基于大數據的電力用戶群體識別與分析方法研究

許長清，　趙華東，　宋曉輝

(1.國網河南省電力公司 經濟技術研究院　河南 鄭州 450052； 2.鄭州大學 機械工程學院河南 鄭州450001； 3.河南省科學院 應用物理研究所　河南 鄭州 450008)

?

基于大數據的電力用戶群體識別與分析方法研究

許長清1，趙華東2，宋曉輝3

(1.國網河南省電力公司 經濟技術研究院河南 鄭州 450052； 2.鄭州大學 機械工程學院河南 鄭州450001； 3.河南省科學院 應用物理研究所河南 鄭州 450008)

隨著能源互聯網及智能用電技術的發展，深入了解電力用戶群體特征，并提供精準電力服務，成為“互聯網+”智慧能源的重要研究內容.通過對售電體積累的用戶社會屬性、用電行為等大數據進行分析，構建用戶間相似度權重模型，提出基于“用戶-標簽”二元網絡的相似群體識別方法，并通過群體分析獲取群屬性和典型負荷特征，預測新入網用戶的用電行為.該方法通過對標簽數據的分析，便于發現群體中的重要用戶，為互聯網售電體實施個性化用電服務和增值服務推薦提供支撐，進而提升電力服務質量.

大數據； 電力用戶； 相似群體； 用戶標簽

0　引言

在能源互聯網和智能電網背景下[1-3]，準確地對用戶用電行為特征分析和用電量短期、長期預測對電網需求側管理和基于互聯網的售電體精準營銷具有重要的指導意義[4-5].基于用戶社會屬性、用電行為特征、互聯網行為將電力用戶進行分類，進而實現群體用電行為預測，可以幫助售電體更深入地了解用戶群體特征，為電力精準營銷和制定電力需求側響應策略提供數據支撐.

隨著我國電力體制改革和能源互聯網戰略的不斷推進，電力用戶在互聯網售電平臺上購電和用電增值服務，形成種類豐富的用戶數據[6]，包括用戶屬性數據、用電行為數據、上網行為數據等．基于這些用電大數據將用戶用電行為特性進行多維度分解，建立用戶分類模型，深刻認識電力用戶群體效應，能夠形成基于群體的用電模式差異化預測模型.

目前，對電力用戶群體分析方法多是基于歷史負荷數據，建立基于人工智能方法的負荷識別和預測模型[7-9]，再利用聚類的方法實現基于用電行為的用戶群體分析[10-11]，或是基于行業或領域等用戶屬性將電力用戶進行細分[12-13]，進而形成群體-屬性的關系.這些分類方法往往一個群體中的用戶只包含了個別共同屬性，難以真正形成包含個體屬性、用電行為和互聯網行為等多種屬性的相似用戶群體，進而影響基于群體特征的用戶用電行為分析預測模型的構建[14-18].

標簽作為一種用戶行為的標識方法，蘊含了很多反映用戶屬性、用電偏好的信息[19]．本文通過對標簽數據的分析，結合相同標簽數量和負荷相似度形成用戶關聯度網絡模型，得到相似電力用戶群體，提取群體的主要特征以及發現群體中的重要用戶，便于互聯網售電體實施個性化增值服務產品和用電套餐推薦，進而提升電力服務質量.

1　電力用戶群體識別與分析方法

1.1電力用戶行為關系模型

如圖1所示, 對于電力用戶的個體行為刻畫分為兩類，一是電力用戶的社會屬性,包括家庭人口、住房面積、房屋均價、戶內熱源類型等，反映了電力用戶對電力的消費能力和潛力，該類描述可以幫助售電體刻畫用戶的形象，進而對用戶進行分類或歸納；二是電力用戶的用電行為，包括歷史負荷曲線、互聯網購電行為、用戶信用等級等，反映了電力用戶的實際電能消費量、購電渠道等用電行為特征，動態展示了用戶的用電行為特點，可以幫助售電體了解用戶的用電模式和消費習慣.對于電力用戶群體的分類和行為刻畫，體現在基于用戶個體行為，形成對群體典型負荷和群體標簽的描述，其中群體標簽包含了群體中用戶共同的社會屬性和用電行為.

