面向電力大數(shù)據(jù)的用電負(fù)荷分類(lèi)及用戶用電行為分析

韓明沖，鐘建偉，陳 靜，黃 明，張繼學(xué)，鄢 蓓

（1.湖北民族大學(xué) 信息工程學(xué)院，湖北 恩施 445000；2.國(guó)網(wǎng)湖北省電力有限公司恩施供電公司，湖北 恩施 445000）

0 引 言

近年來(lái)，“智能配用電網(wǎng)絡(luò)”一詞在電氣領(lǐng)域較為熱門(mén)，它是為實(shí)現(xiàn)電力網(wǎng)的精細(xì)智能化管理而誕生的一種網(wǎng)絡(luò)。因其優(yōu)點(diǎn)較多，故近年來(lái)我國(guó)一直在大力推進(jìn)智能配用電網(wǎng)絡(luò)的建設(shè)。而對(duì)于近年來(lái)同樣較為火熱的智能電網(wǎng)而言，智能配用電是其發(fā)展中不可缺少的一個(gè)環(huán)節(jié)，通過(guò)分析用戶的用電行為，可對(duì)用戶側(cè)進(jìn)行智能優(yōu)化，以提高供電側(cè)電能的質(zhì)量以及供電的可靠性，使得供電方和用電方實(shí)現(xiàn)雙贏。配用電的對(duì)象是用戶，屬于智能電網(wǎng)的末端，其網(wǎng)絡(luò)體積龐大、結(jié)構(gòu)復(fù)雜。另外，配用電的業(yè)務(wù)類(lèi)型也較多，這就造成用戶用電行為分析難度較大。但由于前些年智能小區(qū)的流行，既提高了用戶參與智能用電環(huán)節(jié)的積極性，又方便了電網(wǎng)對(duì)于用戶側(cè)的精細(xì)智能管理。又因近年來(lái)大數(shù)據(jù)技術(shù)發(fā)展迅速，為用戶用電行為的分析提供了一條新的途徑。由于不同家用電器的用電特性有差異，所以即便小區(qū)家庭中用電設(shè)備的種類(lèi)繁多，也為其功能的實(shí)現(xiàn)提供了可能。對(duì)用戶而言，實(shí)現(xiàn)智能用電可以合理控制家庭電器的使用，進(jìn)而節(jié)省用電開(kāi)支。對(duì)電網(wǎng)來(lái)說(shuō)，通過(guò)對(duì)用戶用電行為的分析，可以了解到用戶的用電規(guī)律，做到對(duì)用電負(fù)荷的預(yù)測(cè)，進(jìn)而制定合理的送電策略；還能方便進(jìn)行能效的管理、客戶分類(lèi)、異常用電檢測(cè)以及電力營(yíng)銷(xiāo)等，這對(duì)電網(wǎng)側(cè)經(jīng)濟(jì)性的提高有著重大意義。另外，用戶用電情況分析也為政府做出產(chǎn)業(yè)調(diào)整、經(jīng)濟(jì)調(diào)控等宏觀決策提供了依據(jù)。

隨著聚類(lèi)技術(shù)的蓬勃發(fā)展，電氣領(lǐng)域涌現(xiàn)出了較多基于聚類(lèi)的機(jī)器學(xué)習(xí)研究。例如，張斌等人使用降維聚類(lèi)技術(shù)分析電力負(fù)荷曲線；趙明等人把聚類(lèi)技術(shù)應(yīng)用于用電負(fù)荷峰谷平時(shí)段的劃分；黃文思以氣象因素為依據(jù)進(jìn)行負(fù)荷預(yù)測(cè)。有待解決的問(wèn)題主要包括電力用戶細(xì)分和電力用戶負(fù)荷預(yù)測(cè)。

綜上所述，為了深度挖掘用戶用電行為特性，提升居民在用電行為上的用電效率和電力企業(yè)在電力市場(chǎng)上的份額，本文采用了基于改進(jìn)K均值聚類(lèi)算法的用戶用電行為分析方法，對(duì)用戶用電數(shù)據(jù)進(jìn)行預(yù)處理后再進(jìn)行聚類(lèi)；根據(jù)聚類(lèi)結(jié)果對(duì)用戶用電行為進(jìn)行分析，為供電公司的營(yíng)銷(xiāo)策略提出改進(jìn)意見(jiàn)。

1 聚類(lèi)算法

1.1 K-means

K-means算法是聚類(lèi)算法的一種。所謂聚類(lèi)，就是根據(jù)某一標(biāo)準(zhǔn)（如距離準(zhǔn)則）將研究對(duì)象中相似的部分劃分成多個(gè)類(lèi)的過(guò)程。每個(gè)類(lèi)中對(duì)象的差異性和相似性要盡可能大。對(duì)于一個(gè)特征矩陣（樣本數(shù)為N），該算法可以將其分割成K個(gè)簇（需要人為設(shè)定），且這些簇之間沒(méi)有交集。同一簇中樣本數(shù)歸為一類(lèi)，不同簇為不同類(lèi)別的分類(lèi)結(jié)果。

