韓明沖，鐘建偉，陳 靜，黃 明，張繼學，鄢 蓓

（1.湖北民族大學 信息工程學院，湖北 恩施 445000；2.國網(wǎng)湖北省電力有限公司恩施供電公司，湖北 恩施 445000）

0 引 言

近年來，“智能配用電網(wǎng)絡”一詞在電氣領域較為熱門，它是為實現(xiàn)電力網(wǎng)的精細智能化管理而誕生的一種網(wǎng)絡。因其優(yōu)點較多，故近年來我國一直在大力推進智能配用電網(wǎng)絡的建設。而對于近年來同樣較為火熱的智能電網(wǎng)而言，智能配用電是其發(fā)展中不可缺少的一個環(huán)節(jié)，通過分析用戶的用電行為，可對用戶側進行智能優(yōu)化，以提高供電側電能的質(zhì)量以及供電的可靠性，使得供電方和用電方實現(xiàn)雙贏。配用電的對象是用戶，屬于智能電網(wǎng)的末端，其網(wǎng)絡體積龐大、結構復雜。另外，配用電的業(yè)務類型也較多，這就造成用戶用電行為分析難度較大。但由于前些年智能小區(qū)的流行，既提高了用戶參與智能用電環(huán)節(jié)的積極性，又方便了電網(wǎng)對于用戶側的精細智能管理。又因近年來大數(shù)據(jù)技術發(fā)展迅速，為用戶用電行為的分析提供了一條新的途徑。由于不同家用電器的用電特性有差異，所以即便小區(qū)家庭中用電設備的種類繁多，也為其功能的實現(xiàn)提供了可能。對用戶而言，實現(xiàn)智能用電可以合理控制家庭電器的使用，進而節(jié)省用電開支。對電網(wǎng)來說，通過對用戶用電行為的分析，可以了解到用戶的用電規(guī)律，做到對用電負荷的預測，進而制定合理的送電策略；還能方便進行能效的管理、客戶分類、異常用電檢測以及電力營銷等，這對電網(wǎng)側經(jīng)濟性的提高有著重大意義。另外，用戶用電情況分析也為政府做出產(chǎn)業(yè)調(diào)整、經(jīng)濟調(diào)控等宏觀決策提供了依據(jù)。

隨著聚類技術的蓬勃發(fā)展，電氣領域涌現(xiàn)出了較多基于聚類的機器學習研究。例如，張斌等人使用降維聚類技術分析電力負荷曲線；趙明等人把聚類技術應用于用電負荷峰谷平時段的劃分；黃文思以氣象因素為依據(jù)進行負荷預測。有待解決的問題主要包括電力用戶細分和電力用戶負荷預測。

綜上所述，為了深度挖掘用戶用電行為特性，提升居民在用電行為上的用電效率和電力企業(yè)在電力市場上的份額，本文采用了基于改進K均值聚類算法的用戶用電行為分析方法，對用戶用電數(shù)據(jù)進行預處理后再進行聚類；根據(jù)聚類結果對用戶用電行為進行分析，為供電公司的營銷策略提出改進意見。

1 聚類算法

1.1 K-means

K-means算法是聚類算法的一種。所謂聚類，就是根據(jù)某一標準（如距離準則）將研究對象中相似的部分劃分成多個類的過程。每個類中對象的差異性和相似性要盡可能大。對于一個特征矩陣（樣本數(shù)為N），該算法可以將其分割成K個簇（需要人為設定），且這些簇之間沒有交集。同一簇中樣本數(shù)歸為一類，不同簇為不同類別的分類結果。

設定K值，算出聚類中心和簇中數(shù)據(jù)點間的間距并進行多次迭代，以得到最優(yōu)聚類中心，其數(shù)量為K。算法距離的定義采用歐式距離。如圖1中直線OB的長度即為O、B兩點在三維空間中的歐氏距離，其計算公式為：

圖1 三維空間的歐氏距離

簇內(nèi)的所有樣本點到質(zhì)點（聚類中心）距離的平方和的計算公式為：

其中：為一個簇內(nèi)樣本數(shù)量；為每個樣本點的特征數(shù)量；為某一簇內(nèi)的樣本點；為某一簇內(nèi)的聚類中心；為組成點的每個特征；為每個樣本的符號。

整體平方和（Inertia）為數(shù)據(jù)中所有簇內(nèi)平方和之和，如式（3）所示。整體平方和值越小，表示每個簇中樣本差異性越小，即聚類處理效果越佳。

結合以上計算過程及圖2的算法流程可以看出，均值算法在選取聚類中心時，因具有隨機性，故可能出現(xiàn)每次聚類結果差異較大的情況。針對此問題，需要對該算法進行一些改進。

圖2 K-means算法流程

1.2 K-means++

因-means算法隨機選擇聚類中心，故可能使得最終聚類結果不理想，比如初始點都選在一個簇內(nèi)。針對這一缺點，-means++算法誕生，主要是對初始聚類中心的選擇做了改進。首先把值，即初始聚類中心數(shù)確定，然后進行聚類中心的選擇。設算法已完成個中心的選取，在選擇下一個中心時，若此點距離當前個中心點越遠，則其被選概率越大。但如果為1，則此算法與未改進前一樣，即聚類中心隨機選取。換句話說，算法改進前后的區(qū)別在于對初始點的處理，確定好初始點之后，其余步驟都同未改進前一樣。

首先隨機選擇初始聚類中心，然后計算出聚類中心與每個樣本的距離，取其最小值并記為()。根據(jù)式（4）計算每個樣本點被選中的概率（為樣本數(shù)），并不斷計算聚類中心與每個樣本點的距離，直至個中心選取完成。接下來的步驟與原始-means算法相同。

