面向智慧城市的電力數據挖掘多場景應用

孫 芊，馬建偉，李 強，楊 磊

（1.國網河南省電力公司電力科學研究院，鄭州 450052；2.河南恩湃高科集團有限公司，鄭州 450000）

目前，我國處于城鎮化和城市快速發展時期，城市作為區域經濟社會中心，正面臨諸如能源緊張、環境污染等問題，建設智慧城市并提高信息化水平，成為解決以上問題的重要手段之一[1]。

電力作為城市的重要基礎，隨著智能電網建設全面開展，大量智能電網技術應用于城市各個領域，智能電網成為智慧城市建設不可或缺的部分[2]。隨著電力信息化的推進，覆蓋了從發電到用電的量測與分析系統規模化應用，積累了多源、海量、異構的數據，可廣泛應用于電網運行、客戶服務、設備管理等多個領域。文獻[3-5]在大數據理念框架下，闡述了智能電網數據的特征，以及在電網安全評估、負荷預測等領域的應用技術和前景。在電網運行安全可靠方面，文獻[6]闡述了基于多信息源的電壓安全過程預警及防控系統功能框架結構。文獻[7]設計了基于MapReduce并行編程模型的改進模糊K-means聚類方法，以此為基礎提出了一種中長期負荷預測新方法。文獻[8]采用聚類分析的方法對重要客戶供電安全潛在風險進行分析。文獻[9]基于高級量測體系提供的精準用電側數據，提出一種精確計算與分析低壓配電網線損的方法。在營銷優質服務和客戶管理方面，文獻[10-11]通過分析各類智能表記數據，開展電力用戶分類，評估用電行為特點及敏感因素（如價格、可靠性等），有助于開展差異化服務。在電網與設備狀態檢測與評估管理方面，文獻[12-14]利用設備狀態監測數據（在線監測、帶電檢測等），分別基于時間序列分析、遺傳規劃算法和分類算法提出輸變電設備狀態異常檢測方法，解決傳統閾值判定難以準確檢測狀態異常的問題。

綜合國內外的研究文獻可知，通過挖掘電力數據的潛在價值，能夠提升電網運行和管理的精益化水平，有效保障智慧城市電力安全供給。但電力數據挖掘對智慧城市的支撐作用不局限保障電能的供應，已延伸至環境（如電能替代、新能源發電等）[15]、交通（如電動汽車運營等）[16]、居民生活（如電力光纖到戶、智能小區等）等各領域，為服務智慧城市多領域建設主體（政府、用戶等）提供了可能，但目前支撐度相對較弱。考慮智慧城市更加強調城市整體的精細管理、綠色環保、協同高效和服務便捷，智能電網發展由服務電力系統向系統外多行業、多主體延伸，電力數據結合氣象、地理等電力系統外部數據的融合分析，成為智能電網乃至智慧城市發展的主要方向之一。

本文從智慧城市理念出發，在充分分析智慧城市建設主體需求和電力數據現狀的基礎上，明確智慧城市對電力數據挖掘的整體需求，強調挖掘面向智慧城市的電力數據潛在價值，闡述電力數據挖掘支撐智慧城市的多個應用場景，并對用電行為分析、負荷需求流向分析、區域成熟度評估3個應用案例進行深入分析，探索和推動電力數據挖掘在智慧城市中的應用。

1 智慧城市與電力數據挖掘概述

1.1 智慧城市

智慧城市是城市可持續發展需求與新一代信息技術應用相結合的產物，由于視角不同，國內外各研究機構對智慧城市概念的詮釋尚未統一[17-19]，但仍有如下相同之處。

（1）智慧城市是一項系統工程，包括交通、能源、環保、應急、金融等多個行業領域，但智慧城市并非簡單的堆砌，而是系統性的融合，強調跨業務、跨平臺的協同。

（2）智慧城市強調將城市中基礎設施與信息化相結合，全面感知城市運行情況，實現基礎設施智能化、城市管理精細化、公共服務便捷化和生活環境宜居化。

智慧城市的高效運轉，電力是基礎。以智能電網為基礎構建智慧城市是智慧城市發展的一個重要方向，智能電網在保障城市用電安全的基礎上，能夠促進城市綠色發展、豐富城市服務內涵等。依托智能電網構建的通信信息平臺，積累并挖掘高附加值的電力數據，成為實現電力基礎設施與信息化結合、跨業務協同的有效手段。

