基于大数据技术的错峰用电管理应用研究.docx

??

?

??

基于大数据技术的错峰用电管理应用研究

?

??

?

?

?

?

?

?

?

???

?

?

?

?

?

摘要：错峰用电管理一直是供电企业用电管理的重要议题，为有效地降低峰谷差，提高负荷率，本文提出了一种面向智能电网的错峰用电管理新思路，利用大数据技术进行用户的用电模式识别，并将这项技术应用到错峰用电管理领域当中，针对用户不同的用电特点，考虑差异化错峰用电策略。这种基于用户的用电模式识别而开展的错峰潜力分析，实现错峰用电的科学管理，采用先进的技术和方法，可有效地弥补现有错峰用电管理方式相对粗放的不足。

关键词：大数据技术；错峰用电；用电模式识别；负荷特性；聚类分析

大数据时代的到来，为供电行业的发展创造了全新的机遇。错峰用电管理成为一项重要任务，控制峰谷差、提高负荷率，可以充分利用大数据技术，有效识别用户的用电特点，从而形成有针对性的错峰用电策略，通过削峰填谷的方法能够均衡系统负荷分配，不仅能稳定对客户的供电服务，也能达到节能减排的效果，环节高峰用电时期的电力供需矛盾。

1大数据技术

所谓大数据技术在错峰用电管理中的应用，其核心就是依靠大数据技术来积极有效地辨认各个用户的用电模式，依托于数据挖掘技术来细致、全面地分析用户电力使用过程中的各种数据、信息，从中分析得出各个用户是否存在错峰潜力。通过这些信息数据，供电企业来制定科学的错峰用电管理方案，同时对用户的科学用电做出合理指导。

1.1用户用电识别技术

围绕某一用户，分析并处理该用户在最近一年内每天某几个时间点的用电状况，形成数据进行处理、分析，在依靠聚类算法来分析负荷特点，从而得出此用户的实际用电特征，采用筛选法来总结得出用户经常的用电方式，为日后错峰分析

奠定基础。

（1）聚类分析

简单说就是对数据信息进行科学分组、分类，确保同组数据大致相似或相关，所谓的相似度一般是针对于不同对象间距来说的，两个样本的间距越小，其相似度则会对应提高，这其中可以借助以下距离公式来计算：d（xi，xj）=nk=1Σ（xik-xjk）2式中：d（xi，xj）代表欧式距离，n代表属性空间维度。该公式使用了Canopy算法，实施聚类计算，再利用K-means算法实施迭代运算，最终得出聚类结果。

（2）聚类处理

通过聚类算法能够呈现出不同用户各自的用电特征，各个簇聚都对应一种用电，要从中总结出用户最常规的用电模式，将其作为错峰用电管理的依据，这其中最关键是要找到最具错峰潜能的用电模式，对此就有必要实施聚类计算后的处理，从中实现查找目标。

1.2错峰潜能的判断

前方所提到的波动式用电模式，事实证明同系统的波动变化关系密切，也就是说此用电模式容易导致电力系统负荷的变化。从中可以总结出：波动性用电模式可以作为一项重点进行利益，发挥对错峰用电管理的支持作用。波动性用电模式同样存在一个波峰和波谷，二者之差则代表了用户最佳的错峰用电潜能，然而事实的潜能通常与理论计算存在较大出入，导致这一现象的因素主要包括：错峰方法、用电高峰时段等，这两大因素都可能影响其用户的错峰潜能。第一，用户现实的错峰潜力同理论预期存在差距，具体如图1所示。

图1清晰地展现出了用户现实的错峰极值同电力系统用电高峰时段之间的关系。经过分析能够得出：当用户、系统二者的用电高峰处于相同时段，才能确保用户的错峰潜力达到理论计算的水平和高度，除此之外的其他时段都达不到预期的理想水平。用户现实的错峰潜能，通常不能达到最大潜能，针对此问题，可以凭借对用电时间的优化调节来实现，让生产适度地向前，或者后延，以此来调整用电高峰用电时段，使其同系统的高峰段相偏离。然而，事实证实，通过调整用电时段的方法依然没能奏效，用户的错峰潜能还是无法达到最大潜能，而且用电时段的调整也不是一帆风顺的，可能受到各类内外因素的制约，很难

有效地确保低谷用电被高峰时段所取代。凭借调整用户用电时间的方式，能够计算得出此时的错峰量，根据错峰量也能够对应计算得出用电高峰期所节省的用电量：fb=t3t2（p-p′+t5t4（p-p′）同时，也能对应算出用电低谷时期，额外提升的用电量：fz=t1t0（p′-p）+t7t6（p′-p）2

2.大数据技术在错峰用电管理中的应用实例

以下针对某地区错峰用电管理展开分析，采用大数据分析技术。首先收集了该地区各个专用变压器用户在最新一年内（1~12月）的相关用电信息，例如：用电量、电费统计等，形成了用户信息档案资料。利用所采集的数据信息来分析判断不同用户实际的用电模式，并形成其在概念内每一天的日负荷特性曲线，依托于这些曲线，启动Canopy算法、K-means算法实施聚类处理。图2为A用户的日负荷特性曲线聚类图：从图2能够分析出，A