試論基于電力大數據的用戶用電行為

陸可欣

(國網江蘇省南通市通州區供電分公司)

0 引言

大數據最初是在商業和金融領域得到應用的, 后來找交通、醫療和能源等多個領域也得到了廣泛應用。隨著國家智能電網、能源互聯網建設的不斷深入, 大數據在電力領域的應用日益廣泛。目前, 在行業中, 大數據的概念并沒有一個明確的定義, 在宏觀層面上, 大數據不僅僅是一組數據, 它還是一種以此組數據為研究對象的綜合性分析研究技術。大數據具有“4V”的基本特點, 即: 量大、類型多、速度快、價值高。伴隨智能電網的不斷發展, 大量的智能電表以及與之相適應的監控裝置的全面投入使用, 實時收集了種類繁多且大量的電力大數據, 這些電力大數據包含了電力生產過程的數據資料、圖像數據資料和聲音數據資料等。電力系統中的各種數據信息, 在整個電力系統中都具有廣泛的應用價值, 他們相輔相成并互相關聯。伴隨電力大數據云平臺的不斷發展和完善, 電力大數據技術隨之越發成熟及完善, 其對數據的采集、存儲以及分析、分類和應用等的功能也變得越來越明確和完善, 電力大數據的潛在價值得到了進一步的挖掘, 從而使其在電力工業中的作用得到最大程度的發揮。

1 電力大數據內涵

采集、分析和應用電力大數據的技術是非常復雜的, 其流程可以分成五個大步驟進行, 分別為: 電力數據采集, 數據預處理、分類, 數據存儲和管理, 以及數據挖掘與分析和數據應用。這五個大大步驟共同組建成了電力大數據技術的主要構成體系, 如圖1所示。

圖1 電力大數據技術的體系圖示例

電能質量數據采集是電力數據分析與運用的基礎和前提條件, 在電力數據分析中, 電力數據采集是電能質量分析的重要組成部分, 而在數據集成方面, 主要包含了數據的感知和辨識、數據的壓縮和加密、數據的傳送和通訊; 數據的預處理與分類, 指的是對電力大數據展開過濾、篩選和去粗取精后, 針對數據展開識別、整合、分類處理, 在預處理及分類后, 數據會變得更加清晰、條理分明, 方便了數據的存儲。數據預處理的核心工作是對復雜多樣的電力數據進行甄別, 將其轉化為單一類型和簡單結構的電力數據, 然后再對其進行分類處理[1]。數據存儲與管理, 主要為及時存儲收集、分類好的數據, 并構建相關數據庫,方便對數據調取與分類管理, 從而有效解決電力大數據存儲困難、調用難度大和數量龐大等的問題; 數據存儲、管理包含了大數據存儲、管理、融合、檢索、可視化等多種技術內容, 其是融合了各種大數據處理技術類型的具體表現。

數據的挖掘和分析, 指的是利用計算機, 借助神經網絡、數據統計以及模糊算法和機器學習等方法,對電力數據信息展開分析計算, 并從中挖掘出數據中所隱藏的信息和數據之間存在的潛在聯系, 并將這些規律、聯系表達出來, 為今后的學習研究提供參考。數據挖掘的主要工作包含六項分析任務, 即關聯分析、聚類分析, 分類分析, 以及異常分析、特異群組分析和演變分析。數據分析方法、數據應用可見表1所示。

表1 數據分析的方法與數據應用

電力大數據技術平臺(如圖2 大數據智能分析平臺示例圖所示) 具體包含了以下八大板塊, 分別為:數據存儲、數據整合和數據計算, 數據分析, 數據管理、平臺服務以及安全管理和配置管理[2]。其中, 數據管理、配置管理、安全管理三大模塊貫穿整個過程, 為其他數據管理板塊提供全過程服務, 同時也為電能質量的電力數據采集、電力數據分析平臺更好進行安全運行提供支撐和保障。除此之外, 電力大數據采集分析平臺還將、軟件技術、先進數據算法技術進行了全面的融合, 為電能質量, 即電力應用數據的采集、預處理、分類、存儲與管理, 以及挖掘、分析、應用等提供了一個堅實且可靠的保障基礎。

平臺所采集整合的數據, 不僅限于電力大數據,還可以是和電力數據有關的地理數據、氣象數據以及社會環境數據、用戶信息數據和經濟數據, 將這些數據進行有機融合起來, 形成一個種類繁多且結構鮮明的電力大數據采集、分析結構, 為電力行業的各有關生產行業、在線監測行業, 包括各相關部門、社會服務行業等提供準確并及時有效的數據支持服務。通過合理利用傳統數據挖掘、領域普適知識挖掘和數據統計, 以及據可視化數據和機器學習等技術, 能夠有效發現、洞察、明確電力大數據中隱藏有的一些數據關系、分布、模式以及趨勢、性質和規律等, 在此過程中, 可以有效了解到用戶的個性化與目的性用電需求, 及不同用戶的用電行為與特征, 以及各用戶與電網間存在的關聯性等特征, 可以實現更為科學合理地進行分析和預測用戶的用電行為, 從而為電網企業或公司的運營和營銷提供更優質的服務。

