浅谈电力大数据的用户用电行为分析研究综述

黄冕

【摘 要】大数据时代背景下，电力行业成为技术应用的重要领域之一。电力的大数据具有较丰富的商业价值和社会价值，并产生于电力生产中的每个环节。只有充分利用好电力行业的大数据，对其价值进行最大的使用，才能促进我国电力业更好更快地发展。本文通过对大数据技术在电力中的應用现状，尤其是对基于大数据技术的电力用户的用电行为进行了分析，总结出了几个关于电力用户行为大数据的应用案例。

【关键词】大数据；电力；用电行为

0.前言

目前大数据的技术已得到了社会的广泛关注。电力大数据的概念。方法和技术等在电力行业中的实际操作涉及到了输电发电变电配电用电等各个环节，同时也是跨单位跨专业等的数据集合。电力大数据的不同来源可分化为三类，第一类是电力生产企业的发电数据，第二类是电网的营运和管理数据，第雷是电力用户的侧数据。通过这些数据对电力大数据用户的用电行为进行分析和研究。

1.大数据技术

1.1大数据的采集

大数据采集技术主要包括大数据的智能识别与感知技术、传输与接入技术、分布式虚拟存储技术、大数据网络传输压缩技术、可视化接口技术保护和隐私保护技术等，采集一般分为大数据的智能感知层和基础支撑层两个部分。知识成果的应用与展示是大数据处理的最关键的一步也是最后一步，如果大数据分析的结果显示错误就会导致决策者产生错误的思维。

1.2小大数据的处理

大数据的处理是个较为复杂的过程，要想从各类数据中快速的获取有价值的信息，就需要经过多个阶段的处理。大数据的处理分为辨析、抽取和清洗，由于所获取的数据具有多种结构，数据的抽取过程就是将复杂的数据化为单一的数据的处理过程，便于对数据的快速分析和处理，而对于大数据中没有利用价值的内容通过过滤去除。目前较为经典的数据处理模型是多阶段处理模型。数据可视化技术是大数据展示最有利的方式，常见的可视化技术分为基于集合的可视化技术、基于图像的技术、基于图标的技术、面向素的技术和分布式技术等。目前面向智慧城市的物联网大数据应用、在线社交网络的大数据应用、面向智慧医疗的大数据应用以及智能电网的大数据应用都在被人们所运用。

1.3大数据的存储与管理

大数据的存储与管理技术包括大数据的存储技术、分布式关系管理与处理技术数据的整合技术和融合技术等。目前较为常用的大数据存储方案有hdfs和qf，其中hdfs是支持hadoop计算框架大数据的存储系统，具有较高的拓展性和容错性，同时也是目前最为流行的大数据存储系统。大数据的存储与管理需要把收集到的数据存储起来，并建立相应的数据库对数据进行管理，以解决大数据中可存储可处理和可依靠的有效传输中的问题。

1.4大数据的挖掘

大数据的挖掘过程就是将隐含在人们当中、事先不知道的但是又潜在的有用信息和知识挖掘出来的过程。传统的数据挖掘法分为统计法、神经网络法和机器操作法，虽然现在这种传统的方法仍可用于大数据分析的领域，但是在处理规模较大的数据是有一定的局限性，这就需要借助云计算的技术将大数据的挖掘分解到多台计算机上，通过多台计算机对其进行处理，从而提高挖掘大数据的效率。

2.基于大数据电力用户的行为特征进行分析

由于我国的电力行业存在特殊性，电力用户的分析仅限于对电力消费的终端客户的分析研究。目前我国比较热门的电力用户行为特征分析研究方向包括电力用户的分类和细分建模的研究、电力用户用电负荷预测研究、电价与激励下的用电用户响应的研究等。

2.1电力用户分类研究

随着社会的不断发展，我国的电力市场逐渐进入以市场需求为主导的新阶段。对电力用户进行分类是电力资源优化配置必须实行的必要途径之一。要求电力企业通过对用户的需求行为习惯等进行调查，并选择一定的用户对其进行针对性的研究，给这类用户制定相应的价格措施，以此来促进电力系统的快速发展。

