CN115081893A - 用户用电数据分析方法、装置、电子设备及可读存储介质 - Google Patents
用户用电数据分析方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN115081893A CN115081893A CN202210743358.8A CN202210743358A CN115081893A CN 115081893 A CN115081893 A CN 115081893A CN 202210743358 A CN202210743358 A CN 202210743358A CN 115081893 A CN115081893 A CN 115081893A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- power
- industrial
- power quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000007405 data analysis Methods 0.000 title claims abstract description 23
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000035945 sensitivity Effects 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 93
- 230000008569 process Effects 0.000 claims description 13
- 238000006467 substitution reaction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 230000036039 immunity Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 76
- 238000010586 diagram Methods 0.000 description 20
- 238000011156 evaluation Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000004519 manufacturing process Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000013461 design Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 102000003712 Complement factor B Human genes 0.000 description 5
- 108090000056 Complement factor B Proteins 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000004134 energy conservation Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 239000010754 BS 2869 Class F Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000002649 immunization Methods 0.000 description 4
- 230000003053 immunization Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002195 synergetic effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000012847 fine chemical Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002309 gasification Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请的实施例提供了一种用户用电数据分析方法、装置、电子设备及可读存储介质，涉及电力数据处理技术领域。该方法包括：获得各工业用户的用电行为数据及电能质量数据，用电行为数据用于表示工业用户的负荷情况和/或用电特征，电能质量数据用于表示工业用户对电能质量问题的敏感程度；根据各工业用户的用电行为数据及电能质量数据，对各工业用户进行分类，以得到不同的群体用户画像，群体用户画像基于对应的用户群体中的工业用户的用电行为数据及电能质量数据确定。如此，可基于工业用户的用电行为数据及电能质量数据进行用户群体分类，从而刻画出不同类别用户群体的电力需求，便于后续基于该电力需求采取相应措施或进行其他分析。
Description
技术领域
本申请涉及电力数据处理技术领域，具体而言，涉及一种用户用电数据分析方法、装置、电子设备及可读存储介质。
背景技术
电能质量问题给晶圆制造、半导体等高新技术产业造成巨大经济损失，已经成为用户投诉和抱怨的主要原因，用户对电能质量提出了更高要求。此外，“双碳”背景下，电网公司着力在能源消费侧推进电气化和节能增效，但负荷峰谷差不断加大给推进用电节能减排带来了挑战，也不利于用户降低用电成本。《关于进一步深化电力体制改革的若干意见(中发〔2015〕9号)》使工业用户拥有了购电自主选择权，电力市场竞争更加激烈，工业用户用电模式识别与需求感知变得越发重要。在开放的电力市场背景下，面对用户的电能质量高要求和节能增效需求，电网公司亟需推进精准的优质供电服务，为用户提供定制电力服务方案，以便满足用户需求，并创造利益增长点。为此，开展工业用户合理分类，精准掌握不同类别用户群体的定制电力需求，进而提供与其需求匹配的增值服务方案，具有重要的实践意义。
随着电能质量监测系统等的广泛应用，网荷多源数据为用户画像与需求识别提供了有力支撑。用户画像是在大数据环境下标记用户特征的模型，基于用户相关数据，根据特定需求，有针对性地提取有效信息，并抽象成特征标签，最后通过这些标签精准呈现用户群体特征。然而，用户画像在电力领域的应用还处于起步阶段，将用户个性需求与差异化增值服务合理匹配的研究还有待开展。由于难以明确工业用户的需求，给供用电双方都带来了阻碍：一方面，电网企业无法准确发掘目标用户，无法提供与用户需求精准匹配的定制电力服务方案，导致用户满意度不高，造成电网企业增值服务业务发展乏力；另一方面，用户为避免电能质量问题影响，降低用电成本，选择主动治理和错峰用电，但由于不明确自身需求，盲目进行投资，无法实现技术性和经济性最优。
发明内容
本申请实施例提供了一种用户用电数据分析方法、装置、电子设备及可读存储介质，其能够基于工业用户的用电行为数据及电能质量数据进行用户群体分类，从而刻画出不同类别用户群体的电力需求，便于后续基于该电力需求采取相应措施或进行其他分析。
本申请的实施例可以这样实现：
第一方面，本申请实施例提供一种用户用电数据分析方法，所述方法包括：
获得各工业用户的用电行为数据及电能质量数据，其中，所述用电行为数据用于表示所述工业用户的负荷情况和/或用电特征，所述电能质量数据用于表示所述工业用户对电能质量问题的敏感程度；
根据所述各工业用户的用电行为数据及电能质量数据，对所述各工业用户进行分类，以得到不同的群体用户画像，其中，所述群体用户画像基于对应的用户群体中的所述工业用户的用电行为数据及电能质量数据确定。
第二方面，本申请实施例提供一种用户用电数据分析装置，所述装置包括：
