基于大數(shù)據(jù)挖掘的用電行為分析

董愛(ài)迪 潘建宏 楊爽

摘 ? 要：得益于智能電網(wǎng)的發(fā)展，電力大數(shù)據(jù)的價(jià)值與作用逐漸被挖掘。通過(guò)對(duì)電力大數(shù)據(jù)的深入挖掘與研究，可促進(jìn)電網(wǎng)企業(yè)管理水平的進(jìn)一步提升，為我國(guó)智能電網(wǎng)的發(fā)展提供助力。而依托于大數(shù)據(jù)挖掘的用戶用電行為分析，可實(shí)現(xiàn)當(dāng)前企業(yè)電網(wǎng)調(diào)控與需求側(cè)的充分融合，為電力系統(tǒng)的穩(wěn)定性運(yùn)行提供保障。基于此，文章針對(duì)大數(shù)據(jù)挖掘的用電行為分析進(jìn)行深入探析，以期為智能電網(wǎng)發(fā)展提供幫助。

關(guān)鍵詞：智能電網(wǎng);大數(shù)據(jù);電力行為

近年來(lái)，大數(shù)據(jù)技術(shù)應(yīng)用逐漸從金融、商業(yè)領(lǐng)域擴(kuò)展至醫(yī)療、能源、交通等多個(gè)領(lǐng)域。得益于能源互聯(lián)網(wǎng)技術(shù)的不斷創(chuàng)新發(fā)展，大數(shù)據(jù)技術(shù)被廣泛應(yīng)用于電力行業(yè)。隨著數(shù)據(jù)云平臺(tái)的構(gòu)建與完善，大數(shù)據(jù)技術(shù)應(yīng)用更為廣泛成熟，實(shí)現(xiàn)了在數(shù)據(jù)采集、存儲(chǔ)的同時(shí)，具備數(shù)據(jù)分析與應(yīng)用的功能。因此，電力大數(shù)據(jù)的價(jià)值依托于大數(shù)據(jù)挖掘得到進(jìn)一步的開發(fā)，為電力行業(yè)以及智能電網(wǎng)的發(fā)展提供重要幫助。

1 ? ?電力大數(shù)據(jù)技術(shù)分析

智能電網(wǎng)的發(fā)展，促使了大數(shù)據(jù)技術(shù)在電力系統(tǒng)中的應(yīng)用，構(gòu)建完善的技術(shù)體系，包括：數(shù)據(jù)采集、數(shù)據(jù)分類、數(shù)據(jù)分析、數(shù)據(jù)存儲(chǔ)以及數(shù)據(jù)應(yīng)用。不同數(shù)據(jù)處理步驟的功能與任務(wù)不同：（1）數(shù)據(jù)采集，為基礎(chǔ)環(huán)節(jié)，主要作用為電力數(shù)據(jù)的采集與收集，是開展數(shù)據(jù)分析工作的基礎(chǔ)與前提。具體運(yùn)行中，通過(guò)實(shí)時(shí)數(shù)據(jù)采集、離線數(shù)據(jù)抽取、文件數(shù)據(jù)采集等形式進(jìn)行數(shù)據(jù)的全面收集。（2）數(shù)據(jù)分類處理。主要作用體現(xiàn)為數(shù)據(jù)篩選，甄選出高價(jià)值的數(shù)據(jù)信息，并按照預(yù)選設(shè)定標(biāo)準(zhǔn)進(jìn)行數(shù)據(jù)識(shí)別與分類。經(jīng)分類整理后，重復(fù)、多余數(shù)據(jù)將被剔除，在保障數(shù)據(jù)價(jià)值前提下，使剩余數(shù)據(jù)更為清晰、規(guī)整。（3）數(shù)據(jù)存儲(chǔ)。預(yù)先構(gòu)建電力數(shù)據(jù)庫(kù)，用于存儲(chǔ)分類整理后的電力數(shù)據(jù)，依托于數(shù)據(jù)庫(kù)應(yīng)用來(lái)管理、存儲(chǔ)數(shù)據(jù)，可實(shí)現(xiàn)對(duì)以往電力數(shù)據(jù)存儲(chǔ)困難、調(diào)取困難問(wèn)題的有效解決。（4）數(shù)據(jù)分析與挖掘。電力數(shù)據(jù)信息依托于數(shù)據(jù)統(tǒng)計(jì)、神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)、模糊算法等方式進(jìn)行分析與挖掘，將數(shù)據(jù)信息存在的隱藏價(jià)值、潛在聯(lián)系充分挖掘并分析，直觀呈現(xiàn)出數(shù)據(jù)信息的關(guān)聯(lián)與規(guī)律。數(shù)據(jù)挖掘過(guò)程中涉及關(guān)聯(lián)分析、分類分析、特異群組分析、聚類分析、異常分析等。針對(duì)數(shù)據(jù)分析的開展，則是借助高性能計(jì)算技術(shù)完成對(duì)數(shù)據(jù)信息的計(jì)算與處理，常用計(jì)算技術(shù)包括Hadoop分布式計(jì)算、Yonghong Z-Suite等技術(shù)。（5）數(shù)據(jù)應(yīng)用。現(xiàn)階段電力數(shù)據(jù)應(yīng)用是將挖掘分析結(jié)果應(yīng)用于其他部門，以挖掘分析結(jié)果為依據(jù)，對(duì)行業(yè)資源配比做出合理調(diào)整，提升資源利用率，并促進(jìn)電力企業(yè)經(jīng)濟(jì)效益創(chuàng)造。而要想高效、高質(zhì)量地完成上述5個(gè)階段的數(shù)據(jù)處理，需構(gòu)建完善的數(shù)據(jù)采集分析平臺(tái)[1-2]。

