基于k- means 算法的居民用户用电特性挖掘及其在电力营销中的应用

周丹阳

（国网浙江省电力有限公司台州供电公司，浙江 台州318000）

随着智能电表的大力推广，居民用电数据采集更为精准，数据种类更为繁多，数据量更是呈现井喷式增长，电力行业正式进入信息爆炸时代[1-3]。同时，在新一轮的电改体制下，对海量电力数据的充分利用，有助于电力企业的高效运行。因此，为了实现电力企业的经济可靠供电，提升电力企业在电力市场所占份额，并增强居民用电舒适度，则需要对用户侧用电数据进行深度挖掘，分析其用电行为对电力企业的影响。另一方面，中国采用的户用智能电表每15 分钟采集一次数据，导致每个用户每日产生上百条数据，海量且复杂的居民用电数据对数据分析提出了严峻挑战。因此，如何利用大数据技术挖掘用户侧用电特性，也是当前国家电网关注的重点与难点。

截至目前，大数据处理技术在电力领域已有了不少应用研究。文献[4]以用户行业、电价等因素为基础，对用户用电数据进行聚类分析，以期望调整电价机制；文献[5]采用模糊C 均值法对变电站综合负荷进行聚类分析，解决了用电行业分类处理的复杂度。上述文献实现了用电负荷的聚类分析，但均没有对居民用户用电行为进行细致分析。文献[6]提出了基于量测法对居民用电负荷进行分类，但所用数据量过小。文献[7]研究了居民用电行为的差异，但实验分析仅涉及夏季用电数据。可见，基于用户用电行为分析的方法多样，但目前对相关用电数据的挖掘仅停留在小样本上，针对智能电网下海量居民用电行为的研究较少。

此外，在当前电力市场环境下，电力企业需要革新原有的盈利模式和营销策略，精准把握用户需求，实现电能的精准营销。居民是电力服务的核心对象，但是由于居民用户具有数量多、分布广泛、随机性强等特点，因此需要针对不同用户的用能需求展开精准营销服务。但是截至目前，如何充分地从居民用电数据中挖掘出有用信息，并应用于营销过程，辅助实现电力的精准营销，依然是待解难题。

综上所述，为了深度挖掘居民用户用电行为特性，提升居民在用电行为上的用电效率与电力企业在电力市场上的份额，本文首先对用户侧产生的海量用电数据进行预处理，然后通过k-means 算法，对浙江某小区居民用户在春、夏、秋、冬四季的用电数据进行聚类分析，划分出不同的用户群体；最后，通过分析同一季度中、不同季度下的用户用电特性，制定相应的电力营销辅助策略。

1 数据分析方法描述

图1 k-means 聚类分析流程图

k 类均值聚类（k-means clustering）是一种迭代求解的聚类分析算法，原理简单，收敛速度快，且需要调整的参数仅为簇数k，其工作流程如图1 所示。

2 基于k-means 算法的用户用电行为分析

用户用电行为分析方法：

为了有效提高用户用电综合能效水平，并增强电力企业的营销水平，有必要从海量的用户历史用电数据出发，挖掘各类用户用电行为的特性。因此，本节提出一种基于k-means 算法的用户用电行为聚类方法，其流程图如图2 所示。该方法的主要步骤描述如下：

步骤一：用户历史用电数据预处理。主要对历史用电数据进行清洗，处理无效值与缺失值，再将数据集成，以提供聚类分析所需的用电数据基础。

步骤二：数据聚类分析。将步骤一所获用电基础数据按照春、夏、秋、冬四季进行聚类。

步骤三：挖掘用户用电特性。分析步骤二得到的用电数据聚类结果，挖掘出用户用电特性。

步骤四：制定营销策略。根据步骤三对用户用电特性的分析结果，提出基于电价与服务质量的营销策略。

图2 数据挖掘流程图

3 实例分析

本文以浙江某小区实际采集数据作为历史负荷数据进行验证与分析。该地区使用的智能电表以15 分钟为一个采集周期，即每日有96 个用电量采集点。

3.1 数据挖掘

本文基于Matlab 对春、夏、秋、冬四季数据进行聚类求解，结果依次如图3-6 所示。可将用电用户分为5 类：

（1）第1 类用户：未入住用户。该类用户在四季的用电量平稳且接近于零。

（2）第2 类用户：老年居住用户。该类用户在春、秋季时的用电尖峰主要集中在饭点与傍晚，如图3 与图5 中30、70、85 负荷测量点；在夏季时，由于温度升高，整体用电量会增加，并且夜晚持续用电降温，使得夜间用电量高于白日，如图4 中0-30 与80-96 负荷测量时段；在冬季时，由于温度降低，对电热类家电依赖性较高，因此整体用电量也在上升，但由于老年人一般休息较早，使得夜晚用电量相对较低，如图6 中0-25、80-96 负荷测量时段。

（3）第3 类用户：上班族用户。该类用户在春、秋季时，白日用电相对平缓，仅在早、晚饭时有用电尖峰，如图3 中30、70 与图5 中33 与70 负荷测量点；在夏季时，由于气温较高，对于空调的依赖较强，用电量整体较高，但夜晚用电量激增且下降较为缓慢，如图4 中65-96 负荷测量时段；在冬季时，由于气温较低，用户较为依赖电热类家电，因此整体耗电量也较高。同时该类用户夜间的用电量较高，如图6 中80- 次日15 负荷测量时段。

（4）第4 类用户：上班族与老人混居用户。该类用户在四季白日用电规律，但傍晚用电量高且电量下降时刻较晚，如图3中73-90、图4 中80-96、图5 中75-90、图6 中70-96 负荷测量时段。

（5）第5 类用户：有学龄前孩子的上班族与老人混居用户。因需要照顾小孩，在春、秋季时，夜晚用电下降时刻较早，如图3与图6 中80 负荷测量时点；在夏、冬季时，要保证室内恒温，该类用户用电量在白日较高，如图4 中30-70、图6 中35-70 负荷测量时间段。

图3 春季负荷聚类结果

图4 夏季负荷聚类结果

图5 秋季负荷聚类结果

图6 冬季负荷聚类结果

3.2 营销策略

3.2.1 电价策略

通过上述可知，不同客户群体在不同季节下有着差异化的用电方式。春、秋季时，对于高耗能的制冷类和电热类家电需求较低，一般在饭点与傍晚时有较高用电量。夏季时，由于气温较高，对空调等制冷设备的依赖性较高，尤其在正午最高温时。冬季时，由于气温较低，对于电热类家电依赖性较高，且大部分用户的用电高峰主要集中在傍晚。

因此，为了完善用电价格体制，使用电价格更为灵活，可以根据春、夏、秋、冬四季不同的用电特性调整电价，引导用户错峰用电。

3.2.2 营销服务体制

在大数据时代下，为了使电力企业快速抢占市场，应充分利用大数据优势，实现精准营销。首先，分析目标区域的用电量、客户缴费情况等，计算该区域用户的未来用电潜力，降低电力企业的营销风险；其次，从用户个体出发，建立用户个体档案，记录用户用电、缴费、投诉等情况，针对性的进行客服服务。最后，对用电异常或高电价时段进行提醒，帮助用户实现灵活经济用电，真正促进用户与企业的捆绑关系。

综上所述，根据用户群体进行精细化营销与服务：

（1）第1 类用户。该类用户还未入住，因此应在用电异常时对其进行提醒。

（2）第2 类用户。该类用户整体用电量较低，且该用户群体不擅长使用智能手机，因此应主动进行线下指导。

（3）第3 类用户。该类用户工作时间固定，用电错峰困难，因此应主动发送优惠用电信息。

（4）第4、5 类用户。该类用户包含了老人与上班族，在用电方式上可以错开用电高峰期，因此应主动发送用电量、电价、优惠等用电信息。

4 结论

针对当前电改体制下的电力企业营销服务优化问题，以浙江某地某小区的用户历史用电信息为基础，对用户用电行为进行聚类分析，获得居民在春、夏、秋、冬四季下的用电特性。首先对聚类结果进行横向对比，发现在不同季节下，用电峰值的变化；其次对聚类结果进行纵向对比，发现同一季节下，不同用户群体的差异化用电方式。本文根据上述对用户用电特性的分析，提出了电价与营销服务策略，对用户进行精细化管理，以此提升用户的用电舒适度，提升电力企业在电力市场中的竞争力与占有份额。