基于負荷聚類的中長期電力交易設想

李學農，袁漢杰，王維超

（1.陜西電力交易中心有限公司，陜西西安 710048；2.西安交通大學電氣工程學院，陜西西安 710049；3.西安電力高等?？茖W校，陜西西安 710032）

2016年 12月 29日，繼“9號文”（中發【2015】9號文）發布一年多之后，國家發改委、國家能源局印發《電力中長期交易基本規則（暫行）》（發改能源〔2016〕2784 號，以下簡稱“規則”），在“三方開、一獨立、三加強”的頂層設計下[1]，詳細描述了“現貨市場+中長期交易”的市場模式和交易操作方法，以及流程，在市場成員準入及其權責邊界、交易品種和組織、價格機制等關鍵環節給出了具體指導建議，對規范中長期交易意義重大[2]。

1 中長期交易組織現狀分析

電力市場的交易方式按照交易周期長度可分為中長期交易和現貨交易。中長期交易一般為日前及日以上交易，如月度、年度交易，而交易組織方式一般包括雙邊協商、集中競價、掛牌交易等。根據《規則》要求，應逐步建立交易品種齊全的常態化交易市場，包括電力直接交易、跨省跨區電力交易、合同電量轉讓交易等多種交易品種，并適當配置輔助服務補償機制，改善我國目前仍以開展電量交易品種為主的情況，中長期電力交易品種也將大大得到豐富。

“中長期交易總體平衡，現貨交易靈活補充”是“9號文”及其配套文件《關于推進電力市場建設的實施意見》對新一輪電改中，市場化電力、電量平衡機制的總體要求，隨著電力市場建設的深入，直接交易所占比例越來越大，可以預見，未來中長期交易將占據舉足輕重的地位。

在實際交易的開展中，一方面，中長期交易電量大、周期長，系統絕大部分的電量將由中長期交易進行配置，是系統安全穩定運行的基礎，而現貨市場的安全保障作用相對有限；另一方面，隨著市場化進展和直接交易電量的增加，用戶經濟行為也會適當發生變化，如可能改變或形成新的網絡安全約束等，較為粗放的中長期交易組織和管理模式不能滿足要求。

因此，規范電力中長期交易是保障電量平衡的根本，與電力系統安全運行和電力市場健康成長密切相關，這也對中長期交易的組織和管理提出了新的要求?！兑巹t》指出，對于未能通過安全校核的各類交易電量，要按一定原則進行電量削減；未能通過的基數電量則需要轉讓[2]。同時，安全校核結果也將直接影響市場成員的利益，因此在安排交易時，也需要更多考慮需求側負荷特性等情況。

按照不同的標準，可將負荷進行不同的劃分[3]。

1）按物理性能劃分：可分為有功負荷和無功負荷。

2）按電力系統運行過程劃分：可分為發電、輸電及用電負荷。

3）按負荷曲線時間單位劃分：可分為年度、月度、日內，乃至時、分為單位的負荷。

4）按用戶對供電的要求劃分：可分為一類、二類和三類負荷。

5）按國際上的通用分類：可分為農業、工業、商業、事業單位用電、居民生活用電等。

上述思路可以為負荷特性分類和儲存提供一定參考。但在市場化條件下，中長期交易的組織安排對市場動態考慮尚顯不足，上述負荷分類標準的應用性也較差。中長期交易的安排在實際操作中還存在著一些問題[3-4]：

1）即使是同一行業內的用戶，其間的負荷曲線也可能存在著較大的差異。隨著國民經濟的發展和人們生產、生活方式的變化，負荷的種類越來越豐富，構成越來越復雜。簡單地依據用戶所屬行業進行負荷分類，難免會對中長期交易的安排造成不便。

2）難以體現市場化推進中用戶經濟行為的變化和發展。市場化條件下，用戶經濟行為勢必發生相當大的改變，既定分類標準難以界定的新型用戶也會不斷涌現。因此不得不重新考慮負荷類型的劃分與定義，及其在中長期交易中起到的作用。

3）缺乏充分的現狀分析和理論支持，分類針對性和準確性不夠。傳統的中長期交易在進行安排時，沒有充分考慮分類及校核的緊密聯系，如用戶負荷的實際特性和變化規律，存在著較大的人為因素，也難以在此基礎上進一步深入分析。