2 ? ?基于大數(shù)據(jù)挖掘用電行為分析

2.1 ?用戶分類

以往電力企業(yè)針對(duì)用電用戶分類憑借的依據(jù)為用電模式、電壓等級(jí)，即按照用戶電壓等級(jí)與模式的不同進(jìn)行用戶劃分，具體分為工業(yè)、商業(yè)、農(nóng)業(yè)、居民用電4種。

依據(jù)大戶數(shù)挖掘的用戶分類，則是以電力大數(shù)據(jù)為依據(jù)，采取科學(xué)數(shù)據(jù)分析算法來(lái)達(dá)到用戶分類的目的。現(xiàn)階段常用分類方法為：利用大數(shù)據(jù)信息制定曲線分析圖，結(jié)合對(duì)模糊算法、逆向分析、最小二乘法、曲線變化因素、聚類算法來(lái)科學(xué)分類。例如逆向分析法應(yīng)用，依據(jù)用電用戶不同類型特點(diǎn)的分析，結(jié)合熵權(quán)法對(duì)用戶電力數(shù)據(jù)進(jìn)行分析，明確掌握其數(shù)據(jù)特點(diǎn)和數(shù)據(jù)權(quán)重，最后以數(shù)據(jù)特點(diǎn)分析結(jié)果為基準(zhǔn)，找到電力數(shù)據(jù)中與分析結(jié)果相對(duì)應(yīng)的數(shù)據(jù)信息，實(shí)現(xiàn)這部分?jǐn)?shù)據(jù)用戶的有效分類。相較于傳統(tǒng)分類方法，基于大數(shù)據(jù)挖掘的用戶分類更為科學(xué)合理，為用戶分類提供理論基礎(chǔ)的同時(shí)也能進(jìn)一步提升用戶分類的精準(zhǔn)性。

2.2 ?用電行為影響因子分析

2.2.1 ?自我影響因子

自我影響因子是指在具體用電過(guò)程中，用戶因自身因素使導(dǎo)致用電行為受到影響，此類影響因子具體包括用電事故發(fā)生、用電計(jì)劃改變等。

2.2.2 ?自然環(huán)境影響因子

自然環(huán)境影響因子是指自然環(huán)境的變化使得用戶用電行為受到影響。自然環(huán)境影響因子涉及溫度、風(fēng)力、季節(jié)、濕度、天氣等，在具體用電過(guò)程中，上述變化因子的存在使得用戶用電行為受到影響。

2.2.3 ?社會(huì)環(huán)境影響因子

社會(huì)環(huán)境影響因子是指發(fā)生重大國(guó)家事件或者是重要節(jié)假日，會(huì)影響用戶用電行為的因素，具體包括春節(jié)、十九大等。社會(huì)影響因子具有不確定特點(diǎn)，所以在具體影響因子的分析過(guò)程中，需通過(guò)手動(dòng)選擇的形式進(jìn)行數(shù)據(jù)篩選。

