互联网环境下电力用户群体分析——识别方法

在能源互联网和智能电网背景下，准确的用户用电行为特征分析和用电量短期、长期预测对电网需求侧管理和基于互联网的售电主体精准消费具有重要的指导意义。基于用户社会属性、用电行为特征、互联网行为将电力用户进行分类，进而实现群体用电行为预测，可以帮助售电主体更深入地了解用户群体特征，为电力精准消费和制定电力需求侧响应策略提供数据支撑。

随着中国电力体制改革和能源互联网战略的不断推进，电力用户在互联网售电平台上购电和用电增值服务，形成种类丰富的用户数据，包括用户属性数据、用电行为数据、上网行为数据等。基于这些用电大数据将用户用电行为特性进行多维度分解，建立用户分类模型，深刻认识电力用户群体效应，能够形成基于群体的用电模式差异化预测模型。

目前，对电力用户群体分析方法多是基于历史负荷数据，建立基于人工智能方法的负荷识别和预测模型，再利用聚类的方法实现基于用电行为的用户群体分析，或是基于行业或领域等用户属性将电力用户进行细分，进而形成群体一属性的关系。这些分类方法往往一个群体中的用户只包含了个别共同属性，难以真正形成包含个体属性、用电行为和互联网行为等多种属性的相似用户群体，并用于构建基于群体特征的用户用电行为分析预测模型。

标签作为一种用户行为的标识方法，蕴含了很多反映用户属性、用电偏好的信息。通过对标签数据的分析，结合相同标签数量和负荷相似度形成用户关联度网络模型，得到相似电力用户群体，提取群体的主要特征以及发现群体中的重要用户，便于互联网售电主体实施个性化增值服务产品和用电套餐推荐，进而提升电力服务质量。

7.2.2相似用户群体识别方法

如图7-8所示，基于大数据的电力用户群体分析方法主要包括：

图7-8电力用户群体分析方法

（1）构建电力用户及其标签二元关系网络。如图7-9所示，对电力用户全体分析的第一步是定义电力用户社会属性及用电行为标签，将用户与其所属的标签进行连接，形成相互关系二元网络，其中a、b、c、d代表用户节点，L1、L2、L3、L4代表用户标签。

图7-9“用户-标签”二元关系网络

（2）建立用户节点间相互关系权重模型。用户节点间的相互关系权重是用户相似度的表现，包括的用户社会属性相似度和用电行为相似度，其中用户社会属性、用户信用和购电渠道等可以定义为静态标签，用相同标签数量表征其相似性，但用电行为中的历史负荷为动态数据，难以用标签描述，该指标却是用户相似性和群体刻画的关键内容。基于上述因素，以标签相同个数为权重模型的基础，将负荷相似度作为权重因子，使得权重模型即包含静态标签相似性，又包含动态负荷相似性。

将用户节点网络中任意两节点之间相同标签的个数表示为Nij，用电行为相似度表示为Sij，两节点相互关系权重表示为

其中，用电行为相似度Sij的计算方法为：分别利用用户i和j日均负荷曲线中各小时的平均负荷组成用户日负荷向量Li，和Lj，基于余弦相似度计算方法计算用电行为相似度。

（3）识别与构建相似用户群体。如图7-10所示，相似用户群体的形成过程包括：基于用户节点间相互关系权重模型，计算二元网络中任意两节点的权重，将权重最大的两个节点合并为一个群，并视其为网络中的一个节点，再与其他节点进行关系权重计算，将权重最大的节点合并至群中，形成新的用户群。基于该流程，如果群中的用户超过售电主体设定的用户数，则完成相似用户群体的识别和构建，反之则继续计算更新的群与其他节点的关系权重，不断更新群组成。在计算群与节点关系权重过程中，标签只取群中用户共有特征，负荷向量取群中所有用户的平均值。

图7-10相似用户群网络