1.2 電力數據特征

隨智能電網發展，電力公司建立多個業務信息化系統，形成了大量良好的數據資源，大致可分為生產、營銷、管理3大類，包括直接采集監測的原生數據和經處理的衍生數據，同時也積累了電力系統外部數據，如區域經濟發展狀況、氣象預報、空間地理信息等。省級電網部分數據資源如表1所示。

表1 省級電網部分數據資源Tab.1 Part of provincial grid data resource

電力數據呈現多源、異構、海量、高附加值的特點，具體如下：

（1）數據來源方面，電力數據來自多個業務系統，采用分散放置、分布式管理模式，分析挖掘前需進行業務貫通及數據融合；

（2）數據結構方面，除傳統的運行數據、設備及客戶臺賬等結構化數據外，還包括輸變電狀態監測中的視頻圖像、狀態檢修的紅外成像、電力氣象云圖、客服語音等非結構化數據；

（3）數據規模方面，省級電網運維近3 000座變電站、2萬余條10 kV配電線路，50萬余臺配電變壓器以及近4 000萬低壓用戶，其產生數據量巨大，并且數據增量較大，以省級電網數據采集與監視控制系統、用電信息采集系統為例，數據日增量分別可達到10 GB/d和3 GB/d；

（4）數據價值方面，電力數據蘊含高附加值，除為電網自身提供支撐外，可面向居民、企業用戶等多方主體提供增值服務，增強智能電網建設的體驗感，全方位支撐智慧城市建設。

1.3 面向智慧城市的電力數據挖掘

數據挖掘是從海量數據中發現潛在價值信息的過程，其方法主要有分類分析、關聯分析、聚類分析等。面對高附加值的電力數據，通過多源數據挖掘將電力領域與城市其他領域信息相結合，利用數據的冗余性和互補性，可揭示綜合性、跨行業的未知知識，對智慧城市多個領域進行感知與輔助決策[20-21]。例如：利用氣象信息與輸變電狀態檢測信息融合挖掘，建立輸電線路舞動預警模型，支撐城市防災減災與應急管理；利用電動汽車充換電信息，優化城市電動汽車充電站（樁）規劃布點；通過企業、居民精細化用電分析，評估能耗水平及高耗能環節，降低城市碳排放水平。

2 應用需求分析與典型場景

2.1 整體應用需求

面向智慧城市的電力數據挖掘應用包括城市綠色發展、能源安全供給、公共服務便捷等方面，結合智慧城市建設參與主體不同，服務對象除電網公司外，更強調服務政府與用戶。各服務對象對電力數據挖掘的需求如表2所示，滿足以上需求需要綜合電力系統內外的多源數據。

表2 面向智慧城市的電力數據挖掘應用需求Tab.2 Requirements of power data mining application for smart city

2.2 典型應用場景

2.2.1 服務電網公司

（1）基于電力負荷密度與地理空間信息，優化城市電網規劃，使變電站、配電變壓器等基礎設施深入負荷中心。結合電動汽車充換電時間、時長及充電量等信息，合理規劃充換電設施，匹配城市功能區與交通布局。

（2）基于配電網運行信息，開展線路重過載分析，短期結合負荷預測開展運行方式優化，長期結合配電網建設改造工程，開展網架優化，降低運行風險。融合電力氣象信息，建立強對流天氣與線路舞動預警分析，提高電網防災減災能力。

（3）基于配電自動化故障信息，融合客戶報修、用電信息采集，開展非健全信息的故障精確定位，研判主干線、分支線、配變、用戶內部等多類型故障，并結合故障搶修人員、車輛等基礎信息，開展配電搶修指揮管理。

（4）結合氣象信息，開展風光等分布式能源發電預測，通過分析新能源發電特性，合理配置儲能、可調負荷等，開展多源協調優化，最大化消納綠色能源。

2.2.2 服務政府

（1）依托電力需求側管理平臺，通過對行業或地域電力消費數據分析，全面掌握各行業、區域的電能消耗水平。

（2）根據社會全口徑用電量與客戶臺賬信息關聯分析，評估城市總體功能布局。依據電力消費與居民生活緊密耦合的特點，通過電量不同時段分布、電量增速以及“零”電量比例等要素，評估城市區域的成熟度水平，優化城市基礎設施布局。通過電量異常突變，開展城市人口、房屋群租等精細化管理。

