基于數據挖掘的大用戶用電特征分類方法研究

陸惠惠，王煉

（國網上海市電力公司松江供電公司，上海 201699）

數據挖掘是從數據資源中搜索實用信息的處理過程，各執行法則的制定都必須依靠隱藏于信息中的數據限定關系。在人工智能及數據庫理論的支持下，數據挖掘算法可揭示出信息之間的隱含應用關系，從而確保所有潛在信息都得到妥善地處理[1-2]。簡單來說，數據挖掘算法的應用主要面對機器學習、人工智能、模式識別等多個領域，可通過實踐規律探索的方式，確定信息數據之間的實際作用關系。

隨著底層大用戶應用耗電總量的增加，核心電力資源很難在既定執行周期內，得到妥善地按需分配處理。為避免上述情況的發生，BP 神經型電量分類手段在識別大用戶對象節點處電子信息的同時，計算相鄰電量數據之間的連接步長值。但此方法很難改變大用戶對象的平均耗電周期時長，易導致電壓升值的過度提升。為解決此問題，引入數據挖掘算法，搭建一種新型的大用戶用電特征分類方法，通過劃分用戶行為的方式，提取大量的用電行為模式特征值，實現對電力資源的按需分配與調度。

1 基于數據挖掘的大用戶用電行為分析

1.1 集中用電量計算

集中用電量是指底層大用戶在單位時間內的電子消耗總量。在用電數據收集、存儲及電子信號交互處理的過程中，大用戶對象都扮演著極為重要的角色。簡單來說，集中用電可體現大用戶流通電子在電網終端中的傳輸情況，隨著電表計量能力的增強，已消耗電子量得到明確記錄，未消耗電子也可在多次轉存記錄下，生成獨立的樣本空間數據，以供下級用電設備的直接調取與應用[3-4]。設 |T|代表應用電子的既定高頻振動時長，I′代表大用戶消耗電流的最大特征遷移量，U′代表大用戶消耗電壓的最大特征量，聯立上述物理量，可將集中用電量表達式定義為：

式中，T0代表高頻振動時長的最小表現實值，T1代表高頻振動時長的最大表現實值，U0代表大用戶消耗電壓的最小特征量，I0代表大用戶消耗電流的最小特征遷移量，代表大用戶節點處的電阻均值，λ代表特征電量的既定輸入系數。

1.2 用戶行為劃分

用戶行為劃分是在數據挖掘原理基礎上，對特殊用戶對象節點進行的具體化描述，包含應用電流等級劃分、應用電壓等級劃分、實用電子量計算3 個實際操作步驟[5-6]。簡單來說，隨著大用戶用電特征的改變，電流、電壓、電子量等指標的實際消耗情況都會出現一定的物理變化，且這種變化的實際作用趨勢通常是不固定的。一般情況下，可總結為隨大用戶用電特征的凸顯，底層電流、電壓的實際傳輸量逐漸增加，而電子量屬于二次計算參量，其具體變化規律，受到實值電流、實值電壓之間限制關系的影響[7-8]。設代表用戶行為中的電壓累積量，代表用戶行為中的電流累積量，聯立式（1），可將的實值計算過程描述為：

式中，r代表大用戶節點所負載實值電阻的最小阻值，μ0、μ1分別代表兩個不同的干擾壓降差，μ代表μ0、μ1之間的平均數值，χ0、χ1分別代表兩個不同的干擾流降差，χ代表χ0、χ1之間的平均數值，yˉ代表大用戶節點處的電阻定值消耗參量。

規定在整個數據挖掘算法的執行周期內，大用戶節點處的用電特征始終不會發生明顯改變，設ξ代表傳輸電壓利用率，σ代表傳輸電流利用率，聯立式（2），可將電網環境中的用戶行為劃分表達式定義為：

式中，p代表傳輸電子的固定迭代系數，l代表標準用電特征向量，α代表電壓與電流之間的消耗限定參數。

1.3 耗電周期確定

耗電周期是與大用戶用電特征直接相關的參量指標，可隨電量數據挖掘深度的改變而出現變化，受到大用戶節點所屬行為劃分等級的直接影響。在電子信息挖掘條件保持不變的前提下，耗電周期受到電子輸出總量、電子回執總量兩項物理系數的直接影響[9-10]。電子輸出總量也叫定向電子累積量，常表示為；電子回執總量也叫反向電子累積量，常表示為。隨大用戶節點中電量消耗時間的延長，累計在數據挖掘層中的應用電子快速反饋回核心控制主機，直至電網環境中不再出現明顯的電量波動行為。在上述物理量的支持下，聯立式（3），可將大用戶節點處的耗電周期計算式定義為：

