基于电能质量监测数据的多元用户用电需求画像方法
文献发布时间:2023-06-19 16:12:48
技术领域
本发明涉及用户电能质量需求倾向分析技术领域,具体涉及一种一种基于电能质量监测数据的多元用户用电需求画像方法。
背景技术
用户画像是企业实现用户个性化分析,辅助精细化营运决策的有效技术手段。如今越来越多的行业开始重视用户画像的应用,但是由于不同行业有不同的行业背景、应用场景和用户需求,因此不同行业的用户画像不能同一而论。随着信息化建设的深入推进和电力业务的飞速发展,电网企业也积累了丰富宝贵的数据资源,深度挖掘现有数据并充分利用数据分析结果辅助决策,进而研究电网发展和客户服务规律,成为驱动电网企业创新发展的重要途径之一。
目前,电力企业服务体系已经初具技术融合特征,可以从多个角度对用户进行服务。但从细化角度来看,其服务精准度始终存在缺陷。在多元用户电能质量需求分析方面,目前研究主要集中于用户电能质量信息数据的获取与应用,以及电能质量需求指标的建立与量化分析。由于电能质量问题会降低需求侧电能的利用效率,给全社会带来经济损失。因此,从电力用户需求多样性、敏感设备对电能质量的技术要求等多角度出发,分析用户电能质量需求,了解和掌握不同用户对电能质量的差异化需求,并有针对性的给出解决方法,是保证用户优质供电的基础。但目前供电企业尚未基于多元用户电能质量智能感知信息数据,建立直观的用户电能质量需求倾向分析模型,如何通过用户画像技术帮助电力公司掌握用户用能特征、精准识别用户需求、提供个性定制服务,更好地满足日益多元的客户服务要求,是当前供电企业需要开始面对的问题。
发明内容
本发明的目的是提供一种一种基于电能质量监测数据的多元用户用电需求画像方法,以根据电力用户数据对电力用户需求进行画像。
本发明的技术方案是:
一种基于电能质量监测数据的多元用户用电需求画像方法,包括以下步骤:
源数据获取,对接电网谐波监测分析系统及营销系统、用采系统、95598业务辅助系统,获取电力用户的基本属性、投诉情况、历史用电信息及电能质量数据;
源数据处理,基于Spark RDD建立数据模型,从数据库中读取数据并加载到内存中,对数据进行处理,以获取基础属性标签和潜在属性标签;
用户需求画像,使用所述基础属性标签和所述潜在属性标签对用户需求进行画像。
优选的,所述基础属性标签的获取方法是:根据获取的用户数据,通过直接简单抽取和通过统计获取得到所述基础属性标签。
优选的,所述潜在属性标签的获取方法是:通过模型算法挖掘所述电力系统源数据得到所述潜在属性标签,所述潜在属性标签包括用户电能质量需求。
优选的,所述用户需求画像包括非线性用户电能质量需求画像和敏感用户电能质量需求画像。
优选的,所述非线性用户电能质量需求画像方法包括以下步骤:
用户整体谐波发射水平评估步骤;
(1)采用谐波电压总畸变率和各次谐波电压含有率相对国家标准限值的比值作为参考值,实现对谐波特征的量化,用
式中:h=1,2,…,N,谐波特征f
(2)以各次谐波电压限值的比值
式中,N为谐波次数,
用户整体用电水平评估步骤;
(1)定义用户用电水平特征集S,S分别包含日最大负荷(有功功率)P
(2)将所有基础用电特征规范化处理,统一转化为100以内,其基本转化公式如式所示;
式中,f
(3)令电压V
(4)综合考虑用于所处电压等级和基础用电特征,得用户合用电水平综评分结果S,其计算表达式如式所示;
式中,w
进一步优选的,以非线性用户整体谐波发射水平在[0,100]的区间分布为横坐标x,以非线性用户的整体用电分布为纵坐标y,则x≥60,且y≥60区域内的非线性用户用电水平高且谐波污染较严重,具有较高的谐波治理需求;x<60,且y≥60区域内的非线性用户用电水平较高,谐波发射水平评分结果较好,没有谐波治理需求;x<60,且y<60区域内的非线性用户用电水平较低,基本没有谐波问题,无谐波治理需求;x≥60,且y<60区域内的非线性用户用电水平较低,谐波污染对系统的影响不是很大,具有谐波治理需求。
