CN116799788A - 一种基于大数据分析的削峰填谷用电方法 - Google Patents

Abstract

本发明公开一种基于大数据分析的削峰填谷用电方法，包括如下步骤：S1、数据准备：所需数据包括单位或平台用电客户档案信息、日频度峰平谷分时段电量、月频度峰谷平分时段电量、96个时点功率等多源数据，通过数据溯源采集所需数据；S2、数据预处理：S21拼接数据宽表；S22无效数据清洗；S23缺失值处理；S24异常值处理：采用物理判别法与统计判别法相结合的异常值处理方法；根据3σ准则判别在区间(μ‑3σ,μ+3σ)之外的数值为异常值，其中μ为平均值，σ为标准差；S25归一化处理；S3、用电分时偏好特征分析：利用峰平谷分时段的用电数据进行用电分时偏好特征分析，刻画高纬、低维两个层级用电分时偏好特征，输出偏好特征标签；S4、用能水平计算及偏离度分析。

Description

一种基于大数据分析的削峰填谷用电方法

技术领域

本发明涉及电力数据应用技术领域，具体涉及一种基于大数据分析的削峰填谷用电方法。

背景技术

随着社会经济快速发展，用电量持续攀升，由于各行业(高维)性质、用户(低维)作息惯例、生产连续性、工作日与节假日差异、用工成本和管理费用等多方面的原因，目前仍然有许多单位或平台未按照峰谷分时电价调整用电策略，这就会造成资源使用层次不齐，给电网造成不必要的负担。

因此，需要研发一种有效引导单位或平台削峰填谷以使其合理用电、调节系统负荷，促进电力供需平衡，同时为单位或平台节省用电成本，优化用电的技术。中国专利CN111969629B公开了一种区域电力负荷调度方法，该方法虽然有效实现削峰填谷、节约成本，但是使用场景很有效。

基于前述背景下，亟须要充分利用大数据分析技术，挖掘电力数据，研发一种适用更广的用电分时特征刻画以及可转移负荷能力分析技术方案，并基于电网实际提出削峰填谷视角下的差异化用电策略场景，提升用户体验，为电力需求侧响应的削峰潜力挖掘和高效实施提供基础。

发明内容

本发明目的是提供一种基于大数据分析的削峰填谷用电方法，解决背景技术中的问题。

为了实现以上目的，本发明采用的技术方案为：一种基于大数据分析的削峰填谷用电方法，包括如下步骤：

S1、数据准备：所需数据包括单位或平台用电客户档案信息、日频度峰平谷分时段电量、月频度峰谷平分时段电量、96个时点功率等多源数据，通过数据溯源采集所需数据；

S2、数据预处理：

S21拼接数据宽表：以计量点编号为关联字段，融合单位或平台用户档案信息、计量点信息、峰平谷各时段用电信息、96时点用电负荷等多源数据项，分别拼接形成明细数据宽表；

S22无效数据清洗：以用户为单位统计数据宽表中各用户的数据采集情况，将缺失数据超过20％的用户视为无效数据，以及数据为空或者为0的数据占比低于80％的，进行清洗删除处理；

S23缺失值处理：存在缺失值的数据为峰平谷电量数据、96时点负荷数据，此部分数据信息无法根据业务知识或者平均值填充等方法进行填补，采取直接用0替换缺失值的处理方式；

S24异常值处理：采用物理判别法与统计判别法相结合的异常值处理方法；根据3σ准则判别在区间(μ-3σ,μ+3σ)之外的数值为异常值，其中μ为平均值，σ为标准差；

S25归一化处理：为消除数值型指标数据的量纲，方便后续分析用电分时偏好特征，分别计算峰、平、谷各时段用电量占比，将峰平谷电量数据进行归一化处理。

S3、用电分时偏好特征分析：利用峰平谷分时段的用电数据进行用电分时偏好特征分析，刻画高纬、低维两个层级用电分时偏好特征，输出偏好特征标签；

S4、用能水平计算及偏离度分析：

S41)、用能水平计算：

通过综合容量和用电量的特征，定义单位容量用电量表征用能水平，反应出用户的用能水平高低；通过计算同一细分高维用户单位容量用电量平均值，评估该高维的平均用能水平，并作为一个参照值，为下一步开展低维用能偏离分析提供基础；

S42)、用能偏离度分析：

通过将同一细分高维的用户与所属高维平均用能水平进行对比，找出两者之间的差值，即偏离度；通过偏离度，定量评估低维与同一高维平均用能水平的距离，为削峰填谷个性化用电策略的精准提出提供依据；