設(shè)定K值，算出聚類(lèi)中心和簇中數(shù)據(jù)點(diǎn)間的間距并進(jìn)行多次迭代，以得到最優(yōu)聚類(lèi)中心，其數(shù)量為K。算法距離的定義采用歐式距離。如圖1中直線OB的長(zhǎng)度即為O、B兩點(diǎn)在三維空間中的歐氏距離，其計(jì)算公式為：

圖1 三維空間的歐氏距離

簇內(nèi)的所有樣本點(diǎn)到質(zhì)點(diǎn)（聚類(lèi)中心）距離的平方和的計(jì)算公式為：

其中：為一個(gè)簇內(nèi)樣本數(shù)量；為每個(gè)樣本點(diǎn)的特征數(shù)量；為某一簇內(nèi)的樣本點(diǎn)；為某一簇內(nèi)的聚類(lèi)中心；為組成點(diǎn)的每個(gè)特征；為每個(gè)樣本的符號(hào)。

整體平方和（Inertia）為數(shù)據(jù)中所有簇內(nèi)平方和之和，如式（3）所示。整體平方和值越小，表示每個(gè)簇中樣本差異性越小，即聚類(lèi)處理效果越佳。

結(jié)合以上計(jì)算過(guò)程及圖2的算法流程可以看出，均值算法在選取聚類(lèi)中心時(shí)，因具有隨機(jī)性，故可能出現(xiàn)每次聚類(lèi)結(jié)果差異較大的情況。針對(duì)此問(wèn)題，需要對(duì)該算法進(jìn)行一些改進(jìn)。

圖2 K-means算法流程

1.2 K-means++

因-means算法隨機(jī)選擇聚類(lèi)中心，故可能使得最終聚類(lèi)結(jié)果不理想，比如初始點(diǎn)都選在一個(gè)簇內(nèi)。針對(duì)這一缺點(diǎn)，-means++算法誕生，主要是對(duì)初始聚類(lèi)中心的選擇做了改進(jìn)。首先把值，即初始聚類(lèi)中心數(shù)確定，然后進(jìn)行聚類(lèi)中心的選擇。設(shè)算法已完成個(gè)中心的選取，在選擇下一個(gè)中心時(shí)，若此點(diǎn)距離當(dāng)前個(gè)中心點(diǎn)越遠(yuǎn)，則其被選概率越大。但如果為1，則此算法與未改進(jìn)前一樣，即聚類(lèi)中心隨機(jī)選取。換句話說(shuō)，算法改進(jìn)前后的區(qū)別在于對(duì)初始點(diǎn)的處理，確定好初始點(diǎn)之后，其余步驟都同未改進(jìn)前一樣。

首先隨機(jī)選擇初始聚類(lèi)中心，然后計(jì)算出聚類(lèi)中心與每個(gè)樣本的距離，取其最小值并記為()。根據(jù)式（4）計(jì)算每個(gè)樣本點(diǎn)被選中的概率（為樣本數(shù)），并不斷計(jì)算聚類(lèi)中心與每個(gè)樣本點(diǎn)的距離，直至個(gè)中心選取完成。接下來(lái)的步驟與原始-means算法相同。

2 模型實(shí)現(xiàn)

對(duì)于用戶用電行為分析，其整個(gè)模型功能的實(shí)現(xiàn)主要分為以下五步：第一步，導(dǎo)入必要的模塊，從數(shù)據(jù)庫(kù)文件中讀取歷史電力負(fù)荷數(shù)據(jù)；第二步，進(jìn)行數(shù)據(jù)清洗，即查詢當(dāng)前數(shù)據(jù)中的空缺值，并把空缺值刪除；第三步，為更好地避免用電行為的差異，過(guò)濾掉周末的用電數(shù)據(jù)，并將不同的時(shí)間分列；第四步，通過(guò)聚類(lèi)模型完成可視化類(lèi)的構(gòu)建，以便對(duì)數(shù)據(jù)進(jìn)行分析；第五步，調(diào)用模型得到最終結(jié)果。模塊功能實(shí)現(xiàn)流程如圖3所示。

圖3 模型功能實(shí)現(xiàn)流程

3 實(shí)驗(yàn)與分析

算法試驗(yàn)在Python3.7環(huán)境下開(kāi)展，采用Python語(yǔ)言編寫(xiě)程序，數(shù)據(jù)源自某能源數(shù)據(jù)庫(kù)。首先導(dǎo)入從數(shù)據(jù)庫(kù)中下載的數(shù)據(jù)，然后進(jìn)行數(shù)據(jù)清洗，即查詢當(dāng)前數(shù)據(jù)中的空缺值，并把空缺值刪除。本文隨機(jī)選取某地區(qū)2015年7月20日的電力負(fù)荷數(shù)據(jù)，該數(shù)據(jù)中共有213戶用電用戶。假設(shè)工作日每天的用電情況相似，過(guò)濾掉周末的用電數(shù)據(jù)，再隨機(jī)選取某一天，得到一組用戶用電負(fù)荷數(shù)據(jù)；導(dǎo)入得到的數(shù)據(jù)，得到該日不同時(shí)間不同用戶的用電特征曲線，如圖4所示。圖中顯示的結(jié)果規(guī)律性并不明顯，不利于下一步的分析。因此，應(yīng)對(duì)當(dāng)前得到的數(shù)據(jù)進(jìn)行聚類(lèi)處理。