（3）充分發揮電力作為宏觀經濟的重要“晴雨表”這一特點，結合行業、區域電量數據、GDP等，分析區域經濟發展趨勢、行業景氣情況、區域產業布局優化等。

（4）依據工商業、居民電量及時間分布特點，為制定分時電價、階梯電價、電動汽車充電電價等提供輔助決策。分析新能源發電數據，為新能源發電補貼、光伏扶貧等新能源相關扶持政策制定提供依據。

2.2.3 服務用戶

（1）依托智能園區的設備級能效監測終端，輔以用電信息采集數據、客戶臺賬信息等，開展精細化能效分析，辨識高耗能環節，為節能改造提供數據支撐，為節能量核定提供依據。針對居民用戶，分析用戶用電行為，結合電價信息，為用戶提供合理的用電建議。

（2）結合用戶負荷曲線，利用聚類分析，評估用戶負荷可調空間，使用戶在生產影響最小的前提下，積極參與電網“網-荷”互動。

（3）基于電能質量數據，開展電能質量治理提升，提供優質電力定制服務。分析用戶繳費習慣，構建多渠道便捷繳費。

3 用電行為分析

傳統有序用電方法未充分考慮用戶的用電行為，可能對電力用戶造成一定的經濟損失。開展工業用戶用電行為分析，能夠辨識典型用電行為模式，評估負荷可調整空間，服務需求響應方案制定，實現電網、用戶多方共贏。通過聚類分析方法形成用戶典型負荷曲線，每條負荷曲線都能代表用戶某種用電模式，充分體現用戶在不同時間節點中用電行為的差異性。

用電行為分析以日負荷時間分布為特征向量。考慮到需求響應往往在負荷高峰時段，為了將高峰時段具有最接近用電特性的模式劃分到一類，對負荷數據進行加權處理，設定負荷曲線高峰時段各點的權重為3（08：00—12：00、17：00—21：00），其他時段的權重仍為1。

選取二次聚類法對用戶用電特性進行分類，即一次聚類采用系統聚類法對用電特性進行分類；二次聚類采用模糊C均值法，聚類中心由一次系統聚類結果提供，既可避免模糊C均值聚類法對初始參數的敏感性，又能取得分類準確客觀的聚類效果。

以某食品加工企業2014年11月―2015年2月每日48點負荷數據為例，負荷聚類結果和企業負荷分類對比如圖1和圖2所示，其中橫坐標為時間節點（時間間隔為30 min），縱坐標為負荷量（kW）。

從圖2可以看出，該企業平時用電模式較為規律，負荷整體波動不大，屬于連續生產企業。從分類情況可以看出，前3類負荷曲線的形態類似，且用電負荷均衡穩定，第4類較特殊，負荷整體較小，屬于減產的情況。考慮食品加工行業一般為生產設備多，單機容量小，基本生產用電比例大，生產工藝連續性不強的行業。對比模式1和模式2可得電網負荷高峰時，可以通過部分生產設備關停等措施降下1 000 kW的負荷量，對比模式1和模式4，進一步關停設備可以有4 000 kW的負荷余量，該企業的最大柔性負荷在約4 000 kW。綜上所述，基于激勵的需求響應措施適合此企業用戶。

圖1 負荷聚類結果F i g.1 Results of load clustering

圖2 企業負荷分類對比Fig.2 Comparison of enterprise’s loads

4 負荷需求流向分析

負荷與城市區域經濟社會活躍度高度匹配，通過分析一定時間段各區域用電情況，動態可視化用電負荷，結合地理信息系統GIS（geographic informa?tion system）信息，可分析負荷峰谷空間分布及峰值遷移趨勢，客觀反映人口、經濟等社會活躍度，服務城市功能區布局、交通等基礎設施規劃。

考慮配電變壓器一般供電半徑為150～250 m，信息采集時間間隔為15 min，選取配電變壓器運行數據進行負荷需求分析具有較高的時空分辨率。具體分析流程如下。

1）克里格插值計算

考慮配電變壓器空間上離散分布，采用克里格插值計算，將離散分布的配電變壓器數據空間連續化，并根據負荷大小進行拓撲著色，以某城區配電變壓器為例，如圖3所示，隨負荷增長顏色由淺至深變化。

圖3 某城區18:00、20:00、22:00負荷分布Fig.3 Urban load distribution at 18,20,and 22 o'clock

2）峰谷計算

由負荷值及地理位置形成三維數據矩陣，可視化為三維曲面，三維曲面z=F（x，y）峰谷點的充分必要條件為

此時z的峰谷對應點分別為三維數據中行、列曲線對應波峰、波谷的疊加。因此將行、列矩陣看作二維曲線按二維波峰谷算法得出行矩陣和列矩陣。對行列矩陣進行疊加，其中最大值對應坐標為曲峰位置，最小值對應坐標對應曲谷位置。

