數(shù)據(jù)驅(qū)動(dòng)的用電行為分析模型研究

張世元，王治國，董昊男，傅冠凱

（國網(wǎng)甘肅省電力公司，甘肅蘭州 730030）

電力數(shù)據(jù)隱藏著用戶用電的行為和習(xí)慣，利用電力數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘和用戶類型研究，可以更好地理解用戶對個(gè)性化和差異化服務(wù)的需求。由此，服務(wù)的深度和廣度進(jìn)一步擴(kuò)大，為制定支持未來需求方響應(yīng)的政策提供數(shù)據(jù)支持[1]。在傳統(tǒng)行業(yè)分類的基礎(chǔ)上，提出了基于聚類的用戶分類研究方法。雖然使用該方法能夠快速分析用電行為，但并未考慮用戶使用電力的不同，特別是3 種類型用戶的當(dāng)前市場價(jià)值、潛在市場價(jià)值和區(qū)域貢獻(xiàn)價(jià)值，這種分類很大程度上是宏觀的，并不符合電力負(fù)荷精細(xì)化管理的能源戰(zhàn)略，因此，對不同類型的用戶采取不同營銷策略是具有必要性的[2]。因此，提出了一種基于數(shù)據(jù)驅(qū)動(dòng)的用電行為分析模型。在此基礎(chǔ)上，建立了數(shù)據(jù)驅(qū)動(dòng)的用電行為分析模型，提取了有價(jià)值的信息。

1 數(shù)據(jù)驅(qū)動(dòng)的用電行為分析模型

1.1 用電分析

該方法結(jié)合K-means 算法和數(shù)據(jù)驅(qū)動(dòng)技術(shù)，實(shí)現(xiàn)了電力消耗分類的并行處理。這種算法因其計(jì)算速度快而經(jīng)常用于大規(guī)模數(shù)據(jù)聚類[3]。圖1 是用電分析結(jié)構(gòu)框圖。

圖1 用電分析結(jié)構(gòu)框圖

如圖1 所示，用電量信息采集主要完成對家庭用戶用電量數(shù)據(jù)的采集[4-6]。將采集到的數(shù)據(jù)輸入不同設(shè)備驅(qū)動(dòng)模塊之中，通過執(zhí)行多變量、存儲(chǔ)多維數(shù)據(jù)，其并行存儲(chǔ)、轉(zhuǎn)換功能可為用戶用電行為分析奠定基礎(chǔ)[7-8]。

1.2 基于數(shù)據(jù)驅(qū)動(dòng)數(shù)據(jù)聚類

基于數(shù)據(jù)驅(qū)動(dòng)聚類算法步驟如下所示：

Step2：對上述數(shù)據(jù)集中的第i個(gè)樣本點(diǎn)ai，確定其與聚類中心βj的距離，并獲取樣本點(diǎn)ai所屬類別簇，計(jì)算公式如下所示：

式（1）中，i=1,…,n;j=1,…,m；

Step3：依據(jù)式（2）更新m個(gè)聚類中心，計(jì)算公式如下：

式（2）中，nj表示簇βj對象數(shù)量。

Step4：重復(fù)Step2 和Step3，直到函數(shù)收斂為止；

Step5：收斂評價(jià)依據(jù)如圖2 所示。

圖2 收斂評價(jià)依據(jù)

如圖2 所示，數(shù)據(jù)驅(qū)動(dòng)收斂評估的基礎(chǔ)有3 個(gè)階段，即初始類別、層次合并和重新標(biāo)記[9-10]。每一階段以形式交換數(shù)據(jù)。

初始類別階段：Map/Reduce 模型將輸入數(shù)據(jù)集分成幾個(gè)數(shù)據(jù)子集，并為每個(gè)Map 函數(shù)賦值[11-13]。key 是相對于輸入數(shù)據(jù)文件開始點(diǎn)的當(dāng)前示例的偏移。利用歐氏距離公式，分析當(dāng)前樣本各維度的坐標(biāo)值，對中心點(diǎn)進(jìn)行距離計(jì)算，得到最接近樣本的聚類指數(shù)，并生成中間的設(shè)置{k1,v1}，k1 是最接近集群指數(shù)，v1 是每個(gè)維坐標(biāo)的當(dāng)前采樣值[14]。此值對的數(shù)據(jù)類型與原始鍵-值對不同，需要將操作結(jié)果存儲(chǔ)在中間庫中。

