基于多維度能耗分析的園區(qū)用戶畫像模型

張琳娟，許長清，王利利，李晨希

（1.國網(wǎng)河南省電力公司 經(jīng)濟(jì)技術(shù)研究院，河南 鄭州 450000；2.華北電力大學(xué)，北京 102206）

0 引言

2011年，國務(wù)院發(fā)布了《工業(yè)轉(zhuǎn)型升級規(guī)劃（2011-2015）》，大力推動園區(qū)建設(shè)，發(fā)展園區(qū)經(jīng)濟(jì)，打造主導(dǎo)產(chǎn)業(yè)集群，從而促進(jìn)調(diào)整產(chǎn)業(yè)結(jié)構(gòu)、改變經(jīng)濟(jì)增長方式，是較好的“經(jīng)濟(jì)驅(qū)動器”。治理環(huán)境污染和緩解能源緊缺問題，促進(jìn)了可再生能源的發(fā)展。2012年，國家能源局發(fā)布了《關(guān)于申報新能源示范城市和產(chǎn)業(yè)園區(qū)的通知》（國能新能[2012]156號），新能源成為園區(qū)中的重要供能資源。然而，由于園區(qū)數(shù)量的增多、用能需求的增大以及新能源帶來的隨機(jī)性，為電網(wǎng)企業(yè)的用能管理帶來巨大挑戰(zhàn)。此外，能源互聯(lián)網(wǎng)的發(fā)展推廣、電網(wǎng)各部分之間的緊密互聯(lián)以及用電數(shù)據(jù)的有效存儲，為供電服務(wù)信息化創(chuàng)造了有利條件，也為基于數(shù)據(jù)驅(qū)動模型提高電網(wǎng)用能管理和服務(wù)水平奠定了基礎(chǔ)[1]。

目前，畫像算法中最普遍的是用戶畫像算法。用戶畫像算法可以幫助使用者快速了解用戶特征并制定相應(yīng)管理方法。該算法在互聯(lián)網(wǎng)領(lǐng)域應(yīng)用較多，在圖書、旅游等領(lǐng)域也進(jìn)行了較多的實踐探索，并建立了各式各樣的為用戶推薦商品和服務(wù)的基于內(nèi)容的推薦系統(tǒng)、基于網(wǎng)站特征的推薦系統(tǒng)和基于隱變量的推薦系統(tǒng)等[2]～[7]。用戶畫像算法在電力領(lǐng)域也進(jìn)行了相關(guān)研究。文獻(xiàn)[8]對客戶用電特征進(jìn)行分類，建立客戶用電行為標(biāo)簽庫，對用戶標(biāo)簽采用模糊聚類算法實現(xiàn)用戶群體劃分，將劃分結(jié)果作為用戶畫像。文獻(xiàn)[9]，[10]通過特征間的相似度分析完成客戶用電行為的特征優(yōu)選，探索用戶聚類分析中聚類數(shù)量的最佳參數(shù)。文獻(xiàn)[11]提出了一種改進(jìn)的K-means算法，對用戶用電數(shù)據(jù)進(jìn)行分析，得到用戶典型用電特征曲線，實現(xiàn)對用戶的分類分析。文獻(xiàn)[12]基于95598大數(shù)據(jù)平臺分析電力用戶的用電特征，提出電力用戶的標(biāo)簽體系，實現(xiàn)用戶畫像。上述方法均在特定場景較好地解決了相應(yīng)問題。然而，受限于用戶層面，并沒有考慮群體的畫像分析，無法滿足園區(qū)層面提高管理水平的需要，也沒有考慮高比例可再生能源的接入情況對畫像結(jié)果的影響。

