基于电力大数据的电力用户用电特征识别模型研究

基于电力大数据的电力用户用电特征识别模型研究

程飞飞1   陈沐林2

南京南瑞瑞中数据股份有限公司      江苏省南京市  211100       

摘要：随着科学技术的发展，我国的大数据技术有了很大进展，并在电力用电中得到了广泛的应用。智能电网、大数据等技术迎来新一轮的变革发展机遇,对电力大数据价值的深度挖掘和应用力度不断增强。基于此,本文首先分析电力大数据内涵，其次探讨电力用户用电数据特征提取，然后对用户用电行为的分析，最后就个性化电力营销进行研究，旨在能为有需人士提供可用参考或建议,促进在电力大数据基础上开展的用户用电行为统计管理工作更加完善有效。

关键词：电力;大数据技术;用户;用电行为

引言

为了维护电力系统的高速运行和供电性能，研究人员尝试建立电力用户用电识别模型，以此突出不同用户的用电差异，并为用户提供针对性用电服务，最终达到缓解电力系统数据承载负荷过重的目的。伴随电力大数据云平台的不断发展和完善,电力大数据技术随之越发成熟及完善,其对数据的采集、存储以及分析、分类和应用等的功能也变得越来越明确和完善,电力大数据的潜在价值得到了进一步的挖掘,从而使其在电力工业中的作用得到最大程度的发挥。

1电力大数据内涵

采集、分析和应用电力大数据的技术是非常复杂的,其流程可以分成五个大步骤进行,分别为:电力数据采集,数据预处理、分类,数据存储和管理,以及数据挖掘与分析和数据应用。这五个大大步骤共同组建成了电力大数据技术的主要构成体系。电能质量数据采集是电力数据分析与运用的基础和前提条件,在电力数据分析中,电力数据采集是电能质量分析的重要组成部分,而在数据集成方面,主要包含了数据的感知和辨识、数据的压缩和加密、数据的传送和通讯;数据的预处理与分类,指的是对电力大数据展开过滤、筛选和去粗取精后,针对数据展开识别、整合、分类处理,在预处理及分类后,数据会变得更加清晰、条理分明,方便了数据的存储。数据预处理的核心工作是对复杂多样的电力数据进行甄别,将其转化为单一类型和简单结构的电力数据,然后再对其进行分类处理。数据存储与管理,主要为及时存储收集、分类好的数据,并构建相关数据库,方便对数据调取与分类管理,从而有效解决电力大数据存储困难、调用难度大和数量庞大等的问题;数据存储、管理包含了大数据存储、管理、融合、检索、可视化等多种技术内容,其是融合了各种大数据处理技术类型的具体表现。数据的挖掘和分析,指的是利用计算机,借助神经网络、数据统计以及模糊算法和机器学习等方法,对电力数据信息展开分析计算,并从中挖掘出数据中所隐藏的信息和数据之间存在的潜在联系,并将这些规律、联系表达出来,为今后的学习研究提供参考。数据挖掘的主要工作包含六项分析任务,即关联分析、聚类分析,分类分析,以及异常分析、特异群组分析和演变分析。

2电力用户用电数据特征提取

（1）基于K-means聚类的用电数据特征提取。用电数据随电力用户日常活动的差异变化而发生动态改变，在这种持续且无规律的动态改变趋势下，需要考虑用户的负荷数据流，并以此为基础，利用KFS方法提取电力用户用电数据的特征，方便后续用电特征识别工作的进行。（2）K-means聚类算法。要获取基于负荷数据流的电力用户用电特征，首先通过K-means聚类算法对优化后的用电数据进行电力负荷概率预测。从电力系统和数理统计两方面来看，电力负荷概率预测都属于高斯运算过程的随机回归范畴，即通过K-means聚类算法输出的电力负荷预测概率结果，可以通过高斯运算进行验证。

