油勘探事業(yè)的發(fā)展。

光伏業(yè)擴(kuò)報(bào)裝需求分析即是根據(jù)用戶(hù)光伏歷史出力、用戶(hù)年最大光伏出力預(yù)測(cè)未來(lái)3年的光伏出力、最大光伏出力。與負(fù)荷業(yè)擴(kuò)報(bào)裝需求分析類(lèi)似，分別得到年平均光伏出力增長(zhǎng)率、年平均最大光伏出力增長(zhǎng)率2個(gè)指標(biāo)，實(shí)現(xiàn)園區(qū)用戶(hù)光伏業(yè)擴(kuò)報(bào)裝需求評(píng)價(jià)分析。

2.3 用戶(hù)需求響應(yīng)分析

需求響應(yīng)體現(xiàn)了用戶(hù)參與電力系統(tǒng)削峰填谷過(guò)程中的調(diào)節(jié)能力。擁有光伏發(fā)電裝置的園區(qū)用戶(hù)除了通過(guò)調(diào)節(jié)負(fù)荷參與需求響應(yīng)外，還可以與電網(wǎng)進(jìn)行電力交易，售出多余光伏出力。因此，選取負(fù)荷模式、降負(fù)荷率、分時(shí)用電量變異系數(shù)、停電總時(shí)長(zhǎng)和光伏出力交易量5個(gè)指標(biāo)評(píng)估用戶(hù)的需求響應(yīng)能力。負(fù)荷模式指的是用戶(hù)的典型用電波動(dòng)；降負(fù)荷率是不同行業(yè)的可改變負(fù)荷水平占當(dāng)前總負(fù)荷水平的比率；分時(shí)用電量變異系數(shù)是用電波動(dòng)變化大小的評(píng)估結(jié)果；停電總時(shí)長(zhǎng)是用戶(hù)一年里停電時(shí)間；光伏出力交易量是用戶(hù)一年內(nèi)可與電網(wǎng)交易的光伏電量。

用戶(hù)的最小負(fù)荷用電模式是指用戶(hù)所有典型的日負(fù)荷模式中總負(fù)荷最小的負(fù)荷模式。用戶(hù)所有負(fù)荷用電模式和最小負(fù)荷用電模式之差的積分就是用戶(hù)潛在的用電負(fù)荷水平：

式中：Pmin（t）為用戶(hù)的最小負(fù)荷用電模式t時(shí)刻的功率；Cg（t）為用戶(hù)最小負(fù)荷用電模式t時(shí)刻的功率，其所有時(shí)刻功率的積分是M個(gè)日負(fù)荷模式里最小的；Cm（t）為用戶(hù)的第m類(lèi)負(fù)荷模式t時(shí)刻的功率；M為用戶(hù)典型日負(fù)荷模式的總數(shù)量。

用戶(hù)的需求響應(yīng)潛力為

式中：DRP1為用戶(hù)的基準(zhǔn)負(fù)荷偏差；Nm為第m類(lèi)負(fù)荷模式下相似日的總數(shù)量。

降負(fù)荷率是不同行業(yè)當(dāng)前負(fù)荷水平的可改變負(fù)荷水平占總負(fù)荷的比率?；诮地?fù)荷率的用戶(hù)需求響應(yīng)水平的計(jì)算流程見(jiàn)文獻(xiàn)[16]。根據(jù)文獻(xiàn)計(jì)算得到降負(fù)荷潛力DRP2。

分時(shí)用電量變異系數(shù)反映用戶(hù)在峰、谷、平3種時(shí)段的用電波動(dòng)水平，用電量變異系數(shù)越大，用戶(hù)用電波動(dòng)水平越大，負(fù)荷轉(zhuǎn)移的空間就越大，即需求響應(yīng)能力就越高。

用戶(hù)峰、谷、平分時(shí)用電量的變異系數(shù)如式（9）所示。

式中：CV1為用戶(hù)峰、谷、平分時(shí)用電量的變異系數(shù)；SD1為用戶(hù)峰、谷、平分時(shí)用電量的標(biāo)準(zhǔn)差；MN1為用戶(hù)峰、谷、平分時(shí)用電量的平均值。

園區(qū)內(nèi)電力用戶(hù)的停電總時(shí)長(zhǎng)St在一定程度上也可以反映用戶(hù)的需求響應(yīng)能力，用戶(hù)停電總時(shí)長(zhǎng)越長(zhǎng)，說(shuō)明用戶(hù)更容易接受區(qū)域電網(wǎng)運(yùn)營(yíng)商下達(dá)的切負(fù)荷命令。

