CN111027741A - 一种面向时空维度的通用化负荷模型分析库构建方法 - Google Patents

Abstract

本发明涉及一种面向时空维度的通用化负荷模型分析库构建方法，其特征在于：包括如下步骤：步骤一，用电特征选择、噪声处理和用电行为的相关性分析；步骤二，基于并行化处理的用电特征分析系统，构建电网数据分析模型库；步骤三，将电网数据分析模型库与业务场景进行融合并优化，固化为通用化的负荷模型分析库。本发明对内可辅助业务人员更高效地完成工作，挽回因窃电、违约用电等带来的直接经济损失；对外可提升供电服务水平、扩大企业品牌影响力，是一种具有较高创新性的面向时空维度的通用化负荷模型分析库构建方法。

Description

一种面向时空维度的通用化负荷模型分析库构建方法

技术领域

本发明属于电力数据处理领域，涉及一种通用化负荷模型分析库构建方法，特别是一种面向时空维度的通用化负荷模型分析库构建方法。

背景技术

当前，新的信息技术手段的不断改进给企业的发展也带来了巨大的挑战，电力企业作为公用事业服务行业里至关重要的企业，需为广大用户提供更好更优质的用电服务，加快服务转型与升级。

但是，目前的技术缺乏对用电客户用电特征的分析，导致不能对客户差异化的用电需求进行预测，从而不能为用电客户提供差异化服务；另外，对于窃电、违约用电等行为也无法有效的识别，给国家造成经济损失。

发明内容

本发明的目的在于提供一种提高工作效率、提升电网服务质量、降低经济损失、易于实现的面向时空维度的通用化负荷模型分析库构建方法。

本发明解决其技术问题是通过以下技术方案实现的：

一种面向时空维度的通用化负荷模型分析库构建方法，其特征在于：包括如下步骤：

步骤一，用电特征选择、噪声处理和用电行为的相关性分析；

步骤二，基于并行化处理的用电特征分析系统，构建电网数据分析模型库；

步骤三，将电网数据分析模型库与业务场景进行融合并优化，固化为通用化的负荷模型分析库。

而且，所述步骤一的具体分析方法为：

a，用电特征选择，以剔除不相关或冗余的特征：建立用电特征集，该用电特征集其中包含曲线类、统计类、空间类，根据完全搜索、启发式搜索、随机算法方法产生特征子集，并使用评价函数对特征子集进行评价，评价函数基于相关性、距离、信息增益、一致性指标，筛选出符合评价准则的特征子集，最后进行验证；

b，用电特征选择完成之后，进行噪声处理：首先对原始数据进行噪声检查，再通过典型噪声处理方法进行异常数据的处理，采用分箱、聚类、计算机和人工检查相结合以及回归的方法处理噪声数据；

c，用电行为相关性分析：首先从时间维度开展用电特征分析，其次，从空间维度开展用电特征分析。

而且，时间维度用电特征分析包括年、月、周、日、早、中、晚时间粒度的用电特征分析，以及节假日用电特征分析；空间维度用电特征分析包括从用户所在地理位置、楼宇、小区、街道、行政区、城市以及行业的角度开展特征分析。

而且，所述业务场景包括户变关系识别、串户串表识别、精准负荷控制、用户差异化服务、用户级负荷预测、窃电识别、违约用电识别、线损分析、新能源负荷分析以及用户缴费行为偏好分析。

本发明的优点和有益效果为：

本面向时空维度的通用化负荷模型分析库构建方法，通过负荷特征模型库构建，基于用采数据的负荷特性分析，精准刻画用电客户的用电特征，为典型电力应用场景提供分析服务，实现精准负荷控制、用户差异化服务、用户级负荷预测、窃电识别、违约用电等典型业务场景的示范应用，对内可辅助业务人员更高效地完成工作，挽回因窃电、违约用电等带来的直接经济损失；对外可提升供电服务水平、扩大企业品牌影响力。

附图说明

图1为本发明面向时空维度的通用化负荷模型分析库构建方法流程图；

图2为本发明步骤一用电特征选择的方法流程图；

图3为本发明步骤一用电特征数据噪声处理的流程图；

图4为本发明用电特征、用电行为相关性分析示意图；

图5为本发明时间维度分析模型；

图6为本发明空间维度用电特征分析方法示意图；

图7为本发明步骤二中负荷特性分析模型建模的流程图；

图8为本发明步骤三负荷特征模型库与业务场景融合的流程图；

图9为本发明户变关系识别场景示意图；

图10为本发明串户串表识别场景示意图；

图11为本发明精准负荷控制场景示意图；

图12为本发明用户差异化服务场景示意图；

图13为本发明用户级负荷预测场景示意图；

图14为本发明窃电识别场景示意图；

图15为本发明违约用电识别场景示意图；

图16为本发明线损分析场景示意图；

图17为本发明新能源负荷分析场景示意图；

图18为本发明缴费行为分析场景示意图。

具体实施方式

下面通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。

一种面向时空维度的通用化负荷模型分析库构建方法，其创新之处在于：包括如下步骤：

步骤一，用电特征选择、噪声处理和用电行为的相关性分析；

通过用电特征的选择，从用电特征集中选择有效的、相关性强的特征子集，再根据噪声处理方法，将数据中的随机错误、偏差值进行清洗处理，在此基础上，开展用电行为的相关性分析，从时间、空间两个维度分别进行分析，并进行融合处理，得出面向时空特性的负荷特征分析方法。