进一步优选的,所述敏感用户电能质量需求画像方法包括以下步骤:
用户敏感负荷占比及不能恢复负荷占比计算步骤;
(1)有功功率轨迹的奇异值分解分段算法
假设矩阵Y为m×n维矩阵,秩为r,则矩阵Y的奇异值分解为:
其中,U和V分别是m×m维和n×n维的正交矩阵,Σ为r×r维对角阵;对角线元素为矩阵Y的非零奇异值e,同时e
从式(8)中去除Y的零奇异值,得:
其中,u
对于任意实矩阵A∈R
U=[u
V=[v
则A矩阵的奇异值分解表示为:
A=USV
其中,S称为奇异值对角矩阵且S∈R
其中,Ο为零矩阵,p=min(m,n),同时σ
A的奇异值分解可以进一步表示为:
A
对扰动信号的准确定位需根据采样信号构造适用的A矩阵,通过原信号构成Hankel矩阵进行奇异值分解;
采样数据:X=[x
式中,令m=N-n+1,则A∈R
记A矩阵的第一行元素为P
P
其中,q为分解层数;在自动分段中,过渡段边界即为突变点,矩阵奇异值分解找到剧烈突变点,从而识别到起止时刻;
有功功率轨迹特征及用户用电行为分析步骤;
分段后的四个突变点分别用P
其中,|P
电压暂降结束后,部分敏感负荷有功功率自动恢复,部分无法恢复,P
功率能自动恢复的敏感负荷占比P
能自动恢复和不能自动恢复的敏感负荷满足:
P
敏感负荷占比≤60%,不能恢复负荷占比≤60%为低需求型;敏感负荷占比≤60%,不能恢复负荷占比≥60%为中需求型;敏感负荷占比≥60%,不能恢复负荷占比≤60%为高需求型;敏感负荷占比≥60%,不能恢复负荷占比≥60%为迫切需求型。
优选的,根据各所述基础属性标签及各所述潜在属性标签,生成各所述用户对应的用户画像,完成多元用户电能质量需求画像,可以得到四类基本用户,分别为:敏感且谐波发射严重的用户、敏感但谐波发射不严重用户、不敏感且谐波发射不严重用户、不敏感但谐波发射严重用户。
本发明的有益效果是:
1.提供一种基于电能质量监测数据的多元用户需求画像方法,基于电能质量监测数据,了解用户标签分布特征,掌握用户用能特征、精准识别用户需求,为提供个性定制服务,更好地满足日益多元的客户服务要求提供有益支撑。
附图说明
图1为一种基于电能质量监测数据的多元用户需求画像方法流程图。
图2为数据处理流程图。
图3为基础属性标签获取形式。
图4为非线性用户电能质量需求画像。
具体实施方式
下面结合附图,以实施例的形式说明本发明,以辅助本技术领域的技术人员理解和实现本发明。除另有说明外,不应脱离本技术领域的技术知识背景理解以下的实施例及其中的技术术语。
如图1所示,本发明所述一种基于电能质量监测数据的多元用户需求画像方法的具体过程如下:
步骤一:源数据获取,对接电网谐波监测分析系统及营销系统、用采系统、95598业务辅助等,获取电力用户的基本属性、投诉情况、历史用电信息及电能质量数据。
步骤二:源数据处理,基于Spark RDD建立数据模型,从数据库中读取数据并加载到内存中,根据预先设定的数据处理方法对数据进行处理。在数据处理中,包含数据结构化、数据单位统一化、分词、去除没有意义的连词、代词、标点符号等。
步骤三:基础属性标签是根据获取的用户数据,如图3所示,基础属性标签获取方式有直接简单抽取或通过统计获。
进一步地,基础性标签包括简单获取和统计性获取,如客户电压等级直接从营销系统抽取相应字段,供电质量投诉敏感直接统计客户投诉供电质量问题的量。
步骤四:潜在属性标签是需要通过模型算法述电力系统源数据进行挖掘获得的各用户的潜在标签。用户电能质量需求即为潜在属性标签。
用户电能质量需求画像根据用户类别,分为非线性用户电能质量需求画像、敏感用户电能质量需求画像。