式中，β代表特征電子的傳輸消耗頻度數值，代表傳輸電子的輸入均值量，代表傳輸電子的輸出均值量。

2 大用戶用電特征的分類方法

在數據挖掘原理的支持下，按照用電用戶分類、高維負荷數據降維、用電行為模式特征提取的處理流程，完成新型大用戶用電特征分類方法的搭建。

2.1 用電用戶分類

用戶分類是確定電網耗電總量的必要處理環節，通常情況下，滿足大用戶用電需求節點所處的層次等級相對較高，可在保留原有電子傳輸屬性的同時，對可能接觸到的傳輸電子進行定向分類處理，從而使整個電網傳輸環境始終趨于穩定。規定可直接進行電量傳輸的用電用戶可分為三類，其中只有電子應用等級最高的節點組織滿足大用戶用電特征的判別需求[11-12]。隨著電子流量水平的提升，大用戶節點所承擔的電流傳輸量也逐漸增加，由于電網應用能力的特殊性，電子量很難在核心控制元件中大量堆積，故大用戶用電特征的分類必須以電子傳輸應用量作為唯一判別條件。具體分類原理如表1所示。

表1 用電用戶分類判別原理

2.2 高維負荷數據降維

高維負荷數據具有大用戶用電特征的全部實用特點，如電子傳輸速率快、電子容量大、電子多樣性強等，從實踐性方面來看，大用戶用電數據所處的維度水平越高，與之相關的電量時序性也就越強，即大用戶用電特征實際表現形式始終受到負荷數據維度水平的影響[13-14]。設θ代表大用戶用電特征的原始維度條件，在既定輸送周期內，該項物理量始終具備較強的應用穩定性。代表大用戶節點處的用電量均值，與其他實用消耗信息相比，該項物理量可與數據挖掘算法的應用權限保持相同的變化趨勢。聯立θ與，可將大用戶用電特征的高維負荷數據降維表達式定義為：

式中，代表傳輸電子量的實際消耗定頻系數，f代表傳輸電子的分類權限參量。

2.3 用電行為模式特征提取

用電行為模式特征提取是基于數據挖掘大用戶用電特征分類方法搭建的末尾處理環節，在高維負荷數據降維定義式的支持下，可按照電子流的實際分類需求，對已存儲電量進行集中化處理，從而緩解電網環境中的電子量寄存壓力[15-16]。假設在一個電子輸出周期內，已寄存電量只能保持由起始端到終止端的傳輸行為，而在此過程中所有與大用戶用電節點相關的消耗特征，都可被定義為直流型電子應用量。設vmax代表電子量特征的最大寄存量，vmin代表電子量特征的最小寄存量，聯立式（5），可將大用戶用電行為模式的特征提取表達式定義為：

式中，代表大用戶節點處用電特征量的平均數值，b代表定頻提取系數，x代表用電特征的分類基向量。至此，完成各項應用指標的實值計算與處理，在數據挖掘應用理論的支持下，實現新型大用戶用電特征分類方法的順利應用。

3 實用性研究

為檢驗基于數據挖掘大用戶用電特征分類方法的實際應用能力，設計如下對比實驗組。利用人工方式將電網執行主機與電子傳輸線路相連，將所有記錄數據反饋至中心控制主機中，在相同實驗環境下，分析既定節點處耗電周期及電壓升值的實際變化情況。

實驗組控制主機搭載新型大用戶用電特征分類方法，對照組主機搭載傳統BP 神經型電量分類手段。截取各項應用指標在單位時間內的特征參量值，分析相關系數的實際變化趨勢。

大用戶對象的平均耗電周期可描述電力資源的按需分配能力，通常情況下，前者的數值水平越低，后者的實際分配能力也就越強，反之則越弱。表2反映了實驗組、對照組大用戶對象平均耗電周期的具體變化情況。

分析表2 可知，隨傳輸電子總量的提升，實驗組大用戶對象的平均耗電周期始終保持不斷延長的變化趨勢，全局最大值僅能達到6.48 min，與最小起始值6.01 min 相比，上升了0.47 min；實驗前期，對照組大用戶對象的平均耗電周期不斷上升，在達到最大數值水平后，開始趨于穩定，全局最大值達到8.38 min，與實驗組極值相比，上升了1.90 min。

表2 平均耗電周期對比表

大用戶節點處的電壓升值也能反映電力資源的按需分配能力，通常情況下，前者的數值量越小，后者的實際分配能力也就越強，反之則越弱。表3 反映了實驗組、對照組電壓升值的實際數值水平。

表3 大用戶節點處的電壓升值

分析表3 可知，隨著實驗時間的延長，實驗組大用戶節點處的電壓升值始終保持先上升、再穩定、最后下降的變化趨勢，全局最大值僅達到56.7 V；對照組大用戶節點處的電壓升值在實驗前期始終保持穩定，從實驗中期開始，一直不斷上升，全局最大值達到67.0 V，與實驗組極值相比，上升了10.3 V。

4 結束語

在傳統BP 神經型電量分類手段的支持下，新型大用戶用電特征分類方法借助數據挖掘原理，可在計算節點處集中用電量數值的同時，實現對用電行為模式特征的定向提取，能夠同時滿足對大用戶對象耗電行為的記錄與對電力資源的按需分配，具備較強的實際應用價值。