基于HPLC技术的居民用户...行为与作息习惯的研究与应用_李乾.pdf

国家电网有限公司科技项目资助（项目号：）基于 技术的居民用户价值、用电行为与作息习惯的研究与应用李乾李蕊孙健丁宁朱锦山袁铭敏林志法（国网北京市电力公司电力科学研究院）摘要：随着 技术的全面推广应用，北京地区 智能电能表覆盖率高达 .。利用 的高频采集用能数据、购电数据等，采用 -聚类算法研究居民用户价值、用电行为，用于挖掘不同电力消费水平的居民用户及其用电行为，准确率为 .以上。利用 算法刻画用户的起居行为，分析用户的居家起居习惯，准确率为 以上。关键词：技术；聚类算法；用户价值分类；用电行为分类；居民作息习惯 引言随着智能电能表以及 技术 （即低压高速电力线载波通信技术）的全面应用推广，截至目前，北京地区 .万户居民用户中，设备覆盖率达 .。技术作为新型电力系统高效运转的客观要求和必要的通信基础，不仅实现了对低压居民用户电表的电压、电流、用电量等电力数据的高频次、多维度采集，同时具备停电主动上报等深化应用功能 -。智能电能表作为智能电网业务营销、用电信息统计和能源分配的末端，是感知用电客户的重要触点。与居民用水、用气数据相比，其采集的高密度电力数据可以更加真实迅速地反映居民用户的电力消费水平和用电行为，同时与居民用户的日常起居习惯、居家离家状态呈强相关性。居民用电数据分析是深度挖掘居民需求响应潜力，提升精准电力服务水平的基础。同时，现阶段国家电网公司经营形势严峻，亟待深挖用户数据价值，提质增效，建立新的经济增长点，以客户服务为中心理念提供便捷无忧服务，以服务首都为宗旨驱动精准友好服务，实现客户服务数字化。设计方案居民用电量大小、购电习惯、节假日用电量比值等与居住人口、用户居家时间、用电习惯等有关。用电量曲线数据中的尖峰拐点是由用户起居活动造成，用户起床后使用电器导致用电量曲线上升、电流上升，睡觉前用电行为逐渐减少，用电量曲线下滑、电流下滑，其中用电量曲线较电流有一定的滞后性。利用 电能表的 点细颗粒度用电采集数据可以感知居民用户的起居行为及作息规律，分析居民用户的日常起居习惯，判别其起床与休息的时间。文中根据居民用户的用电量数据以及购电数据，利用 -聚类算法 -挖掘不同电力消费水平的居民用户及其用电行为特征。一方面为政府精准研判老年电力客户群体而进行爱心精准服务提供依据，另一方面根据用户的用电行为和习惯，将来可以为用户推送量身定制的节能诊断意见、套餐建议和电能替代服务。文中根据居民用户的用电负荷曲线（点时刻示值和电流）等数据，利用 算法 -刻画了用户的起居行为画像，分析用户的居家起居习惯，可用于精准监测研判用户是否正常起床、休息。未来可拓展基于 技术的特殊群体精准服务的应用场景，指导服务队及时联系特殊群体用户，降低用户（如独居老人）家中发生安全意外的风险。聚类模型介绍.用户价值分类模型 均值聚类算法（-）是一种基于欧式距离的迭代求解算法。提取样本用户月用电量、日用电量数据进行预处理，利用 -算法进行多次聚类，对用户用电量数据建立低压居民用户价值分类模型。通过肘部法则、轮廓系数评价指标确定最优 值，聚类结果将用户分为高价值用户、优质用户、正常用户、一般用户以及空置户。用户价值分类模型具体如图 所示。电气技术与经济 技术与应用 图 用户价值分类模型第 类：高质量用户。月用电量大，在 以上，且日用电量稳定，此类用户数量占总体的 左右，可能是群租户或者电力消费水平较高的用户。第 类：优质用户。月用电量在 ，此类用户数量占总体的 左右，此类用户可能家用电器较多、住房面积大。第 类：正常用户。月用电量在 之间，此类用户数量占总体的 左右，此类用户可能为正常家庭用户等。第 类：一般用户。月用电量在 ，此类用户数量占总体的 左右，此类用户可能家庭成员较少、住房面积小或是家用电器较少，一般用电量少。第 类：空置户。月用电量小于 且经常连续无日用电量，此类用户可能是长期家中无人。.用电行为分类模型通过对用户进行用电价值分类后，去除空置房用户数据，对月用电量 以上的用户进行用电行为聚类。提取用户的用电量、购电数据，通过热力图及皮尔逊（）强相关系数筛选出参变量，选取用户工作日节假日用电量比值、购电次数、购电金额、月用电量等数据，使用 -算法建立低压居民用电行为分类模型，通过肘部法则和轮廓系数确定最佳分类。用电行为分类模型具体如图 所示。第 类：老年人。该类用户购电次数少、单次购电金额大，月用电量不高且稳定。第 类：家中有人用户。节假日平均用电量与工作日平均用电量比值稳定，用电周期固定，存在明显的日间用电量。第 类：上班族。