基于多特征融合的電力用戶畫像構(gòu)建方法研究

摘 要：常規(guī)的電力用戶畫像構(gòu)建模型一般為獨立形式，存在局限，導(dǎo)致最終構(gòu)建得到的重合比下降。本文對基于多特征融合的電力用戶畫像構(gòu)建方法進行設(shè)計與分析。根據(jù)構(gòu)建需求提取電力用戶行為特征，采用多特征融合的方式打破構(gòu)建形式的局限，并設(shè)計多特征融合電力用戶畫像構(gòu)建模型，采用多級別畫像分類處理的方式來進行畫像構(gòu)建。測試結(jié)果表明，與傳統(tǒng)的遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)電力用戶畫像構(gòu)建方法、傳統(tǒng)的大數(shù)據(jù)分析電力用戶畫像構(gòu)建方法相比，本文設(shè)計的多特征融合電力用戶畫像構(gòu)建方法得到的電力用戶畫像重合比相對較高，說明該方法對用戶畫像以及信息的還原度更高，可靠性更強，更真實。

關(guān)鍵詞：多特征融合；電力設(shè)置；用戶畫像；用戶偏好分析；畫像構(gòu)建；電力實時監(jiān)測

中圖分類號：TP 389" " " " 文獻標(biāo)志碼：A

電力用戶數(shù)據(jù)的收集與分析在電力行業(yè)發(fā)展中非常重要。電力用戶畫像構(gòu)建對優(yōu)化資源配置、提升服務(wù)質(zhì)量和加強用戶管理有重要的意義。傳統(tǒng)的電力用戶畫像構(gòu)建方法多數(shù)為獨立目標(biāo)式。文獻[1]提出了傳統(tǒng)遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)電力用戶畫像構(gòu)建方法，結(jié)合神經(jīng)網(wǎng)絡(luò)技術(shù)篩選并確定用戶的偏好以及習(xí)慣特征。采用對比方法進行測算，最終達到預(yù)設(shè)的構(gòu)建目標(biāo)。文獻[2]提出的傳統(tǒng)大數(shù)據(jù)分析電力用戶畫像構(gòu)建方法采用大數(shù)據(jù)奠定基礎(chǔ)，對區(qū)域性的用戶特征進行描述，符合構(gòu)建標(biāo)準(zhǔn)。這類用戶畫像構(gòu)建方法雖然可以達到預(yù)期的處理效果，但是通常局限于單一的數(shù)據(jù)源或特征維度，不能全面反映用戶的真實需求和行為特點[3]。因此本文提出基于多特征融合的電力用戶畫像構(gòu)建方法。利用多特征融合技術(shù)，整合電力用戶的用電、行為和社交等多維度數(shù)據(jù)，采用數(shù)據(jù)挖掘和機器學(xué)習(xí)方法精準(zhǔn)提取用電習(xí)慣、需求偏好和信用狀況等特征，構(gòu)建個性化用戶畫像。采用該方法不僅可以了解用戶的需求，支持個性化服務(wù)，還可以優(yōu)化資源配置，提升運營效率和畫像準(zhǔn)確性[4]。

1 建立多特征融合構(gòu)建方法

1.1 電力用戶行為特征提取

電力用戶的行為特征提取不僅關(guān)系到用戶畫像的準(zhǔn)確性和完整性，而且直接影響后續(xù)的電力需求預(yù)測、用電優(yōu)化以及能源管理等多個環(huán)節(jié)[5]。當(dāng)前用戶特征的識別范圍包括但不限于用戶的用電習(xí)慣、用電時段、用電負荷、用電設(shè)備類型以及用電量等多個方面[6]。在當(dāng)前主控程序與識別結(jié)構(gòu)中設(shè)定數(shù)據(jù)采集裝置，預(yù)設(shè)多個周期，針對周期內(nèi)的數(shù)據(jù)變化總結(jié)規(guī)律，并進行特征提取，例如用電負荷值在不同周期內(nèi)變化會形成對應(yīng)的規(guī)律，劃分為峰值段和谷值段等，根據(jù)采集的數(shù)據(jù)計算對應(yīng)的特征值，如公式（1）所示。

