适用于负荷管理的电力用户负荷特性画像构建方法和系统技术方案

适用于负荷管理的电力用户负荷特性画像构建方法和系统，所述方法包括：确定负荷管理的目标电力用户，对目标电力用户采集多时间尺度下的负荷特性指标数据；建立用户负荷特性标签体系，结合电力用户测量数据，计算得到目标电力用户的各类型负荷特性标签，对用户进行多类型负荷特性标签下的用户负荷可调潜力指标评价；根据用户负荷可调潜力指标评价结果对目标电力用户进行聚类分析，得到适用于负荷管理的电力用户负荷特性画像。可有效为面向电力用户进行负荷管理措施时，提供详细的用户标签分类和相应负荷管理措施类型指导依据。类和相应负荷管理措施类型指导依据。类和相应负荷管理措施类型指导依据。

【技术实现步骤摘要】
适用于负荷管理的电力用户负荷特性画像构建方法和系统


[0001]本专利技术属于电力需求响应与负荷管理
，适用于负荷管理的电力用户负荷特性画像构建方法和系统。

技术介绍

[0002]伴随经济、社会发展带来的用电需求增长与日趋严峻的供需形势，对电力用户进行适当的负荷管理是发挥需求侧资源灵活性、经济性优势，从而促进电力供需平衡，保障电网稳定的重要手段之一。
[0003]参与负荷管理控制的电力用户数据体量量大，在日、月、年度等不同时间尺度体现出的信息价值有重要作用，同时，不同电力用户在地区、行业、节假日、温度等因素影响下表现出的负荷调节特性有所不同。
[0004]新型电力负荷管理系统提供了数据平台和宝贵的用户负荷特性资源，因此，深度利用系统平台数据，结合新兴的用户负荷可调潜力指标评价以及数据分析、聚类技术，深度挖局电力用户的负荷特征，根据海量的负荷数据充分分析用户用电模式，从而得不同用户的用电特征和规律，对准确识别电力用户负荷特征、从而提供差异化服务、引导相关负荷管理措施的高效开展有着重要意义。