2 模型實現(xiàn)

對于用戶用電行為分析，其整個模型功能的實現(xiàn)主要分為以下五步：第一步，導入必要的模塊，從數(shù)據(jù)庫文件中讀取歷史電力負荷數(shù)據(jù)；第二步，進行數(shù)據(jù)清洗，即查詢當前數(shù)據(jù)中的空缺值，并把空缺值刪除；第三步，為更好地避免用電行為的差異，過濾掉周末的用電數(shù)據(jù)，并將不同的時間分列；第四步，通過聚類模型完成可視化類的構建，以便對數(shù)據(jù)進行分析；第五步，調(diào)用模型得到最終結果。模塊功能實現(xiàn)流程如圖3所示。

圖3 模型功能實現(xiàn)流程

3 實驗與分析

算法試驗在Python3.7環(huán)境下開展，采用Python語言編寫程序，數(shù)據(jù)源自某能源數(shù)據(jù)庫。首先導入從數(shù)據(jù)庫中下載的數(shù)據(jù)，然后進行數(shù)據(jù)清洗，即查詢當前數(shù)據(jù)中的空缺值，并把空缺值刪除。本文隨機選取某地區(qū)2015年7月20日的電力負荷數(shù)據(jù)，該數(shù)據(jù)中共有213戶用電用戶。假設工作日每天的用電情況相似，過濾掉周末的用電數(shù)據(jù)，再隨機選取某一天，得到一組用戶用電負荷數(shù)據(jù)；導入得到的數(shù)據(jù)，得到該日不同時間不同用戶的用電特征曲線，如圖4所示。圖中顯示的結果規(guī)律性并不明顯，不利于下一步的分析。因此，應對當前得到的數(shù)據(jù)進行聚類處理。

圖4 用戶用電特征曲線

當前數(shù)據(jù)經(jīng)過聚類處理后，聚類數(shù)量與距離的關系曲線如圖5所示。從圖中可以看出，值增加，樣本點與中心點的距離反而較小，反之則增加。

圖5 聚類數(shù)量-距離關系曲線

由聚類數(shù)量-距離關系曲線可知，取值為4或5均可。本文值取5，構建了一個聚類數(shù)量為5的模型。利用模型對數(shù)據(jù)進行分組，各組用電數(shù)據(jù)曲線的對比如圖6所示，圖中黑色粗線為每個聚類的平均值。

圖6 數(shù)據(jù)進行5分類后的結果

為方便觀察和分析，本文把5個聚類結果的平均值曲線放到一張圖中進行對比，繪制出如圖7所示的不同類型用戶用電行為曲線。

圖7 不同類型用戶用電行為曲線

聚類模型根據(jù)用戶用電量的梯度，將213戶用戶分成了5類。

第1類用戶的數(shù)量為77戶。該類用戶的用電量從10:00開始上升，18:00左右用電量達到峰值后開始逐漸下降。該類用戶數(shù)量是五類用戶中最多的，但其整體用電量不算大。此類用戶屬于供電公司的基礎客戶，供電公司應該保持住這類用戶的用電活躍度。

第2類用戶的數(shù)量為15戶，數(shù)量較少。該類用戶的用電量從8:00左右開始增加，且整體來看用電量較多，所以此類用戶可能是某些公司或工廠。

第3類用戶的數(shù)量為56戶，數(shù)量較多，但其全日的用電量一直較低，且一整天波動不大。用戶可能當日出門不在家或是獨居的退休老人。供電公司可以考慮如何提升該類用戶的用電活躍度。

第4類用戶的數(shù)量為63戶，用戶數(shù)量較多，且其全日的用電量變化與第1類用戶類似，可以與第1類用戶歸為一類。區(qū)別就是第4類用戶的日平均用電量較高，但其也是供電公司的基礎客戶。從曲線可以看出，此類用戶的用電峰谷平時段分界明確，供電公司可以此為依據(jù)，為其制定更加精確的供電方案和收費策略。

第5類用戶的數(shù)量為2戶，用戶數(shù)量最少。此類用戶的夜間用電量很大，用電曲線起伏也較大，考慮到晚上電價便宜，此類用戶可能是某些大型生產(chǎn)商。

各類用戶具體行為有待結合實際情況做進一步分析。

4 結 語

本文隨機選取了數(shù)據(jù)庫中某一天的數(shù)據(jù)進行了分析，提出了基于聚類算法的用戶用電行為分析方法。經(jīng)過數(shù)據(jù)預處理、聚類個數(shù)的選取，最終采用-means++算法對213戶用戶某工作日的日負荷曲線進行聚類，并對用戶進行用電行為的分析。因大多數(shù)用戶的用電行為是習慣性的，即在一周或者更長時間內(nèi)，用戶的電能消耗行為可能一直保持不變，故也可以按此方法確定用戶一周甚至更長時間的功耗習慣和類型。此外，考慮到用戶主要是夜間用戶，供電公司可以考慮降低電價，鼓勵用戶在夜間使用更多的電力，這對電網(wǎng)的健康更有利。通過基于分類模式的用戶日用電量分析，可以更好地了解用戶的用電行為。本文針對每種類型的電力負荷展開用戶用電行為分析，以方便供電公司給用戶提供更合理的套餐服務；同時根據(jù)不同類型的電力消費用戶，收取不同的稅費，并提高系統(tǒng)的電能利用效率，為今后的工作提供可靠的依據(jù)。