数据获得模块，用于获得各工业用户的用电行为数据及电能质量数据，其中，所述用电行为数据用于表示所述工业用户的负荷情况和/或用电特征，所述电能质量数据用于表示所述工业用户对电能质量问题的敏感程度；
分析模块，用于根据所述各工业用户的用电行为数据及电能质量数据，对所述各工业用户进行分类，以得到不同的群体用户画像，其中，所述群体用户画像基于对应的用户群体中的所述工业用户的用电行为数据及电能质量数据确定。
第三方面，本申请实施例提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现前述实施方式所述的用户用电数据分析方法。
第四方面，本申请实施例提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述实施方式所述的用户用电数据分析方法。
本申请实施例提供的用户用电数据分析方法、装置、电子设备及可读存储介质，基于工业用户的用电行为数据及电能质量数据进行用户群体分类，从而刻画出不同类别用户群体的电力需求。如此，可获得不同用户群里的电力需求，便于电网公司基于该电力需求向不同用户群体提供差异化的电力增值服务，从而满足用户需求；同时，便于工业用户了解自身需求从而采取相应的处理措施。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的电子设备的方框示意图；
图2为本申请实施例提供的用户用电数据分析方法的流程示意图之一；
图3为本申请实施例提供的用户画像构造的框架示意图；
图4为本申请实施例提供的预设的电力用户画像标签体系的示意图；
图5为图2中步骤S120包括的子步骤的流程示意图；
图6为本申请实施例提供的用户用电数据分析方法的流程示意图之二；
图7为图6中步骤S130包括的子步骤的流程示意图；
图8为图7中子步骤S131包括的子步骤的流程示意图；
图9为本申请实施例提供的需求等级与综合分值的对应关系示意图；
图10为本申请实施例提供的不同优质供电增值服务套餐示意图；
图11为本申请实施例提供的不同节能增效增值服务套餐示意图；
图12为不同行业用户的占比示意图；
图13为本申请实施例提供的工业用户群体聚类结果示意图；
图14为本申请实施例提供的电力用户的分值示意图；
图15为本申请实施例提供的一种需求画像结果示意图；
图16为本申请实施例提供的一种各用户群体对应的目标增值服务套餐示意图；
图17为本申请实施例提供的不同服务用户满意度对比示意图；
图18为本申请实施例提供的用户用电数据分析装置的方框示意图。
图标：100-电子设备；110-存储器；120-处理器；130-通信单元；200-用户用电数据分析装置；210-数据获得模块；220-分析模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参照图1，图1为本申请实施例提供的电子设备100的方框示意图。所述电子设备100可以是，但不限于，电脑、服务器等。所述电子设备100包括存储器110、处理器120及通信单元130。所述存储器110、处理器120以及通信单元130各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中，存储器110用于存储程序或者数据。所述存储器110可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(ErasableProgrammable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory，EEPROM)等。
处理器120用于读/写存储器110中存储的数据或程序，并执行相应地功能。比如，存储器110中存储有用户用电数据分析装置200，所述用户用电数据分析装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器110中的软件功能模块。所述处理器120通过运行存储在存储器110内的软件程序以及模块，如本申请实施例中的用户用电数据分析装置200，从而执行各种功能应用以及数据处理，即实现本申请实施例中的用户用电数据分析方法。
通信单元130用于通过网络建立所述110与其它通信终端之间的通信连接，并用于通过所述网络收发数据。
应当理解的是，图1所示的结构仅为电子设备100的结构示意图，所述电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
请参照图2，图2为本申请实施例提供的用户用电数据分析方法的流程示意图之一。所述方法可以应用于电子设备100。下面对用户用电数据分析方法的具体流程进行详细阐述。在本实施例中，所述方法可以包括步骤S110～步骤S120。
步骤S110，获得各工业用户的用电行为数据及电能质量数据。
步骤S120，根据所述各工业用户的用电行为数据及电能质量数据，对所述各工业用户进行分类，以得到不同的群体用户画像。
在本实施例中，所述工业用户，可以是用户指定的特定的工业用户，也可以基于其他方式确定出来的工业用户。可以从多个系统所包括的用户数据中获得多个工业用户各自的用电行为数据及电能质量数据。其中，一个工业用户的用电行为数据及电能质量数据，可以确定出该工业用户的用户画像，也即用电行为数据及电能质量数据为工业用户的用户特征。所述用电行为数据用于表示所述工业用户的负荷情况和/或用电特征，可以反映出工业用户的节能增效需求程度。所述电能质量数据用于表示所述工业用户对电能质量问题的敏感程度，可以反映出工业用户对电能质量问题的敏感程度和对优质电力的需求程度。所述用户行为数据及所述电能质量数据中所包括的具体数据可以结合实际需求确定。
在获得各工业用户的用电行为数据及电能质量数据的情况下，可以通过预设的分类模型或者聚类算法等，将多个工业用户分类为多个用户群体。每个用户群体中包括至少一个工业用户，可以根据任意一个用户群体中所包括的各工业用户的用电行为数据及电能质量数据，确定出对应的群体用户画像。一个用户群体对应的群体用户画像中可以包括该用户群体中的各工业用户的共性特征。
本申请实施例基于工业用户的用电行为数据及电能质量数据进行用户群体分类，从而刻画出不同类别用户群体的电力需求。如此，可获得不同用户群体的电力需求，便于电网公司基于该电力需求向不同用户群体提供差异化的电力增值服务，从而满足用户需求；同时，便于工业用户了解自身需求从而采取相应的处理措施。
用户画像技术能够挖掘海量数据背后的有效信息，精细化分析用户特性，将用户隐性特征显性化，为明确用户优质电力需求、发掘目标用户、实现精准营销提供依据。在本实施例中，可利用工业用户画像将电能质量监测数据、客户服务数据、配网数据等进行有机整合，以标签形式构建分层级、多维度、全景化的工业用户画像框架。通过用户标签及其数据信息，全面精准刻画工业用户特征，为电网公司快速获取用户节能增效需求、电能质量需求提供支撑。
可选地，在本实施例中，如图3所示，可首先进行网荷多源数据采集，以获得电力用户的原始用电数据。比如，可从呼叫中心语音平台、电能质量监测系统、营配一体化系统、配网生产系统等处全面收集电力用户的原始用电数据。在获得原始用电数据的情况下，可对该原始用电数据进行数据清洗、数据变换等预处理，以从海量的原始用电数据中提取有效数据，并进行规划化，从而得到完成数据处理的原始用电数据。可对完成数据处理的原始用电数据进行信息整合，以得到统计学特征、行为特征、需求等方面的用户用电数据。接下来，可从该用户用电数据中，提取出各工业用户的用电行为数据及电能质量数据。
可选地，可以根据基于预设的电力用户画像标签体系获得的标签数据，从用户用电数据中，提取获得到各工业用户的用电行为数据及电能质量数据。