針對上述問題，本文提出了一種針對高比例光伏接入情況下的園區(qū)層次畫像構(gòu)建算法，從用電類別、業(yè)擴(kuò)報裝和需求響應(yīng)3個維度綜合分析用戶畫像。本文基于聚類算法分析園區(qū)畫像結(jié)果，借助光譜雙聚類算法實現(xiàn)用電類別的分析，基于負(fù)荷數(shù)據(jù)及光伏數(shù)據(jù)特點，分別建立負(fù)荷業(yè)擴(kuò)報裝需求評價指標(biāo)體系、光伏業(yè)擴(kuò)報裝需求評價指標(biāo)體系和需求響應(yīng)評價指標(biāo)體系。本文基于河南省物流園區(qū)、科技園區(qū)和工業(yè)園區(qū)的用戶數(shù)據(jù)完成算例分析，結(jié)果表明，園區(qū)用戶畫像算法可以展現(xiàn)不同園區(qū)的差異性，從而可以幫助制定園區(qū)用能管理和服務(wù)政策。

1 園區(qū)畫像算法流程

畫像構(gòu)建的第1步是數(shù)據(jù)的選取。本文提出的園區(qū)畫像算法旨在解決園區(qū)用能管理方面精準(zhǔn)服務(wù)水平不足的問題，因此選取和園區(qū)服務(wù)相關(guān)的數(shù)據(jù)進(jìn)行分析。選取園區(qū)用戶每天用電和園區(qū)用戶電力業(yè)務(wù)往來記錄兩方面的數(shù)據(jù)，前者包含用戶的用電行為和用能水平信息，后者包含與業(yè)擴(kuò)報裝、需求響應(yīng)等用電服務(wù)的相關(guān)信息。

畫像構(gòu)建的第2步是構(gòu)建用戶畫像，將其結(jié)果作為實現(xiàn)園區(qū)畫像的基礎(chǔ)。用戶畫像從用電服務(wù)涉及的用電類別、業(yè)擴(kuò)報裝需求和需求響應(yīng)3個方面進(jìn)行分析構(gòu)建。用電類別分析的是用戶用電習(xí)慣，幫助電網(wǎng)了解不同用戶的用電模式，指定供電方案；業(yè)擴(kuò)報裝需求分析的是用戶用能水平、預(yù)估用戶后續(xù)用能增長情況，幫助電網(wǎng)提前進(jìn)行規(guī)劃；需求響應(yīng)分析的是用戶參與電網(wǎng)調(diào)節(jié)的能力，幫助電網(wǎng)挖掘電力調(diào)節(jié)的潛力，降低電網(wǎng)供電波動，提高用戶的用電體驗滿意度。這3個維度的分析，共同為園區(qū)服務(wù)方案的制定提供基礎(chǔ)。

畫像構(gòu)建的第3步是園區(qū)畫像的構(gòu)建。園區(qū)畫像是在用戶畫像的結(jié)果上，利用K-means聚類算法，劃分群落；然后，統(tǒng)計不同群落的用戶數(shù)量占園區(qū)用戶總數(shù)的比例，將比例構(gòu)成的序列作為園區(qū)畫像分析結(jié)果。電網(wǎng)可以根據(jù)園區(qū)畫像，針對園區(qū)內(nèi)群落構(gòu)成情況，配置相應(yīng)的服務(wù)方式，使園區(qū)服務(wù)更好地與園區(qū)情況相配合，利于園區(qū)生產(chǎn)及園區(qū)經(jīng)濟(jì)發(fā)展。園區(qū)畫像整體構(gòu)建流程如圖1所示。

圖1 園區(qū)畫像構(gòu)建流程Fig.1 Park portrait construction process

2 用戶畫像的構(gòu)建

2.1 用戶用電類別分析

用電類別分析的目的是區(qū)分不同用戶的典型用電行為模式，歸類總結(jié)用戶的用電習(xí)慣，從而幫助供電公司配合用戶用電習(xí)慣提供個性化的供能服務(wù)。