3用户用电行为的分析

在电力大数据技术基础上对用户用电特性进行分析,在此之前,我国已经逐渐形成了较为成熟的分析方法与体系。比如,电力使用价格制度对电力用户用电模式的引导,对电力用户实际用电负荷的预测,以及对电网设备运行状态的监测、设备故障的预测和针对电力用户进行用电分类构建管理模块等,这些相关用电信息分析机制与体系,构成了我国大数据电力行业的服务、运营和管理矩阵。以分析电力用户的用电行为作为目标,其主要方式是利用一个专用的电力数据库,以大数据分析平台为基础,进行收集、整理、分类、分析、处理各种电力数据,然后与相应的用户用电需求与机制相结合,对数据进行整合。分析以及提取和实际应用。譬如,在对居民用电客户进行分析时,首先,要合理提取总体数据信息,根据电流、电压和用电量等电力大数据呈现的曲线图来提取相应的数据特征。而后,在此基础上,对这些数据中各不同类型的影响因子进行归类和排除,然后对其进行归类与分析;最后,运用符合预测方法、负荷分析和聚类分析法等多种科学有效的电力大数据分析方法,对不同区域和不同时段的电力用户的电力消费行为进行分析。总的来说,在传统的用户用电行为分析中,聚类分析法是一种较为普遍和常用的方法,特别是对k-means聚类算法的实际应用,在对用户用电行为的分析过程中,其所起到的作用至关重要。在使用k-means方法进行用户用电分析过程中,必须注意如何获得与电力大数据相关联的初始值,否则初始值的偏离会对用户用电行为的分析结果产生极大不利影响。针对此问题,可在大数据技术基础上利用FuzzyCanalysis均值聚类方法来对用户用电行为进行研究,这一方法是在进一步优化有关目标函数的基础上,对其中含有的有关样本点的分类属性加以判断,从而达成有关电力大数据的自动分类。

4个性化电力营销

个性化营销是以提高能量利用率为目标、电力系统的削峰填谷为主要目的，在客户端寻求切入点。由于各类用户的电力消费行为存在很大差异且复杂程度高，需要有针对性地制定相应的营销策略。目前，电价一般以电网负荷曲线为基础进行划分，主要分为峰、谷、平3种电价，分别与电网负荷曲线的3个时段相对应。但该方法仅从电网的角度出发，忽视了用户的角度，缺乏针对性。而不同的电力消费行为特征将直接影响电力系统的负荷曲线。若某类用户的负荷曲线在一个低的谷值，则该类用户为高质量用户；反之则为劣质使用者。良好的电力消费行为可促进电力系统的“削峰填谷”，反之会进一步扩大电力系统的峰谷差。为此，要根据不同用户特点，制定相应的市场营销策略，以指导他们的消费行为，达到对电力系统进行削峰填谷的目的。在此基础上，本文利用用户肖像图分析了各类用户的负荷曲线，对比了用户与电网，并提出了一种新的电力消费模式。例如，在电力系统的峰谷期间，希望客户能够降低其用电量，当客户的负荷处于峰谷期时，应增加10%的电价；当客户用电处于低谷期时，应降低相应时段10%的电价；当用户用电处于平稳时，电价保持不变。

结语

能够影响电力用户用电行为的因素有很多种，例如日常活动、工作时间、用户类型以及消费能力等。为了从采集到的电力用户用电数据中分析出电力数据与用户行为之间的关系，实现个性化管理及服务，需要对电力用户用电特征进行识别。除电力用户用电特征识别外，下一步研究工作应放在企业用电特征的识别上，为个人用户提供更优质用电服务的同时，也为企业用电服务做出贡献。

参考文献

[1]黄毕尧,张明,李建岐,等.联合高低频电力线通信的中压配电网拓扑自动识别方法[J].高电压技术,2021,47(7):2350-2358.

[2]刘潇潇,田家政,谢鲲,等.基于压缩传感的低开销电力数据采集方法[J].计算机应用研究,2020,37(1):266-268,272.

[3]武昕,于金莹,彭林,等.基于用户边缘侧事件解析的工业电力负荷非侵入式感知辨识[J].电力系统自动化,2021,45(4):29-37.