S5、可转移负荷能力分析。

进一步的，步骤S5后进行步骤S6、削峰填谷用电策略方案优化：

S61)、低维用能水平对标优化

在同高维的所有低维单元或用户中，定位典型低维单元或用户；

低维峰时段用能水平>>高维峰时段平均用能水平

平时段用能水平<＝高维平均用能水平或者谷时段用能水平<＝高维平均用能水平；

针对用能优化潜力低维单元或用户，分析制约低维单元或用户用能水平的主要因素，基于通过推荐错峰生产等负荷转移策略方案，降低低维单元或用户峰时段用能水平，转移至平、谷时段用电，从而达到低维正常生产经营与电网削峰填谷之间的平衡；

S62)、高削峰潜力的低维单元或用户识别策略方案

在同高维单元同分时偏好的所有低维单元或用户中，定位典型低维单元或用户；

高维单元整体用电偏好特征标签、高维单元内的低维个体用电偏好特征标签两者对比；

高维单元分时偏好特征是平时段为主或谷时段为主；

高维单元内低维分时偏好特征是峰时段为主；

S63)、典型低维单元或用户用电负荷转移策略方案

对同高维单元同分时偏好的所有低维单元或用户最大负荷水平排名；

对同高维单元)同分时偏好的所有低维单元或用户负荷波动偏离度排名；

两项排名均在前50％为高级，任意一项前50％为中级，均在后50％为低级。

再进一步的，所述的步骤S3包括如下步骤：

S31)、初始用电分时偏好特征划分：

以低维用户编号及计量点编号作为分组标志，将每个低维用户一个月内峰平谷时段所对应的用电量相加，汇总计算每月的峰平谷时段总用电量，以此计算低维每个月的初始用电偏好特征；

根据计算出来的月度数据，将月度数据进行归一化处理，即计算峰平谷各时段用电量占比，计算出占比后，选取月度数据中峰平谷用电量占比最大的作为初始划分标签；

S32)、刻画用电分时偏好特征：

分别计算平时段用电占比除以峰时段用电占比，谷时段用电占比除以峰时段用电占比，得到之间的比值，根据该结果再次确定在划分方法；最终得出用电分时偏好特征标签的划分；

S33)、高维整体分时偏好特征分析：基于高维层级用电特征差异，以高维分类作为分组标志，将一个月内各高维峰平谷时段所对应的用电量相加，计算出各高维每月的峰平谷时段用电量，沿用低维用户的划分规则刻画高维用电分时偏好特征标签划分方法，统计各高维下所有低维的峰平谷时段用电数据进行特征分析，刻画高维用电偏好特征；

S34)、典型高维分时偏好特征分析：根据档案信息表将高维用电偏好特征与低维用电偏好特征进行拼接，输出选取的典型高维整体用电分时偏好特征标签、高维内的低维用户用电分时偏好特征标签。

再进一步的，所述的步骤S5包括如下步骤：

S51)、刻画细分群体的负荷曲线：选取典型高维及用电偏好群体开展分析，刻画群体内所有低维30天的负荷曲线，观察其负荷曲线特征差异；

S52)、分析最大负荷水平和负荷波动偏离度：通过计算同一高维、同一用电偏好下不同低维96个时点的最大负荷水平和负荷波动偏离度，对最大负荷水平和负荷波动偏离度进行低维排名，以此综合判定具备负荷转移条件的低维单元；

其中，负荷波动偏离度计算方法：通过使用余弦相似度方法，计算低维时点负荷曲线与群体内其他低维时点负荷曲线之间的余弦相似度，然后求其均值作为该单元的负荷波动相似度，以“1-均值”表征其负荷波动偏离度；

S53)、输出可转移负荷能力等级及策略方案：对其可转移负荷能力进行等级划分，将低维可转移负荷能力等级分为高、中、低三个等级，针对高等级可转移负荷能力的低维制定削峰填谷用电调整策略；根据最大负荷水平排序和负荷波动偏离度排序分别选取各自的前50％的低维单元，如该低维单元既在最大负荷水平排序的前50％，又在负荷波动偏离度排序的前50％，则可转移负荷能力为高，若该低维单元只在最大负荷水平排序或者负荷波动偏离度排序的前50％，则可转移负荷能力为中，若该低维既不在最大负荷水平排序的前50％，又不在负荷波动偏离度排序的前50％，则可转移负荷能力为低。

本发明的技术效果在于：本发明一种基于大数据分析的削峰填谷用电方法，该方法在服务低维(单元或用户)方面，可以为不同类别的用电分时偏好特征低维群体作差别化分时用电策略推荐，为提供削峰填谷视角下奠定了数据基础，提供了可行的技术方向，通过与同行业(即高维)、同用电偏好特征的对比分析，提出下级单元(即低维)个性化分时用电策略建议，引导用户基于分时电价激励做出供电特征的需求响应，调整生产流程错峰用电，通过高峰时段少用电、低谷时段多用电达到降低低维用电成本、优化用电体验的目的。在服务电网运行方面，有助于减轻用电高峰时的电网压力，改善电网负荷能力，从而间接降低电网的投资成本和运行成本，保障电网的安全稳定运行，同时为电力一端提供低维用户级的低维用电偏好特征、用能水平以及削峰填谷用电策略结论建议，从而支撑客户管理深度认知。