（1）

式中：R為特征值；B為基礎(chǔ)負荷標(biāo)準(zhǔn)；φ為負荷波動值；I為目標(biāo)負荷值。

將得到的特征值設(shè)定為后期用戶畫像的構(gòu)建指引目標(biāo)，進一步反映了用戶的日常生活習(xí)慣，也揭示了用戶對電力的需求模式和用電行為模式[7]。結(jié)合多特征融合原理，將提取的特征劃分為靜態(tài)特征和動態(tài)特征，見表1。對上述特征進行提取與分析可以構(gòu)建更加豐富、立體的用戶畫像。不僅可以揭示用戶的用電規(guī)律，預(yù)測用戶的未來用電需求，而且為電力公司提供更精準(zhǔn)的服務(wù)和管理依據(jù)。

1.2 構(gòu)建多特征融合電力用戶畫像模型

結(jié)合多特征融合原理從整合后的數(shù)據(jù)中提取與電力用戶畫像有統(tǒng)計學(xué)意義的靜態(tài)特征和動態(tài)特征。由于不同特征的數(shù)據(jù)類型和取值范圍可能存在差異，因此需要進行歸一化處理，將特征值縮放至一個特定范圍，一般是[0，1]。在不改變數(shù)據(jù)分布的情況下，將數(shù)據(jù)值限定在固定范圍內(nèi)，并進行歸一化計算，如公式（2）所示。

（2）

式中：RNormalization為歸一化處理結(jié)果；Rmin、Rmax分別為處理最小值xmin和最大值xmax。在完成歸一化處理后，需要根據(jù)電力用戶的實際情況進行特征選擇與權(quán)重分配。根據(jù)業(yè)務(wù)需求和目標(biāo)選擇對電力用戶畫像構(gòu)建最關(guān)鍵的特征，并為每個特征分配相應(yīng)的權(quán)重。將多個特征進行融合計算，構(gòu)建用戶畫像，建立對應(yīng)的模型表達式，如公式（3）所示。

（3）

式中：G（x）為多特征融合后的圖像構(gòu)建輸出結(jié)果；d為調(diào)控矢量；υ為重疊期望值。對輸出的結(jié)果進行對比，獲取最終的模型數(shù)值。

基于上述測定得到的結(jié)果對海量的用戶數(shù)據(jù)進行處理和驗證，在模型中增加自動更新描述能力，隨著用戶用電行為變化以及用電數(shù)據(jù)更新，模型對其進行實時調(diào)整和優(yōu)化，保證準(zhǔn)確性和時效性。多特征融合電力用戶畫像如圖1所示。對多特征融合電力用戶畫像進行構(gòu)建，管理者結(jié)合模型輸出的信息以及數(shù)據(jù)進一步了解用戶的實際情況，調(diào)整實時供電量。用戶畫像還可以提高電力分配效率以及服務(wù)質(zhì)量，為用戶提供更加個性化的電力解決方案，推動電力行業(yè)的智能化和個性化發(fā)展。

1.3 多級別畫像分類處理

多級別分類處理需要對用戶數(shù)據(jù)進行深度挖掘和分析。結(jié)合上文設(shè)計的多特征融合電力用戶畫像模型，采用基于層次聚類的算法。根據(jù)用戶用電數(shù)據(jù)、行為數(shù)據(jù)和社交數(shù)據(jù)等多維特征構(gòu)建用戶特征向量集。利用層次聚類算法，根據(jù)用戶特征之間的相似性和差異性將用戶劃分為不同的群組。

在層次聚類過程中，以平均鏈接法作為聚類準(zhǔn)則計算不同群組之間的平均距離來判斷群組之間的相似性。假設(shè)有2個群組A和B，其平均鏈接距離D（A，B）計算過程如公式（4）所示。

（4）

式中：|A|和|B|分別為群組A和B中用戶特征向量的數(shù)量；a 為第一個用戶的特征向量；b為第二個用戶的特征向量；d（a，b）為用戶特征向量a與b之間的距離。