2 基于電力大數據的用戶分類

在傳統意義上, 電力用戶的分類主要是以用戶的實際用電模式、所用電量電壓等級的不同作為依據來分類的, 可以此將其劃分為四種用電類型, 即商業用電、工業用電與居民用電和農業用電。對于工業用電類型的具體劃分如表2 所示。

表2 工業用電的各項有關類型及主要內容

商業用電、居民用電和用電的電壓水平都相對較低, 通常在10kV 以下, 甚至存在不滿1kV 的情況。電力用戶類型各不同, 其對電壓水平、電能質量等的要求也不盡相同[3]。在電力大數據的基礎上所進行的電力用戶分類, 主要是利用電力大數據中所蘊含的各種信息, 通過與一定的數據分析算法相結合方式, 實現對電力用戶的分類; 通常情況下, 最為常見和應用的用戶分類方法主要是利用電力大數據當中的數據信息以相應的數據曲線形式進行表現, 而后將致使曲線變化的相關影響因素, 以及聚類算法、最小二乘法、模糊算法相結合, 而后在此基礎上利用回歸法等算法, 如無監督層次聚類, k-means 聚類, 自組織神經網絡, 有監督的KNN, 以及決策樹、支撐向量機等方法對電力用戶進行分類。

除此之外, 還可以使用逆向分析的方法來將不同類型電力用戶的用電特點作為切入點, 以用戶的特點為依據, 運用熵權法, 對用戶電力數據的特點和各部分電力大數據的權重進行分析, 最后, 以獲得的數據特點為基礎, 在電力大數據中尋找出與之相對應的數據, 并對該部分數據的用戶類別進行確定。由此可見, 在電力大數據采集與分析基礎上針對電力用戶進行分類的方法更具有效性、合理性和科學性, 并且分類結果的精準度更高, 且有較強的理論依據作支撐。與此同時, 適當地將用電客戶進行分類, 能夠讓電網企業依據不同的客戶類型, 提供更有針對性、目的性和更高效的服務, 這有利于電力工業中的資源較好實現最優配置。另外, 對電力客戶進行準確的分類, 還能讓客戶的用電行為分析變得更加精確, 且電力用戶的用電特征也會變得更具有典型性及代表性[4]。

3 用戶用電行為的分析

在電力大數據技術基礎上對用戶用電特性進行分析, 在此之前, 我國已經逐漸形成了較為成熟的分析方法與體系。比如, 電力使用價格制度對電力用戶用電模式的引導, 對電力用戶實際用電負荷的預測, 以及對電網設備運行狀態的監測、設備故障的預測和針對電力用戶進行用電分類構建管理模塊等, 這些相關用電信息分析機制與體系, 構成了我國大數據電力行業的服務、運營和管理矩陣。以分析電力用戶的用電行為作為目標, 其主要方式是利用一個專用的電力數據庫, 以大數據分析平臺為基礎, 進行收集、整理、分類、分析、處理各種電力數據, 然后與相應的用戶用電需求與機制相結合, 對數據進行整合。分析以及提取和實際應用。

譬如, 在對居民用電客戶進行分析時, 首先, 要合理提取總體數據信息, 根據電流、電壓和用電量等電力大數據呈現的曲線圖來提取相應的數據特征。而后, 在此基礎上, 對這些數據中各不同類型的影響因子進行歸類和排除, 然后對其進行歸類與分析; 最后, 運用符合預測方法、負荷分析和聚類分析法等多種科學有效的電力大數據分析方法, 對不同區域和不同時段的電力用戶的電力消費行為進行分析[5]?？偟膩碚f, 在傳統的用戶用電行為分析中, 聚類分析法是一種較為普遍和常用的方法, 特別是對k-means 聚類算法的實際應用(如圖3 所示), 在對用戶用電行為的分析過程中, 其所起到的作用至關重要。在使用kmeans 方法進行用戶用電分析過程中, 必須注意如何獲得與電力大數據相關聯的初始值, 否則初始值的偏離會對用戶用電行為的分析結果產生極大不利影響。針對此問題, 可在大數據技術基礎上利用Fuzzy Canalysis 均值聚類方法來對用戶用電行為進行研究,這一方法是在進一步優化有關目標函數的基礎上, 對其中含有的有關樣本點的分類屬性加以判斷, 從而達成有關電力大數據的自動分類。

圖3 基于k-means 聚類算法的用戶用電行為分析示例圖

4 結束語

當前, 伴隨國力與科學技術、經濟水平的不斷提升, 我國應用電力大數據技術的頻率不斷增高, 并以此逐步建構了一套科學且行之有效的電力大數據采集分析體系和機制?；诖髷祿夹g對用戶用電行為進行深入和全面地分析, 能夠有效挖掘更多更有價值和可應用的數據信息, 從而實現在用戶用電需求、合理預測電網荷載等方面全面提升分析能力和分析水平,進而促進電力資源更好實現合理配置, 全面提高電力行業整體服務水平的同時, 進一步降低和減少電力設施故障率, 促進電力行業持續健康發展。