一种大用户直购电环境下用户优先级分类方法与流程

本发明属于电力用户分类技术领域，尤其涉及一种大用户直购电优先级分类的方法。

背景技术：

大用户直购电，又称大用户与发电企业直接交易，是指电厂和终端购电大用户之间通过直接交易的形式决定购电电量和电价，然后委托电网企业将协议电量由发电企业输配至终端购电大用户，并另支付电网企业所承担的输配服务；目前国内的大用户直购电过多地强调准入大用户的用电规模，虽然在各地的交易实施方案中均明文规定“参与直接交易的大用户应符合国家产业政策、在同行业内单位产值能耗低、污染排放小”，但均为定性而谈，在实际中将涉及到如何进行具体划分的问题。

技术实现要素：

针对背景技术中的问题，本发明提出一种大用户直购电环境下用户优先级分类方法，建立了大用户直购电优先级的评价指标体系，从多指标量化大用户的优先级，解决了现在只有定性标准的问题。

为实现上述目的，本发明提出如下技术方案：

一种大用户直购电环境下用户优先级分类方法，所述方法包括如下步骤：

(S1)从多个方面选取指标，建立大用户优先级评价指标体系以及随大用户进行量化评价；

(S2)将大用户聚类分析；

(S3)将各类大用户作为一个整体，对其优先级进行评价；

在所述步骤(S1)中，又包括以下步骤：

(S1-1)对大用户直购电的准入条件做定性分析；

(S1-2)提炼评价指标，建立大用户直购电优先级指标评价体系；

(S1-3)对大用户直购电优先级指标进行量化。

进一步地，在所述步骤(S1-1)中，对参与直购电的大用户进行界定如下：

参与直购电的大用户首先应具备2个特征：合法性和独立性；合法性是指大用户必须是依法登记注册的，有一定的组织机构和独立的财产，享有一定的权利和承担一定义务的实体；独立性指其必须是依法自主经营、自负盈亏、独立核算的经济组织；

大用户的用电特性方面，初期参与直购电的大用户应该是年用电量大、电压等级高、负荷曲线较为平稳的用户

大用户的可持续发展情况，包括两方面的指标，一是用户的经营情况，也就是说参与直购电的大用户必须是盈利的；二是用户环境污染和能耗水平，即大用户应符合国家产业政策、单位产值能耗低、污染排放小；

大用户的信用状况，主要是指用户是否按时缴纳电费；

大用户的负荷重要性，优先允许负荷重要性大的企业参与直购电。

进一步地，在所述步骤(S1-2)中，大用户优先级包括信用情况、环保情况、用电情况、负荷重要性；

所述信用情况包括守合同重信用连续年份、累计电费回收率；

所述环保情况包括废水排放量、废气排放量、废渣排放量；

所述用电情况包括电压等级、年用电量、最大负荷、用电负荷率、用电波动情况；

所述负荷重要性包括错峰用电类型。

进一步地，在所述步骤(S1-3)中，对大用户直购电优先级指标进行量化，包括：

(1)用电情况

选取电压等级S₁(kV)、年用电量S₂(万kWh)、年最大负荷S₃(kVA)、年用电负荷率S₄和年用电波动率S₅这五个指标表征大用户的用电情况；其中，年用电负荷率S₄和年用电波动率S₅的表达式如式(1)和式(2)：

式中:(万kWh)为月用电量的平均值，L_i(万kWh)为该大用户第i个月的用电量；S₅为该大用户月用电量的标准差除以月平均用电量，表征的是用户的月用电量的波动性及周期性；

用户的电压等级一般分为不满1千伏、1-10千伏、35-110千伏、110千伏和220千伏及以上5类；相应地，将S₁的量化值分别记为1、2、3、4和5；

(2)环保情况

记环保指标为S₆，其下包含3个子指标:废水排放指标S₆₁、废气排放指标S₆₂和废渣排放指标S₆₃；S₆的计算如下:

各子指标的计算如式(5)所示:

式中：S_i是第i种污染物的排放量，i＝1,2,3，和分别表示国家规定的此类污染物排放的上限和下限；

(3)信用情况

将用户连续获得“守合同重信用”称号的年数作为衡量用户信用情况的指标之一，记为S₇；将累计电费回收率S₈作为表征用户信用情况的又一指标，具体公式为：

(4)负荷重要性

用企业错峰用电类别表征负荷的重要性，记为S₉；企业的错峰用电类别有优保、A类、B类、C类及限电类，相应的量化值分别为5、4、3、2和1。

进一步地，在所述步骤(S2)中，采用基于SOM的K-means聚类算法；所述基于SOM的K-means聚类算法属于两阶段计算方法：

第一阶段，由SOM初聚类，输入层节点数等于样本维数，即大用户优先级评价的指标数，输出节点数P自定义，一般应大于聚类数；

(5.1)初始化连接权重向量：设W_j，其中j＝1,2,...,p，为连接输入节点到第j个输出节点的权值向量，对其赋予随机初值，并令循环训练次数计数器t＝1；

(5.2)计算输入向量X和各权值向量W_j的欧氏距离，得到距离最小的连接权重向量W_g，输出节点g即为在此次训练中获胜的神经元:

||X_i-W_g||＝min||X_i-W_j|| (7)

(5.3)以竞争获胜的神经元g为中心取拓扑邻域，邻域内的神经元为被激活的神经元用式(8)对其连接权重进行更新:

W_j(t+1)＝W_j(t)+η(t)h_gj(t)[X_i(t)-W_j(t)] (8)

式中:X_i(t)为第t次输入向量，W_j(t)为第t次的权重，η(t)为第t次训练神经网络的学习率，h_gj(t)为获胜神经元g的邻域函数；

(5.4)经过反复训练，并随着训练次数的增加逐步减小学习率、缩小拓扑邻域，直至连续两次训练的权值误差小于阂值或达到最大训练步数停止，输出各输出节点的连接权重W_j；

第二阶段，将第一阶段的输出结果，作为K-means算法的候选初始聚类中心，并取最终聚类数K＝4进行迭代；

(ⅰ)假设数据样本集的大小为n，各样本向量记为X_i,i＝1,2,…，n；令迭代计数I＝1，从SOM聚类的输出结果中选取K个向量作为初始聚类中心，记为Z_j(I)，j＝1,2,...,K；

(ⅱ)计算聚类中心与每一个数据样本距离:D(Xi，Z_j(I))，i＝1,2，……，n；j＝1,2,……,K；如果满足D(X_i,Z_m(I))＝min{D(X_i,Z_j(I))}，i＝1,2,……，n，则X_i∈Ω_m；

(ⅲ)计算误差平方和准则函数J_c:

(ⅳ)判断算法结束条件:如果||Jc(I)-Jc(I-1)||＜ξ，ξ为一极小的正数，则表示算法结束；否则，I＝I+1，重新计算K个新的聚类中心，并返回(5.2)，新的聚类中心计算公式为:

式中：n_j为属于第j类的样本个数。

进一步地，在所述步骤(S3)中，采用基于改进的AHP对一具有m个指标的n个样本进行综合评价，具体步骤如下：

(6.1)原始数据的归一化处理

采用标准0-1变换进行归一化处理，假设第i个样本的第j个指标记为X_ij，归一化后记为X_ij*；

若该指标为正相关指标，即指标值越大越好，则指标的归一化公式为:

式中：i＝1,2，……，n；j＝1,2，……，m；

若该指标为负相关指标，即指标值越小越好，则指标的归一化公式为:

式中：i＝1,2，……，n；j＝1,2，……，m；

(6.2)采用改进的AHP，得到各指标的权重向量ω＝[ω₁,ω₂,……，ω_m]，进而构建加权规范阵Y＝(y_ij)_n×m,

式中：i＝1,2，……，n；j＝1,2，……，m；

(6.3)求取“虚拟最优解”A+和“虚拟最劣解”A-；若记“虚拟最优解”A+的第j个指标值为“虚拟最劣解”A+的第j个指标值为则

式中：i＝1,2，……，n；

式中：i＝1,2，……，n；

(6.4)计算各样本到“虚拟最优解”A+和“虚拟最劣解”A-的欧式距离：

式中:和分别为第d个样本到“虚拟最优解”和“虚拟最劣解”的距离；

(6.5)计算各样本与虚拟解的贴近度T_i:

T_i在0与1间取值，按照T_i大小对各样本进行排序，T_i越大表明解所代表的方案越接近最优方案，远离最劣方案；参考排序结果确定最终方案。

进一步地，在所述步骤(6.2)中，对于n个样本，m个指标的评价问题，所述改进的AHP的具体步骤如下:

(7.1)采用三标度法构建比较矩阵A，矩阵A的元素取值a_ij为:

(7.2)计算各指标的重要性排序指数ri并构建判断矩阵B；重要性排序指数的计算为:

式中r_i为矩阵A中第i行元素之和，取r_max＝max{ri},r_min＝min{ri}；

判断矩阵B中的元素bij为:

式中：k_m＝r_max/r_min；

(7.3)求判断矩阵的最优传递矩阵C，其元素C_ij为:

(7.4)求判断矩阵B的拟优一致矩阵D,D的最大特征值对应的特征向量归一化处理后即可得到各指标的权重；拟优一致矩阵的元素d_ij为:

d_ij＝10^cij (15)

本发明的有益效果在于：一种大用户直购电环境下用户优先级分类方法从多个方面选取指标，建立全面、合理的大用户优先级评价指标体系以及随大用户进行量化评价，从多指标量化大用户的优先级，解决了现在只有定性标准的问题，从而可以从信用情况、环保情况、用电情况、负荷重要性等各个具体的方面对大用户进行量化评价。

附图说明

图1是大用户优先级评价指标体系示意图；

图2是虚拟最优解和虚拟最劣解示意图；

图3是大用户优先级分类的算法流程图。

具体实施方式

下面结合附图，对本发明的具体实施方案作详细的阐述。

本发明提供一种大用户直购电优先级分类方法，具体步骤如下：

S1、从多个方面选取指标，建立全面、合理的大用户优先级评价指标体系以及随大用户进行量化评价；所述步骤又包括以下步骤：

S1-1、对大用户直购电的准入条件做定性分析；

开展大用户直购电首当其冲的就是要弄清楚不同时期市场主体的界定，即不同时期参与直购电的发电厂及大用户的条件。

我国大用户数目众多，除了考虑用电量，供电电压、用电负荷、节能减排等标准外，还应在其他方面对参与直购电的大用户进行界定，具体如下：

(1)参与直购电的大用户首先应具备2个特征：合法性和独立性；合法性是指大用户必须是依法登记注册的，有一定的组织机构和独立的财产，享有一定的权利和承担一定义务的实体；独立性指其必须是依法自主经营、自负盈亏、独立核算的经济组织；

(2)大用户的用电特性方面，初期参与直购电的大用户应该是年用电量大、电压等级高、负荷曲线较为平稳的用户；

(3)大用户的可持续发展情况；这里包括两方面的指标，一是用户的经营情况，也就是说参与直购电的大用户必须是盈利的；二是用户环境污染和能耗水平，即大用户应符合国家产业政策、单位产值能耗低、污染排放小；

(4)大用户的信用状况，主要是指用户是否按时缴纳电费；

(5)大用户的负荷重要性；一旦某大用户参与直购电并与某电厂达成协议，那么该电厂的这部分出力便被固化了，如果初期允许大量本应错峰限电的用户参与直购电，无疑对电网的安全调度来说是个挑战，因此，应优先允许负荷重要性大的企业(如优保类电力用户)参与直购电。

S1-2、提炼评价指标，建立大用户直购电优先级指标评价体系；

根据S1-1对大用户的准入条件做了定性的描述，这里将前文的内容进行概括、提炼评价指标；如附图1所示，大用户优先级包括信用情况、环保情况、用电情况、负荷重要性；所述信用情况包括守合同重信用连续年份、累计电费回收率；所述环保情况包括废水排放量、废气排放量、废渣排放量；所述用电情况包括电压等级、年用电量、最大负荷、用电负荷率、用电波动情况；所述负荷重要性包括错峰用电类型。

S1-3、对大用户直购电优先级指标进行量化：

1)用电情况

从国外的经验可知，输电网的开放顺序总是从用电量大的用户到用电量小的用户、从电压等级高的用户到电压等级低的用户；此外，初期参与直购电的用户应为负荷曲线较为平坦的用户，这样交易的技术要求较低；因此，这里选取了电压等级S₁(kV)、年用电量S₂(万kWh)、年最大负荷S₃(kVA)、年用电负荷率S₄和年用电波动率S₅这五个指标表征大用户的用电情况；其中，年用电负荷率S₄和年用电波动率S₅的表达式如式(1)和式(2):