附图说明

图1为本发明的架构图；

图2为本发明的具体实施例中同一用电偏好低维群体的负荷曲线示意图；

图3为本发明的具体实施例中可转移负荷时段实例示意图。

具体实施方式

本发明提供了一种基于大数据分析的削峰填谷用电方法，包括如下步骤：

一)、基于单位或平台用电档案信息、分时段电量明细数据，给出峰平谷用电分时偏好特征刻画方案；

二)、以同用电偏好下的用户群体为对象，提出用户用能水平的对标计算及偏离度分析方法；

三)、根据单位或平台分时负荷曲线以及节假日信息等数据，提出用户可转移负荷能力的识别方法，量化其可转移负荷潜力；

四)、基于存量的高纬、低维2个层级，提出单位或平台削峰填谷用电策略优化推荐场景。

依托本发明，可以在科学引导用户调峰、辅助需求侧响应执行方案制定以及主动营销服务等方面进行有益尝试和用电策略建议，对于下级供电调度等实际业务开展提供决策参考，在服务电网、单位或平台、社会效益、机制完善等方面发挥实效。

具体的，一种基于大数据分析的削峰填谷用电方法，包括以下步骤：

S1、数据准备：所需数据包括单位或平台用电客户档案信息、日频度峰平谷分时段电量、月频度峰谷平分时段电量、96个时点功率等多源数据，通过数据溯源采集所需数据；

S2、数据预处理：

S21拼接数据宽表：以计量点编号为关联字段，融合单位或平台用户档案信息、计量点信息、峰平谷各时段用电信息、96时点用电负荷等多源数据项，分别拼接形成明细数据宽表；

S22无效数据清洗：以用户为单位统计数据宽表中各用户的数据采集情况，将缺失数据超过20％的用户视为无效数据，以及数据为空或者为0的数据占比低于80％的，进行清洗删除处理；

S23缺失值处理：存在缺失值的数据为峰平谷电量数据、96时点负荷数据，此部分数据信息无法根据业务知识或者平均值填充等方法进行填补，采取直接用0替换缺失值的处理方式；

S24异常值处理：采用物理判别法与统计判别法相结合的异常值处理方法；根据3σ准则判别在区间(μ-3σ,μ+3σ)之外的数值为异常值，其中μ为平均值，σ为标准差；

S25归一化处理：为消除数值型指标数据的量纲，方便后续分析用电分时偏好特征，分别计算峰、平、谷各时段用电量占比，将峰平谷电量数据进行归一化处理。

S3、用电分时偏好特征分析：利用峰平谷分时段的用电数据进行用电分时偏好特征分析，刻画高纬、低维两个层级用电分时偏好特征，输出偏好特征标签；

S31)、初始用电分时偏好特征划分：

由于低维(如企业)单日生产经营活动不确定因素较大，导致日频度峰平谷电量无法真实反映低维(如企业)用电偏好特征，

用一个月的峰平谷时段用电数据进行偏好特征划分，数据会稳定在一定范围内，偏好特征更准确；以低维(如企业)为对象，以低维(如企业)用户编号及计量点编号作为分组标志，将每个低维用户一个月内峰平谷时段所对应的用电量相加，汇总计算每月的峰平谷时段总用电量，以此计算低维每个月的初始用电偏好特征；

根据计算出来的月度数据，将月度数据进行归一化处理，即计算峰平谷各时段用电量占比，计算出占比后，选取月度数据中峰平谷用电量占比最大的作为初始划分标签，划分方法为：

若峰电量占比>平电量占比且峰电量占比>谷电量占比，初始标签为峰时段用电为主型；

若平电量占比>峰电量占比且平电量占比>谷电量占比，初始标签为平时段用电为主型；

若谷电量占比>峰电量占比且谷电量占比>平电量占比，初始标签为谷时段用电为主型；

若峰电量占比＝平电量占比＝谷电量占比，初始标签为峰平谷各时段用电相等型；

S32)、刻画用电分时偏好特征：根据峰平谷各时段用电量占比可以看出，类型划分较为复杂，为了明确偏好特征划分，将每一初始划分类型再进行细分，如，初始类型是峰时段用电为主型，分别计算平时段用电占比除以峰时段用电占比，谷时段用电占比除以峰时段用电占比，得到之间的比值，根据该结果再次确定在划分方法。最终得出用电分时偏好特征标签的划分如下：

S33)、高维(如行业)整体分时偏好特征分析：基于高维层级用电特征差异，以高维分类作为分组标志，将一个月内各高维峰平谷时段所对应的用电量相加，计算出各高维(如行业)每月的峰平谷时段用电量，沿用低维(如中小型企业)用户的划分规则刻画高维用电分时偏好特征标签划分方法，统计各高维下所有低维的峰平谷时段用电数据进行特征分析，刻画高维用电偏好特征；

