基于时域特征检测用户用电不确定性行为

周春雷， 董新微， 季 良， 张璧君， 李守超， 陈润东， 张 辰

(1.国家电网有限公司大数据中心， 北京 100032； 2.北京国网信通埃森哲信息技术有限公司， 北京 100032；3.华北电力大学电气与电子工程学院， 北京 102206)

随着电力物联网的大力开展，智能电表等大量先进量测体系设备在用户侧广泛接入[1]，使电网企业全面走向信息化，数据化，用户用电数据迎来了爆发式增长，并且随着新能源消纳、电动汽车、智能用电等新兴业务开展[2]，电网与用户的关系已经从用户单向用电模式转化为电网-用户之间双向互动的深层次模式，同时需求响应(demand response，DR)的试点应用也需要调动大量用户参与实施[3]，

但是由于用户的主观心理以及客观环境的差异导致不同用户具有不同程度的不确定性行为(uncertain behavior，UB)，使需求响应的执行往往难以达到理想效果，影响电网调控目标的实现和电网新业务的开展，因此如何分析用户的不确定性行为，挖掘用户的不确定性行为，量化评价用户用电行为的不确定性程度，从而选取合适用户参与电网业务，是电网需要考虑的难点。此外也存在用户不确定性程度难以量化评价的问题，因此挖掘用户的不确定性行为，分析用户的不确定性程度，有助于电网公司合理选取用户参与调控，降低用户违约风险，保障电网安全运行和调控目标实现。

目前针对用户用电不确定性问题已逐渐成为研究热点，但是相关研究仍较少。彭文昊等[4]建立用户与电网激励之间关系的不确定性模型，与电网侧激励间的关系用不确定性模型来表征；徐青山等[5]根据用户心理，建立了不确定性模型；孙毅等[6]通过定义舒适度违反率的概念量化表示了用户为的不确定性；姜勇等[7]考虑了不确定性对电价设定的影响；Tabandeh等[8]考虑设备故障导致用户的不确定性行为；徐蕾等[9]提出一种识别人群异常行为的方法，通过人群分布和运动信息加以检测异常行为而更好的预警；龚安等[10]对单维状态数据通过时间序列自回归模型对主泵的异常状态进行检测；Wu等[11]利用随机模糊变量来表示用户不确定性，但存在主观性较强的问题；李忱等[12]提出了一种基于支持数据描述和不确定性推理的单类通用隐写分析算法，但检测精度和可靠性离实用还有较大的差距。

以上文献虽然从电价、激励，用户舒适度、主观心理等方面研究了用户的不确定性，但是上述方法较少从用户用电数据角度考虑，随着用户用电需求爆发式增长，智能电表采集的用户用电数据日益增长，而现有方法存在的用户不确定性程度判断效果欠佳，检测精度和可靠性较低，仍未具备可泛化实用的特征，难以适应大量用户参与电网新兴业务开展的现状，电网需要选取优质用户参与新兴业务，保证电网与用户实现良好的双向互动，达到需求响应等新兴业务开展的理想效果。因此亟需一种具有高精度、高可靠性，具有泛化特征的用户用电不确定性行为检测方法。

基于此，根据用户用电数据的时序特性，提出基于时域特征提取的用户用电不确定性行为检测方法，首先对用户用电数据进行特征分量提取，从中检测用户的不确定性行为，其次提出局部不确定性指标和整体不确定性指标分析用户不确定性程度，进而对用户进行优先级排序；最后将本文检测方法与传统方法进行对比，为电网公司选取优质用户参与需求响应等新兴业务提供依据。

1 面向业务的用户不确定性行为检测技术架构

1.1 电力新业务场景

在电力物联网支撑下，电力系统的发、输、配、用电等各个环节都将演绎出新业务，比如电动汽车服务、源网荷储协同互动[13]、新能源云建设、综合能源服务、多站融合发展、虚拟电厂运营、能源互联网生态圈构建等新兴业务的建设，新业务的发展离不开电力用户的广泛支撑。此外随着电力物联网广泛建设，智能电表也广泛应用于新能源接入业务场景、双向计量业务场景和智能家居控制与需求响应调控场景。