节假日平均用电量明显大于工作日平均用电量，用电周期固定，工作日和休息日存在明显差别。第 类：节假日出行用户。节假日用电量明显低于工作日用电量。图 用电行为分类模型 居民作息习惯判别模型 （-）算法是一种典型的基于密度的应用集群算法，属于无监督学习算法。算法具有快速聚类的优点，能够有效地处理噪声点，并能发现任意形状的空间聚类分析。电气技术与经济 技术与应用 选取 月 日，北京市 用户中 点采集的完整曲线数据，共计 户，每户高用电量时刻集合了最早时刻及最晚时刻，得到起床时间和睡觉时间的抽样分布。将该分布 分位数和 分位数作为起床的合理阈值范围（：）及睡觉的合理阈值范围（：次日 ：）。基于正常的起床和睡觉时间阈值范围，将用户曲线数据进行归一化处理后，利用 算法建立居民用户作息时间判别模型，定位到用户最早或最晚的高用电时刻，可将这两个时刻视为用户的起床、睡觉时间，并将每月起床、睡觉频次最多的时刻视为该用户的作息习惯。居民作息习惯判别模型具体如图 所示。图 居民作息习惯判别模型 实验结果分析.居民用户价值分类模型验证以 北 京 公 司 某 供 电 所 全 部 用 户（户）以及计量中心测试用户（户）为样本，共计用户 户。通过提取 年 月份正向有功日冻结示值以及部分用户 年 月 年 月的购电数据。将数据输入低压居民用户价值分类模型，得到分类结果，具体如图 和表 所示。图 用户用电质量分类结果表 用户价值分类结果序号用户价值分类某供电所 用户数量计量中心样本用户数量合计占比 高质量用户 .优质用户 .正常用户 .一般用户 .空置房 .合计 .根据分类结果，利用计量中心样本用户进行结果验证，基本与实际情况吻合，准确率为 .。.居民用户用电行为分类模型验证通过用户用电质量分类，去除空置房用户数据，得到剩余 户数据，对用电量 以上的低压居民进行用电行为分类，聚类结果分为 类，如图和表 所示。电气技术与经济 技术与应用 图 用户用电行为分类结果表 用户用电行为分类结果序号用电行为分类 用户数量计量中心样本数量合计占比 老年人 .家中有人 .上班族 .节假日出行 .合计 .根据分类结果，利用计量中心样本用户进行结果验证，基本与实际情况吻合，准确率为 .。.居民作息习惯判别模型验证提取某供电所 用户 月份用电曲线数据，以 点电能采集完整的 户用户作为样本，对其作息习惯进行分析。利用作息时间判别模型判定出月份某供电所 户 用户每日的起床时间和睡觉时间，认为每月起床、睡觉频次最多的时刻为该用户的作息习惯。为配合分析，同时将样本用户的用电行为进行聚类，结果详见表 。表 样本用户用电行为、作息习惯结果序号用电行为分类聚类结果数量起床习惯月频次占比 睡觉习惯月频次占比 家中有人 ：.：.老年人 ：.：.上班族：.：.节假日出行：.：.通过对样本用户进行抽样调查，的样本情况符合聚类结果。以样本中 个爱心卡用户（爱心卡用户主要包含孤寡老人、军烈属、残疾人等家庭生活困难的客户）为例，聚类结果见表 ，用户价值分类和用电行为分类符合该爱心卡客户实际情况。月份的实际作息时间也符合模型输出的 月份的作息习惯，具体如图 所示。表 爱心卡用户 的 月作息习惯用户用户价值分类用电行为分类起床习惯区间频次睡觉习惯区间频次爱心卡用户 一般用户老年人：电气技术与经济 技术与应用 图 爱心卡用户 的作息时间 结束语基于 技术的高频采集功能，本文利用用电客户的 点采集数据以及购电数据，采用-聚类算法探究居民价值分类，将用户分为高价值用户、优质用户、正常用户、一般用户以及空置户；采用-聚类算法探究用电行为分类，可将用户用电行为分为老年人、家中有人、上班族和节假日出行用户。采用 算法研判居民用户作息习惯，并利用样本用户进行模型验证，准确率均达 以上。后续，可利用分类模型、作息研判模型精准制定服务策略，挖掘客户诉求，为不同客户类型提供精准个性化服务。参考文献 李乾，孙健，赵成，等基于大数据的电能计量两级监控系统开发与应用 电气技术与经济，（）：-张乾军基于 的用电信息高频采集和传输可靠性研究 银川：宁夏大学，柯海波基于 在智能电网数据采集中的应用探讨 四川电力技术，（）：-周丹阳基于 -算法的居民用户用电特性挖掘及其在电力营销中的应用 科学技术创新，（）：-魏鹤婵基于大数据的电能计量系统客户用电规律研究 微型电脑应用，（）：-肖勇，郑楷洪，余忠忠，等基于三次指数平滑模型与 聚类的电量数据异常检测 电网技术，（）：-金之榆，王毛毛，史会磊基于 和改进-聚类算法的电力负荷聚类研究 东北电力技术，（）：-（收稿日期：-）电气技术与经济 技术与应用