通過(guò)對(duì)用電行為影響因子的精準(zhǔn)、科學(xué)分析，并準(zhǔn)確篩選出電力數(shù)據(jù)中不同種類的影響因子，可進(jìn)一步提升電力數(shù)據(jù)的代表性，精準(zhǔn)體現(xiàn)出用戶用電行為的特點(diǎn)，提高用電行為分析的合理性與可靠性，為電網(wǎng)資源合理配置提供依據(jù)。

2.3 ?用戶用電行為分析

基于大數(shù)據(jù)挖掘前提下，用電行為分析主要研究的內(nèi)容包括：用戶用電負(fù)荷、用戶分類、故障率預(yù)測(cè)等。

依托于數(shù)據(jù)采集分析平臺(tái)開展用電行為分析，將數(shù)據(jù)信息存儲(chǔ)于數(shù)據(jù)庫(kù)，依據(jù)分析目標(biāo)選取特定類型的數(shù)據(jù)進(jìn)行用電行為分析。具體分析過(guò)程中，首先，需對(duì)某類用戶的整體數(shù)據(jù)信息進(jìn)行整體性分析，制作用戶用電曲線圖，曲線圖指標(biāo)囊括功、電流、電量以及電壓等。其次，將整體數(shù)據(jù)中存在影響因子的數(shù)據(jù)排除，如將涉及春節(jié)、周末等節(jié)日的數(shù)據(jù)全部排除，對(duì)剩余數(shù)據(jù)進(jìn)行分析與研究。在排除影響因子數(shù)據(jù)后，以月、季、年分段標(biāo)準(zhǔn)進(jìn)行剩余數(shù)據(jù)的劃分，分析與比較不同階段用戶數(shù)據(jù)的具體特征。企業(yè)要想進(jìn)一步提升用電行為分析的全面性，可在實(shí)際數(shù)據(jù)分析過(guò)程中合理采用負(fù)荷分析法、負(fù)荷預(yù)算法、聚類算法、回歸法等方法來(lái)探明數(shù)據(jù)信息存在的隱藏規(guī)律與關(guān)聯(lián)，通過(guò)用戶模型構(gòu)建的形式來(lái)提高行為分析的全面性與有效性。

作為主要用電行分析方法之一，聚類分析法的應(yīng)用在當(dāng)前電力企業(yè)數(shù)據(jù)分析中較為常見，此方法中K-means算法則是聚類問(wèn)題解決的常用算法。K-means算法應(yīng)用具有高效、便捷的特點(diǎn)，應(yīng)用于電力大數(shù)據(jù)，可進(jìn)一步提升數(shù)據(jù)處理的效率性。但是需注意，K-means算法對(duì)初值的敏感度較大，初值的差異使得最終計(jì)算結(jié)果也會(huì)有所不同。模糊C均值算法的應(yīng)用較為廣泛，每個(gè)樣點(diǎn)通過(guò)目標(biāo)函數(shù)的優(yōu)化來(lái)獲取所有類中心隸屬度，依據(jù)對(duì)樣本點(diǎn)類屬的精準(zhǔn)、科學(xué)判斷，實(shí)現(xiàn)樣本數(shù)據(jù)自動(dòng)分類。但是實(shí)際分析中，因模糊C均值算法只是進(jìn)行離散數(shù)據(jù)點(diǎn)集合的處理計(jì)算，所以無(wú)法做到直接處理特殊類型數(shù)據(jù)，并對(duì)初始值有著較強(qiáng)的依賴性。另外，部分學(xué)者提出聚類問(wèn)題可采取云計(jì)算處理方式，在有效解決聚類問(wèn)題的同時(shí)，進(jìn)一步提升數(shù)據(jù)處理的速度與效率。但是在具體數(shù)據(jù)處理過(guò)程中，因云計(jì)算方式需頻繁地讀寫Hadoop，再加上電力數(shù)據(jù)龐大，極易在數(shù)據(jù)處理分析過(guò)程中產(chǎn)生性能問(wèn)題。