隨著電力市場體系建設的逐步推進，中長期交易作為其中重要的組成部分，其組織和管理亟需進一步完善。因此，本文認為，在中長期交易的組織和管理中，需求側的信息采集和利用要引起更多重視，而且傳統的用戶特性類別在應用時也需進一步細化和梳理[5]。

本文設想，利用數據挖掘技術、負荷預測和聚類等理論，結合大數據處理方法的優勢，對現有負荷數據進行深入分析，以獲取用戶負荷特性，作為中長期交易安排的參考依據之一，提升交易組織的安全性和準確性；并以陜西省負荷數據為例，利用k-means聚類方法對其處理，使其按照負荷特性歸屬相應的聚類中心，并結合結果對陜西省中長期交易的組織和管理提出建議。

2 負荷特性數據聚類

電力系統負荷特性不但影響到電網規劃和安全優化運行，也是負荷聚類、預測和定價等需求側管理技術不可或缺的依據。對負荷特性的研究主要是基于對負荷歷史曲線和數據的分析，并借由一定的指標體系，量化其用電特性規律，并預測負荷特性的變化趨勢。

電力系統的負荷分類就是按照負荷特性，分析研究電力負荷的構成，以得出某一地區（或一個部門等）內各類負荷組成的種類、比重及其相互之間關系，使得劃分到不同類別中的用戶呈現出差異盡可能大的負荷特性，而同一類中的用戶盡可能地相似，最終分類得到每一類典型負荷特性曲線，進而在此基礎上對負荷分類結果作進一步應用研究[5]。

以中長期交易的安全穩定為出發點，本文選擇用戶的年負荷特性曲線、裝機容量和交易電量占比作為負荷特性聚類指標，原因如下[3]：

1）負荷曲線是在期貨、合約交易等中分析負荷特性最直觀的依據。負荷曲線可以比較全面地反映出負荷變化趨勢和經濟行為偏好，并很快得出如典型日負荷曲線、最大負荷和年負荷率等其他指標，也有利于將來進一步深入分析。

2）交易電量占比可檢驗負荷特性聚類結果是否符合實際。如果某一（類）用戶屬于負荷波動巨大，聚類結果會傾向于將其安排為以周、月為單位短時交易。但若其電量超過總電量的限定百分比，或是涉及用戶數量非常龐大，電網短時分配電量和調峰能力可能難以達到要求，此時應酌情調整。

3）裝機容量聚類可規范大用戶準入。大用戶直購電有利于促進市場公平競爭，完善市場機制建設；在此供電形式中，雙方也需要履行特殊的供電義務和偏差責任。因此大用戶規范準入是開展直接交易的重要一環，對于雙邊交易等中長期交易組織方式，應設置合適的裝機容量門檻，規范市場秩序，降低制度性成本。

3 基于k-means的負荷聚類

k-means聚類方法是一種經典的基礎聚類方法，其核心思想是：將待聚類的n個數據對象劃分為k個類別（每類對應一個聚類中心），并以每個數據對象到該類的聚類中心的平方和最小為優化目標，盡可能提升每一類內數據對象的相似度。算法具有效率高、結構簡單、可用于大數據集的處理和具有相對可伸縮性等優點，因此在用戶分類和負荷預測等需求側數據處理中應用廣泛[6]。

該算法本質上是一個根據原始數據特性不斷移動修正聚類中心、最終使相似的數據收斂于相應聚類中心以完成聚類的過程[7]。在每次計算中，先圍繞當前聚類中心聚類，對i階數據的聚類處理如式（1）：

式中：S(i)為距離數據對象最近的一個“類”；X(i)表示需聚類的數據對象；Cj表示該類的聚類中心。

接著根據聚類結果把聚類中心移動到該類成員的平均位置，如式（2）所示：

然后利用式（2）重新劃分數據對象。算法的最優解也是以歐氏距離之和最小化為目標的，目標函數如式（3）：

函數J(S(i),C)表示每個樣本點到其質心的距離平方和。因此函數J(S(i),C)可作為算法的收斂函數。

雖然k-means完成樣本分配和聚類的工作，但不能自動指定聚類中心數量，最優的聚類數量也是不確定的。因此在該方法的應用需結合交易組織的實施情況，以提升其安全性和科學性。