式中:(万kWh)为月用电量的平均值，L_i(万kWh)为该大用户第i个月的用电量；可见，S₅为该大用户月用电量的标准差除以月平均用电量，表征的是用户的月用电量的波动性及周期性；

用户的电压等级一般分为不满1千伏、1-10千伏、35-110千伏、110千伏和220千伏及以上5类；为了方便计算，相应地，将S₁的量化值分别记为1、2、3、4和5。

2)环保情况

目前已出台的直购电相关文件中均要求现阶段参与直购电的大用户符合环保政策，故用户的环保指标越好，优先级就应该越高；记环保指标为S₆，其下包含3个子指标:废水排放指标S₆₁、废气排放指标S₆₂和废渣排放指标S₆₃；S₆的计算如下:

各子指标的计算如式(5)所示:

式中:S_i是第i种污染物的排放量(i＝1,2,3),和分别表示国家规定的此类污染物排放的上限和下限。

3)信用情况

信用情况是指用户在生产经营活动中的诚信情况，无论对电网公司还是发电商而言，与信用情况好的用户合作必然可以降低交易的风险；“守合同重信用”公示活动是我国政府对企业信用的一种综合评价活动，是目前国内最具公信力的政府信用公示体系.因此，这里将用户连续获得“守合同重信用”称号的年数作为衡量用户信用情况的指标之一，记为S₇；

作为电力大用户的优先级分类，这里的信用情况还应重点关注企业按时缴纳电费的情况；因此，将累计电费回收率S₈作为表征用户信用情况的又一指标，具体公式为:

4)负荷重要性

一旦某大用户参与直购电并与某电厂达成协议，那么该电厂的这部分出力便被固化了，如果初期允许大量本应错峰限电的用户参与直购电，无疑对电网的安全调度来说是个挑战，因此，应优先允许负荷重要性大的企业(如优保类电力用户)参与直购电；这里用企业错峰用电类别表征负荷的重要性，记为S₉；企业的错峰用电类别有优保、A类、B类、C类及限电类，相应的量化值为5、4、3、2和1。

S2、聚类分析

基于SOM的K-means聚类算法属于两阶段计算方法:在第一阶段的初聚类中，SOM对海量数据样本进行初聚类，具有相近特征的特征向量视为属于同一类，从而将样本数据聚成不同的类别，并得出类别数目和各个类的中心点；在第二阶段，K均值聚类利用第一阶段的结果作为初始值输入，并进一步聚类，形成最终的聚类结果，如附图3所示；

基于SOM的K均值聚类算法描述如下：

第一阶段，由SOM初聚类，输入层节点数等于样本维数(即大用户优先级评价的指标数)，输出节点数P自定义，一般应大于聚类数；

1)初始化连接权重向量：设W_j(j＝1,2,...,p)为连接输入节点到第j个输出节点的权值向量，对其赋予随机初值，并令循环训练次数计数器t＝1；

2)计算输入向量X和各权值向量W_j的欧氏距离，得到距离最小的连接权重向量W_g，输出节点g即为在此次训练中获胜的神经元:

||X_i-W_g||＝min||X_i-W_j|| (7)

3)以竞争获胜的神经元g为中心取拓扑邻域，邻域内的神经元为被激活的神经元用式(8)对其连接权重进行更新:

W_j(t+1)＝W_j(t)+η(t)h_gj(t)[X_i(t)-W_j(t)] (8)

式中:X_i(t)为第t次输入向量，W_j(t)为第t次的权重，η(t)为第t次训练神经网络的学习率，h_gj(t)为获胜神经元g的邻域函数；

4)经过反复训练，并随着训练次数的增加逐步减小学习率、缩小拓扑邻域，直至连续两次训练的权值误差小于阂值或达到最大训练步数停止，输出各输出节点的连接权重W_j。

第二阶段，将第一阶段的输出结果，作为K-means算法的候选初始聚类中心，并取最终聚类数K＝4进行迭代；

(ⅰ)假设数据样本集的大小为n，各样本向量记为X_i,i＝1,2,…，n；令迭代计数I＝1，从SOM聚类的输出结果中选取K个向量作为初始聚类中心，记为Z_j(I)，j＝1,2,...,K；