擁有光伏發(fā)電裝置的用戶(hù)通過(guò)售出多余光伏出力參與電力市場(chǎng)交易，實(shí)現(xiàn)需求響應(yīng)。光伏出力交易量的計(jì)算式為

式中：pij為用戶(hù)第i天、第j時(shí)的光伏出力交易量，其值為光伏出力與用戶(hù)負(fù)荷之差，僅取正值。

園區(qū)電力用戶(hù)需求響應(yīng)評(píng)價(jià)指標(biāo)體系示于表2。分別賦予5個(gè)指標(biāo)權(quán)重并進(jìn)行加權(quán)求和，并將結(jié)果命名為需求響應(yīng)評(píng)價(jià)結(jié)果E，作為用戶(hù)需求響應(yīng)評(píng)價(jià)結(jié)果。

3 算例分析

基于河南省鄭州市及焦作市的工業(yè)園區(qū)、科技園區(qū)、物流園區(qū)9萬(wàn)條用戶(hù)用電數(shù)據(jù)進(jìn)行算例分析。用電類(lèi)別模型在python3.7.4的環(huán)境下，使用0.21.3版本的sklearn庫(kù)完成分析編寫(xiě)。業(yè)擴(kuò)報(bào)裝需求特征的分析模型、需求響應(yīng)潛力特征的分析模型在MATLAB 2017a環(huán)境下完成編寫(xiě)計(jì)算。首先須要對(duì)算例使用的數(shù)據(jù)進(jìn)行預(yù)處理，由于不同用戶(hù)的用電等級(jí)不同，數(shù)據(jù)中的數(shù)值單位不同，要轉(zhuǎn)換為同一單位；其次，由于存在用電數(shù)據(jù)的缺失，即有部分記錄缺少無(wú)功消耗數(shù)據(jù)，須要將其剔除；最后，因部分用戶(hù)的用電數(shù)據(jù)極少，且波動(dòng)極大，為避免對(duì)后續(xù)分析產(chǎn)生較大干擾，也將其剔除。

3.1 園區(qū)用電類(lèi)別特征分析

雙聚類(lèi)算法簇的數(shù)量選為6，7時(shí)，分類(lèi)結(jié)果的內(nèi)部差異較大；選為9，10時(shí)，會(huì)出現(xiàn)較多相似類(lèi)型的分類(lèi)結(jié)果；因此，簇的數(shù)量選為8。分類(lèi)結(jié)果如圖3所示。由于用電數(shù)據(jù)為每15 min采樣一次，圖3中橫軸共96個(gè)采樣點(diǎn)；將同一類(lèi)用電數(shù)據(jù)按采樣點(diǎn)計(jì)算均值，即縱軸所示為功率。有功聚類(lèi)結(jié)果的單位為kW，無(wú)功聚類(lèi)結(jié)果的單位為kVar。

圖3 用戶(hù)用電數(shù)據(jù)聚類(lèi)結(jié)果Fig.3 Behavior data clustering results

統(tǒng)計(jì)用戶(hù)每天有功用電類(lèi)別出現(xiàn)次數(shù)，出現(xiàn)次數(shù)最多的類(lèi)別為用戶(hù)有功用電類(lèi)別。用戶(hù)的用電類(lèi)別分類(lèi)結(jié)果為無(wú)功用電類(lèi)別、有功用電類(lèi)別組合。此時(shí)，已經(jīng)根據(jù)用電類(lèi)別完成用戶(hù)群落劃分，所以不須要聚類(lèi)，直接統(tǒng)計(jì)不同類(lèi)別的用戶(hù)占園區(qū)用戶(hù)總數(shù)的比例。3個(gè)園區(qū)的計(jì)算結(jié)果如表3所示，其構(gòu)成的序列作為園區(qū)用電類(lèi)別畫(huà)像。表3中只列出3個(gè)園區(qū)中存在的用電類(lèi)別。

表3 園區(qū)用電行為特征序列Table 3 Characteristic sequence of electricity consumption in the park

