基于实际负荷曲线的电力用户分类技术研究

基于电力用户负荷曲线进行聚类分析,是获得典型负荷分布和按负荷特性对用户分类的重要手段,对于负荷预测、负荷控制、用电异常检测甚至电价目录制定和开发营销策略等都有理论和实际意义。 目前对负荷曲线聚类的方法有很多,各有优点与不足。论文首先对常用的聚类算法K-means、凝聚型层次聚类、模糊c均值(Fuzzy c-mean,FCM)、自组织映射神经网络(Self-organizing Feature Maps,SOM)进行了分析研究,对高斯混合模型聚类算法(Gaussian Mixture Model,GMM)、极端学习机(Extreme Learning Machine,ELM)、支持向量机(Support Vector Machine,SVM)等算法也进行了研究讨论。对于常用聚类算法,本文分别从国际公认数据集IRIS、常用曲线聚类评价指标、实际电力用户负荷曲线的聚类结果三方面对各算法进行分析比较,以得出适用于电力负荷曲线聚类的算法。然后将所得到的算法应用于电力用户负荷模式的提取并实现用户按负荷模式分类,与当前按电价和国民经济对用户分类的结果进行分析比较,所得差异对于配电市场中考虑负荷特性定价有积极意义。最后,进一步将聚类技术应用于电力客户的用电异常检测,初步研究表明通过电力负荷曲线聚类可帮助稽查人员识别有用电异常行为的用户。论文研究表明,基于用户负荷曲线的聚类分析在智能配电网下应用前景广阔。