作為一種基于劃分的聚類方法，k-means負荷聚類算法流程可用以下4個步驟概括[11]：

1）設定聚類中心?？筛鶕灰灼贩N、組織方式和交易市場以及交易安排的其他需要，作為模糊隸屬指標，設置k個初始聚類中心Ci（i=1，2，...，k）。

2）負荷特性聚類。通過求取負荷特性和聚類中心之差的歐式范數（簡化后的負荷特性數據為一階數據），來計算每個特性數據Xk（k=1，2，...，n）與聚類中心的距離如式（4）所示：

并根據最小距離重新對相應的負荷種類進行劃分，形成各交易安排聚類Si（i=1，2，...，Ni），Ni表示聚類Si中包含的負荷種類個數。

3）更新聚類中心。式（5）表示對聚類中心附近的數據對象取均值，迭代得到類Si（i=1，2，…，Ni），Ni中新的聚類中心：

4）迭代至收斂。重復步驟2）和3），直到每個聚類中心收斂。

4 算例分析

本章以2012年陜西省全行業負荷數據本文將按照負荷特性進行k-means聚類分析，并提出中長期交易安排建議，以驗證本文的設想。

陜西省全行業用戶分類目錄共有八大類別，包括工業建筑、農林牧漁、交通運輸和金融服務等。其中每個大類下又可分為若干小類，如工業下又可分為制造業、采礦業、電氣水的生產供應業等。

電氣化鐵路等公共運輸業耗電、抽水蓄能耗能、水利等公共設施管理業耗電不參與交易的非競爭性電量，本次聚類不予考慮。

本章從當前用戶類別出發，對2012年陜西省全社會用戶、共計8個大類76個小類的負荷數據進行基于用電特性的聚類和梳理分析，對每個小類的負荷都計算每個用戶的平均耗電，以便根據聚類結果，對相應類別用戶的中長期交易安排提出建議。

4.1 數據預處理

數據預處理主要包括歸一化、用電特性提取[5]。

在實際的負荷聚類中，各類用戶數據在量級上會有很大差別。為了抵消量級對負荷特性分析的影響，需要對負荷序列進行歸一化，將其化為無量綱數據。負荷數據歸一化的方法眾多，此處主要選擇Z-score歸一化方法，即用負荷序列的均值與標準差對原序列進行歸一化[8]：

式中，σ,μ為負荷序列的均值和標準差。

另外，用戶的負荷特性曲線數據維度較高，直接聚類計算量較大；而且若對負荷特性曲線基于隸屬度等方法直接聚類，實際上是將數據點之間的幾何平均距離作為相近性判定的依據，如通過求取其各階范數得出歐氏距離、明考斯基距離等。事實上，即使在同一幾何平均距離下，負荷特性曲線的形態也可能會存在較大差異。因此科學的分類識別模型是建立在特性曲線形態相似性的精確考慮上的[5]。

因此可采用間接聚類方法，即采用先對用戶負荷求取時間序列均方差的辦法來表征其波動情況，然后進行聚類。

中長期交易的組織安排主要基于用電特性波動狀況來考慮。均方差可以反映時間序列相對于平均值的離散程度，是評估時間序列波動的最常用的指標之一。因此，本節采用負荷序列均方差來研究時間序列的動態變化情況，均方差越大表示曲線變化率越大，反之越小。它反映了用電曲線的動態特征。

4.2 交易周期的安排

對于原始的77個類別的用戶進行聚類，聚類前后對比如圖1—2所示。圖1為聚類處理前77個小類的用戶負荷波動系數分布情況，圖2是基于交易組織方式聚類后的結果。

以圖1中類編號14～20區段的“制造業”為例進行說明中長期交易的組織參考：

圖1 聚類前用戶用電波動程度Fig.1 The fluctuation of user electricity utilization before clustering

圖2 基于波動程度聚類后Fig.2 The result after clustering based on the fluctuation index of electricity utilization

制造業用戶是工業大類下分的一個重要類別，在制造業之下又分成了食品煙草、紡織、化工品、電氣電子設備和廢棄資源回收等30余個小類。中長期交易安排需考慮的用電特性，除波動系數之外，還受限于系統的供電和調峰能力。若電量占比超過一定限度，受系統調峰能力限制，即使是用電特性波動較大的聚類用戶，也不能為其安排月度、周度等較短的交易周期。本文利用平均月用電量、在該用戶所屬二級負荷分類行業的總用電量占比，來量化其負荷用戶等級?；谥圃鞓I行業用戶的總用電量占比進行聚類，用戶特性前后特性如圖3—4所示。