圖1　電力用戶行為關系模型Fig.1　Model of power users’ relation

1.2相似用戶群體識別方法

如圖2所示，基于大數據的電力用戶群體分析方法主要包括：

1) 構建電力用戶及其標簽二元關系網絡.

標簽是對用戶屬性、行為等一系列特征的一個或多個定性描述.一個標簽通常是人為規定的高度精煉的特征標識，如電力用戶的房屋面積標簽：70～90 m2，人口標簽：3人，信用等級標簽：2級,等等.標簽呈現出兩個重要特征：語義化，能方便地理解每個標簽含義，這也使得個體用戶刻畫模型具備實際意義；短文本，每個標簽通常只表示一種含義，標簽本身無需再做過多文本分析等預處理工作，這為利用機器提取標準化信息提供了便利.

圖2　電力用戶群體分析方法Fig.2　Method of power user group analysis

如圖3所示，對電力用戶全體分析的第一步是定義電力用戶社會屬性及用電行為標簽，將用戶與其所屬的標簽進行連接，形成相互關系二元網絡，其中a、b、c、d代表用戶節點，L1、L2、L3、L4代表用戶標簽.

2) 建立用戶節點間相互關系權重模型.

用戶節點間的相互關系權重是用戶相似度的表現，包括圖1所示的用戶社會屬性相似度和用電行為相似度，其中用戶社會屬性、用戶信用和購電渠道等可以定義為靜態標簽，用相同標簽數量表征其相似性，但用電行為中的歷史負荷為動態數據，難以用標簽描述，該指標卻是用戶相似性和群體刻畫的關鍵內容．基于上述因素，本文以標簽相同個數為權重模型的基礎，將負荷相似度作為權重因子，使得權重模型既包含靜態標簽相似性，又包含動態負荷相似性.

將用戶節點網絡中任意兩節點之間相同標簽的個數表示為Nij，用電行為相似度Sij，兩節點相互關系權重表示為

α=Nij×Sij,

(1)

其中:用電行為相似度Sij的計算方法為：分別利用用戶i和j日均負荷曲線中各小時的平均負荷組成用戶日負荷量Li和Lj,基于余弦相似度計算方法計算用電行為相似度

(2)

3) 識別與構建相似用戶群體.

如圖4所示，相似用戶群體的形成過程包括：基于用戶節點間相互關系權重模型，計算二元網絡中任意兩節點的權重，將權重最大的兩個節點合并為一個群，并視其為網絡中的一個節點，再與其他節點進行關系權重計算，將權重最大的節點合并至群中，形成新的用戶群.如果群中的用戶超過售電體設定的用戶數，則完成相似用戶群體的識別和構建，反之則繼續計算更新的群與其他節點的關系權重，不斷更新群組成.在計算群與節點關系權重過程中，標簽只取群中用戶共有特征，負荷量取群中所有用戶的平均值，由于相似用戶的識別過程是對網絡中所有用戶節點進行遍歷計算，再進行權重排序，計算順序將不影響模型結果.

圖3　“用戶-標簽”二元關系網絡Fig.3　“User-label” two-unit network

圖4　相似用戶群網絡Fig.4　Similar user group network

1.3相似用戶群體特征分析

在識別和構建相似用戶群體后，一方面可以如圖1所示，分析和獲得群標簽屬性和用電行為特征，用以表征電力用戶群體行為，實現售電體面向群體的銷售決策；另一方面，相似用戶群體的屬性包含了個體用戶的行為刻畫，能夠幫助售電體預測用戶個體的用電行為，實現面向用戶的電力精準營銷.其中，群體標簽為群用戶共同擁有的標簽類型，從群識別過程可以獲得；群典型負荷量L反映了群體共同的用電行為特征，計算方法為

(3)

其中:Li為相似用戶群中用戶i的日負荷量，N為群中用戶的數量.

通過群分析預測個體用戶的用電行為，主要體現在對其負荷量的預測，對于新入網用戶j，為了預測其用電行為特征，需要先識別該用戶屬于的群體，方法為分別計算用戶j與所有群的相同標簽個數，數值最大的群則為j的歸屬群，其負荷量

(4)

其中:Li為所屬群中與j相同標簽個數最多的K個用戶的負荷量，K為售電體設定值，小于N.