以智能用电和DR调控场景为例，随着人们消费水平的提高和住宅智能化发展，智能家居涉及范围日渐增多，系统配置也更加多元化。智能电表在其中起到重要作用，既可实时监测智能家居负荷状态，同时可与电网保持双向通信，在必要时控制柔性负荷。此外，可以对智能电表采集的用户用电数据开展用户行为分析，选取合适用户可对其智能家居进行控制，可以避免出现用电高峰时电能不足和用电低谷时电能富余等状况。

因此在开展上述新兴业务场景建设时，电网公司需要通过智能电表与用户建立双向互动，只有充分了解用户的用电行为特征，分析用户行为的不确定性对电网业务造成的影响，电网才能更准确地选取用户进行双向互动，进而发展新兴业务。

1.2 用户不确定性行为分析

用户产生不确定性主要有三方面原因[14-15]:一是用户主体，每位用户都具有独立的思维意识，其心情和心理活动都各有差异；二是用电行为环境，影响电力用户行为的外界环境包括环境温湿度、天气因素、电价因素等；三是用电方式，电力用户为达到某一用电目标需要对电器采取不同的用电方式，包括对空调、热水器、电热泵等家用电器的温度和开关调节，还有对电动汽车、分布式储能、分布式可再生能源的使用或控制，以上各个方面的因素均导致用户出现不确定性行为。

虽然对电力系统中各物理元件已建立相应的物理模型，但是对用户的不确定行为难以建立有效的先验物理模型，往往是基于大量历史用电数据进行预测分析[16-17]。

用户用电行为具有可预测性和不确定性。而用户的用电数据是一个典型的时序数据[18]，其具有周期性和趋势性等时序特性，时间维度上体现为时变特性，因此可以从用户的用电数据中检测用户的不确定性行为[19]，对用户的不确定性行开展研究，分析其不确定性程度。

1.3 用户不确定性行为检测技术架构

面向电力新业务的用户不确定性行为检测技术架构如图1所示，由下至上可分为业务场景层，智能电表采集层，不确定性行为检测层，以及电网调控层。

图1 用户不确定性行为检测技术架构

在业务场景层中，由电力物联网衍生出的诸如新能源消纳、电动汽车服务、源网荷储协同互动、用户智能用电等新兴业务中，均有大量用户参与，且用户的不确定性程度对业务的开展具有不同程度的影响，因此文中将各业务场景的用户用电数据作为不确定性行为检测对象。

智能电表主要是对来自业务场景层的用户用电数据进行采集分析，以便进一步对数据进行特征分量提取，检测用户用电不确定性行为。针对智能电表上传的数据，在检测层利用特征分量提取算法，对时序用电数据进行分解，提取周期分量、趋势分量和随机分量，并进一步挖掘随机分量，判断其中的用户不确定行为点，具体算法步骤在第2节详述。在提取用户不确定性行为点后，智能电表将数据上传给电网公司，由电网公司对各类用户的不确定性程度进行分析，评价用户的整体不确定性和局部不确定性，并对用户不确定性进行排序，从而选取不同的用户参与电网调控业务，实现用户与业务的双向互动。

2 基于用电数据的特征分量提取算法

2.1 算法流程

为了从各业务场景的海量用电数据中检测用户的不确定性行为，根据时序数据具有周期性、趋势性和随机性的特点，提出一种基于时序数据的特征分量提取算法来检测用户的不确定性行为，具体算法流程如图2所示。

2.2 特征分量提取步骤

用户用电数据具有典型非平稳时间序列的特征，可以用时序分解算法对其进行分解，并表示为一种加性模型:

Yt=Tt+St+Rt

(1)

式(1)中：Yt为用户用电时序数据；由趋势分量Tt、周期分量St和随机分量Rt组成；t为用电数据对应时刻。其中趋势分量和周期分量是平稳部分，剩余的随机分量就是时序数据的非平稳部分，基于这部分对用户的不确定性异常用电行为检测进行研究。首先提取周期分量和趋势特征分量，在确定随机误差后提取随机分量Rt，再判断奇异点是否为用户不确定性行为，具体步骤如下。