陜西省制造業用戶基于波動系數和行業平均用電量占比等用電特性分別聚類，結果如表1所示。

圖3 聚類前用戶用電占比Fig.3 The users’electricity utilization proportion(ratio）before clustering

圖4 基于用電占比聚類后Fig.4 The result after clustering based on the proportion of electricity utilization

5 結論和建議

以表1中基于陜西制造業用戶平均用電量的聚類為例分析，可知：

交易周期安排方面，木材加工及制品和家具制品業中的部分輕工業用戶，年度用電特性波動極大，且電量等級為Ⅰ類小型用戶，符合安全穩定要求，可安排周度甚至日前的交易周期；其他木材加工及制品和家具制品業、化學原料及化學制品制造業中部分輕工業和氯堿制取企業、部分交通運輸設備制造企業、以及非金屬礦物制品業中的部分非輕工業用戶，用電特性波動較大，且行業年用電量占比較小，符合安全穩定要求，因此可選擇將其安排為月度交易；按照年用電量波動聚類情況，其他用戶可安排為年度交易。另外，非金屬礦物制品業中的部分輕工業用戶，雖然聚類結果為電波動Ⅱ類用戶，但用電量占比聚類屬于Ⅱ類及以上用戶，結合調峰能力和安全校核方面的考慮，也安排為年度交易。

表1 制造業用戶聚類結果Tab.1 The result of manufacturing industry after clustering based on the proportion and fluctuation index of electricity utilization

用戶等級分類方面，黃磷制取企業（屬化學品制造業）、水泥產企業（屬非金屬礦物制品業），以及除去鐵合金冶煉之外的、黑色金屬冶煉及壓延加工業，可優先作為參與直接交易中的大用戶來考慮；而石油加工、煉焦及核燃料加工業、化學原料及化學制品制造業，以及非金屬礦物制品業中的部分輕工業用戶，可考慮使其按照規定由售電公司代理交易業務；而其他Ⅰ類負荷應劃分為工商業普通用戶，不能參與直接交易。

綜上，由陜西省制造業的分析結果可以看出，基于年用電波動系數的聚類可以用于其交易周期的考慮和安排，而基于年用電量占比的聚類則可作為劃分評定用戶等級的依據，并檢驗交易周期的安排是否符合系統安全穩定運行的要求。

參考文獻

[1]劉思捷，蔡秋娜，楊韻，等.適應月度直接交易的電量安全校核模型及方法[J].廣東電力，2017，30（3）：15-20.LIU Sijie，CAI Qiuna，YANG Yun，et al.Electricity quantity checking model and method for monthly direct transaction[J].Guangdong Electric Power，2017，30（3）：15-20.

[2]谷峰.電力市場頂層設計與交易現實的博弈妥協——解讀電力中長期交易基本規則[J].中國電力企業管理，2017（1）：32-35.GU Feng.The top of the electricity market design and trading reality of the game and compromise—Interpreting the basic rules of medium and long term transactions[J].China Power Enterprise Management，2017（1）：32-35.

[3]張忠華.電力系統負荷分類研究[D].杭州：浙江大學，2017.

[4]肖琪.基于優化K-means算法的電力負荷分類研究[D].大連：大連理工大學，2015.

[5]程祥.基于負荷量測數據的電力負荷聚類方法研究[D].杭州：浙江大學，2017.

[6]陳凡，劉海濤，黃正，等.基于改進k-均值聚類的負荷概率模型[J].電力系統保護與控制，2013（22）：128-133.CHEN Fan， LIU Haitao， HUANG Zheng， etal.Probabilistic load model based on improved k-means clustering algorithm[J].PowerSystem Protection and Control，2013（22）：128-133.

[7]毛國君.數據挖掘原理與算法[M].北京：清華大學出版社，2005.

[8]VISALAKSHI N K，THANGAVEL K.Impact of normaliza?tion in distributed K-Means clustering[J].International Journal of Soft Computing，2009（4）：168-172.