層級合并階段迭代期間，為了降低通信開銷，Map 階段結(jié)束后，需要對已處理數(shù)據(jù)進(jìn)行部分合并[15]。這一階段，Map/Reduce 模型重新排列中間鍵值集，從而生成新的二元組。在新集合中，所有相應(yīng)鍵的值都相同，并且二元組的集合也會(huì)按照Reduce任務(wù)的相同數(shù)目分成片段。對每個(gè)Reduce 任務(wù)，輸入是二元組集合的片段[16]。利用層次分析法將處理樣本的數(shù)據(jù)合并為相應(yīng)節(jié)點(diǎn)的坐標(biāo)值和累積坐標(biāo)值，將相應(yīng)的值相加，除以樣本總數(shù)，獲得新的中心點(diǎn)坐標(biāo)，輸出鍵-值對。更新HFDS 文件中的結(jié)果，繼續(xù)下一步，直到算法收斂。

1.3 用電行為分析模型構(gòu)建

選取合理的電力行為特征評價(jià)指標(biāo)作為分類依據(jù)，考慮電力用戶負(fù)荷特征和長、短期時(shí)間序列特征，建立了電力用戶用電行為特征多維評價(jià)指標(biāo)體系，包括：1）由年度最大負(fù)荷利用小時(shí)數(shù)和典型日平均負(fù)荷率所構(gòu)成的負(fù)荷特征指數(shù)可用于衡量負(fù)荷密度和強(qiáng)度；2）以年為單位的月平均負(fù)荷構(gòu)成的月用電量時(shí)間序列能夠反映出年時(shí)間尺度上負(fù)荷的用電行為特征，如季節(jié)不平衡特征；3）以典型日小時(shí)為單位的日用電量時(shí)間序列能夠反映負(fù)荷在日時(shí)間尺度上的行為特征，如峰谷效應(yīng)等。基于此，所建立的模型如式（3）所示：

式（3）中，Vα表示月用電量時(shí)序向量，Vβ表示日內(nèi)用電量時(shí)序向量，Vγ表示負(fù)荷特性向量。

1.4 用電行為檢測

基于滑動(dòng)窗口的思想，根據(jù)電力消耗情況下總功率信號的變化，設(shè)計(jì)了一種基于滑動(dòng)窗口的電力消耗檢測算法，包括兩個(gè)檢測過程。在此基礎(chǔ)上，通過連續(xù)地獲取輸入總電信號的滑動(dòng)窗，計(jì)算滑動(dòng)窗口及切換前后穩(wěn)態(tài)功率差的變化情況，檢測其用電特性。

電流行為檢測算法包括兩類：第一類是判斷總功率信號是否突然改變，以及開關(guān)過程中起始點(diǎn)、結(jié)束點(diǎn)的位置；針對總功率變化信號，需先選擇一個(gè)滑動(dòng)窗口作為標(biāo)記功率點(diǎn)Pj功率序列S=[Pj-N…Pj…Pj+N]，其中N表示功率點(diǎn)窗口側(cè)向長度。當(dāng)滑動(dòng)窗中含有負(fù)荷開關(guān)位置時(shí)，由于用電行為常常伴隨著功率突發(fā)變化的現(xiàn)象發(fā)生，所以窗口功率序列值的波動(dòng)幅度較大，且不具有規(guī)律性。因此，計(jì)算功率序列方差Svar作為功率突發(fā)變化的幅度變化量。

非電器投切在正常使用情況下，其功率變化幅度與當(dāng)前功率點(diǎn)有關(guān)，可將αSmean作為功率點(diǎn)突變閾值，將該閾值作為限值，以此避免誤檢現(xiàn)象發(fā)生。

設(shè)Smean為滑動(dòng)窗口功率序列平均功率，依據(jù)用戶使用情況調(diào)整電器種類，保證分析結(jié)果更加精準(zhǔn)。當(dāng)窗口功率突變時(shí)，有Svar≥αSmean，用電行為檢測過程示意圖如圖3 所示。

圖3 用電行為檢測過程示意圖

使用滑動(dòng)窗的冪次方差和均值，能夠判斷窗口是否發(fā)生了改變。利用連續(xù)滑動(dòng)窗口求出冪次變異性的近似起點(diǎn)pstart和終點(diǎn)pend，如圖4 所示。