2　算例分析

本算例利用河南省某地區抽樣1 000戶居民的用電行為刻畫數據，進行相似識別，分析群體特征，驗證本文提出的方法.

2.1電力用戶標簽體系和二元網絡

如表1所示，用戶標簽體系主要包含家庭人口、住房面積、房屋均價、熱源類型、用戶信用、購電渠道等內容．如圖2所示,為每個用戶賦予相應的標簽，形成“用戶-標簽”二元網絡,構建大數據分析系統.

2.2相似用戶群體識別與分析

利用1.2所述的相似用戶群體分析方法，設定群用戶數量N=50，識別出相似用戶群體的共同標簽特征包括：2～3人、60～90 m2、7 000～12 000元/m2、燃氣、市政熱力.利用式(3)計算出群體的典型日負荷量，與50戶個體負荷量各個小時的均方根誤差均值見圖5，各時刻平均為3.2%，表明群體典型日負荷量與個體負荷量誤差較小，較為準確地體現了群體中個體普遍的用電行為特征.本文提出的群體識別方法能夠有效識別出具有相似用電行為的用戶群體.

表1　電力用戶標簽體系Tab.1　Power user label system

為了進一步驗證通過對相似用戶群體的分析可以用于預測新入網用戶的用電行為特征，隨機取實驗樣本以外的一個用戶樣本，提取樣本用戶標簽后，尋找與該用戶相同標簽數量最多的用戶群作為該用戶的歸屬群，再分別計算該用戶與歸屬群中其他用戶的相同標簽個數，取數值最大的前10個用戶，計算其平均日負荷量，作為該用戶的負荷量預測值．如圖6所示，預測負荷值的曲線與實際值的曲線趨勢相似，其均方根誤差平均值為5.3%.結果表明，基于相似群體分類結果，利用新入網用戶的屬性標簽，可以有效預測用戶的用電行為趨勢特征，對于售電體以用戶為中心實施基于互聯網的精準營銷、制定需求響應策略、優化用戶能效等具有支撐作用.

圖5　群體典型負荷與個體負荷均方根誤差Fig.5　Mean square error curve of group typical load and individual load

圖6　負荷預測對比圖Fig.6　Load forecasting contrast curve

3　結論

本文研究了電力用戶相似群體識別與特征分析方法．針對電力用戶用電行為和社會屬性特征，建立用戶標簽體系及“用戶-標簽”二元網絡，并以標簽對比結果為基礎，將用戶歷史負荷相似度作為動態系數修成標簽對比結果，構建用戶相互關系權重模型，作為衡量用戶相似度識別的標準，在二元網絡中聚合用戶形成相似群體，進而獲得群屬性標簽和典型負荷特征，最后以相似群體為基礎，基于新入網用戶屬性標簽將其歸入相似群，并進一步預測新用戶的用電行為特征.仿真算例表明，該方法通過對標簽數據的分析，可以得到相似用戶群體，準確提取相似用戶群用電行為特征以及發現群體中的重要用戶，并預測新入網用戶的負荷曲線趨勢，便于售電體為電力用戶提供個性化用電服務、精準實施需求響應策略、提升電網能效.

[1]嚴太山，程浩忠，曾平良，等．能源互聯網體系架構及關鍵技術[J]．電網技術，2016，40(1)：105-113.

[2]周海明，劉廣一，劉超群．能源互聯網技術框架研究[J]．中國電力，2014，47(11)：140-144.

[3]曾鳴，楊雍琦，劉敦楠，等．能源互聯網“源-網-荷-儲”協調優化運營模式及關鍵技術[J]．電網技術，2016，40(1)：114-124.

[4]何哲，王瑞峰，郝溪. 含分布式電源配電網單相接地故障測距研究[J]. 鄭州大學學報(理學版)，2016，48(1): 85-90.

