用戶用電行為分析技術(shù)研究

謝曉華

（廣東電網(wǎng)有限責(zé)任公司湛江供電局）

0 引言

近年來，在電力用戶分類方面已經(jīng)有一部分學(xué)者展開了相關(guān)的研究，馮曉蒲[1]等基于傳統(tǒng)行業(yè)劃分，對用戶進(jìn)行聚類分析研究，但其不足之處在于忽略了用戶間不同的用電方式；王璨[2]等主要從用戶價值體現(xiàn)方面進(jìn)行分類，不足之處在于劃分方式過于宏觀；李培強[3]等從變電站負(fù)荷出發(fā)，采用均值聚類方法進(jìn)行用戶用電的分類，該方法效果較好；阮文駿[4]等也針對電價進(jìn)行研究，但并未把用戶分類差別考慮 在內(nèi)。

本文首先分析和整合了用戶用電量的相關(guān)數(shù)據(jù)，然后基于云計算的聚類算法進(jìn)行用戶個性化分類研究；并在此基礎(chǔ)上設(shè)計模型進(jìn)行非介入式用電負(fù)荷分解與識別研究，以期挖掘出用戶類型，幫助電網(wǎng)公司制定相應(yīng)的需求相應(yīng)，達(dá)到節(jié)能減排的目的。

1 用戶電量數(shù)據(jù)分析與整合

1.1 用戶電量數(shù)據(jù)分析

以現(xiàn)在的小區(qū)為例，用戶的用電信息歷史數(shù)據(jù)主要包含以下類型：家庭地址、單元門號等家庭基本數(shù)據(jù)信息；電表序號、居民用電量以及電量抄記日期等用戶用電信息采集數(shù)據(jù)；天氣、溫度等相關(guān)環(huán)境數(shù)據(jù)；家電類別、用電量與用電時長等家居數(shù)據(jù)。假設(shè)有100萬戶家庭，僅僅一天產(chǎn)生的數(shù)據(jù)量就高達(dá)將近60GB的數(shù)據(jù)。本文希望能采用數(shù)據(jù)挖掘技術(shù)，從這些存儲的海量數(shù)據(jù)中把其中更高價值的知識挖掘 出來。

1.2 用戶電量數(shù)據(jù)整合

在整合用戶電量信息數(shù)據(jù)時，本文以用電量為指標(biāo)，建立了用電基本數(shù)據(jù)表、用電設(shè)備表以及用戶信息表，分別從用電時長、用電家居信息以及用戶數(shù)據(jù)方面存儲并整合采集到的用戶電量信息數(shù)據(jù)，為數(shù)據(jù)挖掘的開展提供數(shù)據(jù)基礎(chǔ)[6]。用電基本數(shù)據(jù)表包括電表序號、設(shè)備ID、用電時長以及總用電量，據(jù)此可以建立數(shù)據(jù)倉庫模型；用電設(shè)備表內(nèi)容主要由設(shè)備ID、設(shè)備類型以及生產(chǎn)廠家等，便于對用戶需求的進(jìn)一步分析；用戶信息表主要用來存儲用戶基本信息，其中的用戶ID號與用電基本數(shù)據(jù)表中的電表序號相對應(yīng)。

2 用戶個性化分類研究

2.1 用戶用電框架分析

本文在對用戶用電信息數(shù)據(jù)進(jìn)行個性化分類時，采用的是云計算與聚類算法并行的技術(shù)。在聚類算法中，本文選自了非常經(jīng)典的K-means劃分方法，在大規(guī)模數(shù)據(jù)聚類中，該算法具有高效的特點[5]。本文在對用戶用電行為進(jìn)行分析時，主要采用下圖所示的框架圖，包含以下三個模塊的內(nèi)容：數(shù)據(jù)采集、數(shù)據(jù)處理以及行為分析。數(shù)據(jù)采集主要是采集不同地點用戶不同設(shè)備的用電信息數(shù)據(jù)；數(shù)據(jù)采集結(jié)束之后集中傳輸?shù)皆茢?shù)據(jù)處理，進(jìn)行數(shù)據(jù)的存儲和管理，奠定最后分析用戶用電行為的數(shù)據(jù)基礎(chǔ)。

2.2 基于云計算的聚類算法研究

傳統(tǒng)的K-means算法步驟為：選取數(shù)據(jù)集中的數(shù)據(jù)賦給初始的聚類中心；計算樣本點與聚類中心之間的歐式距離，進(jìn)行獲取該樣本點的所屬類別；重新計算聚類中心；重復(fù)上述兩個步驟，直至準(zhǔn)則函數(shù)收斂。而基于云計算的K-means算法更有助于大規(guī)模數(shù)據(jù)的開發(fā)和并行處理，不僅更可靠，而且還具備高效和擴容能力強的特點。其中的云計算平臺是由分布式文件系統(tǒng)以及計算模型組成，通過前者可以把海量的信息數(shù)據(jù)存儲在數(shù)據(jù)庫中，后者可以提供類SQL接口對數(shù)據(jù)進(jìn)行高效分析。重新標(biāo)記階段是新中心店坐標(biāo)的獲得階段，并在云計算平臺的文件系統(tǒng)中更新階段，并繼續(xù)迭代至算法收斂。