对于非线性用户,利用用户整体谐波发射水平与整体用电水平评估结果可以得出四种非线性用户谐波治理需求类型,分别是无需求、低需求、迫切需求。
其中,用户整体谐波发射水平评估流程如下:
(1)采用谐波电压总畸变率和各次谐波电压含有率相对国家标准限值的比值作为参考值,实现对谐波特征的量化,用
式中:h=1,2,…,N,谐波特征f
(2)以各次谐波电压限值的比值
式中,N为谐波次数,
其中,用户整体用电水平评估流程如下:
(1)定义用户用电水平特征集S,S分别包含日最大负荷(有功功率)P
(2)将所有基础用电特征规范化处理,统一转化为100以内,其基本转化公式如式所示。
式中:f
(3)为了充分体现用户所处电压等级,将不同电压等级进行量化,其量化规则如表1-2所示。
表2-2用户电压等级量化结果
(4)综合考虑用于所处电压等级和基础用电特征,得用户合用电水平综评分结果S,其计算表达式如式(1-9)所示。
式中,w
其中,非线性用户电能质量需求画像流程如下:
以谐波发射水平评分为横坐标,用户用电水平表示纵坐标,以基准值60分为横、纵坐标的划分标准,构造如图4所示的四区域图,其具体含义如下:
对于区域Ⅰ中的用户,其用电水平较高,谐波发射水平评分结果较好,因此没有谐波治理需求;对于区域Ⅱ中的用户,其用电水平高,且谐波发射水平评分结果高,即谐波污染较严重,因此具有较高的谐波治理需求;对于区域Ⅲ中的用户,其用电水平较低,谐波发射水平评分结果较好,说明其基本没有谐波问题,无谐波治理需求;对于区域Ⅳ中的用户,虽然用户谐波特征评分结果较差,但是用户用电水平较低,因此对系统的影响不是很大,具有一定的谐波治理需求
对于敏感用户,利用电压暂降事件下电压和电流的录波数据和评估模型算出用户敏感负荷占比及不能恢复负荷占比,根据P
用户敏感负荷占比及不能恢复负荷占比计算流程如下:
(1)有功功率轨迹的奇异值分解分段算法
假设矩阵Y为m×n维矩阵,秩为r,则矩阵Y的奇异值分解为:
其中,U和V分别是m×m维和n×n维的正交矩阵,Σ为r×r维对角阵。对角线元素为矩阵Y的非零奇异值e,同时e
从式(30)中去除Y的零奇异值,得:
其中,u
对于任意实矩阵A∈R
U=[u
V=[v
则A矩阵的奇异值分解表示为:
A=USV
其中,S称为奇异值对角矩阵且S∈R
其中,Ο为零矩阵,p=min(m,n),同时σ
A的奇异值分解可以进一步表示为:
A
对扰动信号的准确定位需根据采样信号构造适用的A矩阵,通过原信号构成Hankel矩阵进行奇异值分解。
采样数据:X=[x
式中,令m=N-n+1,则A∈R
记A矩阵的第一行元素为P
P
其中,q为分解层数。在自动分段中,过渡段边界即为突变点,矩阵奇异值分解找到剧烈突变点,从而识别到起止时刻。
(2)有功功率轨迹特征及用户用电行为分析
分段后的四个突变点分别用P
其中,|P
电压暂降结束后,部分敏感负荷有功功率自动恢复,部分无法恢复,P
功率能自动恢复的敏感负荷占比P
能自动恢复和不能自动恢复的敏感负荷满足:
P
敏感负荷占比≤60%,不能恢复负荷占比≤60%为低需求型;敏感负荷占比≤60%,不能恢复负荷占比≥60%为中需求型;敏感负荷占比≥60%,不能恢复负荷占比≤60%为高需求型;敏感负荷占比≥60%,不能恢复负荷占比≥60%为迫切需求型。
上面结合附图和实施例对本发明作了详细的说明。应当明白,实践中无法穷尽地说明所有可能的实施方式,在此通过举例说明的方式尽可能的阐述本发明得发明构思。在不脱离本发明的发明构思、且未付出创造性劳动的前提下,本技术领域的技术人员对上述实施例中的技术特征进行取舍组合、具体参数进行试验变更,或者利用本技术领域的现有技术对本发明已公开的技术手段进行常规替换形成的具体的实施例,均应属于为本发明隐含公开的内容。