(ⅱ)计算聚类中心与每一个数据样本距离:D(X_i，Z_j(I))，i＝1,2，……，n,j＝1,2,……,K；如果满足D(X_i,Z_m(I))＝min{D(X_i,Z_j(I))},i＝1,2,……，n；则X_i∈Ω_m；

(ⅲ)计算误差平方和准则函数J_c:

(ⅳ)判断算法结束条件:如果||Jc(I)-Jc(I-1)||＜ξ(ξ为一极小的正数)，则表示算法结束；否则，I＝I+1，重新计算K个新的聚类中心，并返回2)，新的聚类中心计算公式为:

式中：n_j为属于第j类的样本个数。

S3、将各类大用户作为一个整体，对其优先级进行评价

TOPSIS法通过构造待评估问题的“虚拟最优解”和“虚拟最劣解”，计算每个样本解到虚拟解的相对贴近度，即靠近“虚拟最优解”和远离“虚拟最劣解”的程度，来评估对象；由于该方法采用靠近“虚拟最优解”和远离“虚拟最劣解”2个判断基准，因此又称为双基准法；“虚拟最优解”的所有指标值都是最优的，“虚拟最劣解”的指标值都是最差的，均非实际存在的；对于只有2个指标的评价问题如附图2所示。

如附图2所示，A+和A-分别为“虚拟最优解”和“虚拟最劣解”，样本点A1与A2距离“虚拟最优解”的距离相同，若仅使用“虚拟最优解”则无法区分两者的优劣；若同时使用“虚拟最优解”和“虚拟最劣解”，由于A2较A1更加远离“虚拟最优解”，故可得A2优于A1。

TOPSIS法在评价时，并没有体现主观偏好的作用，本申请采用改进的AHP引入指标权重向量，表征主观偏好对评价的影响；传统的AHP在建立判断矩阵时通常采用I-9标度法，矩阵在进行一致性检验时，如果不具有一致性，就会影响层次分析法方案优选排序的效果，必须重新构造，直到通过为止，因此计算量大且精度不高。

改进的层次分析法采用新的标度方法—三标度法，使用此标度法对因素进行两两相对重要性的判断比较时无需进行一致性检验；因此，可以大大减少迭代次数，提高收敛速度，满足计算精度的要求；对于n个样本，m个指标的评价问题，改进层次分析法的具体步骤如下:

1)采用三标度法构建比较矩阵A，矩阵A的元素取值a_ij为:

2)计算各指标的重要性排序指数ri并构建判断矩阵B；重要性排序指数的计算为:

即r_i为矩阵A中第i行元素之和，取r_max＝max{ri},r_min＝min{ri}；

判断矩阵B中的元素b_ij为:

式中：k_m＝r_max/r_min。

3)求判断矩阵的最优传递矩阵C，其元素C_ij为:

4)求判断矩阵B的拟优一致矩阵D,D的最大特征值对应的特征向量归一化处理后即可得到各指标的权重；拟优一致矩阵的元素dij为:

d_ij＝10^cij (15)

如附图3所示，采用基于改进AHP的理想解法对一具有m个指标的n个样本进行综合评价，具体步骤如下:

1)原始数据的归一化处理

为了避免不同指标之间的量纲差异对评价结果的影响，对待评估的样本需进行归一化处理；这里采用标准0-1变换进行归一化处理，假设第i个样本的第j个指标记为X_ij，归一化后记为

若该指标为正相关指标，即指标值越大越好，则指标的归一化公式为:

若该指标为负相关指标，即指标值越小越好，则指标的归一化公式为:

2)采用改进的层次分析法，得到各指标的权重向量ω＝[ω₁,ω₂,……，ω_m]，进而构建加权规范阵Y＝(y_ij)_n×m,

3)求取“虚拟最优解”A+和“虚拟最劣解”A-；若记“虚拟最优解”A+的第j个指标值为“虚拟最劣解”A+的第j个指标值为则

4)计算各样本到“虚拟最优解”A+和“虚拟最劣解”A-的欧式距离；

式中:和分别为第d个样本到“虚拟最优解”和“虚拟最劣解”的距离；

5)计算各样本与虚拟解的贴近度T_i:

T_i在0与1间取值，按照T_i大小对各样本进行排序，T_i越大表明解所代表的方案越接近最优方案，远离最劣方案；最后，参考排序结果确定最终方案。