由表3可以看出，園區(qū)中大多數(shù)用戶(hù)屬于（1，1）類(lèi)型。結(jié)合圖3分析可知，該類(lèi)型多為用戶(hù)全天平穩(wěn)生產(chǎn)的大工業(yè)用電用戶(hù)，其無(wú)功和有功用電都非常平穩(wěn)。其中，（1，1），（1，5），（5，8），（7，7）占比較多，說(shuō)明大部分用戶(hù)的有功和無(wú)功用電波動(dòng)是趨于一致的。根據(jù)表3結(jié)果進(jìn)行對(duì)比可知，3個(gè)園區(qū)中物流園區(qū)的用電最穩(wěn)定，工業(yè)園區(qū)的用電模式最多樣，科技園區(qū)存在有功和無(wú)功用電波動(dòng)變化較為劇烈的用戶(hù)。

3.2 業(yè)擴(kuò)報(bào)裝需求特征分析

利用業(yè)擴(kuò)報(bào)裝需求特征分析的算法可以得到每個(gè)用戶(hù)的負(fù)荷業(yè)擴(kuò)報(bào)裝需求評(píng)價(jià)結(jié)果和光伏業(yè)擴(kuò)報(bào)裝需求評(píng)價(jià)結(jié)果。為了便于了解園區(qū)內(nèi)用戶(hù)業(yè)擴(kuò)報(bào)裝需求水平的分布情況，基于已得到業(yè)擴(kuò)報(bào)裝需求結(jié)果，使用K-means聚類(lèi)算法分析。當(dāng)聚類(lèi)數(shù)量為3時(shí)，類(lèi)間誤差不再出現(xiàn)顯著下降，此時(shí)的聚類(lèi)結(jié)果較好。因此選取聚類(lèi)數(shù)量為3的結(jié)果作為園區(qū)聚類(lèi)分析依據(jù)，聚類(lèi)結(jié)果如圖4所示。

圖4 負(fù)荷業(yè)擴(kuò)報(bào)裝需求評(píng)價(jià)聚類(lèi)結(jié)果Fig.4 Clustering results of business expansion and installation demand evaluation

在此基礎(chǔ)上，計(jì)算園區(qū)內(nèi)不同類(lèi)型業(yè)擴(kuò)報(bào)裝需求的用戶(hù)占園區(qū)用戶(hù)總數(shù)的比例。這3個(gè)比例構(gòu)成的序列包含園區(qū)用戶(hù)的業(yè)擴(kuò)報(bào)裝需求水平分布結(jié)構(gòu)特征，作為園區(qū)業(yè)擴(kuò)報(bào)裝需求畫(huà)像結(jié)果（表4）。

從表4可以看出，科技園區(qū)和物流園區(qū)低水平業(yè)擴(kuò)報(bào)裝需求的用戶(hù)占大多數(shù)，說(shuō)明園區(qū)內(nèi)用戶(hù)的業(yè)擴(kuò)報(bào)裝需求都處于較低水平；工業(yè)園區(qū)中業(yè)擴(kuò)報(bào)裝需求位于中水平和高水平的用戶(hù)總數(shù)遠(yuǎn)高于位于低水平的用戶(hù)的數(shù)量。這表明工業(yè)園區(qū)中大部分用戶(hù)有較高的負(fù)荷業(yè)擴(kuò)報(bào)裝需求。

光伏業(yè)擴(kuò)報(bào)裝需求分析與負(fù)荷業(yè)擴(kuò)報(bào)裝的分析方式相同，部分用戶(hù)的光伏發(fā)電出力曲線如圖5所示。

圖5 部分用戶(hù)的光伏發(fā)電出力曲線Fig.5 PV output curve of some users

從圖5可以看出，用戶(hù)光伏出力曲線呈現(xiàn)出單峰型，出力的高峰在12：00左右；在0：00-6：00和20：00-24：00光伏出力功率基本為零。光伏發(fā)電裝置從6：00左右開(kāi)始出力，出力功率不斷增加，到12：00左右達(dá)到高峰；之后不斷減小，出力功率在16：00-20：00接近為零。光伏出力功率曲線存在波動(dòng)性，出力曲線不完全一致。

可以將用戶(hù)光伏業(yè)擴(kuò)報(bào)裝需求結(jié)果劃分為低水平、中水平、高水平3類(lèi)。光伏業(yè)擴(kuò)報(bào)裝需求序列如表5所示。

表5 光伏業(yè)擴(kuò)報(bào)裝需求序列Table 5 The business expansion and installation demand sequence of PV