用电特征选择

特征选择剔除不相关或冗余的特征，从而达到减少特征个数，提高模型精确度，减少运行时间，另一方面，选取出真正相关的特征简化模型，使研究人员易于理解数据产生的过程。用电特征选择过程如图2所示，用电特征集包含了曲线类(负荷曲线、频率曲线、电压曲线、电流曲线、波动曲线(归一化后的负荷曲线))、统计类(最大负荷、最小负荷、平均负荷、峰谷差、峰谷差率、负荷率、电压合格率、供电可靠性、三相不平衡率、功率因数、线路负载率)、空间类(位置、区域、行业等)，根据完全搜索、启发式搜索、随机算法方法产生特征子集，并使用评价函数对特征子集进行评价，评价函数基于相关性、距离、信息增益、一致性等指标，筛选出符合评价准则的特征子集，再通过实际运行过程进行验证。

噪声处理

用电特征选择完成之后，进行噪声处理是一个必要的过程，噪声是一个测量变量中的随机错误或偏差，包括错误值或偏离期望的孤立点值。

首先对原始数据进行噪声检查，检查方法包括孤立点检测、异常值检测、错误值检测，再通过典型噪声处理方法进行异常数据的处理，采用分箱、聚类、计算机和人工检查相结合以及回归的方法处理噪声数据。

用电行为相关性分析

本发明从时间和空间维度对用电特征开展分析，当前电力系统表现出高峰负荷时段集中、峰谷差持续增大等一系列特点，夏季降温负荷、错峰管理措施对全网负荷造成了明显的影响，因此，考虑新形势下的负荷影响因素，首先从时间维度开展用电特征分析，其次，由于不同地区的气候、经济等外在条件的影响，不同区域的负荷特征也有非常明显的差异，因此还从空间维度开展用电特征分析。

用电特征、用电行为相关性分析

在时间维度用电特征分析方面，本发明设计了年、月、周、日、早、中、晚等时间粒度的用电特征分析，以及节假日用电特征分析等。

年用电特征分析，根据各年负荷数据，计算年最大负荷、最小负荷、最大峰谷差等，并分析上述指标的逐年变化趋势，根据各年年持续负荷曲线变化趋势，统计各年高峰负荷时段，以及高峰负荷时段的月份与时刻分布情况。

月用电特征分析，根据各年全网负荷数据，计算每月最大负荷，分析其变化趋势，计算每月月负荷率，分析电量在各月的分布情况。

周用电特征分析，根据周用电负荷数据，研究分析周负荷变化趋势，总结工作日、双休日负荷变化情况。

日用电特征分析，根据历史日负荷数据和季节日期划分结果，对四季中的典型日开展日负荷曲线的分析，计算日负荷率、最小负荷率、峰谷差、峰谷差率等负荷特性指标。

节假日用电特征分析，根据历史节假日用电负荷数据，将元旦、除夕、春节、清明节、劳动节、端午节、中秋节、国庆节等法定假日以及周末等时间的用电负荷数据进行分析，对比分析不同节假日的负荷特性，分析节假日期间负荷的特征与工作日的差异。如图所示，通过ARIMA、指数平滑等时间序列分析方法，分析用户用电曲线的趋势性、周期性、随机性特征，总结出典型用户类型的用电特征库。再通过k-means、DBSCAN等聚类方法，从用电曲线维度出发，分析出不同时间尺度下，用户的用电特征聚类特征，即不同用户间的用电曲线相关性。

时间维度分析模型

在空间维度用电特征分析方面，从用户所在地理位置、楼宇、小区(园区)、街道、行政区、城市以及行业等角度，开展特征分析。不同地区的用电特征也呈现出较大的差别，在我国大部分区域，四季分明，夏季呈现突出的用电高峰，在北方地区，冬季也会出现明显的用电高峰，而在亚热带地区，四季的用电负荷则较为平稳，变化不大。本发明针对不同地理、行业、地区的用电特征开展分析，为后续开展负荷模型分析打下基础。首先基于用电信息采集数据，通过反距离、距离范围、面邻接、k最近相邻要素、Delaunay三角测量等空间关系概念化方法，将空间分布特征用聚类、邻接等概念表达。再通过空间权重矩阵、莫兰指数、密度分析、离群值筛选、平均最近邻、曼哈顿距离等方法，例如采用莫兰指数，可判断空间自相关性，揭示空间数据分布的特征，从而对空间自相关中的关联性程度进行计算。