技术实现思路

[0005]为解决现有技术中存在的不足，本专利技术提供适用于负荷管理的电力用户负荷特性画像构建方法和系统，基于TOPSIS（优劣解距离法）评价方法和自组织映射神经网络聚类算法，利用新型电力负荷管理系统等平台监控到的电力用户负荷特性，通过数据分析和特征聚类，对用户负荷可调节潜力进行评估，构建适用于负荷管理的电力用户负荷特性画像，可有效为面向电力用户进行负荷管理措施时，提供详细的用户标签分类和相应负荷管理措施类型指导依据。
[0006]本专利技术采用如下的技术方案。
[0007]适用于负荷管理的电力用户负荷特性画像构建方法，所述电力用户负荷特性画像构建方法包括以下步骤：步骤1：确定负荷管理的目标电力用户，测量目标电力用户多时间尺度下的负荷特性指标数据；步骤2：建立用户负荷特性标签体系，结合步骤1测量得到的电力用户负荷特性指标数据，计算得到目标电力用户的各类型负荷特性标签，对用户进行多类型负荷特性标签下的用户负荷可调潜力指标评价；步骤3：根据用户负荷可调潜力指标评价结果对目标电力用户进行聚类分析，得到适用于负荷管理的电力用户负荷特性画像。
[0008]优选地，步骤1中，选取覆盖典型地区、行业、客户的电力用户作为目标电力用户。
[0009]优选地，步骤1中，多时间尺度下的负荷特性指标数据包括：
日负荷曲线：描述一日内负荷随时间变化的曲线，反映一段时间内负荷随时间而变化的规律；日最大/小负荷：典型日记录的所有负荷数值的最大/小值；日峰谷差率：日最大、日最小负荷差值与日最大负荷的比值；日负荷率：日平均负荷与日最大负荷的比值；日负荷波动率：为一天内负荷有功功率值与一天内负荷有功功率值的算术平均值的比值；月峰谷差率：为月用电量峰谷差与最大月用电量的比值；月最大/小负荷：一月内日最大/小负荷；月最大/最小负荷曲线：一个月内每天最大/最小负荷连接形成的曲线，表示从月初到月末逐日的电力系统综合最大/最小负荷的变化情况；月负荷率：月内日负荷率之和与日负荷率天数的比值；月负荷波动率：月内负荷的标准差与月内负荷的均值的比值；年峰谷差率：一年日峰谷差率最大值与当日最高负荷的比值；年负荷率：年平均负荷与年最大负荷的比值；年最大/小负荷：一年内月最大/小负荷；年最大/小负荷曲线：以一年中的12个月为序，将逐月最大/小负荷连接绘制而成的负荷曲线。
[0010]优选地，步骤2中，用户负荷特性标签体系具体包括以下标签类型：（1）生产时段型标签，进一步分为：早峰型用户、腰峰型用户、晚峰型用户、倒挂型用户、连续生产型用户、白天用电型用户、夜间用电型用户和全天用电型用户标签类型；（2）负荷曲线形态型标签，进一步分为：单峰型负荷、双峰型负荷、三峰型负荷、避峰型负荷、峰平型负荷、高负荷率型负荷和低负荷率型负荷标签类型；（3）工作制型标签，进一步分为：五天工作制、六天工作制、七天工作制标签类型；（4）节假日型标签，进一步分为：节假日负荷上升、节假日负荷下降、节假日负荷平稳、节假日停产标签类型；（5）四季特征型标签，进一步分为：四季平均、夏季负荷明显偏高、夏季负荷偏高、冬季负荷明显偏高、冬季负荷偏高标签类型；（6）日负荷平稳性型标签，进一步分为：日负荷上升、日负荷下降、日负荷平稳、日负荷波动标签类型；（7）年负荷平稳性标签，进一步分为：年负荷上升、年负荷下降、年负荷平稳、年负荷波动标签类型；（8）温度影响型标签，进一步分为：温度正影响、温度负影响、温度无影响标签类型；（9）峰谷特征型标签，进一步分为：峰用电型、谷用电型、峰谷平均型标签类型；（10）客载比标签，进一步分为：容载比较高、容载比一般、容载比较低标签类型；（11）空调负荷标签，进一步分为：空调负荷占比较高、空调负荷占比一般、空调负荷占比较低标签类型；（12）居民负荷标签，进一步分为：居民负荷占比较高、居民负荷占比一般、居民负
荷占比较低标签类型；（13）新能源渗透率标签，进一步分为：新能源渗透率较高、新能源渗透率一般、新能源渗透率较低标签类型；（14）有序用电错避峰标签，进一步分为：错峰用户、避峰用户标签类型；（15）变压器负载率标签，进一步分为：变压器重载、变压器经济运行、变压器轻载标签类型。
[0011]优选地，步骤2中，计算目标电力用户的各类型负荷特性标签前，预先对步骤1测量得到的电力用户负荷特性数据进行预处理，包括：一天多测量点、一天一个测量点情况下的数据清洗，具体如下：（1）一天多测量点情况的清洗：异常测量值识别：计算出相邻时刻测量值的均值Avg，若目标测量点的有功功率值，则认定目标测量点的测量值为异常；异常测量值修正：采用拉格朗日插值法，通过异常目标测量点邻近时刻的3个测量点的测量值来预测异常目标测量点的测量值P'，若，则用异常判断的基准值Avg来替换异常目标测量点的测量值，否则用P'来替换；（2）一天一个测量点情况的清洗：异常测量值识别：计算出相邻日测量值的均值Avg，若目标测量点的有功功率值，则认定目标测量点的测量值为异常；异常测量值修正：采用拉格朗日插值法，通过异常目标测量点3个相邻日的测量值来预测异常目标测量点的测量值P'，若，则用异常判断的基准值Avg来替换异常目标测量点的测量值，否则用P'来替换。
[0012]优选地，异常测量值修正时，以拐点为分割点，对数据序列进行分割，以临近点的均值为基准，判断测量值是否异常，若异常，则记录异常点位置，然后挑选数据序列中数据较完整的子序列，利用拉格朗日插值法对数据进行修正，否则直接挑选数据序列中数据较完整的子序列，利用拉格朗日插值法对数据进行修正；所述拐点为测量值波动大于设置范围的位置；数据修正时采用的拉格朗日插值法公式为：式中，、、为目标插值点时刻的邻近时刻的3个测量点的测量值。
[0013]优选地，步骤2中，计算目标电力用户的各类型负荷特性标签前，预先对步骤1测量