通過觀察分析，用于構(gòu)建畫像的用電數(shù)據(jù)存在以下特征：園區(qū)中不同用戶的遷入遷出時間不同，數(shù)據(jù)的時間跨度不同；園區(qū)中用戶的用電數(shù)據(jù)量大，不同用戶包含的數(shù)據(jù)量不一致；園區(qū)中用戶用電數(shù)據(jù)缺乏專業(yè)的標(biāo)簽作為方向指導(dǎo)。這些特征導(dǎo)致神經(jīng)網(wǎng)絡(luò)和時間序列分析的相關(guān)算法難以應(yīng)用于園區(qū)畫像分析中。聚類算法能有效處理數(shù)據(jù)量不一的無標(biāo)簽數(shù)據(jù)，因此使用聚類算法分析用戶用電行為數(shù)據(jù)。傳統(tǒng)聚類算法是將數(shù)據(jù)視作一個整體，計算數(shù)據(jù)間的距離進(jìn)行聚類，忽略了數(shù)據(jù)內(nèi)部的結(jié)構(gòu)差異，使傳統(tǒng)聚類算法無法滿足局部特征分析的需求。光譜雙聚類算法克服了傳統(tǒng)聚類算法的不足，可以在用戶用電日期和用電時間兩個方向?qū)τ秒姅?shù)據(jù)同時進(jìn)行聚類，完成用戶用電波動的局部相似性聚類分析[13]。光譜雙聚類算法的流程如圖2所示。

圖2 光譜雙聚類算法流程Fig.2 The chart of spectral biclustering clustering algorithm

2.1.1雙隨機(jī)歸一化方法

雙隨機(jī)歸一化方法能對行和列同時進(jìn)行歸一化。使用該方法能在不破壞用電數(shù)據(jù)局部特征信息的條件下降低全局特征信息對尋找局部特征信息的干擾。算法具體流程如下。

①設(shè)迭代次數(shù)為k，并令k=1，下列矩陣的上標(biāo)代表第k次迭代。

④更新迭代結(jié)果。令A(yù)k=Ank，此時迭代得到的結(jié)果即為Ak。

⑤當(dāng)滿足Dik中任意值都小于ε或k=K時停止迭代，得到歸一化結(jié)果Ak，否則重復(fù)步驟②～④的計算過程。其中，ε為預(yù)設(shè)的閾值，K為預(yù)設(shè)的最大迭代次數(shù)。

⑥達(dá)到最大迭代次數(shù)的矩陣AK即歸一化后數(shù)據(jù)矩陣A。

數(shù)據(jù)矩陣A是剔除無關(guān)信息后的干凈數(shù)據(jù)，與后續(xù)算法結(jié)果結(jié)合，轉(zhuǎn)換到合適的代數(shù)空間中，用于聚類分析。

2.1.2奇異值分解算法

奇異值分解算法（SVD分解）可以將矩陣分解為特征向量組和特征值矩陣乘積的形式。使用SVD算法將用電數(shù)據(jù)的歸一化矩陣分解為3個矩陣U，V，Σ。其中，U和V是特征向量組，分別包含用電數(shù)據(jù)在用戶用電日期和用戶用電時間兩個方向上的數(shù)據(jù)特征信息；Σ為特征值矩陣，矩陣中特征值越大，所對應(yīng)的特征向量包含的信息越多，對于構(gòu)建數(shù)據(jù)矩陣越重要。由于最大特征值對應(yīng)的特征向量包含的特征信息最多，其中有全年用電趨勢、電網(wǎng)整體波動等大量全局特征信息，對分析用戶不同用電時間下的局部特征無意義，所以須要將其剔除。

2.1.3用K-means聚類算法篩選用于數(shù)據(jù)變換的向量組

借助K-means聚類算法對分解得到的U，V矩陣進(jìn)行K-means聚類，分別篩選得到在用電日期和用電時間分析所使用的特征向量組。其中，根據(jù)聚類的簇內(nèi)差異，挑選聚類結(jié)果最緊湊的前N_best個向量，即用于進(jìn)行數(shù)據(jù)變換的向量組V_tr，從而完成篩選。向量留存數(shù)N_best代表經(jīng)過篩選保留的特征向量數(shù)目。保留的向量數(shù)量越多，則保留的用戶用電信息越多，越有利于后續(xù)分類。但是，數(shù)量過多會增加計算量，加大對全局信息的干擾。因此須要根據(jù)數(shù)據(jù)情況選取向量保留數(shù)量。