S34)、典型高维(如行业)分时偏好特征分析：根据档案信息表将高维用电偏好特征与低维用电偏好特征进行拼接，输出选取的典型高维(如行业)整体用电分时偏好特征标签、高维(如行业)内的低维用户用电分时偏好特征标签；

S4、用能水平计算及偏离度分析：

S41)、用能水平计算：

处于同一细分高维(如行业)的低维(如中小型企业)用户，相互之间的用能水平具有可比性，通过综合容量和用电量的特征，定义单位容量用电量表征用能水平，可以反应出用户的用能水平高低；通过计算同一细分高维用户单位容量用电量平均值，评估该高维的平均用能水平，并作为一个参照值，为下一步开展低维用能偏离分析提供基础；

S42)、用能偏离度分析：

通过将同一细分高维的用户与所属高维平均用能水平进行对比，找出两者之间的差值，即偏离度；通过偏离度，可以定量评估低维与同一高维平均用能水平的距离，为削峰填谷个性化用电策略的精准提出提供依据；

S5、可转移负荷能力分析：

以同高维(如同行业)、同用电偏好下低维群体为对象，分析最大负荷水平和负荷波动偏离度排序，综合判定具备负荷转移条件的低维(如中小型企业)，并对其可转移负荷能力进行等级划分；

S51)、刻画细分群体的负荷曲线：选取典型高维及用电偏好群体开展分析，刻画群体内所有低维30天的负荷曲线，观察其负荷曲线特征差异；

S52)、分析最大负荷水平和负荷波动偏离度：通过计算同一高维、同一用电偏好下不同低维96个时点的最大负荷水平和负荷波动偏离度，对最大负荷水平和负荷波动偏离度进行(低维)排名，以此综合判定具备负荷转移条件的(低维)单元；

其中，负荷波动偏离度计算方法：通过使用余弦相似度方法，计算低维(如中小型企业)时点负荷曲线与群体内其他低维时点负荷曲线之间的余弦相似度，然后求其均值作为该单元的负荷波动相似度，以“1-均值”表征其负荷波动偏离度；

S53)、输出可转移负荷能力等级及策略方案：对其可转移负荷能力进行等级划分，将低维可转移负荷能力等级分为高、中、低三个等级，针对高等级可转移负荷能力的低维制定削峰填谷用电调整策略；根据最大负荷水平排序和负荷波动偏离度排序分别选取各自的前50％的(低维)单元，如该(低维)单元既在最大负荷水平排序的前50％，又在负荷波动偏离度排序的前50％，则可转移负荷能力为高，若该(低维)单元只在最大负荷水平排序或者负荷波动偏离度排序的前50％，则可转移负荷能力为中，若该低维既不在最大负荷水平排序的前50％，又不在负荷波动偏离度排序的前50％，则可转移负荷能力为低。

S6、削峰填谷用电策略方案优化：

S61)、低维(单元或用户)用能水平对标优化

定位峰时段用能水平大幅超出高维(单元)平均用能水平，并且平、谷任意时段不全部超出高维平均用能水平的低维(单元或用户)，针对性提出用能水平对标优化策略方案，逻辑如下：

在同高维的所有低维(单元或用户)中，定位典型低维(单元或用户)；

低维峰时段用能水平>>高维峰时段平均用能水平(即峰时段用能偏离度很高)

平时段用能水平<＝高维平均用能水平或者谷时段用能水平<＝高维平均用能水平；

针对用能优化潜力低维(单元或用户)，分析制约低维(单元或用户)用能水平的主要因素，基于通过推荐错峰生产等负荷转移策略方案，降低低维(单元或用户)峰时段用能水平，转移至平、谷时段用电，从而达到低维正常生产经营与电网削峰填谷之间的平衡；

S62)、高削峰潜力的低维(单元或用户)识别策略方案

针对用电分时偏好特征为平时段或谷时段为主型的高维(单元)，基于下述条件定位高维(单元)内具有削峰填谷潜力的低维(单元或用户)，针对性提出低维(单元或用户)削峰优化策略，逻辑如下：