在劃分用戶群組后，基于用戶特征向量在群組內(nèi)的分布情況以及預(yù)設(shè)的分類標(biāo)準(zhǔn)對每個群組內(nèi)的用戶進行畫像分類。假設(shè)群組G中的用戶特征向量服從高斯分布，利用概率密度函數(shù)計算用戶屬于某個類別的概率。假設(shè)用戶特征向量x屬于類別C的概率為P（C|x），那么可以利用貝葉斯公式進行計算，如公式（5）所示。

（5）

式中：P（x|C）為在類別C下觀察到特征向量x的概率；P（C）為類別C的先驗概率；P（x）為特征向量x的邊緣概率。比較不同類別的后驗概率，將用戶劃分至概率最大的類別中。

根據(jù)上述測定得到的結(jié)果將用戶劃分為不同的類別，例如高用電量用戶、低用電量用戶和高峰用電用戶等。根據(jù)用戶的用電量并結(jié)合上述劃分的類別建立對應(yīng)的畫像層級，多級別畫像分類處理如圖2所示。在這個過程中，結(jié)合用戶的靜態(tài)特征與動態(tài)特征細分用戶群體，精準(zhǔn)把控用戶的需求特點和行為模式。由于多級別畫像設(shè)定的分類標(biāo)準(zhǔn)并不是固定的，因此需要結(jié)合電網(wǎng)的實際運行情況、區(qū)域用電量的變化和用戶用電習(xí)慣的改變等進行周期性調(diào)整，增加畫像分類處理的靈活性，提高圖像的真實度。

2 試驗

本文對基于多特征融合的電力用戶畫像構(gòu)建方法實際應(yīng)用效果進行分析，采用對比的形式進行分析，保證最終測試結(jié)果真實、可靠。以H區(qū)域的電力用戶作為這次試驗的目標(biāo)對象，結(jié)合應(yīng)用數(shù)據(jù)對用戶進行定位。將傳統(tǒng)遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)電力用戶畫像構(gòu)建方法、傳統(tǒng)大數(shù)據(jù)分析電力用戶畫像構(gòu)建方法以及本文方法進行對比，結(jié)合實際需求搭建對應(yīng)的測試環(huán)境。

2.1 試驗準(zhǔn)備

結(jié)合多特征融合技術(shù)搭建H區(qū)域電力用戶畫像構(gòu)建方法的測試環(huán)境，如圖3所示。設(shè)定數(shù)據(jù)采集裝置和預(yù)設(shè)周期，提取用戶的用電習(xí)慣、負荷等特征，并利用公式（1）計算特征值，將特征劃分為靜態(tài)和動態(tài)2類，以形成豐富、立體的用戶畫像。利用公式（2）的歸一化處理整合特征數(shù)據(jù)，選擇關(guān)鍵特征并分配權(quán)重，融合多特征設(shè)計公式（3）中的用戶畫像模型，并實時調(diào)整以保持準(zhǔn)確性。采用層次聚類算法和多維特征構(gòu)建用戶特征向量集，采用平均鏈接法計算群組相似性，利用貝葉斯公式劃分用戶類別，并構(gòu)建多級別電力用戶畫像。

隨機抽取1 200戶已安裝非入戶終端電力微信客戶端的居民作為試驗對象，調(diào)取其用電數(shù)據(jù)以及信息作為測試參考，標(biāo)定總負荷與分項辨識負荷數(shù)據(jù)。根據(jù)數(shù)據(jù)設(shè)定提取特征值，并建立圖像的標(biāo)簽，然后對用戶行為簇別進行聚類分析，根據(jù)多特征融合明確基礎(chǔ)測試環(huán)境，見表2。對電力用戶畫像測試環(huán)境進行分析，在此基礎(chǔ)上對選定的測試區(qū)域進行實時監(jiān)測，設(shè)定3個新的周期，為維修測試奠定基礎(chǔ)。