將通過U篩選得到的特征向量組V_tr和歸一化數(shù)據(jù)矩陣A相乘得到結(jié)果Pr。特征向量組V_tr將用戶用電的歸一化數(shù)據(jù)矩陣轉(zhuǎn)換到合適的代數(shù)空間中，便于對數(shù)據(jù)矩陣進(jìn)行聚類分析。

對結(jié)果Pr進(jìn)行K-means聚類，聚類結(jié)果為用戶每天用電情況的類別。對用戶每天的用電類別進(jìn)行統(tǒng)計，出現(xiàn)次數(shù)最多的用電類別即為用戶的常見用電類別，代表著用戶的用電習(xí)慣。由于不同行業(yè)的用戶的無功、有功消耗方式不同，因此從無功和有功兩個角度進(jìn)行聚類分析，將無功用電類別、有功用電類別作為用戶的用電類別畫像結(jié)果。

2.2 用戶業(yè)擴(kuò)報裝需求分析

業(yè)擴(kuò)報裝需求分析使用的數(shù)據(jù)主要包括新裝需求數(shù)據(jù)與增加需求數(shù)據(jù)。新裝需求是指用電的申請者就所需耗能，申請與供電企業(yè)建立新的供用能關(guān)系；增加需求是指原有用戶因原協(xié)議約定的用能容量或注冊容量不能滿足用能需求，申請增加用能容量。由于用戶擁有負(fù)荷及光伏發(fā)電裝置，因此須研究用戶負(fù)荷的業(yè)擴(kuò)報裝需求及光伏發(fā)電的業(yè)擴(kuò)報裝需求。負(fù)荷業(yè)擴(kuò)報裝需求和光伏發(fā)電業(yè)擴(kuò)報裝需求的分析方式相同，所以僅以負(fù)荷的業(yè)擴(kuò)報裝需求分析為例介紹算法流程。

為了分析用戶負(fù)荷的業(yè)擴(kuò)報裝需求增長趨勢，須要預(yù)測用戶中長期的負(fù)荷水平。然而，單獨使用某種預(yù)測方法得到的中長期負(fù)荷預(yù)測結(jié)果與實際結(jié)果的誤差較大，因此，本文采用基于等權(quán)遞歸理論的組合預(yù)測模型，將Logistic曲線模型和改進(jìn)灰色Verhulst模型相結(jié)合，對電力用戶未來3年的用電量以及年最大負(fù)荷進(jìn)行預(yù)測[14]，[15]。

將預(yù)測得到的結(jié)果與當(dāng)前用電負(fù)荷規(guī)模進(jìn)行比較，得到評價用戶業(yè)擴(kuò)報裝需求程度的年平均用電量增長率和年平均最大負(fù)荷增長率兩個主要指標(biāo)。此外，當(dāng)前最大負(fù)荷規(guī)模以及未來3年的最大負(fù)荷預(yù)測規(guī)模分別與當(dāng)前合同運行容量進(jìn)行比較，可得到另外兩個評價指標(biāo)：變壓器當(dāng)前負(fù)載率和變壓器未來3年預(yù)期負(fù)載率。上述4個指標(biāo)的計算如式（5）所示。

式中：Grate1，Grate2分別為用戶年平均用電量增長率和年平均最大負(fù)荷增長率；Lrate1，Lrate2分別為變壓器當(dāng)前負(fù)載率和變壓器未來3年預(yù)期負(fù)載率；Q，Q1，Q2，Q3分別為用戶當(dāng)前年用電量和未來1，2，3年用電量的預(yù)測值；P，P1，P2，P3分別為用戶當(dāng)前年最大負(fù)荷和未來1，2，3年最大負(fù)荷的預(yù)測值；Pmax為用戶當(dāng)前合同運行容量。