在同高维(单元)同分时偏好的所有低维(单元或用户)中，定位典型低维(单元或用户)；

高维(单元)整体用电偏好特征标签、高维(单元)内的低维个体用电偏好特征标签两者对比；

高维(单元)分时偏好特征是平时段为主或谷时段为主；

高维(单元)内低维分时偏好特征是峰时段为主；

S63)、典型低维(单元或用户)用电负荷转移策略方案

针对同一高维(单元)、同一用电分时偏好特征的群体，选取最大负荷水平与负荷波动偏离度排名均靠前的低维(单元或用户)进行用电负荷转移策略推荐，逻辑如下：

对同高维(单元)同分时偏好的所有低维(单元或用户)最大负荷水平排名；

对同高维(单元)同分时偏好的所有低维(单元或用户)负荷波动偏离度排名；

两项排名均在前50％为高级，任意一项前50％为中级，均在后50％为低级；

基于上述，高维(单元)之间有序用电推荐策略方案

针对各细分高维(单元)，在《有序用电管理办法》的基础上，结合高维(单元)用电分时偏好特征分析成果进行高维(单元)之间有序用电策略推荐，逻辑如下：

遵循《有序用电管理办法》规定的优先保障用电需求高维(行业)、如重点限制用电需求行业；

不在优先保障需求内的高维(单元)，优先考虑峰时段最大负荷水平高的高维(单元)；

不在优先保障需求内的高维(单元)，优先考虑峰时段为主型的高维(单元)；

不在优先保障需求内的高维(单元)，优先考虑峰时段用能水平高的高维(单元)。

本发明一种基于大数据分析的削峰填谷用电方法，该方法在服务低维(单元或用户)方面，可以为不同类别的用电分时偏好特征低维群体作差别化分时用电策略推荐，为提供削峰填谷视角下奠定了数据基础，提供了可行的技术方向，通过与同行业(即高维)、同用电偏好特征的对比分析，提出下级单元(即低维)个性化分时用电策略建议，引导用户基于分时电价激励做出供电特征的需求响应，调整生产流程错峰用电，通过高峰时段少用电、低谷时段多用电达到降低低维用电成本、优化用电体验的目的。在服务电网运行方面，有助于减轻用电高峰时的电网压力，改善电网负荷能力，从而间接降低电网的投资成本和运行成本，保障电网的安全稳定运行，同时为电力一端提供低维用户级的低维用电偏好特征、用能水平以及削峰填谷用电策略结论建议，从而支撑客户管理深度认知。

在服务社会效益方面，该方法的应用可以有效促进机组有效利用小时数提升，优化电力资源配置，缓解电力供需矛盾，从而有利于减少或延缓社会对电力的无序、盲目投资，促进社会资源的合理配置。

基于上述方案。下面是本发明的具体实施例，本发明的具体实施例，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

一种基于大数据分析的削峰填谷用电方法，包括以下步骤：

S1、数据准备：所需数据主要包括中小型工业低维用电客户档案信息、日频度峰平谷分时段电量、月频度峰谷平分时段电量、96个时点功率等多源数据，通过数据溯源，数据主要来源于电力营销业务应用系统和用电采集系统，按照数据需求采集所需数据；

S2、数据预处理：

拼接数据宽表：以计量点编号为关联字段，融合低维用户档案信息、计量点信息、峰平谷各时段用电信息、96时点用电负荷等多源数据项，分别拼接形成明细数据宽表；

无效数据清洗：以用户为单位统计数据宽表中各用户的数据采集情况，将缺失数据超过20％的用户视为无效数据，以及数据为空或者为0的数据占比低于80％的，进行清洗删除处理，例如，某个低维(中小企业)用户在2020年7月到2021年6月峰平谷电量数据共有330条，这330条数据中有150条峰平谷电量数据为空或者为0，则该用户不可计算，直接剔除；

缺失值处理：存在缺失值的数据为峰平谷电量数据、96时点负荷数据，此部分数据信息无法根据业务知识或者平均值填充等方法进行填补，采取直接用0替换缺失值的处理方式；由于本方法涉及到的高维分类、计量点等级、是否执行峰平谷这些字符型数据属于档案信息，不会有缺失值，因此这部分数据不需要处理。存在缺失值的数据为峰平谷电量数据、96时点负荷数据，此部分数据缺失，实际上是未采集到，这部分信息也无法根据业务知识或者平均值填充等方法进行填补，故对于存在缺失值的字段，采取直接用0替换以及LOCF向前向后填补法进行缺失值处理的方式。缺失值处理示意如下：

异常值处理：采用物理判别法与统计判别法相结合的异常值处理方法。根据3σ准则判别在区间(μ-3σ,μ+3σ)之外的数值为异常值，其中μ为平均值，σ为标准差；

归一化处理：为消除数值型指标数据的量纲，方便后续分析用电分时偏好特征，分别计算峰、平、谷各时段用电量占比，将峰平谷电量数据进行归一化处理。归一化处理示意如下：

S3、用电分时偏好特征分析：利用峰平谷分时段的用电数据进行用电分时偏好特征分析，刻画高维、低维两个层级用电分时偏好特征，输出偏好特征标签。

S31)、初始用电分时偏好特征划分：由于低维单日生产经营活动不确定因素较大，导致日频度峰平谷电量无法真实反映低维用电偏好特征，所以用一个月的峰平谷时段用电数据进行偏好特征划分，数据会稳定在一定范围内，偏好特征更准确。以低维(如中小企业)为对象，以低维用户编号及计量点编号作为分组标志，将每个低维用户一个月内峰平谷时段所对应的用电量相加，汇总计算每月的峰平谷时段总用电量，以此计算低维每个月的初始用电偏好特征。