请参照图4，图4为本申请实施例提供的预设的电力用户画像标签体系的示意图。下面对本申请实施例使用的电力用户画像标签体系进行说明。
如图3及图4所示，所述电力用户画像标签体系中包括两类标签：用电行为类标签及电能质量类标签，也即图4中的用电行为B、电能质量C。基于用电行为类标签从用户的相关用电数据中获得的标签数据为所述用电行为数据，基于电能质量类标签从用户的相关用电数据中获得的标签数据为所述电能质量数据。比如，基于所述用电行为类标签，从图3所示的呼叫中心语音平台、营配一体化系统、配网生产系统等处，获得所述用户行为数据；基于电能质量类标签，从图3所示的电能质量监测系统获得所述电能质量数据。
可选地，在本实施例中，所述用电行为类标签可以包括日峰时负荷率B1、日峰谷差率B2、日峰时用电量B3、电能替代率B4、年用电成本比率B5中的至少任意一个。
其中，日峰时负荷率B1为用户峰期时段负荷平均值与日负荷平均值的比值，其计算公式如公式(1)所示：
其中，峰期时段为9:00-15:00，20:00-22:00，共8小时，可以理解的是，此处峰期时段的上述具体时段为举例说明；Pav·peak为用户峰期时段负荷平均值；Pav为用户日负荷平均值。
日峰谷差率B2为日峰谷差与日最大负荷的比值，表征了一天内用户负荷的最大波动幅度，体现了用户用电稳定性，其计算公式如公式(2)所示：
其中，Pmax为日最大负荷；Pmin为日最大负荷。
日峰时用电量B3为用户峰期时段用电总量，计算公式可如公式(3)所示。日峰时用电量B3和日峰时负荷率B1直接反映了用户用电行为特性，是体现用户节能增效需求的强相关指标。日峰时负荷率B1越高，日峰时用电量B3越高，用户越需要采取措施调整负荷以降低用电成本。其中，公式(3)为：
其中，N为峰期采样点数，例如，在峰期时段为9:00-15:00、20:00-22:00内可以每间隔3min采样一次，峰期样本数N为160；Ppeak·i为峰期功率；Δt为采样间隔时间。
电能替代率B4间接反映了用户用电水平，表征了用户节能增效的潜在需求，与日峰谷差率B2、日峰时负荷率B1、日峰时用电量B3等指标综合反映了用户节能需求。计算公式如公式(4)所示：
其中，Preplace为用户电能替代设备容量，表示为所有参与电能替代的设备铭牌额定功率总和；Ptotal为用户负荷总容量。
年用电成本比率B5表示为工业用户年用电费用占年总生产成本的比例，与用户节能增效需求正相关。计算公式如公式(5)所示：
其中：Ce为用户年用电费用总额；Ctotal为用户年生产成本总额。
可选地，在本实施例中，所述电能质量类标签可以包括电能质量问题造成的年经济损失C1、过程免疫时间C2、敏感负荷占比C3、年均中断次数C4中的至少任意一个。
用户对电能质量问题最直观的感受，是生产过程中断造成的经济损失。而由电压暂降vlotage dip(sag)和短时中断short interruption造成的经济损失在用户电能质量总损失中占比最高，因此年经济损失C1至少包括电压暂降和/或电能短时中断造成的经济损失。其中，电压暂降是指电力系统中某点工频电压方均根值突然降至0.1p.u.～0.9p.u.,并在短暂持续10ms～1min后恢复正常的现象。短时中断是指电力系统中某点工频电压方均根值突然降至0.1p.u.以下，并在短暂持续10ms～1min后恢复正常的现象。作为一种可能的实现方式，可以将电压暂降和电能短时中断造成的经济损失作为年经济损失C1，也即作为反映用户电能质量需求的指标之一。年经济损失越大，则用户电能质量需求越强。
过程免疫时间(process immunity time，PIT)C2表征为敏感过程从遭受给定幅值电压暂降时起，至过程参数越限的时间。PIT是因电压暂降导致设备不能正常运行的极限能力，是反映工业过程对电压暂降抵御能力的指标。过程免疫时间越短，说明工业过程电压暂降抵御能力越弱，则电能质量需求越强。在本实施例中，以最敏感工业过程的PIT作为用户标签。也即，将一个工业用户的最短PIT作为该用户的一个用户标签。
一方面，敏感负荷占比与优质供电投资成本成正相关，占比越高，投资成本越大。另一方面，敏感负荷占比直接决定用户受电压暂降影响的程度和范围，敏感负荷占比越高，受影响后果越严重。因此是考量用户电能质量需求的重要指标。在本实施例中，所述敏感负荷可以包括可调速驱动器(Adjustable Speed Drives，ASD)、交流接触器((AC contactor，ACC)、个人计算机(Personal Computer，PC)、可编程控制器(Programmable LogicController，PLC)等。敏感负荷占比C3计算公式可如公式(6)所示：
其中，Psen为敏感负荷总容量。
年均中断次数C4是用户平均每年因遭受电压暂减导致的生产过程中断次数。该指标与工业用户经济损失直接相关，年均中断次数越多，则经济损失越大，治理需求越强。
作为一种可能的实现方式，所述用电行为类标签包括日峰时负荷率B1、日峰谷差率B2、日峰时用电量B3、电能替代率B4、年用电成本比率B5，所述电能质量类标签可以包括电能质量问题造成的年经济损失C1、过程免疫时间C2、敏感负荷占比C3、年均中断次数C4。
可以根据所述电力用户画像标签体系中所包括的各预设标签，从用户的相关用电数据中获得与各预设标签对应的标签数据，作为所述用电行为数据及电能质量数据。如此，通过标签及其数据信息展现用户特征。
在获得各工业用户的用电行为数据及电能质量数据的情况下，可以基于该数据，对所述工业用户进行分类。其中，所使用的分类方式可以结合需求设置，比如，采用分类模型或者采用聚类分析算法等。其中，所述聚类分析算法可以为模糊C均值聚类算法(FuzzyC-Means，FCM)、或者为K-means聚类算法等。
所述用电行为数据及电能质量数据为不同预设标签对应的标签数据。作为一种可能的实现方式，可通过图5所示方式进行工业用户分类。请参照图5，图5为图2中步骤S120包括的子步骤的流程示意图。在本实施例中，步骤S120可以包括子步骤S121～子步骤S122。
子步骤S121，针对各预设标签，对所述各工业用户在该预设标签下的标签数据进行标准化处理，得到标准化处理后的标签数据。
子步骤S122，根据得到的标准化处理后的标签数据，通过聚类分析，对所述各工业用户进行分类。
由于用户各类标签数据差异性较大，在比较不同用户指标时，为使用户各指标量化结果更具客观性，体现用户用电特征差异，可对标签数据进行规范化处理，以消除量纲。可以采用如下属性规范化方法：线性变换、标准0-1变换、区间型属性变换等。
作为一种可能的实现方式，可采用标准0-1变换。经过数据变换后，所有指标均化为正向指标，最优值和最劣值分别为1和0，值越大越优。在本实施例中，在进行规范化处理之前，评价指标为正指标时，指标值越大越好；评价指标为正负指标时，指标值越小越好。在数据变换前，可根据各指标(即各预设标签)为正指标或负指标，确定相应的标准化公式，然后基于所对应的标准化公式，对各指标对应的标签数据进行标准化处理，得到标准化处理后的标签数据。
其中，针对上述电力用户画像标签体系，规范化前正指标(即越大越优)包括：过程免疫时间C2；规范化前负指标(即越小越优)包括：日峰时负荷率B1、日峰谷差率B2、日峰时用电量B3、电能替代率B4、年用电成本比率B5、年经济损失C1、敏感负荷占比C3、年中断次数C4。
评价指标为正指标时，使用的标准化公式如公式(7)所示：
评价指标为负指标时，使用的标准化公式如公式(8)所示：
其中，bij表示第j个预设标签对应的第i个标签数据，
表示第j个预设标签对应的所有标签数据中的最大值，
表示第j个预设标签对应的所有标签数据中的最小值，
表示标准化处理后的第j个预设标签对应的第i个标签数据；即，
为标准化后指标值，
和
分别为标准化前指标的最大值和最小值。