步骤1提取周期特征分量。为了确定用户用电时序数据的周期性，便于后续研究，需要提取周期特征分量。目前已有方法是利用傅里叶变换(Fourier transform，FT)、小波变换(wavelet transform，WT)等方法确定周期。现根据时序数列周期特点，提出一种全新方法确定周期L。首先根据式(2)对时间序列X{x1，x2，…，xM}进行差分计算，M为数据编号(m>30，n>50)，得到矩阵A。

(2)

分别对式(2)的每一行元素做线性拟合，并分别代入Y=aN+b中得到A′，a和b分别为线性拟合后的系数矩阵和常数项矩阵，如式(3)所示。

(3)

采用最小二乘法即式(4)计算A与A′每行最小误差，最小误差的所在行数即为周期L。误差d如式(4)所示，i和j分别为行数和列数。

(4)

步骤2提取趋势特征分量。在确定周期L后，用L将用户数据的时序数列X划分成矩阵B。

(5)

式(5)中:各行表示相同周期内所有时间点的集合；各列表示不同周期但相同位置的点的集合。xM之后数据均为空值NA。分别提取B中每列，依次记做L1～LL。对序列Li分别进行如下操作:①数据清洗，若用户用电数据序列中存在空值，则去除空值；②对清洗后的用户用电数据时序序列Li进行聚类，将聚类后单独的离群点判断为奇异点E；如果用电时序数列Li的趋势分量为定值，则在该定值直线上的点为趋势分量点，其余点则判定为奇异点；若趋势分量按规律分布，则按规律分布的点为趋势分量点，否则为奇异点；若为随机分布，则需确定随机分布范围的上下限，在该范围之外的点均为奇异点。

步骤3确定随机误差NeN～FeN(r)。为了确定用电数据时序数列的随机误差，需要求取随机误差分量的分布函数，分别提取矩阵B的每一行元素，得到共计N个时间序列，分别记做N1～NN，其中每个Ni序列均有L个数据，然后对序列X进行统计分析，得到序列X的分布模型X～F(x)。按照F(x)的分布模型可以得到一组全新的序列N′1，N′2，…，N′N，对新序列从小到大依次排序，对于原序列N1，N2，…，NN内元素从小到大排序，并减去序列N′1，N′2，…，N′N内对应位置元素，得到N个随机误差序列，记为Rt(i)。基于Rt(i)可求得每个序列Ni的随机误差分布模型，记做Ne1～Fe1(r)，Ne2～Fe2(r)，…，Xe～Fe(r)。

(6)

由式(6)即可求得用户用电数据时序数列X的随机误差分布范围。

(7)

(8)

3 算例分析

3.1 用户不确定性行为检测结果

选取北方某地用电数据进行仿真，经智能电表采集三类用户某一周工作日的用电数据集，采样间隔为15 min，共480个采样点。首先对用户用电数据进行数据清洗，之后采用上述特征分量提取算法对时序数据进行分解，提取用户用电数据的趋势分量、周期分量，这部分作为用电时序数据的平稳部分，可以反映用户一周内的用电趋势性和相对固定的用电周期性等确定性行为特性。在剔除时序数据平稳部分后，随机分量作为非平稳部分集中了用户用电行为的不确定性和随机性，对用户不确定性行为检测也主要集中在这一部分。下面分别对三类用户进行用电数据特征分解，并检测不确定性异常行为点。

图3是第一类用户特征分量提取结果。图3(a)是经数据清洗后第一类用户一周用电数据，在此基础上，利用时序特征分量提取算法，提取出用户用电时序数据的周期、趋势和随机分量，如图3(b)～图(d)所示。其中图3(b)是提取用电数据的周期分量，从中可以看出用户具有明显的周期特性，周期L=72。图3(c)提取出用电数据趋势分量，反映了用户一周的大致用电趋势，为了完整体现提取的特征分量，在特征分量中会有负值域部分，但是这部分并不影响对用户整体用电数据的分析，因为周期、趋势和随机三个分量之和仍为用电数据采样值。对剩余随机分量的480个采样点进行检测，红点代表检测出的用户不确定性行为点，其中共有31个点为用户不确定性异常行为点，分布情况如图3(d)所示。

图3 第一类用户用电数据特征分量提取结果

图4是对第二类用户的特征分量提取结果，周期分量、趋势分量和随机分量如图4(b)～图(d)所示，其中周期长度L=60，该类用户用电趋势较为平稳，在随机分量中共有16点被判为用户不确定性异常行为点，分布情况如图4(d)所示。