園區(qū)用戶負(fù)荷業(yè)擴(kuò)報裝需求評價結(jié)果評價指標(biāo)體系如表1所示。

表1 業(yè)擴(kuò)報裝需求評價結(jié)果的評價指標(biāo)體系Table 1 Evaluation index system of business expansion demand

根據(jù)實際經(jīng)驗賦予指標(biāo)權(quán)重，并對指標(biāo)進(jìn)行加權(quán)求和，其結(jié)果命名為負(fù)荷業(yè)擴(kuò)報裝需求評價結(jié)果。

海洋油氣資源開發(fā)是服務(wù)海洋強(qiáng)國戰(zhàn)略和“一帶一路”倡議的具體體現(xiàn)，對實現(xiàn)國家能源戰(zhàn)略、維護(hù)國家權(quán)益等具有重要意義?；葜莺Ｊ戮直痔峁I(yè)優(yōu)質(zhì)高效的海事服務(wù)理念，積極采取多種有效措施，不斷提高海事監(jiān)管服務(wù)水平，與有關(guān)企業(yè)共同努力解決存在的安全隱患，大力助推海洋石油勘探事業(yè)的發(fā)展。

光伏業(yè)擴(kuò)報裝需求分析即是根據(jù)用戶光伏歷史出力、用戶年最大光伏出力預(yù)測未來3年的光伏出力、最大光伏出力。與負(fù)荷業(yè)擴(kuò)報裝需求分析類似，分別得到年平均光伏出力增長率、年平均最大光伏出力增長率2個指標(biāo)，實現(xiàn)園區(qū)用戶光伏業(yè)擴(kuò)報裝需求評價分析。

2.3 用戶需求響應(yīng)分析

需求響應(yīng)體現(xiàn)了用戶參與電力系統(tǒng)削峰填谷過程中的調(diào)節(jié)能力。擁有光伏發(fā)電裝置的園區(qū)用戶除了通過調(diào)節(jié)負(fù)荷參與需求響應(yīng)外，還可以與電網(wǎng)進(jìn)行電力交易，售出多余光伏出力。因此，選取負(fù)荷模式、降負(fù)荷率、分時用電量變異系數(shù)、停電總時長和光伏出力交易量5個指標(biāo)評估用戶的需求響應(yīng)能力。負(fù)荷模式指的是用戶的典型用電波動；降負(fù)荷率是不同行業(yè)的可改變負(fù)荷水平占當(dāng)前總負(fù)荷水平的比率；分時用電量變異系數(shù)是用電波動變化大小的評估結(jié)果；停電總時長是用戶一年里停電時間；光伏出力交易量是用戶一年內(nèi)可與電網(wǎng)交易的光伏電量。

用戶的最小負(fù)荷用電模式是指用戶所有典型的日負(fù)荷模式中總負(fù)荷最小的負(fù)荷模式。用戶所有負(fù)荷用電模式和最小負(fù)荷用電模式之差的積分就是用戶潛在的用電負(fù)荷水平：

式中：Pmin（t）為用戶的最小負(fù)荷用電模式t時刻的功率；Cg（t）為用戶最小負(fù)荷用電模式t時刻的功率，其所有時刻功率的積分是M個日負(fù)荷模式里最小的；Cm（t）為用戶的第m類負(fù)荷模式t時刻的功率；M為用戶典型日負(fù)荷模式的總數(shù)量。

用戶的需求響應(yīng)潛力為

式中：DRP1為用戶的基準(zhǔn)負(fù)荷偏差；Nm為第m類負(fù)荷模式下相似日的總數(shù)量。

降負(fù)荷率是不同行業(yè)當(dāng)前負(fù)荷水平的可改變負(fù)荷水平占總負(fù)荷的比率。基于降負(fù)荷率的用戶需求響應(yīng)水平的計算流程見文獻(xiàn)[16]。根據(jù)文獻(xiàn)計算得到降負(fù)荷潛力DRP2。