根据计算出来的月度数据，将月度数据进行归一化处理，即计算峰平谷各时段用电量占比，计算出占比后，选取月度数据中峰平谷用电量占比最大的作为初始划分标签，划分规则为：

若峰电量占比>平电量占比且峰电量占比>谷电量占比，初始标签为峰时段用电为主型；

若平电量占比>峰电量占比且平电量占比>谷电量占比，初始标签为平时段用电为主型；

若谷电量占比>峰电量占比且谷电量占比>平电量占比，初始标签为谷时段用电为主型；

若峰电量占比＝平电量占比＝谷电量占比，初始标签为峰平谷各时段用电相等型

S32)、刻画用电分时偏好特征：根据峰平谷各时段用电量占比可以看出，类型划分较为复杂，为了明确偏好特征划分，将每一初始划分类型再进行细分，如，初始类型是峰时段用电为主型，分别计算平时段用电占比除以峰时段用电占比，谷时段用电占比除以峰时段用电占比，得到其之间的比值，根据该结果再次确定在划分规则。最终得出用电分时偏好特征标签的划分规则如下：

根据上述规则划分可以计算出低维个体(如中小企业)用电分时偏好特征，低维用电分时特征偏好实例样式如下所示：

S33)、高维(行业)整体分时偏好特征分析：考虑高维层级用电特征差异，以高维分类作为分组标志，将一个月内各高维峰平谷时段所对应的用电量相加，计算出各高维每月的峰平谷时段用电量，沿用低维用户的划分规则刻画高维用电分时偏好特征标签划分方法，统计各高维(单元)下所有低维(单元或用户)的峰平谷时段用电数据进行特征分析，刻画高维用电偏好特征；

基于某月份各高维峰平谷时段用电量(kW·h)的高维整体分时偏好特征示意：

S34)、典型高维分时偏好特征分析：根据档案信息表将高维(行业)用电偏好特征与低维用电偏好特征进行拼接，输出选取的典型高维整体用电分时偏好特征标签、高维内的低维用户用电分时偏好特征标签。

选取某高维的分时偏好特征标签变化示意：

S4、用能水平计算及偏离度分析：

S41)、用能水平计算

处于同一细分高维的低维用户，相互之间的用能水平具有可比性，通过综合考虑容量和用电量的特征，定义单位容量用电量表征用能水平，可以反应出用户的用能水平高低。通过计算同一细分高维用户单位容量用电量平均值，评估该高维的平均用能水平，并可以作为一个参照值，为下一步开展低维用能偏离分析提供基础。

低维和所属高维的用能水平结果实例样式：

S42)、用能偏离度分析

通过将同一细分高维的用户与所属高维平均用能水平进行对比，找出两者之间的差值，即偏离度。通过偏离度，可以定量评估低维与同一高维平均用能水平的距离，为削峰填谷个性化用电策略的精准提出提供依据。

S5、可转移负荷能力分析：

以同行业(高维)、同用电偏好下低维群体为对象，分析最大负荷水平和负荷波动偏离度排序，综合判定具备负荷转移条件的低维，并对其可转移负荷能力进行等级划分。

S51)、刻画细分群体的负荷曲线：选取典型高维(单元)及用电偏好群体开展分析，刻画群体内所有低维单元(如中下企业)30天的负荷曲线，观察其负荷曲线特征差异；

参照图2，选取某高维单元(如行业)的同一用电偏好低维群体的负荷曲线示意。

S52)、分析最大负荷水平和负荷波动偏离度：通过计算同一高维单元(如行业)、同一用电偏好下不同低维96个时点的最大负荷水平和负荷波动偏离度，对最大负荷水平和负荷波动偏离度进行低维排名，以此综合判定具备负荷转移条件的低维；

其中，负荷波动偏离度计算方法：通过使用余弦相似度方法，计算低维(如中小企业)时点负荷曲线与群体内其他低维时点负荷曲线之间的余弦相似度，然后求其均值作为该公司的负荷波动相似度，以“1-均值”表征其负荷波动偏离度。

负荷波动偏离度排名结果实例示意：

S53)、输出可转移负荷能力等级及策略方案：对低维单元(如中小企业)可转移负荷能力进行等级划分，将低维可转移负荷能力等级分为高、中、低三个等级，针对高等级可转移负荷能力的低维制定削峰填谷用电调整策略。根据最大负荷水平排序和负荷波动偏离度排序分别选取各自的前50％的低维，如该低维既在最大负荷水平排序的前50％，又在负荷波动偏离度排序的前50％，则可转移负荷能力为高，若该低维只在最大负荷水平排序或者负荷波动偏离度排序的前50％，则可转移负荷能力为中，若该低维既不在最大负荷水平排序的前50％，又不在负荷波动偏离度排序的前50％，则可转移负荷能力为低。参照图3为可转移负荷时段实例示意图。