图4 第二类用户用电数据特征分量提取结果

图5是对第三类用户的特征分量提取结果，各分量如图5(b)～图5(d)所示，其中周期长度L=63，该类用户的用电趋势具有一定的波动，在随机分量中共有20点为用户不确定性异常行为点，分布情况如图5(d)所示。

图5 第三类用户用电数据特征分量提取结果

3.2 用户不确定性程度分析

为了准确评价用户的不确定性程度，便于电网在不同时段选择合适的确定性用户参与需求响应策略，从时域角度分别定义用户局部不确定性指标fUBP(iL)和整体不确定性指标FUBP(nL):

(9)

(10)

式中：kiL是在第i个周期内检测出的用户UB点数；NiL是在第i个周期内的采样点数；i=0，1，2，…，n。局部不确定性指标fUBP(iL)反映了当前第i个周期内用户的不确定性程度，而整体不确定性指标FUBP(nL)是对前n个周期检测结果的分析，是对用户不确定性程度的整体评价。基于这两个指标对三类用户的不确定性程度进行评价，如表1所示。

表1 各类用户的fUBP和FUBP指标结果

根据特征分量提取结果可知，用户用电数据的周期分量共可分为7个长度Ln=3的周期，在每个周期内各类用户具有不同程度的不确定性。对于局部不确定性指标fUBP，当检测L2周期内的采样值时，三类用户的指标排序为fUBP1>fUBP2>fUBP3，说明此时第一类用户的不确定性程度最大，而第二类用户的不确定性大于第三类用户；而在L4周期内，fUBP指标排序为fUBP2>fUBP3>fUBP1，此时第二类用户的不确定性程度最大，然后为第三类用户和第一类用户；而在L6周期内，fUBP指标排序为fUBP2>fUBP3=fUBP1，即此时第二类用户的不确定性最大，但第一和第三类用户的不确定性程度相同。

对于整体不确定性指标FUBP2>FUBP1>FUBP3，当Ln=7时，三类用户的整体不确定性程度排序为FUBP1>FUBP2>FUBP3，说明第一类用户的整体不确定性程度最大，其次为第二类用户和第三类用户；当Ln=5时，FUBP2>FUBP1>FUBP3，说明在前5个周期内，第二类用户的不确定性最大，其次为第一类和第三类用户；当Ln=3时，FUBP1>FUBP3>FUBP2，说明在前3个周期内第一类用户的不确定性程度最大，其次为第三类用户和第二类用户。在不同周期内，各类用户的不确定性程度都有差异。

因此当电网需要用户响应调控时，根据要下发指令的起止时间和持续时长，将不确定性从低到高依次排序，优先选择在当前时段不确定性程度最低的用户，并根据持续时间长短，动态选择用户参与调控，从而减少用户违约风险，最大程度满足电网业务要求，减少不确定性所带来的影响。

3.3 检测方法对比

最后将文中检测方法与传统常用方法进行对比，结果如表2所示。

表2 本文方法与其他方法对比

从表2中可以看出，本文方法与传统方法相比，总体上有明显优势，虽然在短期检测速率上稍慢，但是在短期精度和效率上均有明显提高，并且从长期来看精度、效率和速率均有明显提升，因此在面对大量用户长期用电数据时，本文方法的优势能进一步凸显。

4 结论

针对电网用户不确定性行为检测和用户不确定性程度难以量化评估的问题，文中提出一种基于用户用电数据的特征分量提取算法来检测用户的不确定性行为，并从局部不确定性和整体不确定性指标两个维度量化和评价用户的不确定性程度，对用户的不确定性进行排序。

通过算例仿真可知，不同类型的用户具有不同的趋势分量、周期分量和随机分量特征，检测出的不确定性行为点在随机分量中的分布呈集中或分散的特性，因此用户的不确定性是动态变化的，其整体不确定性并不等于局部不确定性，电网公司在选取用户参与调控时应根据所处时段不同用户的不确定性程度进行排序，优先选择确定性程度高的用户参与调控。通过对比其他检测方法，文中方法在检测精度、效率和速率方面具有明显优势。