可采用模糊C均值聚类算法对工业用户进行分类，以构建电力群体客户画像。下面首先对模糊C均值聚类算法进行介绍。
模糊C均值聚类算法(Fuzzy C-Means，FCM)算法是一种基于目标函数划分的聚类算法，主要原理是使被划分到同一簇的对象间相似度最大，不同簇对象间的相似度最小。
FCM以模糊数学为基础，通过计算各待聚类数据样本与各聚类中心的隶属度，将其划分为特征明显分离的簇，实现数据样本聚类。对每个样本和每个簇类都赋予一个权值，通过聚类距离判别样本属于该簇类的程度，通过多次迭代，使得各聚类样本簇内距离最小、类间距离最大。
设待聚类的样本集合为X＝{x1,x2,...,xn}，其中每个样本xk有n个特征指标，设其为xk＝{x1k,x2k,...,xnk}T。若要将X分为C类，每个子集可以表示为C＝{c1,c2,...,cK}，则聚类损失函数如公式(9)所示：
其中：J为FCM的价值函数；m为加权系数，用于调整隶属度指标在优化目标中的影响程度，一般取值为2；uij表示样本i属于第j聚类的隶属度；xj表示第j个样本，维度为n；ci是第i簇的聚类中心，维度为n；||*||表示样本与聚类中心间的距离。
为求解该优化问题，采用拉格朗日乘子法将等式约束引入目标函数中，将条件极值转化为无条件极值，得到下式：
对ci和隶属度
求偏导数：
模糊C均值聚类通过不断迭代计算隶属度和聚类中心，直到达到最优。由公式(11)可得隶属度和聚类中心的表达式，分别如公式(12)和(13)所示：
按式(12)、式(13)对隶属度系数和聚类中心迭代，直至达到FCM的收敛条件，收敛条件为：
其中：k为迭代次数；ε为误差阈值。
群体用户画像研究是在构建个体用户画像的基础上，通过特征属性归纳或相似度计算进行聚类，形成不同用户群体，以实现用户分类、市场细分等目标。在此基础上，可以实现工业用户和电力资源的精准匹配，提供以用户为中心、以需求为导向的个性化服务，制定精准化增值服务方案，满足电力客户多样化用电需求。结合FCM算法对用户进行聚类，完成用户群体画像，其构建流程如下所示。
(1)初始化：设定聚类个数K和加权系数m，随机初始化隶属度矩阵U；
(2)参数更新：根据式(13)计算用户标签聚类中心C，根据式(12)计算所有用户标签与聚类中心的隶属度矩阵U，并将用户样本归于隶属度最高的聚类中心；
(3)收敛判断：目标函数变化是否小于设定阈值，若是，则输出聚类结果，否则转步骤2)；
4)聚类结束：展示用户群体聚类结果。
如此，可以形成用户群体画像，实现用户群体划分，反映用户群体用电共性特征，便于电网企业及工业用户基于得到的用户群体用电共性特征采取相应措施，比如，电网企业针对不同用户群体特征开展增值服务。可选地，在获得各用户群体的群体用户画像的情况下，可对其进行可视化展示。
请参照图6，图6为本申请实施例提供的用户用电数据分析方法的流程示意图之二。在本实施例中，所述方法还可以包括步骤S130。
步骤S130，根据分类得到的各用户群体中的工业用户的用电行为数据及电能质量数据，确定各用户群体对应的目标增值服务套餐。
各用户群体中的工业用户的用电行为数据及电能质量数据，描述了该类用户群体的电力需求。因此，可以针对各用户群体，根据该用户群体所包括的各工业用户的用电行为数据及电能质量数据，确定出与该用户群体的电力需求匹配的目标增值服务套餐。其中，不同用户群体对应的目标增值服务套餐可以不同。如此，可对不同的用户群体提供差异化的电力增值服务，满足不同用户的需求。
可选地，作为一种可能的实现方式，可通过图7所示方法获得各用户群体对应的目标增值服务套餐。请参照图7，图7为图6中步骤S130包括的子步骤的流程示意图。在本实施例中，步骤S130可以包括子步骤S131～子步骤S132。
子步骤S131，根据各用户群体中的工业用户的用电行为数据及电能质量数据，确定该用户群体对应的目标需求等级。
子步骤S132，基于不同需求等级各自与增值服务套餐的对应关系，根据各用户群体对应的目标需求等级，确定各用户群体对应的目标增值服务套餐。
在本实施例中，可以预先设置好不同需求等级对应的增值服务套餐的具体服务内容，具体可以结合实际需求设置。如此，在需要确定一用户群体对应的目标增值服务套餐时，可直接基于该用户群体中的工业用户的用电行为数据及电能质量数据，分析得到该用户群体的目标需求等级，然后基于预先设置不同需求等级各自对应的增值服务套餐，确定出该用户群体的目标增值服务套餐。如此，便于快速确定用户群体的目标增值服务套餐，并且需求等级各自与增值服务套餐的对应关系可以重复利用，无需每次都单独根据用户群体的用电行为数据及电能质量数据专门设计增值服务套餐。
可选地，作为一种可能的实现方式，为满足用户各方面的需求，可以将用户的实际需求拆分为两种需求，一种为基于用电行为数据确定的节能增效需求，另一种为基于电能质量数据确定的优质供电需求(即电能质量需求)，对应地为用户提供两种需求各自对应的增值服务套餐，即针对节能增效需求提供相应的节能增效增值服务套餐，针对优质供电需求提供相应的优质供电增值服务套餐。如此，可充分满足用户的需求。
所述用电行为数据包括用电行为类标签中各预设标签对应的标签数据，所述电能质量数据中包括电能质量类标签中各预设标签对应的标签数据。请参照图8，图8为图7中子步骤S131包括的子步骤的流程示意图。在本方式中，子步骤S131可以包括子步骤S1311～子步骤S1313。
子步骤S1311，根据所述各工业用户的用电行为数据，获得所述用电行为类标签中各第一标签的第一标签权重，并根据所述各第一标签的第一标签权重及各用户群体中的工业用户的用电行为数据，计算得到各用户群体的第一综合分值。
可选地，可以先对各工业用户的用电行为数据及电能质量数据进行标准化处理，然后基于标准化处理后的用电行为数据，利用熵值法(即熵权法)或者其它算法等，计算得到用电行为类标签中各第一标签的第一标签权重。比如，用电行为类标签包括：日峰时负荷率B1、日峰谷差率B2、日峰时用电量B3、电能替代率B4、年用电成本比率B5，则获得这五个指标各自对应的第一标签权重，5个第一标签权重之和为1。
熵是用来衡量事物不确定性的概念。信息量越大，不确定性越小，则其权重应越大。根据熵的特性，在一种实现方式中，可以采用熵值法确定指标的权重。通过熵值法得到各指标信息熵，其信息熵越小，信息无序度越低，其信息效用值越大，相应指标权重越大。由熵值法确定指标权重时，原始信息来源于建立的决策矩阵，在此基础上得到指标权重，也即获得第一标签对应的第一标签权重。
下面对熵值法进行简要说明。
设待评估样本有m个，评估指标有n个，设第i个评估样本的第j个指标值为bij，则形成评估矩阵B＝(bij)m×n。采用熵值法确定指标权重计算过程如下：
(1)依据数据处理后的标准化决策矩阵，求第i个评估样本第j个指标的特征比重：
(2)求得第j个指标的熵值为：
当pij＝0时，ln pij取值为0。
(3)求得第j个指标的差异系数：
gj＝1-ej (17)
(4)则第j个指标的权重为：
如此，通过熵值法，可获得各第一标签的第一标签权重。其中，标准化决策矩阵，可以为按照上文所述的基于为正指标或负指标采取对应的标准化公式进行标准化处理后得到的用电行为数据。
可以针对各用户群体，根据该用户群体中的各工业用户的用电行为数据，确定出该用户群体在用电行为方面的典型用户特征。比如，可以将该用户群体中作为聚类中心的工业用户的用电行为数据作为该用户群体在用电行为方面的典型用户特征，或者将该用户群体中的各第一标签对应的标签数据中的众值或均值等作为该用户群体在用电行为方面的典型用户特征。然后，可以根据该用户群体在用电行为方面的典型用户特征以及各第一标签的第一标签权重，进行加权求和，并将计算结果作为该用户群体的第一综合分值。
其中，可以将该用户群体在用电行为方面的典型用户特征经过标准化处理之后，再结合各第一标签的第一标签权重，进行加权求和，从而得到该用户群体的第一综合分值。