2.2 試驗方法與結(jié)果

在上文搭建的測試環(huán)境中，結(jié)合多特征融合對電力用戶畫像構(gòu)建方法進行分析。對3個周期的用電情況進行分析，并采集對應(yīng)的數(shù)據(jù)和信息，對比用戶簇聚類分布實況，如圖4所示。本文采用平均鏈接法作為聚類準(zhǔn)則，計算不同群組之間的平均距離來判斷群組之間的相似性，以對特征進行聚類處理。由圖4可知特征聚合為1個群組。此時，根據(jù)聚類后的特征對用戶的畫像進行構(gòu)建，得到結(jié)果后，與初始的用戶信息進行對比，測定畫像重合比。畫像重合比用于描述2個或多個圖像之間重疊部分的比例。設(shè)圖像一的面積為 A1，圖像二的面積為A2，圖像一和圖像二重疊部分的面積為A1，2。圖像一與圖像二之間的重合比RAB如公式（6）所示。

（6）

測試結(jié)果多周期分析見表3。與傳統(tǒng)遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)電力用戶畫像構(gòu)建方法、傳統(tǒng)大數(shù)據(jù)分析電力用戶畫像構(gòu)建方法相比，本文方法得到的電力用戶畫像重合比相對較高，最高值為9.67，說明該方法對用戶畫像以及信息的還原度更高，可靠性更強。

為進一步驗證設(shè)計方法的實用性，以響應(yīng)時間為試驗指標(biāo)進行對比，測試結(jié)果見表4。由表4可知，傳統(tǒng)遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)電力用戶畫像構(gòu)建方法的響應(yīng)時間最長為5.9 s，傳統(tǒng)大數(shù)據(jù)分析電力用戶畫像構(gòu)建方法的響應(yīng)時間最長為9.6 s，本文方法響應(yīng)時間最高為1.6 s，低于對比方法，本文方法能夠在較短的時間內(nèi)完成畫像構(gòu)建，縮短了用戶的等待時間，提高了用戶體驗。

3 結(jié)語

本文研究基于多特征融合的電力用戶畫像構(gòu)建方法，不僅可以提升電力服務(wù)質(zhì)量，優(yōu)化資源配置，而且結(jié)合多特融合技術(shù)更加全面、準(zhǔn)確地刻畫電力用戶的特征，在此基礎(chǔ)上對同區(qū)域用戶進行定向描述，為電力企業(yè)的精細化運營提供了有力支撐，推動電力企業(yè)向智能化、精細化方向發(fā)展。

參考文獻

[1]王海龍，李冠龍，黃鑫磊，等.基于遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)的電力潛在敏感用戶畫像聚類算法[J].微型電腦應(yīng)用，2024，40（1）：138-140，144.

[2]王永明，陳宇星，殷自力，等.基于大數(shù)據(jù)分析的電力用戶行為畫像構(gòu)建方法研究[J].高壓電器，2022，58（10）：173-179，187.

[3]劉育平，楊爾欣，李洪，等.基于用戶畫像特征的優(yōu)質(zhì)電力園區(qū)多維度能耗預(yù)測模型[J].數(shù)學(xué)的實踐與認識，2023，53（10）：42-51.

[4]程俊春，王飛鳴，袁進學(xué).電網(wǎng)企業(yè)審計數(shù)字化“用戶畫像”的應(yīng)用與探索[J].云南電力技術(shù)，2023，51（1）：60-66.

[5]王巖，黃瑩，王文瑾，等.電力客戶準(zhǔn)確定位與立體畫像多維構(gòu)建研究[J].武漢理工大學(xué)學(xué)報（信息與管理工程版），2023，45（1）：156-159.

[6]汪波，劉沙，鄭穩(wěn).基于深層標(biāo)簽和K-Means++算法的電力用戶畫像研究[J].鞍山師范學(xué)院學(xué)報，2022，24（6）：43-48.

[7]苗光堯，安靜，黃小花，等.基于多源數(shù)據(jù)融合的電力用戶畫像構(gòu)建方法研究[J].自動化技術(shù)與應(yīng)用，2022，41（8）：93-96，125.