浅谈不同行业同期售电数据挖掘平台的设计与实现

徐有庆 支 旦 蒋 峰 奚允峰

（苏州三新供电服务有限公司，江苏 苏州215000）

1 概述

深化企业数据价值挖掘和应用, 开展年度统计重点工作,提高统计工作效率、数据分析水平、企业竞争能力；通过构建多维度数据分析体系,全面掌握用户生产规律和用电特点,运用大数据自学习模型,支撑发策、调度、营销工作计划,为各项业务开展提供便利；以主动、精益、高效的服务抓住用户的心,从而实现数据“价值链”穿透管理法助推公司“三型两网”建设。

传统的系统负荷预测依赖于大量的自身历史数据和数学分析, 无法满足由于负荷结构变化和清洁能源并网容量增大等原因导致的负荷分析和预测新需求, 迫切需要对影响电网负荷波动的因素进行深入挖掘,对负荷成分进行剖析、分解,针对不同的成分和影响因素展开精细化的分析和预测, 再将各类影响进行通过综合优化模型进行汇总和修正, 获取准确率的全网负荷预测结果,提升电网运行安全水平。

2 售电数据挖掘平台的设计与实现

2.1 建立精准预测体系

评价模型需要在海量数据环境下周期性地进行统计、计算、分析,对平台性能有很高的要求。考虑采用大数据计算的系统架构,基于分布式架构实现批量计算、流式实时计算,利用分布式消息总线技术实现多个节点的通信, 利用分布式缓存提升读写性能,兼顾整体性能、可靠性与可扩展性。用户用电行为的时空算法,既根据用户的时间维度(小时、日、周、月、季、年)和用电潮流的空间维度,利用冻结电量算法、电流算法、电压算法、超容和私自启用算法,分析用户用电异常。

2.2 冻结电量算法

将冻结电量表里的没有除以综合倍率的电量数据, 和功率表里的通过用户编码、名称、电能表资产编号进行匹配,除以综合倍率(综合倍率为0 的数据不处理),然后比较同一家用户的,电能表资产编号V 开头的电量(终端虚表)和电能表资产编号非V 开头的电量(计量表),比较后,统计出大于20%(用户可以在配置文件中设置)的异常数据,以列表的形式展示出来,支持导出excel 表。同时,根据电量表的空间关系,进行空间维度分析。

2.3 电流算法

2.3.1 负数判断：将电流表里的所有数据(采集维度为15 分钟),判断24 小时(24 列数据)均为负数的数据,且这些数据的最大值超过平均值的20%。负电流用户再检查其冻结电量,有反向有功的用户作为异常户统计出来。

2.3.2 三项不平均：电流表内一块表分为A、B、C 三项,比较每块表的24 小时(24 列数据)分别的A、B、C 三项,如果三项之间满足以下条件,三项均为20 以下,不考虑,三项均为20 到100 之间,任意两项差超过50%,为异常数据,三项均为100 以上,任意两项超过30%,为异常数据,只有24 点(24 列数据)均满足上述异常数据,才将这3 条(A、B、C)数据统计出来。同时,根据电量表的空间关系,进行空间维度分析。

2.3.3 高供高计比较：将电流表格和功率表格相匹配后(按照用户编码、用户名、终端地址和电能表资产编号),凡是PT 变比大于1 的表,均为高功高计；凡是PT 变比等于1 的表,均为高功低计。高供高计的数据, 如果A 项电流减去C 项电流, 差大于10,24 小时内找到一条符合这个条件的数据,则为异常数据。高功低计的数据,A、B、C 其中一项大于10,且另外2 项均为0,24 小时内找到一条符合这个条件的数据,则为异常数据。同时,根据电量表的空间关系,进行空间维度分析。

2.4 电压算法

将电压表和功率表相匹配后(按照用户编码、用户名、终端地址和电能表资产编号),凡是PT 变比大于1 的表,均为高功高计；凡是PT 变比等于1 的表,均为高功低计。其中高功高计的数据,凡是AC 任意一项小于10,24 小时内出现一次, 均为异常数据。对于高供低计的数据：1、AC 项任意一项均为0,为异常数据。2、A、B、C 任意一项大于260 或者低于170 为异常,24 小时内出现一次,均为异常数据。满足上述的电压异常数据,以列表的形式展示。同时,根据电量表的空间关系,进行空间维度分析。