3）篩選流向

在平滑曲面中一個點最大梯度是其對應的最大方向偏導，將其簡化為8個方向的偏導，按照上述梯度簡化原則計算出整體的流向矩陣。

對區域負荷曲面中峰、谷點兩兩組成若干條有向線段，需對每個由峰、谷點組成的有向線段上的所有經過點做一致性匹配，其匹配原則可表示為

式中：α為有向線段的角度；β為有向線段上各點的最大梯度流向角度。

當有向線段上的所有點均滿足以上原則，則該有向線段為需求流向。GIS背景下某城區18：00—20：00的需求流向如圖4所示。

圖4 某城區18:00—20:00時負荷需求流向Fig.4 Urban load demand flow during 18:00—20:00

由圖4可知，18：00較大的負荷峰值中心主要有3個區域，對比城市功能區分布，這3個負荷中心區域均屬于商業區，包含諸多餐館、商場、超市等。18：00—20：00的負荷需求流向指向區域均為居民小區聚集區域，20：00為該區域一天中的用電高峰時段。由此可為該城區商業、居住功能區布局及電力設施深入負荷中心提供直觀依據，同時對負荷需求流向路徑周邊的交通疏導、公共交通基礎設施布局優化及運營能力臨時調整提供輔助決策依據。

5 區域成熟度評估

城市基礎設施布局以需求為導向，但統計方式進行城市成熟分析具有一定的滯后性，從而導致城市基礎設施布局與需求不匹配，而電力數據與居民生活息息相關且具有高時效性。以居民小區為對象，分析小區用電量水平，結合周邊商業、醫療衛生、教育等設施信息，可建立區域成熟度評價體系，區域可為居民小區，也可為城市居住片區。

以某市2 000戶居民周用電量為對象，以時間分布為特征向量，聚類分析形成5個用戶用電類型，如圖5所示。

圖5 用戶典型周用電量分類Fig.5 Classification of user’s typical weekly electricity consumption

由圖5可知，不同用電類型可代表不同用戶群體，例如類型1整體用電水平較低且整周無太大波動，此類用戶應屬于空置房屋；類型2、3、4的周末用電量明顯，應屬于上班族群體，屬于人均用電水平的代表；類型5用戶群體，電量較大，可視為高收入人群。以上結果輔以人口等信息可更深入地對用戶群體分類。

成熟度評估以5類用戶群體占比、區域電量、區域2公里輻射范圍內超市、公交、醫院數量為指標，建立9個維度的成熟度評估體系，并采用層次分析法確定指標權重，如表3所示。

表3 成熟度評價指標權重Tab.3 Weights of maturity evaluation indexes

考慮城市發展差異化，成熟度評估需以城市整體為對象評估標準，以某市為例，根據位置、年限等要素，選取20個典型居民小區，分別評價求均值形成評價參考值。同時以小區A、小區B為例對比分析，如表4所示。

表4 小區成熟度評價參考值及典型小區評價結果Tab.4 Community maturity reference values and typical community evaluation results

由圖6可知，相對于樣本區域平均值，小區A電量大，類型1的用戶少，入住水平高，基礎設施完善，在多個維度高于全市平均水平，屬于較完善的成熟小區；小區B電量小，類型1的用戶較多，空置比例高，商業及醫療配套基礎設施欠缺，有針對性地優化基礎設施布點。

圖6 典型小區評價雷達圖Fig.6 Typical community evaluation radar chart

6 結語

電力是智慧城市建設的基礎和保障，挖掘電力數據的潛在價值可為智慧城市在諸如規劃管理、應急管理等多個領域提供決策依據，應用前景廣闊。本文歸納了電力數據挖掘的應用需求與典型場景，從城市需求側管理、城市規劃角度，進行用電行為分析、負荷需求流向分析、區域成熟度評估3個應用案例的論述，闡明利用多源、海量、異構、高附加值的電力數據，能夠有效支撐智慧城市的城市運行、宏觀經濟預測、公共服務等方面建設。同時，為最大化發揮面向智慧城市的數據挖掘效益，仍面臨數據孤島與藩籬、缺乏應用等問題，有待進一步深入探索。