步骤二，基于并行化处理的用电特征分析系统，构建电网数据分析模型库；

用电特征分析以用电信息采集数据为基础，开展用电特征分析需要大量的历史数据包括电量、电压、电流等数据，传统的单机处理的算法等载体已无法满足当前需要，本发明采用基于并行化的人工智能等算法，构建并行化的用电特征分析系统来实现用电特征分析。

基于Spark分布式内存计算框架实现用电特征分析算法的并行化，Spark是专为大规模数据处理而设计的快速通用的计算引擎，已形成一个高速发展应用广泛的生态系统。利用Spark框架中的Spark SQL作为数据访问检索接口，通过可扩展的MLlib机器学习框架，实现并行化时间序列分析、聚类分析、空间分析模型。

在算法层面，基于统一数据源实现特征选择算法、噪声数据处理算法以及用电行为分析算法等各种算法的调用及管理接口。以人工智能分析算法、数据挖掘为理论基础，结合电力行业负荷数据的具体特点，针对同一区域的用电负荷，结合用电行为相关性分析、抽象其用电特征信息，从时间尺度的维度出发，归一化同步、异步混合模态的特征信息，设计采用同步机制进行并行化处理高效算法。结合用电行为相关性通用性模型，融合同步算法，使电网数据模型具有实时存储、计算、和输出负荷用电特征的能力，构建出带有业务含义的综合应用业务系统模型。

步骤三，将电网数据分析模型库与业务场景进行融合并优化，固化为通用化的负荷模型分析库。

负荷特征模型库包含了大量的已构建好的时空分析模型，可提供给不同应用场景组合使用，本发明通过基于时空立方体的负荷特征模型库接口，为各类不同的业务应用场景，提供共享、复用的模型选项。时空分析立方体指的是，由时间维度分析模型、空间维度分析模型组成的模型立方体，既可反映某个空间点上的负荷时间序列变化，又可反映某个时刻上的负荷空间分布，用户可通过自由组合、排列适合的特征模型，实现业务分析功能。

本发明结合业务场景应用，基于负荷特征模型库，设计并实现典型业务场景应用：

1、户变关系识别场景

户变关系指的是用户与所属配变的供用电关系，用电信息采集系统中由于采用电力线载波通信，可能造成户变关系错误。在负荷特征模型库中选择线损指标的月度趋势模型、相邻台区分析模型，并叠加采集成功率信息，实现户变关系错误识别。

2、串户串表识别场景

安装电表时，指定电表的输出接线与对应用户接线错误，串到另外一家的进线端造成用户计量混乱。在负荷特征模型库选择日、周、月电量趋势模型，叠加空间维度上的同楼宇中邻居电量趋势，结合用户的报告信息，分析该用户的典型负荷曲线，并与相应电表的采集数据进行比对，如发现负荷特征模型不一致，则为串户串表的验证提供依据。

3、精准负荷控制场景

负荷控制，又可称为负荷管理，其主要是用来碾平负荷曲线，从而达到均衡地使用电力负荷，提高电网运行的经济性、安全性，以及提高电力企业的投资效益的目的。本模型从负荷特征模型库中选择典型尖峰日用电曲线的用户，结合行业用电特征，输出负荷控制建议。

4、用户差异化服务场景

电力差异化服务指的是电力供应不受影响的基础上，结合市场细分和用户细分，将电力客户的用电特性给充分纳入考虑范围，包括用电容量、用电量、电能电压质量等，依据差异化的用电需求，来将针对性的服务给提供出来，采取不同的服务方式、渠道等。针对不同类型的客户，提出相应的用能指导、峰谷用电、节能用电和规范用电建议。差异化服务的针对性较强，可以促使客户的不同需求得到满足，进而促使客户满意度得到提升。本发明将从负荷特征模型库中，选择各时间尺度的用电量曲线，并叠加同城同行业的用电曲线对比，给出用能建议。

5、用户级负荷预测场景

用户级负荷预测，考虑包括行业、时间、季节、气候等对用户负荷的影响，采用精细化预测流程进行预测。本发明在实现用户级负荷预测的过程中考虑了日类型、生产计划等影响因素构成的日特征向量，采用灰色关联度来选取相似日，基于预测算法，针对大用户负荷随机波动性的特点，因此需要将各个大用户预测结果之和加上剩余部分的预测结果得到地区的预测计划，这个结果与地区直接预测结果进行对比修正，得到用户级的负荷预测结果。

