基于MESCM 算法的电网用电行为智能识别

练琳，卢万平，黄家宝

（广西电网有限责任公司河池供电局，广西河池 547000）

电网用电行为分析是电力市场的一个重要环节，已经成为电力行业的热点。随着智能电网的快速发展，对智能电网用电负荷分析也提出了更高的要求。与此同时，为进一步实现节能降耗，必须从电网端进行有效的经济运行管理，同时要做好用户端的资源配置，鼓励用户利用电能或激励信息来调整用电行为，从而最大限度地发挥节电潜能，从而达到供需双方良性互动和均衡。

当前已有相关领域研究学者对电网用电行为智能识别方法做出了研究。文献[1]提出了基于近邻相似度图聚类的识别方法，该方法通过改进近邻相似度图聚类方法，计算时间与空间复杂度，结合K-means 方法快速聚类用电行为数据，由此实现电网用电行为智能识别；文献[2]提出了基于广义回归神经网络的识别方法，该方法通过分析暂态特征，将其作为网络结构输入数据，使用模拟退火算法对电网用电行为进行全局搜索，由此识别电网用电行为。

已有的研究方法大多针对负荷特性，只是简单进行日负荷数据预处理，并没有对负荷纵向特性进行研究，导致用电行为智能识别结果不精准。为此，文中提出了基于MESCM 算法的电网用电行为智能识别方法。

1 MESCM算法用电负荷纵向随机性分析

除了分析电网用电行为横向负荷之外，还需对纵向负荷展开研究。负荷纵向随机特性指的是在用电周期内负荷纵向变化特性。对于某些用电行为，其用电量的日变动不大，且具有很高的稳定性[3]；而对于另一些用电行为，其用电量日变动较大，说明容易受到外部因素影响[4]。此外，在不同时段，相同用电行为也会出现不同的波动。针对传统方法仅对日负荷曲线进行预处理，缺乏对负荷纵向特性分析的问题，以M-P 律为基础，结合MESCM 算法对用电负荷纵向随机性展开详细分析。

基于M-P 律，结合MESCM 算法在高信噪比环境下，设定标准M-P 律上限值，该值作为样本协方差矩阵特征阈值λ；然后引入维度为τ的零矩阵Z，对于超出该阈值的矩阵特征值进行求和处理，可得到零矩阵Z的元素为0[5-7]。对于零矩阵Z内部元素按照由大到小的顺序排序处理，选择前n个非零元素形成一个新的矩阵Z'[8]。充分考虑裕度，获取动态电网用电异常行为检测阈值，可表示为：

式中，i表示检测次数。在电网状态不正常的情况下，样本协方差矩阵MESCM 的频谱分布会出现一定的改变，并且在一定程度上会出现比该矩阵更大的特征值[9-10]。文中仅用最大特征值和阈值的对比来判定电网的运行状况。同时，当信号噪声比增大时，某些特征值也会在一定程度上大于静态阈值。在高信噪比的情况下，采用静态阈值作为故障检测门限，会导致电网的状态判断错误，且应用范围比较窄[11-12]。为此，引入动态阈值，使用该阈值能有效地判断电网在高、低信噪比情况下的用电行为，该方法具有较大的应用范围和较好的抗干扰性。

在确定检测阈值后，对电网用电负荷进行归一化处理，并将其归一化[0，1]区间内，将该区间精准划分为15 个大小区间一致的子区间[13]。在无干扰环境中对负荷纵向随机分布特性展开详细分析，并依次将负荷值分配到该区间内，由此获得日电网负荷分布集合，可表示为：

式中，si表示负荷区间中心位置；hi表示负荷区间的高度。从定量角度出发，电网不同用电行为横向负荷具有相似特性，均呈现出双峰型负荷。但是纵向差异较明显，在早高峰时段和晚高峰时段，负荷的随机性比较大。

2 电网用电行为智能识别

MESCM 是一种以样本协方差为基础的最大特征值，可在较低的信噪比条件下对电网用电行为进行分析，并对其进行抗噪处理。结合分析的电网用电负荷纵向随机性，设计电网用电行为智能识别流程。

2.1 电网静态与动态用电特征提取

针对静态用电特征提取，必须进行降维处理[14]。由于电网采集到的数据为累计数据，具有较高的维度和较大的数据量。因此，采用MESCM 算法对日总用电量进行归一化处理，对特征矢量中的元素标准化，将数值量化到[0,1]区间内，并设置采样时间间隔为1 h，使得电网不同用电行为具备24 维用电数据[15]。可表示为：

