基于数据挖掘的节约电力潜力用户智能识别方法

高宇豆，保 富，黄祖源，田 园，原 野

（云南电网有限责任公司信息中心，云南昆明 650214）

我国人口数量以及经济发展的压力较大，能源消耗速度快、消耗量大。我国学者对节约电力用户识别潜力的研究已经从工业领域扩展到经济领域和社会环境领域[1-2]，在需求管理、市场开拓、客户服务等方面取得了重大突破。文献[3]在双因素理论的基础上，明确了电力服务对象。文献[4]根据用户聚类特点，进行了节约电力潜力测试，得出识别效果良好的结论。

但是上述研究并未涉及电力用户高斯核密度问题，节约电力潜力用户识别稳定性较差，对此，该文提出基于数据挖掘的节约电力潜力用户智能识别方法，数据挖掘技术主要负责从大量数据中提取、聚类和分析数据信息，能够将用户分成不同类别的潜力对象，有助于业务人员缩小筛选范围，有针对性地开展节约电力工作。

1 节约电力潜力用户智能识别

1.1 利用数据挖掘技术估算节约电力潜力值

利用数据挖掘技术，通过数据预处理、数据挖掘以及数据检验等步骤，进行节约电力潜力测算[5]。数据挖掘流程如图1 所示。

图1 中，数据挖掘流程包括数据清理、数据集成以及数据分类等具体步骤，以满足用户需求为目标，根据当前的技术可行性、经济可行性与环保可行性，规则验证所获取到的数据[6]，估算出节约电力的综合潜力值。

需要对节约电力的潜在价值进行分析，然后根据计算结果对能源消费结构类型进行划分，步骤如下：

依照能源消费结构的组成要素即煤、石油、天然气数量，提取替代设备的转化常数，计算发电部分的比重，获取现有设备的能源平均效率。节约电力潜力计算公式如下：

其中，R表示理论层面的节约电力潜力，E表示任意一种非电能的能源消耗量，c表示任意一种非电能的能源热值，α表示用电设备与非用电设备的平均效率比值，D表示电能以千瓦·时为单位的能量转化常数。根据消耗燃料的热值与替代设备能效数值，进行替代设备的燃料总消耗量测算，可行潜力计算公式如下：

其中，RT表示电能技术的可行潜力，A表示任意一种非用电设备的燃料使用量，B表示该种燃料的能源热值，α1表示任意非用电设备的效率均值，α2表示用电设备的效率均值，D表示电能以千瓦·时为单位的能量转化常数。默认设备替代前与设备替代后的燃料使用量相同，则式（2）变成如下形式：

其中，L表示任意一种非电设备的电能容量，t表示该种非电设备的运行时长，完成了节约电力势值的估算步骤，为智能辨识方法的设计提供了数据支持。

1.2 获取电力用户高斯核密度

在电网中随机选取一个目标[7-11]，利用邻域中最近点和最远点之间的距离来判断距离。将任意对象设为l，则表达公式如下：

其中，l表示是远离簇的任意一个对象，设定最近的相邻对象的个数k=2，dmin与dmax分别表示空间内距离样本中心的最小距离与最大距离，具体如图2所示。

图2 中，在同一个空间内，任意对象l只存在两个有效距离，即最大距离与最小距离。设定f为任意整数，则对象l的离群因子表达公式如下：

其中，Ne表示电力用户的用电情况样本，F(l)表示对象l的离群因子，u表示电力用户的数量，根据式（6），得出对象l的高斯核密度公式如下：

其中，Y(l)表示任意对象l的高斯核函数，表示对象b与对象l之间的距离，Ne表示电力用户的用电情况样本，j表示Y(l)函数的纵向宽度，定义了函数的有效区间，当上述参数满足的条件时，则式（7）变成如下形式：

其中，Y表示对象b与对象l之间的高斯核密度，表示对象b与对象l之间的距离，j表示Y(l)函数的纵向宽度。至此，获取电力用户用电高斯核密度。

1.3 构建用户隶属度矩阵设置智能识别模式

为了突出节约电力潜在用户的特征[12-13]，提取出所需的用户信息[14]。根据用电负荷曲线，得出电力负荷的变化规律，具体如图3 所示。

图3 中，电力负荷变化可以划分为四个阶段，并且从(h1,p1)至(h4,p4)四个阶段的增长幅度与增长速度都呈递增趋势。将潜力用户的综合评价特征进行聚类，设定评价集合为并利用离散因子建立综合评价的隶属度矩阵Q，矩阵表达公式如下：

其中，qns表示对第n个评价因素的模糊权重，并且满足s=1,2,…,n的条件，矩阵Q包含的集合Z的所有评价信息，当n为任意整数时，矩阵Q结合权重向量，变成如下形式：

其中，代表权重向量，M表示隶属度矩阵，定义了节约电力潜力用户的综合评价方式[15-16]。

2 实验研究

2.1 获取攻击类型指标

为了验证此次设计的智能识别算法的稳定性，利用电力用户的意向偏离度，获取节约电力潜力用户类型，用户意向偏离度计算公式如下：

其中，Gp表示用户意向的偏离度，Cp表示用户p的用电负荷，Tpi表示用户p的节约电力项目i的接受程度，CTi表示电力用户中对节约电力项目i表示感兴趣的用户数量。根据式（11）的计算结果，划分为10 组随机攻击类型、均值攻击类型、流行攻击类型、段推攻击类型，其多次平均攻击参数具体数值如表1所示。

表1 攻击参数均值

将表1 中不同攻击类型的数值的均值，代入攻击概貌识别率的公式中，具体表达如下：

其中，H表示攻击概貌的识别率，V表示攻击概貌的总数量，P表示真实的攻击概貌的数量。

2.2 智能识别方法稳定性测试

基于上述攻击类型指标，以文献[3]方法和文献[4]方法为现有识别方法1 和现有识别方法2，在不同的攻击强度条件下，与该文智能识别方法对比得出实验结果如图4 所示。

图4中，不同的攻击强度条件下，两种现有识别方法与设计的智能识别算法的测试稳定性均值如表2所示。

从表2 可以看出，此次设计的用户智能识别方法，比其他两种现有识别方法的稳定性均值高出12.326%～25.651%不等，证明在不同的攻击强度下，融合了数据挖掘技术的智能识别方法稳定性更高，可以合理分配资源，更有利于识别潜在用户，更适合应用在节约电力潜力用户识别领域。

表2 识别算法稳定性测试结果均值（%）

3 结束语

文中利用数据挖掘技术提取所需的用户信息，估计节约电力的潜在价值，准确有效地将未知属性的数据样本划分为相应的类型，构造用户隶属度矩阵，设置与匹配智能识别模式，其应用稳定性均值比其他两种现有识别方法高出12.326%～25.651%不等，为电力行业相关管理部门挖掘节约电力的潜在用户，判断节约电力市场的变化，制定相应的节约电力决策提供一定的理论支持。