互联网环境下电力用户群体分析——特征分析

7.2.3相似用户群体特征分析

在识别和构建相似用户群体后，一方面可以如图7-7所示，分析和获得群标签属性和用电行为特征，用以表征电力用户群体行j为，实现售电主体面向群体的销售决策;另一方面，相似用户群体的属性包含了个体用户的行为刻画，能够帮助售电主体预测用户个体的用电行为，实现面向用户的电力精准消费。其中，群体标签为群用户共同拥有的标签类型，从群识别过程可以获得;群典型负荷向量L反映了群体共同的用电行为特征，计算方法为

式中：Li为用户i的日负荷向量;N为群中用户的数量。

通过群分析预测个体用户的用电行为，主要体现在对其负荷向量的预测，对于新入网用户j，为了预测其用电行为特征，需要先识别该用户属于的群体，方法为分别计算用户j与所有群的相同标签个数，数值最大的群则为j的归属群，其负荷向量为

式中：Li为所属群中与j相同标签个数最多的K个用户的负荷向量：K 为售电主体设定值，小于N。

利用河南省某地区抽样1000户居民的用电行为刻画数据，进行相似识别，分析群体特征。

(1)电力用户标签体系和二元网络。如表7-2所示，用户标签体系主要包含家庭人口、住房面积、房屋均价、热源类型、用户信用、购电渠道等内容。构建大数据分析系统，如图7-9所示为每个用户赋予相应的标签，形成“用户标签”二元网络。

表7-2     电力用户标签体系

(2)相似用户群体识别与分析。利用表7-2所述的相似用户群体分析方法，设定群用户数量N=50，识别出相似用户群体的共同标签特征包括:2～3人、60～90㎡、7000～12000元/㎡、燃气、市政热力。利用式(7-7)计算出群体的典型日负荷向量，与50户个体负荷向量各个小时的均方根误差均值见图7-11，各时刻平均为3.2%，表明群体典型日负荷向量与个体负荷向量误差较小，较为准确地体现了群体中个体普遍的用电行为特征。因此，群体识别方法能够有效识别出具有相似用电行为的用户群体。

图7-11群体典型负荷与个体负荷均方根误差

为了进一步验证通过对相似用户群体的分析可以用于预测新入网用户的用电行为特征，随机取实验样本以外的一个用户样本，提取样本用户标签后，寻找与该用户相同标签数量最多的用户群作为该用户的归属群，再分别计算该用户与归属群中其他用户的相同标签个数，取数值最10个用户，计算其平均日负荷向量，作为该用户的负荷向量预侧值。如图7-12所示，预测负荷值的曲线与实际值的曲线趋势相似，其均方根误差平均值为5.3%，结果表明，基于相似群体分类结果，利用新入网用户的属性标签，可以有效预测用户的用电行为趋势特征，对于售电主体以用户为中心实施基于互联网的精准消费、制定需求响应策略优化等具有支撑作用。

电力用户相似群体识别与特征分析方法。针对电力用户用电行为和社会属性特征，建立用户标签体系及“用户一标签”二元网络，并以标签对比结果为基础，将用户历史负荷相似度作为动态系数修成标签对比结果，构建用户相互关系权重模型，作为衡量用户相似度识别的标准在二元网络中聚合用户形成相似群体，进而获得群属性标签和典型负荷特征，最后以相似群体为基础，基于新入网用户属性标签将其归入相似群，并进一步预测新用户的用电行为特征。仿真算例表明，该方法通过对标签数据的分析，可以得到相似用户群体，准确提取相似用户群用电行为特征以及发现群体中的重要用户，并预测新入网用户的负荷曲线趋势，便于售电主体为电力用户提供个性化用电服务、精准实施需求响应策略、提升电网能效。

图7-12负荷预测对比图