從表5可以看出，3個(gè)園區(qū)中均是光伏業(yè)擴(kuò)報(bào)裝需求為低水平的用戶(hù)占比較高，表明3個(gè)園區(qū)的光伏業(yè)擴(kuò)報(bào)裝需求均較低。鄭州高新技術(shù)開(kāi)發(fā)區(qū)中水平和高水平光伏業(yè)擴(kuò)報(bào)裝需求用戶(hù)的占比均高于工業(yè)園區(qū)和物流園區(qū)，說(shuō)明高新技術(shù)開(kāi)發(fā)區(qū)與其他兩個(gè)園區(qū)相比，更傾向于使用光伏等清潔能源。

3.3 園區(qū)需求響應(yīng)特征分析

與業(yè)擴(kuò)報(bào)裝需求特征中的分析思路相似，得到園區(qū)內(nèi)所有用戶(hù)的需求響應(yīng)評(píng)價(jià)結(jié)果后，對(duì)其進(jìn)行K-means聚類(lèi)，聚類(lèi)數(shù)量選為3時(shí)，聚類(lèi)效果較好。需求響應(yīng)評(píng)價(jià)聚類(lèi)結(jié)果如圖6所示。

圖6 需求響應(yīng)評(píng)價(jià)聚類(lèi)結(jié)果Fig.6 Clustering results of demand response evaluation

統(tǒng)計(jì)園區(qū)內(nèi)不同需求響應(yīng)水平的用戶(hù)數(shù)量占園區(qū)用戶(hù)總數(shù)的比例，其結(jié)果構(gòu)成的序列作為園區(qū)需求響應(yīng)畫(huà)像結(jié)果（表6）。

表6 需求響應(yīng)序列Table 6 Demand response sequence

從表6中可見(jiàn)，3個(gè)園區(qū)中均是需求響應(yīng)能力為低水平的用戶(hù)占比較高，表明3個(gè)園區(qū)的需求響應(yīng)能力均較低。鄭州高新技術(shù)開(kāi)發(fā)區(qū)中水平和高水平需求響應(yīng)能力用戶(hù)的占比均高于工業(yè)園區(qū)和物流園區(qū)，說(shuō)明高新技術(shù)開(kāi)發(fā)區(qū)與其他兩個(gè)園區(qū)相比，更傾向于參與電力市場(chǎng)交易。

綜合考慮上述3個(gè)維度的分析結(jié)果提出3點(diǎn)建議。第一，焦作工業(yè)產(chǎn)業(yè)集聚區(qū)的負(fù)荷業(yè)擴(kuò)報(bào)裝需求較高，可為其預(yù)先配置配電設(shè)備容量。第二，鄭州高新技術(shù)開(kāi)發(fā)區(qū)的光伏業(yè)擴(kuò)報(bào)裝需求較高，須提前考慮高比例光伏接入對(duì)電網(wǎng)帶來(lái)的影響。該園區(qū)中接近30%的用戶(hù)存在需求響應(yīng)潛力，可以嘗試提出負(fù)荷轉(zhuǎn)移的相關(guān)合同。第三，鄭州國(guó)際物流園區(qū)在用電類(lèi)別、業(yè)擴(kuò)報(bào)裝、需求響應(yīng)上表現(xiàn)出較高的穩(wěn)定性，對(duì)其相關(guān)服務(wù)可以延后，無(wú)須投入較多人力物力進(jìn)行提前準(zhǔn)備工作。

4 結(jié)束語(yǔ)

本文提出了基于聚類(lèi)的多維度園區(qū)畫(huà)像模型，并根據(jù)河南省鄭州市和焦作市的園區(qū)進(jìn)行算例分析，得到以下結(jié)論。

①不同類(lèi)型的園區(qū)具有不同的用戶(hù)分布特征，但園區(qū)內(nèi)用戶(hù)在用能方面基本保持穩(wěn)定。

②物流園區(qū)與其他園區(qū)相比，用能更穩(wěn)定、需求響應(yīng)評(píng)價(jià)結(jié)果和業(yè)擴(kuò)報(bào)裝需求評(píng)價(jià)結(jié)果更低。

③高新技術(shù)園區(qū)具有更高的光伏業(yè)擴(kuò)報(bào)裝需求及需求響應(yīng)能力。

研究結(jié)論表明，基于聚類(lèi)的多維度園區(qū)畫(huà)像模型可以實(shí)現(xiàn)高比例光伏接入下的園區(qū)多個(gè)維度特征的量化，其分析結(jié)果具有一定的現(xiàn)實(shí)解釋價(jià)值。供電公司可以基于園區(qū)畫(huà)像技術(shù)實(shí)現(xiàn)差異化、個(gè)性化的供電服務(wù)。