2.2电力用户负荷预测研究

电力大数据的用户的负荷预测研究分为长期研究、中期研究和短期研究。长期研究指的是未来1～10年内的用电负荷量的预测，这项预测以电网的规划扩建等工作的开展提供一定的参考数据。中期负荷预测指的是未来一年内的负荷预测预测的结果，为基建组的维修电网的规划等提供了重要的依据。短期研究指的是短期的电力负荷预测的时间只局限于未来的几个小时以及未来几天的电力负荷量的预测，短期的负荷预测作为能量管理系统的主要板块，为安排电力调度的计划、供电计划等提供相应的条件。

大数据的处理是个较为复杂的过程，要想从各类数据中快速的获取有价值的信息，就需要经过多个阶段的处理。大数据的处理分为辨析、抽取和清洗，由于所获取的数据具有多种结构，数据的抽取过程就是将复杂的数据化为单一的数据的处理过程，便于对数据的快速分析和处理，而对于大数据中没有利用价值的内容通过过滤去除。目前较为经典的数据处理模型是多阶段处理模型。

2.3电力用户响应行为研究

从电力用户侧管理到电力用户侧响应再到未来互动性更强的电力用户侧需求调度反应阶段，同时也是是电力企业发展模式面临的必然过程。电力需求侧响应的动机通常分为价格的需求侧响应和激励的需求侧响应两类，基于时变电价的需求响应又可以分为电价实时电价、分时电价和尖峰电价三类，基于激励的需求侧响应又可以分为可中断负荷需求侧竞价、负荷控制紧急需求响应和容量辅助服务计划等。

对于电力用户的响应规律的探究离不开对相应行为的模式的构建。目前电力用户响应行为的建模方法是基于用户响应激励的分析模拟来建立模型。例如，基于加权最小二乘法的用户的响应曲线参数辨识模型。

基于多智能体和模糊逻辑的响应规则和用户的相应原理进行行为分析。随着电力大数据的不断发展，一些非机动性的建模方法也得到了广泛的运用。例如基于知识学习规划的电力用户的响应，建立基于模糊决策的用电态度的模式和基于支持向量机回归算法的用户响应模型等。

2.4电力用户行为特征的分析研究

近几年来，我国开始着眼于对电力大数据理论的研究和工程应用方面的研究，但电力大数据的理论研究和工程应用方面的研究仍然远远落后于欧美国家。由此我国开展了大数据的技术关键研究，进一步促进了大数据理论研究理论的发展。例如自2013年起，我国电力企业逐渐开始重视电力用户的侧领域，在对大数据应用技术进行研究的同时开展电力数据中心的建设，截止到2018年，国家的电网公司已在20多个省份完成智能用电数据的采集，范围覆盖了我国2亿多用户。

3.结语

大时代背景下，我国电力行业的数据对于数据的利用率的提高和加快电力企业的盈利和控制水平起到了很大的推动作用。与此同时，由于电力行业的数据量大且利用价值高，导致大数据的认知水平面临了新的挑战。如何正确运用数据的存储设备，对这些数据进行详细的分析并有效从中提出有价值意义的信息，并将这些信息转化为优化管理模式和提升服务水平的决策是大数据价值能否被充分体现和应用的关键。

参考文献：

[1]王继业. 大数据与电力企业[J]. 电力信息化，2012，10（8）：7.

[2]闫龙川，李雅西，李斌臣，等. 电力数据面临的机遇与挑战[J]. 电力信息化，2013，10（4）：1 - 4.

[3]中国电力大数据发展白皮书（2013）[R]. 北京：中 国电机工程学会，2013.

[4]王璨，冯勤超. 基于价值评价的电力用户分类研究[J]. 价值工程，2009，28（5）：64 - 67.

[5]伍伟华，庞建军，陈广开，等. 电力需求侧响应发展研究综述[J]. 电子测试，2014，21（3）：86 - 94.

（作者单位：国网湖北省电力有限公司兴山县供电公司）