子步骤S1312，根据所述各工业用户的电能质量数据，获得所述电能质量类标签中各第二标签的第二标签权重，并根据所述各第二标签的第二标签权重及各用户群体中的工业用户的电能质量数据，计算得到各用户群体的第二综合分值。
同理，可以基于标准化处理后的电能质量数据，利用熵值法(即熵权法)或者其它算法等，计算得到电能质量类标签中各第二标签的第二标签权重。比如，电能质量类标签包括：年经济损失C1、过程免疫时间C2、敏感负荷占比C3、年均中断次数C4，则获得这四个指标各自对应的第二标签权重，4个第一标签权重之和为1。
可以针对各用户群体，根据该用户群体中的各工业用户的用电行为数据，确定出该用户群体在电能质量方面的典型用户特征。比如，可以将该用户群体中作为聚类中心的工业用户的电能质量数据作为该用户群体在电能质量方面的典型用户特征，或者将该用户群体中的各第二标签对应的标签数据中的众值或均值等作为该用户群体在电能质量方面的典型用户特征。然后，可以根据该用户群体在电能质量方面的典型用户特征以及各第二标签的第二标签权重，进行加权求和，并将计算结果作为该用户群体的第二综合分值。
其中，可以将该用户群体在电能质量方面的典型用户特征经过标准化处理之后，再结合各第二标签的第二标签权重，进行加权求和，从而得到该用户群体的第二综合分值。
子步骤S1313，根据不同分值范围与需求等级的对应关系，获得各用户群体的所述第一综合分值对应的第一目标需求等级及各用户群体的所述第二综合分值对应的第二目标需求等级。
需求等级的总数量可以结合实际需求设置，比如，设置为3个需求等级或3个需求等级等。可针对各用户群体，将该用户群体的第一综合分值所在的分值范围对应的需求等级，作为该用户群体的第一综合分值对应的第一目标需求等级；并将该用户群体的第二综合分值所在的分值范围对应的需求等级，作为该用户群体的第二综合分值对应的第二目标需求等级。任一个用户群体对应的目标需求等级包括所述第一目标需求等级及第二目标需求级别。
作为一种可能的实现方式，可以根据电力用户分类指标反映的用户节能增效和电能质量的需求强度，将用户需求分为I、II、III三个等级，建立电力用户等级划分模型，该模型如图9所示：I级-需求极强，对应的综合分值范围为[0,0.5]；II级-需求极强，对应的综合分值范围为(0.5,0.8]；III级-需求较弱，对应的综合分值范围为(0.8,1]。其中，在图9中，综合分值为正向分值，分值越大越优，且该分值的范围为[0,1]。此时，对应地，先通过数据标准化处理将所有指标均化为正向指标，然后结合对应的标签权重计算得到各用户群体的第一综合分值及第二综合分值。
各级别用电需求具体分析如下：
(1)I级——需求极强
此类用户具有极高的经济价值和社会影响，具有较高的节能贡献与持续发展潜力，峰时用电量大，用电信用程度较高。电能质量敏感度极高，发生轻微电能质量问题将会导致重要用电设备受损，造成重大损失。这种级别的用户主要包括医疗中心、高端制造业等。
(2)II级——需求较强
此类用户具有较高的经济价值和社会影响力，用电量与可信度中等，具有一定的节能贡献与持续发展潜力，对电能质量敏感，发生电能质量问题将造成较大损失，或将影响重要用电单位的正常工作以及造成人员集中的公共场所秩序混乱。
(3)III级——需求较弱
此类用户经济价值和社会影响力较低，用电量较低，节能贡献和持续发展潜力较低，遭受电能质量扰动后造成的经济损失较低。这种级别的用户供电质量满足国标即可，除I、II级用户以外的用户均为III级电力用户。
在确定一个用户群体的第一目标需求等级的情况下，可根据不同需求等级与优质供电增值服务套餐的对应关系，确定出该第一目标需求等级对应的优质供电增值服务套餐，作为该第一目标需求等级对应的第一目标服务套餐。同理，在确定出一个用户群体的第二目标需求等级的情况下，可以根据不同需求等级与节能增效增值服务套餐的对应关系，确定出该第二目标需求等级对应的节能增效增值服务套餐，作为该第二目标需求等级对应的第二目标服务套餐。一个用户群体对应的所述目标服务套餐包括根据所述第一目标需求等级确定的第一目标服务套餐及根据所述第二目标需求等级确定的第二目标服务套餐。
其中，值得说明的是，上述子步骤S131～子步骤S133在图8中所示的执行顺序仅为示例性说明，具体可以结合实际需求设置。比如，并行获得各用户群体的第一综合分值及第二综合分值，进而获得各用户群体的第一目标服务套餐及第二目标服务套餐。
优质电力增值服务是售电市场竞争加剧背景下电网公司提升市场份额的必然结果。对不同级别的电力用户，电网公司可设计差异化增值服务套餐，以满足用户个性化需求。
作为一种可能的实现方式，不同需求等级对应的优质供电增值服务套餐的内容如图10所示。
I级对应的优质供电增值服务套餐可以包括以下服务类别：电能质量监测、现场电能质量检测、电能质量定制评估、敏感设备分析、电能质量预警、定制电力、治理设备服务。其中，电能质量监测包括的服务内容为：加装电能质量监测装置，建立用户档案，将用户数据接入公司平台。现场电能质量检测包括的服务内容为：根据客户需求对用户进行现场电能质量检测，并做全面分析评估。电能质量定制评估包括的服务内容为：针对敏感用户关注的电能质量问题按需要的形式开展评估。敏感设备分析包括的服务内容为：对用户敏感设备用电过程中的电能质量问题开展系统性分析，包括原因分析、传播过程、影响分析等。电能质量预警包括的服务内容为：基于电能质量监测数据及预测数据，预警报告可能发生的电力扰动。定制电力包括的服务内容为：为用户设计定制化电能质量提升方案，包括设备选型、负荷规划、用户外部线路改造等。治理设备服务包括的服务内容为：定期进行设备体检，提供预防性维护服务，对于老化、无法满足需求的治理设备提供换新升级服务。
II级对应的优质供电增值服务套餐可以包括以下服务类别：电能质量监测、电能质量评估、供电可靠性分析、电能质量治理、治理设备服务。其中，电能质量监测包括的服务内容为：加装电能质量监测装置，建立用户档案，将用户数据接入公司平台。电能质量评估包括的服务内容为：按照国标全面评估用户电能质量，提供用户电能质量评估及设备免疫力与供电质量兼容水平评估服务。供电可靠性分析包括的服务内容为：对有需求的用户提供供电中断类型、产生原因、应对措施等分析。电能质量治理包括的服务内容为：提供优质供电服务购买或技术措施咨询服务，在关键位置配置电能质量治理设备。治理设备服务包括的服务内容为：定期进行设备体检，提供改善性维护服务，对于老化、无法满足需求的治理设备提供换新服务。
III级对应的优质供电增值服务套餐可以包括以下服务类别：信息服务、设备服务、基本供电。其中，信息服务包括的服务内容为：及时通知停电信息，推送优质电力信息。设备服务包括的服务内容为：为用户设备提供事后维修服务。基本供电包括的服务内容为：为用户提供满足国标的基本电力供应。
作为一种可能的实现方式，不同需求对应的节能增效增值服务套餐的内容如图11所示。
I级对应的节能增效增值服务套餐可以包括以下服务类别：节能设计服务、合同能源管理服务、需求侧管理服务、设备服务。其中，节能设计服务包括的服务内容为：优先提供节能方案设计、节能改造、能耗诊断等服务。合同能源管理服务包括的服务内容为：为用户提供适合的运营模式，如节能效益分享型合同能源管理、节能量保证型合同能源管理、能源费用托管型合同能源管理等。需求侧管理服务包括的服务内容为：依靠峰谷电价等政策手段以及蓄冷、热泵等技术手段，实现电网荷的移峰填谷，减少电网峰谷差；制定各类限电计划，制定优先供电行业、大用户名单。设备服务包括的服务内容为：为用户提供节能设备供应服务、分布式电源设备供应，并提供配套培训和设备维护服务。
II级对应的节能增效增值服务套餐可以包括以下服务类别：节能服务、设备服务。节能服务包括的服务内容为：提供节能方案设计、节能改造、能耗诊断等服务。设备服务包括的服务内容为：为用户提供节能设备供应服务、分布式电源设备供应，并提供配套培训和设备维护服务。