[5]馬瑞，周謝，彭舟，等．考慮氣溫因素的負荷特性統計指標關聯特征數據挖掘[J]．中國電機工程學報，2015，35(1)：43-51．

[6]王繼業，季知祥，史夢潔，等．智能配用電大數據需求分析與應用研究[J]．中國電機工程學報，2015，35(8)：1829-1836．

[7]CHICCO G, NAPOLI R, PIGLIONE F. Comparisons among clustering techniques for electricity customer classification[J]. IEEE Trans on Power Systems, 2006, 21(2): 933-940.

[8]王德文，孫志偉．電力用戶側大數據分析與并行負荷預測[J]．中國電機工程學報，2015，35(3)：527-537．

[9]薛承榮，顧潔，趙建平，等．基于用戶用電特性及供電成本分攤的銷售側電價機制研究[J]．華東電力，2014，42(1)：168-173．

[10]黎祚，周步祥，林楠．基于模糊聚類與改進BP算法的日負荷特性曲線分類與短期負荷預測[J]．電力系統保護與控制，2012，40(3)：56-60.

[11]彭夸, 楊超．基于用戶實際日負荷曲線的負荷分類策略研究[J]．貴州電力技術, 2014,(2)：48-49.

[12]蔡政權，劉至鋒，管霖，等．基于可靠性需求的電力客戶細分和可靠性價值評估方法[J]．廣東電力，2015，28(5)：44-50.

[13]張曉春，倪紅芳，李娜．基于數據挖掘的供電企業客戶細分方法及模型研究[J]．科技與管理，2013，15(6)：104-109.

[14]廖志芳，王超群，李小慶，等．張量分解的標簽推薦及新用戶標簽推薦算法[J]．小型微型計算機系統，2013，34(11)：2472-2476.

[15]羅勇, 李芳. 基于負荷預測的電力市場寡頭競爭分析[J]. 鄭州大學學報(理學版)，2013，45(3)：110-114.

[16]黃碩, 樓樹美. 基于XML路徑表達式優化及其查詢和過濾計算方法研究[J]. 信陽師范學院學報(自然科學版)，2015，28(4)：608-611.

[17]張曉煜, 林曉, 王志杰. 面向大數據庫正則表達式查詢的有效算法[J]. 河南科技大學學報(自然科學版), 2015, 36(4)：56-61.

[18]張素香，劉建明，趙丙鎮，等．基于云計算的居民用電行為分析模型研究[J]．電網技術，2013，37(6)：1542-1546．

[19]王海雷，俞學寧．基于隨機游走算法的社會化標簽的用戶推薦[J]．計算機工程與設計，2013，34(7)：2388-2391．

(責任編輯：王浩毅)

Research on Method of Power User Group Identification and Analysis Based on Large Data

XU Changqing1， ZHAO Huadong2， SONG Xiaohui3

(1.EconomicResearchInstitute,HenanElectricPowerCompany,Zhengzhou450002,China;2.SchoolofMechanicalEngineering,ZhengzhouUniversity,Zhengzhou450001,China;3.HenanAcademyofSciencesInstituteofAppliedPhysics,Zhengzhou450008,China)

With the rapid development of Energy Internet and smart grid, it is an important part of “Internet plus” smart energy to have a good understanding of the power users group behaviors and providing accurate power service. Based on large data analysis of the power users, the user similarity weight model was built and the “user-label” two-unit network was put forward to identify similar groups. In addition, the group attributes and typical electricity consumption characteristics were obtained. This method could help to identify the important user groups, who might need customized electricity services and value-added services, for power suppliers. So the quality of power service could be greatly enhanced.

big data; power users; similar group; user label

2016-06-15

國家自然科學基金民航聯合研究重點支持項目(U1333201),河南省基礎與前沿技術研究計劃項目(112300410090).

許長清(1973—)，男，河南鄭州人，高級工程師，主要從事能源互聯網技術研究，E-mail: zzplus@163.com;通訊作者：趙華東(1978—)，男，河南開封人，副教授，主要從事智能工業技術研究，E-mail: huadong@zzu.edu.cn.

TM71

A

1671-6841(2016)03-0113-05

10.13705/j.issn.1671-6841.2016090

引用本文:許長清，趙華東，宋曉輝.基于大數據的電力用戶群體識別與分析方法研究[J]. 鄭州大學學報(理學版)，2016，48(3)：113-117.