圖4 用戶用電特征曲線

當(dāng)前數(shù)據(jù)經(jīng)過(guò)聚類(lèi)處理后，聚類(lèi)數(shù)量與距離的關(guān)系曲線如圖5所示。從圖中可以看出，值增加，樣本點(diǎn)與中心點(diǎn)的距離反而較小，反之則增加。

圖5 聚類(lèi)數(shù)量-距離關(guān)系曲線

由聚類(lèi)數(shù)量-距離關(guān)系曲線可知，取值為4或5均可。本文值取5，構(gòu)建了一個(gè)聚類(lèi)數(shù)量為5的模型。利用模型對(duì)數(shù)據(jù)進(jìn)行分組，各組用電數(shù)據(jù)曲線的對(duì)比如圖6所示，圖中黑色粗線為每個(gè)聚類(lèi)的平均值。

圖6 數(shù)據(jù)進(jìn)行5分類(lèi)后的結(jié)果

為方便觀察和分析，本文把5個(gè)聚類(lèi)結(jié)果的平均值曲線放到一張圖中進(jìn)行對(duì)比，繪制出如圖7所示的不同類(lèi)型用戶用電行為曲線。

圖7 不同類(lèi)型用戶用電行為曲線

聚類(lèi)模型根據(jù)用戶用電量的梯度，將213戶用戶分成了5類(lèi)。

第1類(lèi)用戶的數(shù)量為77戶。該類(lèi)用戶的用電量從10:00開(kāi)始上升，18:00左右用電量達(dá)到峰值后開(kāi)始逐漸下降。該類(lèi)用戶數(shù)量是五類(lèi)用戶中最多的，但其整體用電量不算大。此類(lèi)用戶屬于供電公司的基礎(chǔ)客戶，供電公司應(yīng)該保持住這類(lèi)用戶的用電活躍度。

第2類(lèi)用戶的數(shù)量為15戶，數(shù)量較少。該類(lèi)用戶的用電量從8:00左右開(kāi)始增加，且整體來(lái)看用電量較多，所以此類(lèi)用戶可能是某些公司或工廠。

第3類(lèi)用戶的數(shù)量為56戶，數(shù)量較多，但其全日的用電量一直較低，且一整天波動(dòng)不大。用戶可能當(dāng)日出門(mén)不在家或是獨(dú)居的退休老人。供電公司可以考慮如何提升該類(lèi)用戶的用電活躍度。

第4類(lèi)用戶的數(shù)量為63戶，用戶數(shù)量較多，且其全日的用電量變化與第1類(lèi)用戶類(lèi)似，可以與第1類(lèi)用戶歸為一類(lèi)。區(qū)別就是第4類(lèi)用戶的日平均用電量較高，但其也是供電公司的基礎(chǔ)客戶。從曲線可以看出，此類(lèi)用戶的用電峰谷平時(shí)段分界明確，供電公司可以此為依據(jù)，為其制定更加精確的供電方案和收費(fèi)策略。

第5類(lèi)用戶的數(shù)量為2戶，用戶數(shù)量最少。此類(lèi)用戶的夜間用電量很大，用電曲線起伏也較大，考慮到晚上電價(jià)便宜，此類(lèi)用戶可能是某些大型生產(chǎn)商。

各類(lèi)用戶具體行為有待結(jié)合實(shí)際情況做進(jìn)一步分析。

4 結(jié) 語(yǔ)

本文隨機(jī)選取了數(shù)據(jù)庫(kù)中某一天的數(shù)據(jù)進(jìn)行了分析，提出了基于聚類(lèi)算法的用戶用電行為分析方法。經(jīng)過(guò)數(shù)據(jù)預(yù)處理、聚類(lèi)個(gè)數(shù)的選取，最終采用-means++算法對(duì)213戶用戶某工作日的日負(fù)荷曲線進(jìn)行聚類(lèi)，并對(duì)用戶進(jìn)行用電行為的分析。因大多數(shù)用戶的用電行為是習(xí)慣性的，即在一周或者更長(zhǎng)時(shí)間內(nèi)，用戶的電能消耗行為可能一直保持不變，故也可以按此方法確定用戶一周甚至更長(zhǎng)時(shí)間的功耗習(xí)慣和類(lèi)型。此外，考慮到用戶主要是夜間用戶，供電公司可以考慮降低電價(jià)，鼓勵(lì)用戶在夜間使用更多的電力，這對(duì)電網(wǎng)的健康更有利。通過(guò)基于分類(lèi)模式的用戶日用電量分析，可以更好地了解用戶的用電行為。本文針對(duì)每種類(lèi)型的電力負(fù)荷展開(kāi)用戶用電行為分析，以方便供電公司給用戶提供更合理的套餐服務(wù)；同時(shí)根據(jù)不同類(lèi)型的電力消費(fèi)用戶，收取不同的稅費(fèi)，并提高系統(tǒng)的電能利用效率，為今后的工作提供可靠的依據(jù)。