III级对应的节能增效增值服务套餐可以包括以下服务类别：设备服务。设备服务包括的服务内容为：为用户提供节能设备供应服务、分布式电源设备供应，并提供配套培训和设备维护服务。
网荷多源数据包含着工业用户的共性用电特征。在本实施例中，引入用户画像概念，在全面收集网荷多源数据的基础上，构建了工业用户画像标签体系，将工业用户需求抽象为标签，进而基于该标签系统梳理工业用户用电数据，考虑用户多时空维度信息融合，提取工业用户用电行为特征；其次通过聚类方式，进行用户群体分类，刻画不同类别用户群体电力需求；然后基于熵权法进行需求等级划分，设计差异化增值服务方案，实现需求与资源的合理匹配。
下面结合图12～图17对上述用户用电数据分析方法进行举例说明。
在该例子中，对我国武汉134个工业用户开展实地调研，进行工业用户分类及评定，以匹配定制电力服务。该区域包含较多高新技术产业，存在大量对电力扰动敏感程度较高的精密设备，且行业覆盖面广，包括生物制药、精细化工、汽车制造业、电子通信等行业。不同行业占比如图12所示。
依据图4所示的电力用户画像标签体系，通过电能质量监测系统、营销系统、用户调研等渠道收集工业用户标签数据，作为工业用户的用电行为数据及电能质量数据，共收集134组数据，可在MATLAB软件中数据处理和后续案例分析。
基于上述134组数据，进行聚类分析和增值服务推送。
聚类分析与应用包括：(1)基于标签数据，对用户聚类分群；(2)根据优质电力具体业务，对各用户群进行特征分析，即用户群体画像，并进行精准的服务设计。
在数据收集中，可对收集的用户初始数据进行预处理。在进行增值服务方案设计时，需考虑用户类别区分度，可取K＝6，即将134个工业用户分为6个用户群体。
可对经过标准化处理的B类(即用户行为类)、C类(即电能质量量)用户标签数据进行模糊C均值聚类，从而得到图13所示的A～F共6类用户群体。其中，B类用户数量最多，D类用户群体最少。A类用户主要包含食品加工业与造纸业，B类用户则由电子通信业和半导体行业组成，用户种类具有相似性，因此部分指标特征相似度较高，如B、D类用户的B2-B4(即日峰谷差率B2、日峰时用电量B3、电能替代率B4)指标；C、D、E、F分别主要由汽车工业、精细化工业、生物制药业和互联网行业组成。可以看出各类别用户指标曲线差异性特征明显，同类用户具有明显的相似性，可以反映各类用户典型用电特征，聚合效果较好。
由图13可以看出，对于A类用户，其遭受电压暂降经济损失较低，PIT较长且受影响中断次数较少，此类用户对电能质量指标要求较低，电能质量需求不强；另外，A类用户电能替代率较高，峰时用电量较低且用电成本占比低，用电水平较低，表明A类用户节能增效需求不强。对于B类用户，其PIT较短、敏感负荷占比高，且年中断次数较多，受电能质量问题影响较大，后果比较严重，具有极强的电能质量提升需求；其峰时负荷率较高且峰时用电量高，电能替代率高，电能消费水平较高，对节能增效也具有极强的需求。对于C类用户，其PIT适中且各类敏感负荷占比较高，受电压暂降影响造成经济损失较高且年中断次数较多，具有一定电能质量治理需求；其峰时用电量适中，日峰谷差率较低，电能替代率较高，电能消费水平一般，节能增效需求较弱。
可以选择聚类得到的6类用户群体聚类中心作为典型用户，基于上文子步骤S1311及子步骤S1312分别计算用户指标用电行为权重和电能质量指标权重，分别为w1＝[0.140.18 0.24 0.2 0.24]和w2＝[0.32 0.24 0.18 0.26]。在各典型用户的基于上文所述方式处理后的标准化标签数据如图14所示基础上，结合上述权重，可得到图14所示的各类用户的电能质量分值(即第二综合分值)和用电行为分值(即第一综合分值)。
根据前述图9所示的用户需求分级方式，六类用户电能质量-节能增效需求强度分析结果如图15所示：A类用户为：0.8822，0.8136；B类用户为：0.8822，0.8136；C类用户为：0.4292，0.4854；D类用户为：C 0.6012，0.806；E类用户为：0.472，0.6248；F类用户为：0.663，0.7838；F类用户为：0.723，0.4236。
基于以上分析，针对不同用户群体特征，针对各群体电能质量需求和节能增效需求，为其提供差异化增值服务套餐，匹配结果如图16所示：A类用户对应III级套餐、III级套餐；B类用户对应I级套餐、I级套餐；C类用户对应II级套餐、III级套餐；D类用户对应I级套餐、II级套餐；E类用户对应II级套餐、II级套餐；F类用户对应II级套餐、I级套餐。其中，一类用户对应的两个套餐中，前者为电能质量服务对应的套餐，后者为节能增效服务对应的套餐。
将各类增值服务方案分别应用于6类用户群体，计算负荷满意度和增值服务性价比得到各类群体用户用电满意度，结果如图17所示。
由图17可知，A类用户仅需基础供电服务即可满足用电需求，为其提供增值服务会导致支出费用增加，服务方案性价比降低，用户用电满意度反而下降。而其他群体，则需提供与其需求匹配的增值服务，才能使用户用电满意度得到提升。以F类用户为例，F类用户具有极强的节能增效需求和较强的电能质量需求，若提供I级电能质量增值服务和II级节能增效增值服务，则其电能质量治理投资成本过高，而节能增效需求无法满足，定制增值服务方案经济性和技术性均无法达到最优；提供与其用电需求匹配的增值服务方案，则用电满意度明显优于基础服务和错误定位服务方案。因此，基于该文所提方法用户聚类结果给出增值服务方案，可精准匹配用户需求，有效提升用电满意度。
本申请实施例针对新一轮电改后用户用电自主选择权提升及用电营商环境持续优化的背景，为电网公司提供了一种用户群体需求识别及增值服务的实现方法。将用户画像理论引入增值服务领域，构建了工业用户画像标签体系，结合具体实际业务需求，采用模糊C均值聚类的方法进行用户群体画像，经过用户分级，为其设计差异化增值服务套餐。
在本实施例中，通过考虑用户电能质量和节能增效需求，构建了一种工业用户画像标签体系，为工业用户群体识别提供基础。基于网荷多源数据，通过模糊C均值聚类算法形成用户群体画像，对不同用户群体形成差异化标签，将用户特征与其个性化需求匹配，为电网公司开展差异化增值服务提供支撑。基于熵值法对用户电能质量和节能增效需求进行分级，为其匹配差异化增值服务套餐实现用户需求与电力资源的合理匹配，提供以用户需求为导向的定制增值方案，有效提升用户满意度，提升电网公司竞争力。
为了执行上述实施例及各个可能的方式中的相应步骤，下面给出一种用户用电数据分析装置200的实现方式，可选地，该用户用电数据分析装置200可以采用上述图1所示的电子设备100的器件结构。进一步地，请参照图18，图18为本申请实施例提供的用户用电数据分析装置200的方框示意图。需要说明的是，本实施例所提供的用户用电数据分析装置200，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。所述用户用电数据分析装置200可以包括：数据获得模块210及分析模块220。
所述数据获得模块210，用于获得各工业用户的用电行为数据及电能质量数据，其中，所述用电行为数据用于表示所述工业用户的负荷情况和/或用电特征，所述电能质量数据用于表示所述工业用户对电能质量问题的敏感程度。
所述分析模块220，用于根据所述各工业用户的用电行为数据及电能质量数据，对所述各工业用户进行分类，以得到不同的群体用户画像，其中，所述群体用户画像基于对应的用户群体中的所述工业用户的用电行为数据及电能质量数据确定。
可选地，在本实施例中，所述分析模块220，还用于根据分类得到的各用户群体中的工业用户的用电行为数据及电能质量数据，确定各用户群体对应的目标增值服务套餐。