式中，qab、分别表示第b个日用电量归一化前、后的数值；qa表示a个用电行为数据集合。

针对动态用电特征提取，将用电行为的日负载数据作为时间序列，采用基于模型的时间序列聚类方法来描述用电行为的动态特性，并将其划分成多个状态转换矩阵，大大减少了用电数据维度[16]。将用电量量化到经过MESCM 算法划分的固定负荷区间内，用字符表示各负荷等级，使得一天中所有时间段负荷值构成电网一天用电的用电量序列，可表示为：

式中，qt、qt-1分别表示第t个时间段的分割点；表示第t个时间段的平均用电量。将用电量构成的数据集进行归一化处理后，将高维度数据转换为短小连续字符串，达到数据降维的目的。

2.2 MESCM算法用电行为智能识别

选取电网静态与动态用电特征样本节点，构造数据源矩阵，在采样周期内，使用滑动时间窗采集电网用电异常行为数据，获取窗口矩阵，详细步骤如下：选取一组时间序列，将长为L的滑动窗口置于数据点的中心位置，并求出滑动窗口与数据点间的距离：

式中，d(yt)表示t时刻数据点到空间中心的距离。

设定一个阈值μ，如果avg(y(L)t)≤μ，那么滑动窗口将沿着时间序列向下一个单元移动，并同时标记数据点，集合全部数据点加入用电行为数据集。

由于电网用电时不会频繁打开用电设备，一旦开启某一个设备会保持一段时间。因此，可通过控制滑动窗口来缩短识别时间。滑动窗口结构如图1所示。

图1 滑动窗口结构

从图1 中可以看出，当滑动窗口接收到电力性能数据之后，将该窗口滑动至应答中的序号位置。

基于此，构建的智能识别函数可表示为：

式中，E(q)表示用电负荷特征矩阵；G表示用电特征数据库；R表示用电设备开关状态矩阵。根据上述公式预处理相关数据后，获取标准矩阵，并得到MESCM 样本协方差矩阵特征值。对比分析用电负荷特征值与样本协方差矩阵特征阈值，对超过阈值的特征归一到一个数据集合中，并计入零矩阵Z中；按照元素属性由大到小的顺序依次排列矩阵中元素，组成新的矩阵。充分考虑裕度，获取动态电网用电行为检测阈值，当检测到新的矩阵中出现元素大于检测阈值的情况时，可判定用电行为类别。

3 实 验

3.1 实验数据分析

选择用户日常用电较多的四类电器，分别是笔记本电脑、电冰箱、空调、电视，四类用电行为月累计用电量范围，如表1 所示。

表1 用电行为月累计用电量范围

用电行为月累计用电量范围中，用电量大于月平均用电量的时间属于用电峰值时间。因此，峰值阈值计算公式为：

式中，T表示采样总时间；qt表示第t个时间点所对应的用电量。根据该阈值为电网每个用电行为构建峰时频数向量，可表示为：

式中，mε24t表示在24 小时内不同时间段的峰值用电量天数。为了分析用电行为不同特征量，统计用电行为规律电网负荷峰值平均分布情况，曲线如图2 所示。

图2 用电行为电网负荷峰值平均分布曲线

由图2 可知，第一类用电行为持续一天，但在8～12 h 出现用电高峰；第二类用电行为从凌晨开始出现了三次用电高峰，分别是0～4、12～16、22～24 h；第三类用电行为较为特殊，维持时间较短，在0～4、12～16 h 出现了用电高峰；第四类用电行为具有一定规律性，始终存在用电高峰期。

3.2 实验结果与分析

为了验证基于MESCM 算法的电网用电行为智能识别方法，将其与基于近邻相似度图聚类识别方法、基于广义回归神经网络识别方法的用电行为识别结果进行对比分析，如图3 所示。

图3 三种方法用电行为识别结果对比分析

由图3 可知，使用基于近邻相似度图聚类识别方法、基于广义回归神经网络识别方法获取的电网负荷均与图2 所示数据不一致。而使用基于MESCM算法的电网用电行为智能识别方法获取的电网负荷均与图2 所示平均分布曲线一致，识别的用电行为分别是笔记本电脑、电冰箱、空调、电视，其中笔记本电脑与图2 所示数据存在5 kW 的最大误差。

4 结束语

该文提出了基于MESCM 算法的电网用电行为智能识别方法，基于M-P 律引入动态监测阈值，在保证计算精度的基础上，使用MESCM 算法智能识别电网用电行为。通过提取用电行为负荷特征，实现数据降维，结合滑动窗口实现电网用电行为智能识别。通过实验验证可知，该方法能够有效识别用电行为类别，避免在高信噪比下出现适用性差的问题出现。