代购电用户用电量影响因素的画像分析

韩跃峻, 张洋, 陆斌, 杜漾腾, 辛洁晴

(1. 国网上海市北供电公司,上海 200072;2. 上海交通大学 电气工程系,上海 200240)

0 引 言

我国自2021年12月起由供电公司为不参与直购电的工商业用户提供代购电服务。供电部门每月上报次月代购电预测量作为市场交易组织的依据。申报的准确性不仅关系到电网安全,实施偏差考核后还影响供电公司的营销收益。

因代购电用户有进出,电量预测宜采用逐个预测并加总的方法,尤其要对新进出的大用户做代购电量的准确预测。掌握用户用电量的影响因素,是选择适当预测方法的前提。

分析用电量影响因素,现主要方法是回归分析、灵敏度分析和相关系数分析。例如,文献[1]利用门限回归模型分析日用电量和气温的关系。文献[2-3]分析了电力需求价格弹性,本质是灵敏度分析。文献[4]采用相关系数法分析家庭用电量与用水量的关系。上述方法都仅适于连续变量间的关联性分析。代购电针对工商业用户,用电量多与周日类型(星期几)和节假日类型有关,现有方法难以用于分析用电量与这些分类指标间的关联性。

因此,本文提出用电量与分类指标间关联性的分析方法,进而从用电量关键影响因素角度对代购电用户提出画像方法,研究结果可进一步用于代购电量预测方法的选择。

1 代购电用户画像流程

代购电用户画像步骤包括:①用电特征指标构建和评估,即分析代购电量与潜在影响因素间关联性的强弱;②特征指标标签化,按取值范围赋予0/1值,以对应不同的属性;③用户画像,对用户按标签组合归类并予以多角度描绘[5］,如图1所示。

图1 代购电用户画像流程

2 用电特征指标

2.1 周日类型敏感性

用电特征指标考察代购电用户的用电量是否与星期几有关。日用电量排序和日类型都是1～7的分类变量,故用卡方值量化评估两者的关联性。对用户i,该指标的评估如下。

(1) 从春/秋季的历史用电数据中找出无国定节假日的nW周日用电量。

(2) 对每一周,按日用电量由高到低排序,顺序赋以标签7、6,…,1。

(3) 统计周一至周日分属标签1～7的次数,记星期k被赋予标签为i的次数为mk-i。

(4) 星期几和日用电量水平完全无关时mk-i应都等于nW,故计算卡方值为:

(1)

2.2 节假日敏感性

假日用电量相对于紧邻非假日的增/减并不足以证明这种变化由假日引起,更客观的评价还需考察非假日是否低概率出现类似变化。因此,引入“提升度”指标分析节假日敏感性。

长假可能影响前后周的生产/经营秩序,故将假日分为短假(1～3天)和长假(≥4天)。对短假,定义“最邻近可对比日”为假前最邻近的、星期几相同且同长度的几天;对长假,增加间隔14天以上的条件;对非假日,定义为过往最紧邻的非假日一周。

(2) 统计F/S/L日类型转换时发生U/D的概率,即Pr{U∩FF},Pr{D∩FF},……。

(3) 计算可信度,公式为:

(2)

(3)

(4)

(5)

式中:C{U|S}、C{D|S}、C{U|L}、C{D|L}分别为“短假用电上升”“短假用电下降”“长假用电上升”“长假用电下降”的可信度;Pr{FS}为由非假日推进到短假的概率,Pr{U∩FS}为非假日推进到短假时发生日用电量较“最邻近可对比日”均值显著增加的概率,余类推。

(4) 计算提升度,公式为:

L{U|S}=C{U|S}/Pr{U}

(6)

L{D|S}=C{D|S}/Pr{D}

(7)

L{U|L}=C{U|L}/Pr{U}

(8)

L{D|L}=C{D|L}/Pr{D}

(9)

式中:L{U|S}、L{U|S}、L{U|L}、L{D|L}分别为 “短假用电上升”“短假用电下降”“长假用电上升”和“长假用电下降”提升度。

显然,进入某种假期时用电量增/减的概率越高,且增/减越主要发生在该种假日发生时,则相应的提升度越高,表明用电量越可能呈相应方向(增/减)的节假日敏感性。

2.3 气温敏感性

按所考虑的季节(夏/冬)和气温指标(日最高/最低/平均气温),共有六个敏感性。每个气温敏感性分析按下述步骤进行。

(1) 分别挑出历史年5～10月、11月～次年4月非假日数据用于夏、冬季分析。

(2) 对每一日类型提取出日用电量序列Ek,1,Ek,2,…,Ek,nk和相应的日气温序列Tk,1,Tk,2,…,Tk,nk(nk为星期k的总天数)。

(10)

2.4 电价敏感性

定义电价敏感性:

(11)

式中:m、m-1为同一季节相邻两月;E、p为用电量和代购电价。实际操作时,尽可能取无节假日、气象条件相近、电价不同的两月分析。

3 特征指标标签化和画像

四个维度指标的标签化规则如表1所示,不满足表中规则时标签为0。其中:

表1 特征指标的标签化规则

(1) 周日类型敏感性,以“卡方值≥一定显著性水平(95%)的临界值”为依据[6］。

(2) 节假日敏感性:提升度>1为强相关,标签为1。

(3) 气温敏感性:沿用Person相关系数对强相关的界定判据。

(4) 电价敏感性:价格弹性<1时,用电量减速大于电价增速,弹性高,标签为1。

每一用户用电特性的标签组合由8位二进制数组成。将所有代购电用户按标签组合归类;进而通过多角度描绘实施画像,如标签组合10010101可描绘为“周日类型敏感、长假用电上升、夏季高温敏感、电价敏感”。

4 算例分析

收集上海某地4 840家代购电用户2019年1月至2022年2月的逐日用电计量值。选取时尽量涵盖各行业,具体用户随机抽取。先做如下预处理:①对下降的计量数据异常值,用插值法修补;②将相邻日计量值相减,得到日用电量;③用3倍标准差法甄别异常跳跃的日用电量数据,用前后周同类型日用电量均值替换。

对各用户评估第2节所提特征指标,价格弹性采用2021年11月和12月电量、电价评估,结果如表2所示。进而将特征指标标签化,并据标签组合对用户归类,结果如图2所示,其中横坐标为代购电用户出现的各种标签组合,纵坐标为具有该标签组合的用户占比,统计后发现:

表2 代购电用户特征指标评估结果(截取部分)

图2 各种标签组合代购电用户的占比

(1) 标签组合占比最高的是10 101 100(28.3%)、10 101 000(23.9%)、10 101 101(23.9%)和10 101 001(6.64%)四类。可见由于是工商业用户,绝大多数代购电用户呈周日类型敏感和下降型假期敏感,超52%用户对夏季高温敏感,超30%的用户对电价敏感。

(2) 将夏/冬季气温敏感合并,长/短假上升/下降型敏感合并,用W、H、T、P表示代购电量显著受周日类型、假日、气温和电价影响,发现占比由大到小为W-H-T(32.3%)、W-H(27.9%)、W-H-T-P(27.0%)和W-H-P(11.1%)四类。工业用户多为W-H或W-H-P型,受气温影响较弱;商业用户多呈W-H-T或W-H-T-P型,受气温影响显著。代购电量预测方法可主要按上述四类设计。

(3) 假期敏感用户中,87.8%为长、短假都用电下降,假期用电上升占10.4%(主要是长假上升,以石化和建材业为主)。

(4) 气温敏感用户中,冬夏季气温均敏感接近6%,93.4%仅对夏季高温敏感。这是因为商业用户冬季夜间不营业,虽白天增加了制热负荷,但用电增幅不如夏季明显。

5 结束语

本文从周日类型、节假日、气温、电价敏感性四个维度设计指标,提出了代购电用户画像方法,克服了传统方法难以用于分类指标灵敏度分析的问题。算例分析了代购电用户用电量的主导影响因素,可进一步用于代购电量预测方法的选择。