基于上述，削峰填谷用电策略方案的优化：

6.1)、低维用能水平对标优化策略方案

定位峰时段用能水平大幅超出高维(单元)平均用能水平，并且平、谷任意时段不全部超出高维平均用能水平的低维(单元或用户)，针对性提出用能水平对标优化策略，逻辑如下：

在同高维(单元)的所有低维(单元或用户)中，定位典型低维(单元或用户)；

低维峰时段用能水平>>高维峰时段平均用能水平(即峰时段用能偏离度很高)

平时段用能水平<＝高维平均用能水平或者谷时段用能水平<＝高维平均用能水平

针对发现的用能优化潜力低维(单元或用户)，分析制约低维用能水平的主要因素，考虑通过推荐错峰生产等负荷转移策略，降低低维峰时段用能水平，转移至平、谷时段用电，从而达到低维正常生产经营与电网削峰填谷之间的平衡。策略方案如下表：

6.2)、高削峰潜力的低维识别策略方案

针对用电分时偏好特征为平时段或谷时段为主型的高维(单元)，基于下述条件定位高维(单元)内具有削峰填谷潜力的低维(单元或用户)，针对性提出低维(单元或用户)削峰优化策略，逻辑如下：

在同高维(单元)同分时偏好的所有低维中，定位典型低维(单元或用户)；

高维(单元)整体用电偏好特征标签、高维内的低维个体用电偏好特征标签两者对比；

高维(单元)分时偏好特征是平时段为主或谷时段为主；

高维(单元)内低维分时偏好特征是峰时段为主；

策略示意：

6.3)、典型低维用电负荷转移策略方案

针对同一行业(即高维)、同一用电分时偏好特征的群体，选取最大负荷水平与负荷波动偏离度排名均靠前的低维进行用电负荷转移策略推荐，逻辑如下：

对同行业(即高维)同分时偏好的所有低维最大负荷水平排名；

对同行业(即高维)同分时偏好的所有低维负荷波动偏离度排名；

两项排名均在前50％为高级，任意一项前50％为中级，均在后50％为低级策略方案如下表：

6.4)、高维(单元)之间有序用电推荐策略

针对各细分高维(单元)，基于《有序用电管理办法》的基础上，结合行业(即高维)用电分时偏好特征分析成果进行行业(即高维)之间有序用电策略推荐，逻辑如下：

《有序用电管理办法》规定的优先保障用电需求行业(即高维)，如重点限制用电需求行业。

优先峰时段最大负荷水平高的行业(即高维)；

优先峰时段为主型的行业(即高维)；

优先峰时段用能水平高的行业(即高维)；

策略示意：

需要说明的是，在本文中术语“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、法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型。基于本发明的具体实施例，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种基于大数据分析的削峰填谷用电方法，其特征在于，包括如下步骤：

S1、数据准备：所需数据包括单位或平台用电客户档案信息、日频度峰平谷分时段电量、月频度峰谷平分时段电量、96个时点功率等多源数据，通过数据溯源采集所需数据；

S2、数据预处理：

S21拼接数据宽表：以计量点编号为关联字段，融合单位或平台用户档案信息、计量点信息、峰平谷各时段用电信息、96时点用电负荷等多源数据项，分别拼接形成明细数据宽表；

S22无效数据清洗：以用户为单位统计数据宽表中各用户的数据采集情况，将缺失数据超过20％的用户视为无效数据，以及数据为空或者为0的数据占比低于80％的，进行清洗删除处理；

S23缺失值处理：存在缺失值的数据为峰平谷电量数据、96时点负荷数据，此部分数据信息无法根据业务知识或者平均值填充等方法进行填补，采取直接用0替换缺失值的处理方式；

S24异常值处理：采用物理判别法与统计判别法相结合的异常值处理方法；根据3σ准则判别在区间(μ-3σ,μ+3σ)之外的数值为异常值，其中μ为平均值，σ为标准差；

S25归一化处理：为消除数值型指标数据的量纲，方便后续分析用电分时偏好特征，分别计算峰、平、谷各时段用电量占比，将峰平谷电量数据进行归一化处理；

S3、用电分时偏好特征分析：利用峰平谷分时段的用电数据进行用电分时偏好特征分析，刻画高纬、低维两个层级用电分时偏好特征，输出偏好特征标签；

S4、用能水平计算及偏离度分析：

S41)、用能水平计算：

通过综合容量和用电量的特征，定义单位容量用电量表征用能水平，反应出用户的用能水平高低；通过计算同一细分高维用户单位容量用电量平均值，评估该高维的平均用能水平，并作为一个参照值，为下一步开展低维用能偏离分析提供基础；