6、窃电识别场景

窃电指以非法占用电能，以不交或者少交电费为目的，采用非法手段不计量或者少计量用电的行为。窃电活动可通过台区线损、电流电压功率异常来识别。在负荷特征模型库中选择日、周、月、季、年等时间尺度的时间序列模型，指标涵盖电流、电压、线损，同时叠加空间上的相邻台区对比分析，从而识别出窃电行为。

7、违约用电识别场景

违约用电指的是在电价低的供电线路上，擅自接用电价高的用电设备或私自改变用电类别。通过用电量和用电特征异常可以识别出违约用电用户，本发明中，在负荷特征模型库中选择年度用电量曲线异常、年度用电波动曲线异常，并叠加空间上近邻用户用电曲线，实现违约用电用户的识别。

8、线损分析场景

线损是衡量供电企业生产技术和经营管理水平的一项重要综合技术指标，结合用电信息采集数据、在线监测异常数据等，利用误差诊断、户变关系识别等研究成果，分析异常线损情况，实现对台区聚集现象等情况的精准定位，并得出合理线损区间，制定异常线损台区的合理参照值，根据线损分析结果，对线损异常的情况分析线损异常可能导致的原因，例如窃电、户变关系错误、台区表误差超差等，为多个典型业务场景的实现提供数据支撑。

9、新能源负荷分析场景

结合用电信息采集数据、充电桩数据、新能源用电发电数据，开展充电桩数据分析、光伏发电用户数据分析，分析充电行为、习惯等，为充电趋势、充电电价制定、充电时间引导提供基础，分析光伏发电上网等情况，判断发展趋势。

10、用户缴费行为偏好分析场景

用户缴费行为偏好分析，以现有的用电客户历史缴费数据为基础数据，结合用户档案信息，通过关联分析和聚类分析等方法，构建用户缴费数据样本，建立用户缴费偏好模型，随着用户缴费数据的不断更新，完善客户画像，从而洞察并挖掘用户的潜在需求，实现和用户的有效沟通，对积极型、被动型、互联网缴费偏好型，现场体验偏好型等不同偏好类型的用户提供个性化的服务，满足用户的差异化需求，分流营业厅渠道压力。

本面向时空维度的通用化负荷模型分析库构建技术研究主要根据用电信息采集数据，对用电特征进行选择，开展用电行为分析，构建通用化的负荷模型分析库，适用于多种电力应用场景。构建基于并行化处理的用电特征分析系统，通过户变关系识别、串户串表识别、精准负荷控制、用户差异化服务、用户级负荷预测、窃电识别、违约用电等典型业务场景的示范应用，为各类业务应用场景提供数据驱动的决策支持。

尽管为说明目的公开了本发明的实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例和附图所公开的内容。

Claims (4)

1.一种面向时空维度的通用化负荷模型分析库构建方法，其特征在于：包括如下步骤：

步骤一，用电特征选择、噪声处理和用电行为的相关性分析；

步骤二，基于并行化处理的用电特征分析系统，构建电网数据分析模型库；

步骤三，将电网数据分析模型库与业务场景进行融合并优化，固化为通用化的负荷模型分析库。

2.根据权利要求1所述的一种面向时空维度的通用化负荷模型分析库构建方法，其特征在于：所述步骤一的具体分析方法为：

a，用电特征选择，以剔除不相关或冗余的特征：建立用电特征集，该用电特征集其中包含曲线类、统计类、空间类，根据完全搜索、启发式搜索、随机算法方法产生特征子集，并使用评价函数对特征子集进行评价，评价函数基于相关性、距离、信息增益、一致性指标，筛选出符合评价准则的特征子集，最后进行验证；

b，用电特征选择完成之后，进行噪声处理：首先对原始数据进行噪声检查，再通过典型噪声处理方法进行异常数据的处理，采用分箱、聚类、计算机和人工检查相结合以及回归的方法处理噪声数据；

c，用电行为相关性分析：首先从时间维度开展用电特征分析，其次，从空间维度开展用电特征分析。

3.根据权利要求1所述的一种面向时空维度的通用化负荷模型分析库构建方法，其特征在于：时间维度用电特征分析包括年、月、周、日、早、中、晚时间粒度的用电特征分析，以及节假日用电特征分析；空间维度用电特征分析包括从用户所在地理位置、楼宇、小区、街道、行政区、城市以及行业的角度开展特征分析。

4.根据权利要求1所述的一种面向时空维度的通用化负荷模型分析库构建方法，其特征在于：所述业务场景包括户变关系识别、串户串表识别、精准负荷控制、用户差异化服务、用户级负荷预测、窃电识别、违约用电识别、线损分析、新能源负荷分析以及用户缴费行为偏好分析。

Images