得到的电力用户负荷特性数据进行预处理，还包括：对电力用户测量数据缺失值的填充，具体如下：（1）单点数据缺失本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.适用于负荷管理的电力用户负荷特性画像构建方法，其特征在于：所述电力用户负荷特性画像构建方法包括以下步骤：步骤1：确定负荷管理的目标电力用户，测量目标电力用户多时间尺度下的负荷特性指标数据；步骤2：建立用户负荷特性标签体系，结合步骤1测量得到的电力用户负荷特性指标数据，计算得到目标电力用户的各类型负荷特性标签，对用户进行多类型负荷特性标签下的用户负荷可调潜力指标评价；步骤3：根据用户负荷可调潜力指标评价结果对目标电力用户进行聚类分析，得到适用于负荷管理的电力用户负荷特性画像。2.根据权利要求1所述的适用于负荷管理的电力用户负荷特性画像构建方法，其特征在于：步骤1中，选取覆盖典型地区、行业、客户的电力用户作为目标电力用户。3.根据权利要求1所述的适用于负荷管理的电力用户负荷特性画像构建方法，其特征在于：步骤1中，多时间尺度下的负荷特性指标数据包括：日负荷曲线：描述一日内负荷随时间变化的曲线，反映一段时间内负荷随时间而变化的规律；日最大/小负荷：典型日记录的所有负荷数值的最大/小值；日峰谷差率：日最大、日最小负荷差值与日最大负荷的比值；日负荷率：日平均负荷与日最大负荷的比值；日负荷波动率：为一天内负荷有功功率值与一天内负荷有功功率值的算术平均值的比值；月峰谷差率：为月用电量峰谷差与最大月用电量的比值；月最大/小负荷：一月内日最大/小负荷；月最大/最小负荷曲线：一个月内每天最大/最小负荷连接形成的曲线，表示从月初到月末逐日的电力系统综合最大/最小负荷的变化情况；月负荷率：月内日负荷率之和与日负荷率天数的比值；月负荷波动率：月内负荷的标准差与月内负荷的均值的比值；年峰谷差率：一年日峰谷差率最大值与当日最高负荷的比值；年负荷率：年平均负荷与年最大负荷的比值；年最大/小负荷：一年内月最大/小负荷；年最大/小负荷曲线：以一年中的12个月为序，将逐月最大/小负荷连接绘制而成的负荷曲线。4.根据权利要求1所述的适用于负荷管理的电力用户负荷特性画像构建方法，其特征在于：步骤2中，用户负荷特性标签体系具体包括以下标签类型：（1）生产时段型标签，进一步分为：早峰型用户、腰峰型用户、晚峰型用户、倒挂型用户、连续生产型用户、白天用电型用户、夜间用电型用户和全天用电型用户标签类型；（2）负荷曲线形态型标签，进一步分为：单峰型负荷、双峰型负荷、三峰型负荷、避峰型
负荷、峰平型负荷、高负荷率型负荷和低负荷率型负荷标签类型；（3）工作制型标签，进一步分为：五天工作制、六天工作制、七天工作制标签类型；（4）节假日型标签，进一步分为：节假日负荷上升、节假日负荷下降、节假日负荷平稳、节假日停产标签类型；（5）四季特征型标签，进一步分为：四季平均、夏季负荷明显偏高、夏季负荷偏高、冬季负荷明显偏高、冬季负荷偏高标签类型；（6）日负荷平稳性型标签，进一步分为：日负荷上升、日负荷下降、日负荷平稳、日负荷波动标签类型；（7）年负荷平稳性标签，进一步分为：年负荷上升、年负荷下降、年负荷平稳、年负荷波动标签类型；（8）温度影响型标签，进一步分为：温度正影响、温度负影响、温度无影响标签类型；（9）峰谷特征型标签，进一步分为：峰用电型、谷用电型、峰谷平均型标签类型；（10）客载比标签，进一步分为：容载比较高、容载比一般、容载比较低标签类型；（11）空调负荷标签，进一步分为：空调负荷占比较高、空调负荷占比一般、空调负荷占比较低标签类型；（12）居民负荷标签，进一步分为：居民负荷占比较高、居民负荷占比一般、居民负荷占比较低标签类型；（13）新能源渗透率标签，进一步分为：新能源渗透率较高、新能源渗透率一般、新能源渗透率较低标签类型；（14）有序用电错避峰标签，进一步分为：错峰用户、避峰用户标签类型；（15）变压器负载率标签，进一步分为：变压器重载、变压器经济运行、变压器轻载标签类型。5.根据权利要求1所述的适用于负荷管理的电力用户负荷特性画像构建方法，其特征在于：步骤2中，计算目标电力用户的各类型负荷特性标签前，预先对步骤1测量得到的电力用户负荷特性数据进行预处理，包括：一天多测量点、一天一个测量点情况下的数据清洗，具体如下：（1）一天多测量点情况的清洗：异常测量值识别：计算出相邻时刻测量值的均值Avg，若目标测量点的有功功率值，则认定目标测量点的测量值为异常；异常测量值修正：采用拉格朗日插值法，通过异常目标测量点邻近时刻的3个测量点的测量值来预测异常目标测量点的测量值P'，若，则用异常判断的基准值Avg来替换异常目标测量点的测量值，否则用P'来替换；（2）一天一个测量点情况的清洗：异常测量值识别：计算出相邻日测量值的均值Avg，若目标测量点的有功功率值
，则认定目标测量点的测量值为异常；异常测量值修正：采用拉格朗日插值法，通过异常目标测量点3个相邻日的测量值来预测异常目标测量点的测量值P'，若，则用异常判断的基准值Avg来替换异常目标测量点的测量值，否则用P'来替换。6.根据权利要求5所述的适用于负荷管理的电力用户负荷特性画像构建方法，其特征在于：异常测量值修正时，以拐点为分割点，对数据序列进行分割，以临近点的均值为基准，判断测量值是否异常，若异常，则记录异常点位置，然后挑选数据序列中数据较完整的子序列，利用拉格朗日插值法对数据进行修正，否则直接挑选数据序列中数据较完整的子序列，利用拉格朗日插值法对数据进行修正；所述拐点为测量值波动大于设置范围的位置；数据修正时采用的拉格朗日插值法公式为：式中，、、为目标插值点时刻的邻近时刻的3个测量点的测量值。7.根据权利要求5所述的适用于负荷管理的电力用户负荷特性画像构建方法，其特征在于：步骤2中，...

【专利技术属性】
技术研发人员：张汀荃，黄奇峰，庄重，张兴华，何胜，杨世海，段梅梅，孔月萍，盛举，周雨奇，丁泽诚，方凯杰，黄艺璇，程含渺，
申请(专利权)人：国网江苏省电力有限公司营销服务中心，
类型：发明
国别省市：