S42)、用能偏离度分析：

通过将同一细分高维的用户与所属高维平均用能水平进行对比，找出两者之间的差值，即偏离度；通过偏离度，定量评估低维与同一高维平均用能水平的距离，为削峰填谷个性化用电策略的精准提出提供依据；

S5、可转移负荷能力分析。

2.根据权利要求1所述的一种基于大数据分析的削峰填谷用电方法，其特征在于，步骤S5后进行步骤S6、削峰填谷用电策略方案优化：

S61)、低维用能水平对标优化

在同高维的所有低维单元或用户中，定位典型低维单元或用户；

低维峰时段用能水平>>高维峰时段平均用能水平

平时段用能水平<＝高维平均用能水平或者谷时段用能水平<＝高维平均用能水平；

针对用能优化潜力低维单元或用户，分析制约低维单元或用户用能水平的主要因素，基于通过推荐错峰生产等负荷转移策略方案，降低低维单元或用户峰时段用能水平，转移至平、谷时段用电，从而达到低维正常生产经营与电网削峰填谷之间的平衡；

S62)、高削峰潜力的低维单元或用户识别策略方案

在同高维单元同分时偏好的所有低维单元或用户中，定位典型低维单元或用户；

高维单元整体用电偏好特征标签、高维单元内的低维个体用电偏好特征标签两者对比；

高维单元分时偏好特征是平时段为主或谷时段为主；

高维单元内低维分时偏好特征是峰时段为主；

S63)、典型低维单元或用户用电负荷转移策略方案

对同高维单元同分时偏好的所有低维单元或用户最大负荷水平排名；

对同高维单元)同分时偏好的所有低维单元或用户负荷波动偏离度排名；

两项排名均在前50％为高级，任意一项前50％为中级，均在后50％为低级。

3.根据权利要求1或2所述的一种基于大数据分析的削峰填谷用电方法，其特征在于，所述的步骤S3包括如下步骤：

S31)、初始用电分时偏好特征划分：

以低维用户编号及计量点编号作为分组标志，将每个低维用户一个月内峰平谷时段所对应的用电量相加，汇总计算每月的峰平谷时段总用电量，以此计算低维每个月的初始用电偏好特征；

根据计算出来的月度数据，将月度数据进行归一化处理，即计算峰平谷各时段用电量占比，计算出占比后，选取月度数据中峰平谷用电量占比最大的作为初始划分标签；

S32)、刻画用电分时偏好特征：

分别计算平时段用电占比除以峰时段用电占比，谷时段用电占比除以峰时段用电占比，得到之间的比值，根据该结果再次确定在划分方法；最终得出用电分时偏好特征标签的划分；

S33)、高维整体分时偏好特征分析：基于高维层级用电特征差异，以高维分类作为分组标志，将一个月内各高维峰平谷时段所对应的用电量相加，计算出各高维每月的峰平谷时段用电量，沿用低维用户的划分规则刻画高维用电分时偏好特征标签划分方法，统计各高维下所有低维的峰平谷时段用电数据进行特征分析，刻画高维用电偏好特征；

S34)、典型高维分时偏好特征分析：根据档案信息表将高维用电偏好特征与低维用电偏好特征进行拼接，输出选取的典型高维整体用电分时偏好特征标签、高维内的低维用户用电分时偏好特征标签。

4.根据权利要求1或2所述的一种基于大数据分析的削峰填谷用电方法，其特征在于，所述的步骤S5包括如下步骤：

S51)、刻画细分群体的负荷曲线：选取典型高维及用电偏好群体开展分析，刻画群体内所有低维30天的负荷曲线，观察其负荷曲线特征差异；

S52)、分析最大负荷水平和负荷波动偏离度：通过计算同一高维、同一用电偏好下不同低维96个时点的最大负荷水平和负荷波动偏离度，对最大负荷水平和负荷波动偏离度进行低维排名，以此综合判定具备负荷转移条件的低维单元；

其中，负荷波动偏离度计算方法：通过使用余弦相似度方法，计算低维时点负荷曲线与群体内其他低维时点负荷曲线之间的余弦相似度，然后求其均值作为该单元的负荷波动相似度，以“1-均值”表征其负荷波动偏离度；

S53)、输出可转移负荷能力等级及策略方案：对其可转移负荷能力进行等级划分，将低维可转移负荷能力等级分为高、中、低三个等级，针对高等级可转移负荷能力的低维制定削峰填谷用电调整策略；根据最大负荷水平排序和负荷波动偏离度排序分别选取各自的前50％的低维单元，如该低维单元既在最大负荷水平排序的前50％，又在负荷波动偏离度排序的前50％，则可转移负荷能力为高，若该低维单元只在最大负荷水平排序或者负荷波动偏离度排序的前50％，则可转移负荷能力为中，若该低维既不在最大负荷水平排序的前50％，又不在负荷波动偏离度排序的前50％，则可转移负荷能力为低。