分時用電量變異系數(shù)反映用戶在峰、谷、平3種時段的用電波動水平，用電量變異系數(shù)越大，用戶用電波動水平越大，負(fù)荷轉(zhuǎn)移的空間就越大，即需求響應(yīng)能力就越高。

用戶峰、谷、平分時用電量的變異系數(shù)如式（9）所示。

式中：CV1為用戶峰、谷、平分時用電量的變異系數(shù)；SD1為用戶峰、谷、平分時用電量的標(biāo)準(zhǔn)差；MN1為用戶峰、谷、平分時用電量的平均值。

園區(qū)內(nèi)電力用戶的停電總時長St在一定程度上也可以反映用戶的需求響應(yīng)能力，用戶停電總時長越長，說明用戶更容易接受區(qū)域電網(wǎng)運營商下達(dá)的切負(fù)荷命令。

擁有光伏發(fā)電裝置的用戶通過售出多余光伏出力參與電力市場交易，實現(xiàn)需求響應(yīng)。光伏出力交易量的計算式為

式中：pij為用戶第i天、第j時的光伏出力交易量，其值為光伏出力與用戶負(fù)荷之差，僅取正值。

園區(qū)電力用戶需求響應(yīng)評價指標(biāo)體系示于表2。分別賦予5個指標(biāo)權(quán)重并進(jìn)行加權(quán)求和，并將結(jié)果命名為需求響應(yīng)評價結(jié)果E，作為用戶需求響應(yīng)評價結(jié)果。

3 算例分析

基于河南省鄭州市及焦作市的工業(yè)園區(qū)、科技園區(qū)、物流園區(qū)9萬條用戶用電數(shù)據(jù)進(jìn)行算例分析。用電類別模型在python3.7.4的環(huán)境下，使用0.21.3版本的sklearn庫完成分析編寫。業(yè)擴(kuò)報裝需求特征的分析模型、需求響應(yīng)潛力特征的分析模型在MATLAB 2017a環(huán)境下完成編寫計算。首先須要對算例使用的數(shù)據(jù)進(jìn)行預(yù)處理，由于不同用戶的用電等級不同，數(shù)據(jù)中的數(shù)值單位不同，要轉(zhuǎn)換為同一單位；其次，由于存在用電數(shù)據(jù)的缺失，即有部分記錄缺少無功消耗數(shù)據(jù)，須要將其剔除；最后，因部分用戶的用電數(shù)據(jù)極少，且波動極大，為避免對后續(xù)分析產(chǎn)生較大干擾，也將其剔除。

3.1 園區(qū)用電類別特征分析

雙聚類算法簇的數(shù)量選為6，7時，分類結(jié)果的內(nèi)部差異較大；選為9，10時，會出現(xiàn)較多相似類型的分類結(jié)果；因此，簇的數(shù)量選為8。分類結(jié)果如圖3所示。由于用電數(shù)據(jù)為每15 min采樣一次，圖3中橫軸共96個采樣點；將同一類用電數(shù)據(jù)按采樣點計算均值，即縱軸所示為功率。有功聚類結(jié)果的單位為kW，無功聚類結(jié)果的單位為kVar。

圖3 用戶用電數(shù)據(jù)聚類結(jié)果Fig.3 Behavior data clustering results

統(tǒng)計用戶每天有功用電類別出現(xiàn)次數(shù)，出現(xiàn)次數(shù)最多的類別為用戶有功用電類別。用戶的用電類別分類結(jié)果為無功用電類別、有功用電類別組合。此時，已經(jīng)根據(jù)用電類別完成用戶群落劃分，所以不須要聚類，直接統(tǒng)計不同類別的用戶占園區(qū)用戶總數(shù)的比例。3個園區(qū)的計算結(jié)果如表3所示，其構(gòu)成的序列作為園區(qū)用電類別畫像。表3中只列出3個園區(qū)中存在的用電類別。