可选地，上述模块可以软件或固件(Firmware)的形式存储于图1所示的存储器110中或固化于电子设备100的操作系统(Operating System，OS)中，并可由图1中的处理器120执行。同时，执行上述模块所需的数据、程序的代码等可以存储在存储器110中。
本申请实施例还提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的用户用电数据分析方法。
综上所述，本申请实施例提供一种用户用电数据分析方法、装置、电子设备及可读存储介质，基于工业用户的用电行为数据及电能质量数据进行用户群体分类，从而刻画出不同类别用户群体的电力需求。如此，可获得不同用户群里的电力需求，便于电网公司基于该电力需求向不同用户群体提供差异化的电力增值服务，从而满足用户需求；同时，便于工业用户了解自身需求从而采取相应的处理措施。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的可选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种用户用电数据分析方法，其特征在于，所述方法包括：
获得各工业用户的用电行为数据及电能质量数据，其中，所述用电行为数据用于表示所述工业用户的负荷情况和/或用电特征，所述电能质量数据用于表示所述工业用户对电能质量问题的敏感程度；
根据所述各工业用户的用电行为数据及电能质量数据，对所述各工业用户进行分类，以得到不同的群体用户画像，其中，所述群体用户画像基于对应的用户群体中的所述工业用户的用电行为数据及电能质量数据确定。
2.根据权利要求1所述的方法，其特征在于，所述用电行为数据及电能质量数据为基于预设的电力用户画像标签体系获得的标签数据，所述电力用户画像标签体系中包括用电行为类标签及电能质量类标签，所述用电行为类标签包括日峰时负荷率、日峰谷差率、日峰时用电量、电能替代率、年用电成本比率中的至少任意一个。
3.根据权利要求2所述的方法，其特征在于，所述电能质量类标签包括电能质量问题造成的年经济损失、过程免疫时间、敏感负荷占比、年均中断次数中的至少任意一个，其中，电能质量问题造成的年经济损失包括电压暂降和/或短时中断造成的经济损失。
4.根据权利要求1-3中任意一项所述的方法，其特征在于，所述用电行为数据及电能质量数据为不同预设标签对应的标签数据，所述根据所述各工业用户的用电行为数据及电能质量数据，对所述各工业用户进行分类，以得到不同的群体用户画像，包括：
针对各预设标签，对所述各工业用户在该预设标签下的标签数据进行标准化处理，得到标准化处理后的标签数据；
根据得到的标准化处理后的标签数据，通过聚类分析，对所述各工业用户进行分类。
5.根据权利要求1-3中任意一项所述的方法，其特征在于，所述方法还包括：
根据分类得到的各用户群体中的工业用户的用电行为数据及电能质量数据，确定各用户群体对应的目标增值服务套餐。
6.根据权利要求5所述的方法，其特征在于，所述根据分类得到的各用户群体中的工业用户的用电行为数据及电能质量数据，确定各用户群体对应的目标增值服务套餐，包括：
根据各用户群体中的工业用户的用电行为数据及电能质量数据，确定该用户群体对应的目标需求等级；
基于不同需求等级各自与增值服务套餐的对应关系，根据各用户群体对应的目标需求等级，确定各用户群体对应的目标增值服务套餐。
7.根据权利要求6所述的方法，其特征在于，所述用电行为数据包括用电行为类标签中各预设标签对应的标签数据，所述电能质量数据中包括电能质量类标签中各预设标签对应的标签数据，所述根据各用户群体中的工业用户的用电行为数据及电能质量数据，确定该用户群体对应的目标需求等级，包括：
根据所述各工业用户的用电行为数据，获得所述用电行为类标签中各第一标签的第一标签权重，并根据所述各第一标签的第一标签权重及各用户群体中的工业用户的用电行为数据，计算得到各用户群体的第一综合分值；
根据所述各工业用户的电能质量数据，获得所述电能质量类标签中各第二标签的第二标签权重，并根据所述各第二标签的第二标签权重及各用户群体中的工业用户的电能质量数据，计算得到各用户群体的第二综合分值；
根据不同分值范围与需求等级的对应关系，获得各用户群体的所述第一综合分值对应的第一目标需求等级及各用户群体的所述第二综合分值对应的第二目标需求等级，其中，任一个用户群体对应的目标需求等级包括所述第一目标需求等级及第二目标需求级别，所述目标增值服务套餐包括根据所述第一目标需求等级从不同节能增效增值服务套餐中确定的第一目标服务套餐及根据所述第二目标需求等级从不同优质供电增值服务套餐中确定的第二目标服务套餐。
8.一种用户用电数据分析装置，其特征在于，所述装置包括：
数据获得模块，用于获得各工业用户的用电行为数据及电能质量数据，其中，所述用电行为数据用于表示所述工业用户的负荷情况和/或用电特征，所述电能质量数据用于表示所述工业用户对电能质量问题的敏感程度；
分析模块，用于根据所述各工业用户的用电行为数据及电能质量数据，对所述各工业用户进行分类，以得到不同的群体用户画像，其中，所述群体用户画像基于对应的用户群体中的所述工业用户的用电行为数据及电能质量数据确定。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现权利要求1-7中任意一项所述的用户用电数据分析方法。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任意一项所述的用户用电数据分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210743358.8A CN115081893A (zh) | 2022-06-27 | 2022-06-27 | 用户用电数据分析方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210743358.8A CN115081893A (zh) | 2022-06-27 | 2022-06-27 | 用户用电数据分析方法、装置、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115081893A true CN115081893A (zh) | 2022-09-20 |
Family
ID=83255355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210743358.8A Pending CN115081893A (zh) | 2022-06-27 | 2022-06-27 | 用户用电数据分析方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115081893A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117078112A (zh) * | 2023-10-16 | 2023-11-17 | 云境商务智能研究院南京有限公司 | 应用于企业异常用电管理的能耗检测方法及数据分析系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110427418A (zh) * | 2019-07-04 | 2019-11-08 | 深圳供电局有限公司 | 一种基于客户能源价值指标体系的客户分析分群方法 |
| CN110544123A (zh) * | 2019-08-29 | 2019-12-06 | 广州供电局有限公司 | 电力用户分类方法、装置、计算机设备和存储介质 |
| CN111784204A (zh) * | 2020-07-28 | 2020-10-16 | 南方电网能源发展研究院有限责任公司 | 一种基于用户用电行为画像的优质用户挖掘方法及系统 |
