负荷聚类

多用户电力负荷预测是指根据历史负荷数据对多个用户或区域的电力负荷进行预测，可使电网企业掌握不同用户或区域的电力需求，以便更好地开展规划和实施调度优化等。然而由于各用户呈现出复杂多样的用电行为，采用传统方法难以进行统一建模并实现快速准确预测。为此，构建了一种基于DTW K-medoids与VMD-多分支神经网络的多用户短期负荷预测模型。首先，采用DTW K-medoids法进行用户负荷数据聚类，利用动态时间弯曲（dynamic time warping，DTW）计算数据间的距离，取代K-medoids算法中传统的欧氏距离度量方式，以改善多用户负荷聚类的效果；在此基础上，为充分表征负荷历史数据的长短期时序依赖特征，建立了一种基于变分模态分解（variational mode decomposition，VMD）-多分支神经网络模型的并行预测方法，用于多用户短期负荷预测；最后，使用某地区20个用户365天的负荷数据进行聚类、训练和测试实验，结果显示该模型结果的平均绝对误差和均方根误差等指标均较对比模型有较大幅度降低，表明该方法可有效表征多类用户的用电行为，提升多用户负荷预测效率和精度。

针对目前配电网用户负荷数据高维度时序数据特征提取难、交叉数据聚类处理难、负荷数据精准标签化难等问题，文章提出面向用户负荷数据的基于降噪自编码器和改进粗糙模糊K均值的特征提取与标签定义模型(feature extraction and label definition model based on DAE and improve RFKM，FLMbD-iR)。FLMbD-iR通过降噪自编码器对原始用户负荷数据进行深度特征提取后，利用基于类簇规模不均衡度量的粗糙模糊K均值进行聚类，处理聚类中簇间交叉数据存在误差的缺陷，最后构建描述指标对典型日负荷曲线进行标签定义。实验采用美国电力负荷数据进行仿真模拟，实验结果显示本方法在用户负荷数据聚类处理上效果显著。

4月25日，重庆市区供电公司建桥车网互动（V2G）充电桩接收负荷聚类智慧互动平台指令，完成一辆新能源汽车48小时全响应充放电试验，累积消纳低谷电量44千瓦时，在电网负荷尖峰时段可提供8千瓦的反向功率。

4月15日，重庆市江津区德感工业园区广州双桥（重庆）有限公司用能诊断装置——负荷聚类秒级智慧终端投运，并接入国网重庆市电力公司负荷聚类智慧互动平台。