基于電力大數據的用戶用電行為分析

姚煒

摘要：隨著科學技術的發展，我國的大數據技術有了很大進展，本文介紹了電力大數據技術和智能用電的服務結構，最后介紹了應用電力大數據對用戶進行分類，確定用戶用電行為影響因子和對用戶用電行為進行分析的常用研究方法。

關鍵詞：電力大數據;數據挖掘;用戶分類;影響因子;用電行為分析

引言

電力系統越來越多地采用數字信息和通信技術，為實施大數據挖掘和分析提供了機會。基于先進數據分析的決策支持在智能電力系統的形成、運營和管理中發揮著越來越重要的作用。近年來，智能電網和智能電表已得到廣泛部署。

1電力大數據技術

電力大數據的采集、分析以及應用技術繁瑣，其過程分為：電力數據采集，數據預處理與分類，數據存儲與管理，數據挖掘與分析和數據應用五個大步驟。電力數據采集是電力數據分析應用的前提和基礎，數據整合端通過實時數據采集、文件數據采集和離線數據抽取完成電力數據的采集任務。數據整合端的數據采集過程包括數據感應與識別技術，數據壓縮與加密技術，以及數據傳輸與通信技術等。數據預處理與分類是將電力大數據進行過濾篩選，去粗取精，并對數據進行辨識和整合分類處理，經過預處理與分類后的數據更加清晰有條理，便于數據的存儲。數據預處理的關鍵任務是將種類繁多、結構復雜的電力大數據篩選并處理成類型單一、結構簡單的電力數據后再進行歸類處理。數據存儲與管理主要是將采集分類后的數據及時存儲，建立相應的數據庫，便于數據分類管理與調取，解決了電力大數據量大、存儲難度大和調用困難的難題。數據存儲與管理涉及大數據存儲技術、大數據管理技術、大數據融合技術、大數據檢索技術和大數據可視化技術等，它是多種類型的大數據處理技術的融合。數據挖掘與分析是通過計算機借助數據統計、機器學習、神經網絡和模糊算法等方法對電力數據信息進行分析計算并挖掘數據中隱含的信息與數據間的潛在聯系，最后將這些聯系與規律表示出來，供日后的研究學習作參考。

2智能用電的服務結構

作為智能電網的關鍵組成部分之一的智能用電是基于先進的計量技術、雙向交互式電表、高性能控制技術、高速通信技術、快速存儲技術、電能數據采集終端、以及實時營銷系統等先進技術。此外，融合需求側管理和需求響應的現代管理理念對于實現智能用電也具有重要意義。電能數據采集系統是智能用電服務架構中的關鍵部件之一，通過該系統可以實時收集、處理和監控不同電力用戶的電力使用信息。智能電網中電能數據采集系統的主要功能包括汽車充電使用信息采集、在線監測、成本控制管理、有序用電管理、電能質量監測、采集數據發布、采集維護監控和電力使用行為分析。電能數據采集系統由主站系統、傳輸通道、采集終端和智能電表組成。電能數據采集系統由四層組成：用戶層、數據采集層、網絡層、數據存儲分析和應用層。對于第一層中的各種電力用戶，通過智能電表和第二層中的其他數據獲取終端實時收集電力消耗數據。通過第三層中的自建專有網絡或第三方公共網絡，大規模的電力消耗數據被傳輸到服務器。數據存儲、分析和營銷應用在第四層進行。