2.5 超容和私自启用算法

2.5.1 超容： 用采集系统表中的日最大功率除以营销系统用户运行容量,其中功率选最大值(参数控制,1 代表最大值,2 代表第二大值),结果大于1.5(参数控制)的话,作为异常数据抛出。同时,根据电量表的空间关系,进行空间维度分析。

2.5.2 私自启用： 用采集系统表中的日最大功率和营销系统用户运行容量对比, 其中满足运行容量为0 且日功率不为0 的,作为异常数据抛出。同时,根据电量表的空间关系,进行空间维度分析。

2.6 高频干扰分析算法

2.6.1 找出异常户数：电流数据满足ABC 三组均为“-”且出现连续“-”大于等于N(参数控制)次,作为异常将这些户数抛出。

2.6.2 用户在电网系统中,将2.6.1 中的户数的某一户的当月电流表和点电量找出,根据这两个表开始查询：电量表中,取点能量最大的十个值的平均值作为比较量b。找出30 天中哪些符合和2.6.1 中一样情况的异常天数, 将该天的冻结电量作为a 和b进行比较,其中(b-a)/b 大于30%(参数控制),作为异常数据抛出。

3 售电数据挖掘平台效果分析

3.1 建立用电习惯档案,深入挖掘用电规律

项目遵循以大数据和数据拟合处理方法为手段, 最大化发挥企业数据资源价值,支撑“大客服”建设,提高客户满意度。应用“大云物移智链”等现代信息技术,先进通信技术,研究售电量校核方法、不同行业用电特性,挖掘重点行业不同生产阶段的用电特性、天气、气温及中美贸易对用电的影响、售电量预测方法。同时,深入挖掘公司用户用电习惯,建立用户用电行为多维度模型,不断优化细化用户用电预测方法。透析大用户用电特性,实现用户户差异化服务,优化业扩接入方案,调整设备检修计划。结合电力泛在物联网的使用场景,以售电量为核心,适应社会形态、打造行业生态、孕育新兴业态,支持“三型”能源互联网企业建设。

3.2 创新拟合统计方法,精确预测用电行为

应当打破以往简单的电量预测流程,构建滚动化、准确化、智能化的电量预测体系,提高了公司的电量预测水平。目前,仅在收集年售电量数据的基础上, 新型电量预测体系将预测的偏差率由原来的20%缩小至5%。随着未来数据量的增加,新型电量预测体系的准确率将持续提高。在准确预测电量的基础上,公司各项核心业务的管理水平也得到了极大提高。在公司统计线损管理中提高了线损管理水平, 提高统计频率的同时通过自动生成报表减少了统计工作耗用时间, 并且由于新型电量预测体系的闭环管理, 加强了预测准确性的同时减少了预测工作的人力成本；在电费回收中降低了资金回收压力,使得用户售电量分析更直观、更准确、更清晰,有效降低电费回收风险,同时为个性化服务的开展夯实了基础,使得服务水平明显提升；在财务现金流预测中减少了售电收入的偏差,使得现金流预测更科学、更合理、更适应企业的长远发展,有效控制现金流量,缓解资金紧张,提高资金使用效率。

3.3 遵循用户用电特性,强力优化客户服务

通过构建新型业扩接入管理流程, 优化了用户的供电方案,降低了用户的用电成本,提高了电网的供电能力,实现了公司的精准投资。通过构建用户停电检修新型管理模式,优化了公司的停电检修时间安排,减少了企业经营对用户用电的影响,使用户感受到真正用心的供电服务, 提高客户满意度和电网的供电可靠性。

4 结论

公司通过地区大客户的个性化服务,实现了公司用能侧的主动管理,更好地适应了用户快速多变的服务需求,使客户享受到更贴心的用电体验,提高了公司的社会满意度,增强了公司在电力改革中的竞争力。