表3 園區(qū)用電行為特征序列Table 3 Characteristic sequence of electricity consumption in the park

由表3可以看出，園區(qū)中大多數(shù)用戶屬于（1，1）類型。結(jié)合圖3分析可知，該類型多為用戶全天平穩(wěn)生產(chǎn)的大工業(yè)用電用戶，其無功和有功用電都非常平穩(wěn)。其中，（1，1），（1，5），（5，8），（7，7）占比較多，說明大部分用戶的有功和無功用電波動是趨于一致的。根據(jù)表3結(jié)果進(jìn)行對比可知，3個園區(qū)中物流園區(qū)的用電最穩(wěn)定，工業(yè)園區(qū)的用電模式最多樣，科技園區(qū)存在有功和無功用電波動變化較為劇烈的用戶。

3.2 業(yè)擴(kuò)報裝需求特征分析

利用業(yè)擴(kuò)報裝需求特征分析的算法可以得到每個用戶的負(fù)荷業(yè)擴(kuò)報裝需求評價結(jié)果和光伏業(yè)擴(kuò)報裝需求評價結(jié)果。為了便于了解園區(qū)內(nèi)用戶業(yè)擴(kuò)報裝需求水平的分布情況，基于已得到業(yè)擴(kuò)報裝需求結(jié)果，使用K-means聚類算法分析。當(dāng)聚類數(shù)量為3時，類間誤差不再出現(xiàn)顯著下降，此時的聚類結(jié)果較好。因此選取聚類數(shù)量為3的結(jié)果作為園區(qū)聚類分析依據(jù)，聚類結(jié)果如圖4所示。

圖4 負(fù)荷業(yè)擴(kuò)報裝需求評價聚類結(jié)果Fig.4 Clustering results of business expansion and installation demand evaluation

在此基礎(chǔ)上，計算園區(qū)內(nèi)不同類型業(yè)擴(kuò)報裝需求的用戶占園區(qū)用戶總數(shù)的比例。這3個比例構(gòu)成的序列包含園區(qū)用戶的業(yè)擴(kuò)報裝需求水平分布結(jié)構(gòu)特征，作為園區(qū)業(yè)擴(kuò)報裝需求畫像結(jié)果（表4）。

從表4可以看出，科技園區(qū)和物流園區(qū)低水平業(yè)擴(kuò)報裝需求的用戶占大多數(shù)，說明園區(qū)內(nèi)用戶的業(yè)擴(kuò)報裝需求都處于較低水平；工業(yè)園區(qū)中業(yè)擴(kuò)報裝需求位于中水平和高水平的用戶總數(shù)遠(yuǎn)高于位于低水平的用戶的數(shù)量。這表明工業(yè)園區(qū)中大部分用戶有較高的負(fù)荷業(yè)擴(kuò)報裝需求。

光伏業(yè)擴(kuò)報裝需求分析與負(fù)荷業(yè)擴(kuò)報裝的分析方式相同，部分用戶的光伏發(fā)電出力曲線如圖5所示。

圖5 部分用戶的光伏發(fā)電出力曲線Fig.5 PV output curve of some users

從圖5可以看出，用戶光伏出力曲線呈現(xiàn)出單峰型，出力的高峰在12：00左右；在0：00-6：00和20：00-24：00光伏出力功率基本為零。光伏發(fā)電裝置從6：00左右開始出力，出力功率不斷增加，到12：00左右達(dá)到高峰；之后不斷減小，出力功率在16：00-20：00接近為零。光伏出力功率曲線存在波動性，出力曲線不完全一致。

可以將用戶光伏業(yè)擴(kuò)報裝需求結(jié)果劃分為低水平、中水平、高水平3類。光伏業(yè)擴(kuò)報裝需求序列如表5所示。

表5 光伏業(yè)擴(kuò)報裝需求序列Table 5 The business expansion and installation demand sequence of PV