3用戶用電行為影響因子確定

（1）自我影響因子。自我影響因子主要是指由于用戶自身原因對用戶用電行為產生影響的影響因子，一般涉及用戶的用電計劃變化、自身重大用電事故等，這類影響因子可以根據用戶的歷史用電數據變化或用戶的用電計劃變化分析得出，在用戶的用電計劃未知的情況下可以將足夠大的歷史用電數據進行一些分析計算，預測用戶的用電計劃。（2）自然環境影響因子。自然環境影響因子是指用戶的用電行為受到自然環境變化的影響，主要包括溫度、濕度、風力、天氣以及季節的變化對用戶用電行為的影響，這類影響因子結合用戶的用電行為曲線與氣象曲線對比得出，添加恰當的數理分析方法可以篩選出電力大數據中受自然環境影響因子影響的電力數據。（3）社會環境影響因子。社會環境影響因子主要包括國內節假日以及重大國家事件對用戶用電行為的影響，如春節、黃金周、APEC和十九大會議等對用戶行為的影響。由于此類影響因子的隨機性與不確定性因素較大，因此該類影響因子有時需要手動選擇并篩選。分析可能影響用戶用電行為的影響因子，并對不同種類的影響因子進行準確的篩選可以使電力數據更具代表性，使基于電力大數據的用戶用電行為分析結果更加特性鮮明，用戶用電行為特征更加明顯，基于用戶用電行為特征的分析預測更加準確，更有利于實現電網資源的優化配置。

4基于電力大數據的用戶用電行為分析

目前，比較常用的用戶用電行為分析方法是聚類分析法。行業中普遍使用的聚類分析方法為基于k-means的聚類算法。k-means算法有效解決了經典的聚類問題，處理問題快速、簡單，這種方法雖然具有一定的高效性以及伸縮性，但是用這種方法所得的聚類結果對初值的敏感度比較高，初值不同所產生的結果也不同，如果初值選擇不合理，就會導致聚類結果出現偏差，因此面對用電數據比較大的電力用戶時，這種方法并不適用。模糊聚類算法中使用比較廣泛的是模糊C均值聚類算法，這種方法能夠通過對目標函數予以優化獲取每個樣本點對不同類中心的隸屬度，樣本點隸屬的判斷需要以實現樣本數據分類為目標。但是，使用模糊C均值類算法對離散數據點集合進行處理時，無法處理類型比較特殊的數據，無法對數據是否具備聚類結構進行判斷，并且在選擇初始值時具有較強的依賴性。一些學者提出了以云計算為基礎的電力大數據聚類問題的計算方法，這種方法能夠同時處理大量數據，并且速度也比較快，但是在具體使用過程中，因Hadoop讀寫比較頻繁，而且包含的數據量比較大，很容易產生性能方面的問題。對于大數據用戶用電行為，使用經典聚類算法進行分析的時候存在問題，因此出現了很多改進算法，比如，以云計算為基礎的k-means算法、以SparkR為基礎的并行化k-means算法等。對電力大數據用戶的用電行為進行分析的時候，使用云計算k-means算法有利于開發大規模的數據并對其進行處理，還能夠顯著提升處理能力，使數據處理更加高效。運用云計算，能夠在數據庫中存儲海量的電力大數據，并且借助k-means計算模型高效分析數據。目前，在電力大數據平臺中比較常用的電力大數據用戶用電行為分析方法是以云計算為基礎的k-means算法。以SparkR為基礎的并行化k-means算法能夠有效解決設備性能問題以及頻繁讀寫可能存在的錯誤情況，其將Hadoop的電力大數據群作為數據引擎，再運用k-means算法充分發揮了大數據R語言以及大數據內存計算的特征，有效提升了數據分析能力。

結束語

總而言之，電力行業的數據價值高且數據量比較大，提高數據的利用率能夠有效提升電力企業的營利水平，無論將其應用于行業內還是行業外，都會帶來新的發展機遇。與此同時，這在一定程度上挑戰了大數據的認知水平，如何有效處理這些數據，并從中獲取更有價值的信息，最終將其轉化成優化的服務決策以及管理模式是決定大數據價值能否得以體現的關鍵。

參考文獻

[1]歐陽昱，劉輝舟，李周，等.通過電力大數據發現低壓用戶用電模式的研究[J].信息技術，2019（2）：129-135.

[2]殷蔚翎.能源互聯網形勢下的電力大數據發展趨勢[J].計算機產品與流通，2018（10）：64.

[3]龍禹，吳尚遠，高騫，等.基于B+樹的電力大數據混合索引設計與實現[J].自動化與儀器儀表，2018（9）：67-69.