圖4 用電行為探測

同時(shí)考慮兩側(cè)窗口長度N，可得到較準(zhǔn)確的始點(diǎn)=Pstart+N和終點(diǎn)=Pend+N。通過對開關(guān)過程中瞬態(tài)和穩(wěn)態(tài)部分的定位，確定了用電行為起始點(diǎn)和終點(diǎn)的位置，為后續(xù)負(fù)荷特性的提取提供了依據(jù)。在檢測到功率突變時(shí)，可利用突變前后穩(wěn)態(tài)功率的變化來判斷突變是開關(guān)動(dòng)作還是穩(wěn)態(tài)工作。在為負(fù)荷切換閾值留出一定余量的情況下，考慮功率變化對居民負(fù)荷正常運(yùn)行的干擾，可規(guī)劃用電行為檢測過程，如圖5 所示。

圖5 用電行為檢測流程

由圖5 可實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)下用電行為的檢測。

2 實(shí) 驗(yàn)

2.1 數(shù)據(jù)預(yù)處理

原始資料可能存在某些缺失或偏離的異常值，需進(jìn)行修正。如果數(shù)據(jù)量不超過20%的空值和一個(gè)“NAN”異常值，則使用相鄰負(fù)載數(shù)據(jù)的平均值填充。若存在連續(xù)的異常數(shù)據(jù)，則繼續(xù)搜索兩端，直到值不為空。由于不同的特征具有不同的維度，在用戶分類中直接使用原始數(shù)據(jù)會(huì)導(dǎo)致聚類效果差、收斂速度慢等問題，從而使原始特征數(shù)據(jù)標(biāo)準(zhǔn)化。標(biāo)準(zhǔn)化負(fù)載數(shù)據(jù)，避免對數(shù)據(jù)產(chǎn)生偏差，即：

式（4）中，s2(i) 表示原始數(shù)據(jù)標(biāo)準(zhǔn)化后的數(shù)據(jù)值，α表示均值，β表示標(biāo)準(zhǔn)差。

使用標(biāo)準(zhǔn)化負(fù)荷數(shù)據(jù)統(tǒng)計(jì)負(fù)荷特性參數(shù)，保證其在[0,1]范圍內(nèi)，計(jì)算公式為：

預(yù)測負(fù)荷時(shí)，對溫度因素進(jìn)行處理，提升分析結(jié)果的精準(zhǔn)度和收斂速度。

2.2 實(shí)驗(yàn)結(jié)果與分析

分析早晚高峰型、日高峰型、多峰型下的用電量，結(jié)果如圖6 所示。

由圖6 可知，在早晚高峰型下，用電量在8～30 kW·h 范圍內(nèi)波動(dòng)；在日高峰型下用電量在2～25 kW·h 范圍內(nèi)波動(dòng)；在多峰型下用電量在3～28 kW·h 范圍內(nèi)波動(dòng)。

圖6 早晚高峰型、日高峰型、多峰型下用電量

以上述內(nèi)容為基礎(chǔ)，分別采用基于聚類的用戶分類研究方法W1、數(shù)據(jù)驅(qū)動(dòng)的用電行為分析模型W2 對3 種情況下用電量情況展開分析，結(jié)果如表1～表3 所示。

表1 早晚高峰情況下用電量分析

表2 日高峰情況下用電量分析

表3 多峰型情況下用電量分析

由表1 可知，使用基于聚類的用戶分類研究方法在3 種情況下，用電量均與實(shí)際用電量不符，尤其在日高峰型下，與實(shí)際情況相差最大，最大誤差為10 kW·h；使用數(shù)據(jù)驅(qū)動(dòng)的用電行為分析模型在3 種情況下，用電量均與實(shí)際用電量一致。

3 結(jié)束語

針對傳統(tǒng)用戶問題分類方法主觀性強(qiáng)、結(jié)果混亂、準(zhǔn)確性不足等缺點(diǎn)，建立了數(shù)據(jù)驅(qū)動(dòng)的用戶消費(fèi)行為分析模型，實(shí)現(xiàn)了對電力用戶問題分類分析的細(xì)化，并為識(shí)別電力相關(guān)因素和差異預(yù)測奠定了基礎(chǔ)。結(jié)合數(shù)據(jù)驅(qū)動(dòng)和K-means 算法，提出了一種基于功率特征的電力消耗分類方法。實(shí)驗(yàn)證明，該模型分析結(jié)果準(zhǔn)確。

雖然使用該方法分析結(jié)果精準(zhǔn)，但缺少用電環(huán)境參數(shù)分析，無法保證該方法在復(fù)雜環(huán)境下也具有良好分析效果。