圖 用戶用電分析結(jié)構(gòu)示意圖

3 非介入式用電負(fù)荷分解與識別研究

3.1 模型設(shè)計

本文設(shè)計的非介入式電力負(fù)荷分解模型主要用來完成兩項任務(wù)：用電設(shè)備工作狀態(tài)的檢測和辨識；按照設(shè)備或設(shè)備類分解負(fù)荷總耗電量。根據(jù)以上需求，設(shè)計用電負(fù)荷分解模型如下：

其中，式（1）和（2）分別是在t時刻的用電總負(fù)荷的有功總功率以及無功總功率，式（3）中變量表示電器的工作狀態(tài)，是布爾型變量。值得注意的是，在該模型中，式（1）和（2）的PL(t)和QL(t)都是已知量，是由實際中實測得到的；用電負(fù)荷分解的目標(biāo)是每個用電設(shè)備的有功功率和無功功率；工作狀態(tài)監(jiān)測和辨識的目標(biāo)是用戶每個用電設(shè)備的工作狀態(tài)標(biāo)志；用電負(fù)荷分解的目標(biāo)以及工作狀態(tài)監(jiān)測和辨識的標(biāo)志均為未知量；用電設(shè)備在t時刻僅能表現(xiàn)出一種工作狀態(tài)，還有總負(fù)荷不存在用電設(shè)備的情況，所以式（3）的約束條件必須要滿足該模型才能成立。

3.2 分解與識別原理

對模型求解是為了估計用電設(shè)備功率和辨識用電設(shè)備工作狀態(tài)。當(dāng)已知用電設(shè)備工作狀態(tài)時，常用分解法和差量估計法估計用電設(shè)備的用電功率，其中分解法是由公式直接估計每種用電設(shè)備的用電功率，差量估計法是在滿足一定條件的基礎(chǔ)上，由單位時間內(nèi)的負(fù)荷功率變化量對用電設(shè)備的用電估計進(jìn)行估計。辨識用電設(shè)備工作狀態(tài)時，要明確LS是由何種工作狀態(tài)產(chǎn)生的，還要確定在當(dāng)前的用電總負(fù)荷中確實有LS集合的一個子集存在。對于不同類型的LS，其處理思路和方法往往有所不同，本文暫不贅述。

4 模擬結(jié)果與分析

4.1 指標(biāo)定義

在對檢測性能進(jìn)行評價時，本文選用了以下指標(biāo)：在估計用電設(shè)備的用電功率時，用到了功率檢測絕對誤差、功率監(jiān)測相對誤差以及功率監(jiān)測絕對值，這些每一項指標(biāo)都分為有功功率誤差以及無功功率誤差；在辨識用電設(shè)備工作狀態(tài)時，用到了用電設(shè)備的準(zhǔn)確辨識率、漏檢率、錯檢率以及用電設(shè)備工作狀態(tài)賺準(zhǔn)確辨識率。

4.2 模擬結(jié)果分析

本文選定某小區(qū)的600戶用戶作為實驗數(shù)據(jù)來源，首先采集了用戶的用電信息數(shù)據(jù)，然后運用并行K-means算法完成用戶的分類。根據(jù)用電規(guī)律來看，共可分為五類如下表所示，分別命名為空置房用戶（A類）、老人家庭（B類）、上班族家庭（C類）、老人+上班族家庭（D類）以及商業(yè)用戶（E類），其中A類用戶的特點是用電量較低，波動不明顯；B類用戶的特點是白天用電量穩(wěn)定，用電量下降趨勢出現(xiàn)時段較早；C類用戶的特點是有明顯的波峰和波谷的用電量，夜晚用電量較多而且用電量下降趨勢出現(xiàn)時段較晚；D類用戶的特點是B、C兩類用戶特點的綜合；E類用戶全天都處在較高用電量的狀態(tài)。

表 用戶分類及用電特征

5 結(jié)束語

在云計算平臺基礎(chǔ)上探討了并行K-means算法，綜合提出多個電力特征，通過特征權(quán)重的計算，對用電用戶進(jìn)行分類，發(fā)現(xiàn)所用聚類算法達(dá)到了90%以上的準(zhǔn)確率。從模型出發(fā)分析了模擬結(jié)果，能很好地把不同用電設(shè)備處在何種工作狀態(tài)辨識出來，適用于用戶電力負(fù)荷的分解，證明基于云計算的聚類算法的用戶用電行為分析模型是行之有效的。

[1]馮曉蒲, 張鐵峰. 基于實際負(fù)荷曲線的電力用戶分類技術(shù)研究[J]. 電力科學(xué)與工程, 2010, 26(9): 18-22.

[2]王璨, 馮勤超. 基于價值評價的電力用戶分類研究[J]. 價值工程, 2009(5): 64-66.

[3]李培強, 李欣然, 陳輝華, 等. 基于模糊聚類的電力負(fù)荷特性的分類與綜合[J]. 中國電機工程學(xué)報, 2005, 25(24): 73-78.

[4]阮文駿, 王蓓蓓, 李揚, 等. 峰谷分時電價下的用戶響應(yīng)行為研究[J]. 電網(wǎng)技術(shù), 2012, 36(7): 86-92.

[5]孫燕花, 李杰, 李建. 基于CURE算法的網(wǎng)絡(luò)用戶行為分析[J]. 計算機技術(shù)與發(fā)展, 2011, 21(9): 35-38.