| CN112766693A (zh) * | 2021-01-12 | 2021-05-07 | 国网四川省电力公司经济技术研究院 | 基于用户画像的综合能源服务套餐分析方法及系统 |
-
2022
- 2022-06-27 CN CN202210743358.8A patent/CN115081893A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110427418A (zh) * | 2019-07-04 | 2019-11-08 | 深圳供电局有限公司 | 一种基于客户能源价值指标体系的客户分析分群方法 |
| CN110544123A (zh) * | 2019-08-29 | 2019-12-06 | 广州供电局有限公司 | 电力用户分类方法、装置、计算机设备和存储介质 |
| CN111784204A (zh) * | 2020-07-28 | 2020-10-16 | 南方电网能源发展研究院有限责任公司 | 一种基于用户用电行为画像的优质用户挖掘方法及系统 |
| CN112766693A (zh) * | 2021-01-12 | 2021-05-07 | 国网四川省电力公司经济技术研究院 | 基于用户画像的综合能源服务套餐分析方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 高晋峰 等: "电力客户画像构建及应用场景研究", 微型电脑应用, vol. 37, no. 11, pages 177 - 180 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117078112A (zh) * | 2023-10-16 | 2023-11-17 | 云境商务智能研究院南京有限公司 | 应用于企业异常用电管理的能耗检测方法及数据分析系统 |
| CN117078112B (zh) * | 2023-10-16 | 2024-01-02 | 云境商务智能研究院南京有限公司 | 应用于企业异常用电管理的能耗检测方法及数据分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11699198B2 (en) | Methods and systems for machine-learning for prediction of grid carbon emissions | |
| CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
| Xiao et al. | Data mining in building automation system for improving building operational performance | |
| Biscarri et al. | Electricity clustering framework for automatic classification of customer loads | |
| Jota et al. | Building load management using cluster and statistical analyses | |
| CN109446193A (zh) | 反窃电模型生成方法及装置 | |
| Keskin et al. | Data-driven clustering and feature-based retail electricity pricing with smart meters | |
| CN111144468A (zh) | 电力用户信息标签化方法和装置、电子设备以及存储介质 | |
| Panapakidis et al. | Implementation of modified versions of the K-means algorithm in power load curves profiling | |
| CN111612228A (zh) | 一种基于用电信息的用户用电行为分析方法 | |
| Justo et al. | Behavioral similarity of residential customers using a neural network based on adaptive resonance theory | |
| CN112288172A (zh) | 台区线损率的预测方法、装置 | |
| CN115081893A (zh) | 用户用电数据分析方法、装置、电子设备及可读存储介质 | |
| Sun et al. | Using improved RFM model to classify consumer in big data environment | |
| Zhang et al. | A segmented evaluation model for building energy performance considering seasonal dynamic fluctuations | |
| CN114372835B (zh) | 综合能源服务潜力客户识别方法、系统及计算机设备 | |
| Sodenkamp et al. | Supervised classification with interdependent variables to support targeted energy efficiency measures in the residential sector | |
| CN116226293A (zh) | 一种电力客户画像生成管理的方法及系统 | |
| CN115358797A (zh) | 基于聚类分析法的综合能源用户用能行为分析方法、系统及存储介质 | |
| Asghari et al. | Selecting and prioritizing the electricity customers for participating in demand response programs | |
| Wen et al. | A novel approach for identifying customer groups for personalized demand-side management services using household socio-demographic data | |
| Osypova | Consumption pattern detection through the use of machine learning: clustering techniques for non-technical losses detection RERORT | |
| Ramos et al. | Data Mining Techniques Applied to Power Systems | |
| Yoshida et al. | Feature extraction and background information detection method using power demand | |
| Weihong et al. | Research on Customer Electricity Behaviour Based on K-Means Clustering Algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |