居民用电行为特性分析软件的实现

陈丝雨 夏勇

（1.东南大学 江苏省南京市 210096 2.国网江苏省电力有限公司 江苏省南京市 210000）

随着近年来物联网的迅速发展，质量计量技术对于海量用户侧数据的统计与计算效率是传统方法所无法比拟的[1-2]。基于此，本文提出一种居民用电行为特性分析软件实现方法，通过建立用电行为相关性模型加深对数据中包含的内在特性分析的精度，最终通过试验测试验证了所提方法的有效性。通过本文提出的研究，以期为用电行为特性的分析工作提供有价值的参考，帮助电力供应系统更加准确高效地完成电力资源调度工作。

1 构建用电行为相关性模型

1.1 建立用电行为相关矩阵

假设用户i在T时段内的用电功率序列为pi={p1,p2,…,pn}，其中，n表示该序列的长度。在对用户特性进行分析时，由于不同特性的计量方式也不同，直接分析会影响最终的分析效果和收敛速度，为了降低由于用电数据中不同表征方式对下文中特性分析的影响，本文对数据进行归一化处理，处理方式为：

其中，f（pi）表示标准化处理后的数据结果，pi表示原始的居民用电数据，表示数据的均值，σi表示数据的标准差。通过这样的方式，使数据分析结果能够以统一的方式表征。

对于完成归一化处理的数据，任意两组不同的用电功率序列i与j之间的线性相关性系数可以用皮尔逊算法进行计算，其可表示为：

通过对分析区域内所有用户之间建立两两对应线性相关关系，得到用电行为的相关矩阵R，当用户数量为a时，那么矩阵的维数即为a×a，通过该矩阵对用电行为特性进行分析，将减少大量的冗余计算，对于提高软件的计算效率具有积极作用。

1.2 相关矩阵去噪处理

利用公式（3）对用电数据相关矩阵R中，单独用电个体在不同时刻的用电变化过程进行表示：

其中，Δu表示用电变化量，ti+1和ti表示两个相邻的时刻。那么对于数据中存在的异常值，根据随机矩阵极限谱理论，其会存在f(Δu)＜0或f(Δu)＞1的情况，这样就可以准确地定位出异常数据，通过过滤识别出的数据，实现去噪的目的。

将去噪后的相关矩阵R作为特性分析的基础，建立用电行为相关性模型可以表示为：

将模型作为软件对用电数据分析的标准，判断数据中对应的特性。

2 用电行为特性分析

理论上用电数据是对用户用电量、用电时间以及用电需求的一种集中反馈[3]。本文通过对模型中的T值进行调节，对不同时段内的用电参数变化情况进行统计，以i用户的行为特性分析为例，将t作为时间段划分标准，对T时间内的所有数据划分为T/t个时段，以累积递进的方式逐个进行分析，最终输出T时间内的特性结果，再以此为基础，对相关矩阵R中的下一个用户数据进行相同的计算，对比其与i用户的特性关系，如果具有相同的变化，则认为二者具有相同特性，否则则作为新的对比基数，直至相关矩阵R中的所有数据都完成计算，对具有相同变化的数据组作为一个特性结果，实现对用电特性的完整分析。

将对中得到的特性分析结果经聚类，由于本文设计的软件对用电数据的分析是以时段为基础进行的，因此会存在部分数据的分类结果不唯一的情况，为此，按照该类数据的相关性，将其划分到与之相关性距离最小的特性类别中，以此降低不同特性之间的模糊程度[4-5]。

3 实验测试

为了对本文设计软件的实际应用效果进行准确分析，进行了试验测试。

3.1 测试环境

测试的硬件操作环境为Windows 8，内存为128G，CPU为Intel(R) Core(TM) i5-4200 CPU @64GHz。在原始数据中，由于受到统计方式的影响，其中存在部分缺失，同时有少量数据偏差较大，该类异常值与实际值存在较大差异，因此会对用电特性提取和分析产生一定干扰，因此在对其进行分析之前，需要对异常数据除错补缺。针对该问题，本文主要进行了2种处理，首先，对于异常值范围不超过20%的数据，以及连续不超过5组的空缺数据，利用其相邻负荷数据的均值对其进行填充和修改。除此之外的异常值，则以空缺两端的非空值均值结果作为填充值。

3.2 结果分析

针对上文提出的数据，分别采用文献[6]和文献[7]提出的方法以及本文方法进行特性提取，分别统计了在不同的相关性距离要求下，特性的Jaccard 系数。其结果如表1所示。

从表1中可以看出，文献[6]方法在相关性距离为[0,0.5]时，Jaccard 系数下降到1以下，而文献[7]方法在相关性距离为[0,0.75]以后，Jaccard 系数始终在1以下，本文方法的Jaccard 系数虽然也出现了明显的下降趋势，但整体上一直稳定在1以上，表明本文方法对数据的分析具有更高的精度，提取的数据特性更加准确。这主要是因为本文建立的用电行为相关性模型实现了对数据之间潜在关联的有效挖掘，因此对特性进行分析时具有更加全面的数据基础，分析结果也更加精准。

表1：不同方法下Jaccard 系数对比表

上述基础上，分别采用DBI ( Davies Bouldin Index，戴维森堡丁指数) 和 SI ( Silhouette Index，轮廓系数) 对三种方法特性分类结果进行评估，为了提供评价的公平性，以每种方法都具备的10个特性作为对比指标，并将特性编号为1-10，其结果分别如图1和图2所示。

图1：不同方法的DBI对比图

图2：不同方法的SI对比图

从图1中可以看出，在三种方法中，文献[6]方法的DBI值虽然始终处于较为稳定的提升状态，但最大值也仅为1.5，表明其对居民用电行为特性的分析结果具有较高的离散度，文献[7]方法的DBI值呈现出较大的波动，尤其是在编号为2-6特性中，DBI最大波动值可达0.8，表明该方法对特性进行分析时，稳定性较差，而本文方法的DBI值以相对稳定的趋势之间上升，虽然有波动出现，但范围较小，这表明本文设计的软件能够实现对居民用电行为特性的准确提取。

从图2中可以看出，三种方法中，本文方法的SI值最高，最高值甚至接近1，表明本文方法在对用电行为特性进行分析时，能够对其进行准确区分，不同特性之间的距离明显，这主要是因为本文设计的软件子啊实现过程中，为了降低异常数据对特性分析结果的干扰，对数据进行了去噪处理，因此提高了最终分析结果的可靠性和准确性。

4 结束语

对居民用电行为特性的准确分析不仅对于供电系统的能源调度调整有重要的指导意义，同时，对于提高电能资源的使用价值也有明显作用。根据居民用电的特性有针对性地对电能进行合理调度离不开海量数据的采集和分析，通过人工的方式实现该目标是不现实的，现代计算机技术刚好可以完美解决该问题。本文设计了居民用电行为特性分析软件，实现了对海量数据的高效计算，并能够根据用电行为特性对用户进行精准分类，具有较高的实际应用价值。