從表5可以看出，3個園區(qū)中均是光伏業(yè)擴(kuò)報裝需求為低水平的用戶占比較高，表明3個園區(qū)的光伏業(yè)擴(kuò)報裝需求均較低。鄭州高新技術(shù)開發(fā)區(qū)中水平和高水平光伏業(yè)擴(kuò)報裝需求用戶的占比均高于工業(yè)園區(qū)和物流園區(qū)，說明高新技術(shù)開發(fā)區(qū)與其他兩個園區(qū)相比，更傾向于使用光伏等清潔能源。

3.3 園區(qū)需求響應(yīng)特征分析

與業(yè)擴(kuò)報裝需求特征中的分析思路相似，得到園區(qū)內(nèi)所有用戶的需求響應(yīng)評價結(jié)果后，對其進(jìn)行K-means聚類，聚類數(shù)量選為3時，聚類效果較好。需求響應(yīng)評價聚類結(jié)果如圖6所示。

圖6 需求響應(yīng)評價聚類結(jié)果Fig.6 Clustering results of demand response evaluation

統(tǒng)計園區(qū)內(nèi)不同需求響應(yīng)水平的用戶數(shù)量占園區(qū)用戶總數(shù)的比例，其結(jié)果構(gòu)成的序列作為園區(qū)需求響應(yīng)畫像結(jié)果（表6）。

表6 需求響應(yīng)序列Table 6 Demand response sequence

從表6中可見，3個園區(qū)中均是需求響應(yīng)能力為低水平的用戶占比較高，表明3個園區(qū)的需求響應(yīng)能力均較低。鄭州高新技術(shù)開發(fā)區(qū)中水平和高水平需求響應(yīng)能力用戶的占比均高于工業(yè)園區(qū)和物流園區(qū)，說明高新技術(shù)開發(fā)區(qū)與其他兩個園區(qū)相比，更傾向于參與電力市場交易。

綜合考慮上述3個維度的分析結(jié)果提出3點建議。第一，焦作工業(yè)產(chǎn)業(yè)集聚區(qū)的負(fù)荷業(yè)擴(kuò)報裝需求較高，可為其預(yù)先配置配電設(shè)備容量。第二，鄭州高新技術(shù)開發(fā)區(qū)的光伏業(yè)擴(kuò)報裝需求較高，須提前考慮高比例光伏接入對電網(wǎng)帶來的影響。該園區(qū)中接近30%的用戶存在需求響應(yīng)潛力，可以嘗試提出負(fù)荷轉(zhuǎn)移的相關(guān)合同。第三，鄭州國際物流園區(qū)在用電類別、業(yè)擴(kuò)報裝、需求響應(yīng)上表現(xiàn)出較高的穩(wěn)定性，對其相關(guān)服務(wù)可以延后，無須投入較多人力物力進(jìn)行提前準(zhǔn)備工作。

4 結(jié)束語

本文提出了基于聚類的多維度園區(qū)畫像模型，并根據(jù)河南省鄭州市和焦作市的園區(qū)進(jìn)行算例分析，得到以下結(jié)論。

①不同類型的園區(qū)具有不同的用戶分布特征，但園區(qū)內(nèi)用戶在用能方面基本保持穩(wěn)定。

②物流園區(qū)與其他園區(qū)相比，用能更穩(wěn)定、需求響應(yīng)評價結(jié)果和業(yè)擴(kuò)報裝需求評價結(jié)果更低。

③高新技術(shù)園區(qū)具有更高的光伏業(yè)擴(kuò)報裝需求及需求響應(yīng)能力。

研究結(jié)論表明，基于聚類的多維度園區(qū)畫像模型可以實現(xiàn)高比例光伏接入下的園區(qū)多個維度特征的量化，其分析結(jié)果具有一定的現(xiàn)實解釋價值。供電公司可以基于園區(qū)畫像技術(shù)實現(xiàn)差異化、個性化的供電服務(wù)。