深度｜用户节电的大数据分析及应用

发布时间：2024-12-04 16:22

科技进步导致了大量数据的产生，大数据分析在各行各业应用广泛 #生活知识# #科技生活# #科技影响分析#

摘要

为解决用户在开展节电工作时面临的用电数据不透明、缺少节电指导依据等问题,提出大数据背景下基于数据挖掘的用户节电通用分析方法,并在大数据平台上予以并行化实现,设计了直观的可视化展示形式。首先依据用户用电特性通过高维聚类实现了用电群体细分,然后融合电力、气象、经济等多维度数据开展节电分析,基于用户能效综合评估确定群体内节电标杆并量化用户节电潜力,接着通过多源数据关联分析获得用户节电策略,最后,通过SparkR在大数据平台上实现了节电算法业务的并行化,基于JavaWeb MVC框架实现了分析结果的可视化展示。实际应用效果表明,所提出的节电大数据分析方法,能有效关联多源数据,实现对海量用户数据的高效分析。

关键词 :大数据;节电分析;分布式存储;并行化计算;数据可视化;

（来源：电网技术作者：陈海文1, 王守相1, 梁栋2, 苏运3）

1．智能电网教育部重点实验室(天津大学),天津市南开区 300072

2．电工装备可靠性与智能化国家重点实验室(河北工业大学),天津市北辰区300401

3．国网上海市电力公司,上海市浦东新区 200122

0 引言

用户侧节电是近年来我国节电工作的开展重点[1],而电力用户作为节电业务的实施主体,开展节电工作的积极性不高,究其原因,用户在用电时具有很强的盲目性,用电数据不透明,用户缺少获知自身耗电水平及用电特点的信息渠道,难以发现用电过程中存在的问题,节电工作开展缺乏指导性建议,而如果由节能公司进行侵入式的节电评估则时间长、价格高。

由于数据来源及数据规模限制,现阶段还未有通用的用户节电分析流程方法,已有研究工作主要针对特定行业的个别用户[2],尚缺乏从用户用电群体角度开展的节电分析研究。如文献[1]针对能效电厂项目,从节电量和移峰填谷2个方面计算了节电潜力。文献[3]分析了北欧建筑照明设备的构成,估算了通过更新照明设备带来的节电潜力。但这些针对具体行业或者设备的建模分析方法并不具有通用性。文献[4-5]从省级区域的角度分析了中国能源短缺情况及各省份的节电潜力,对具体用户缺少指导作用。建立适用于各行业用户的具有通用性的节电分析方法,并针对具体用户给出节电指导建议是当前研究的难点。由于即便在同一行业,用户用电规模、用电行为差异化明显,找到海量用户之间的群体性规律是节电分析重点。

此外,对标是督促指导用户节电有效手段,目前节电标杆往往由国家标准或者同行业先进水平来确定,尚缺少对节电标杆选取的相关研究。在目前我国社会经济持续发展及产业结构不断调整的背景下,用户的用电特性越发多样化,同一行业的不同用户用电特性差异巨大,难以确立在整个行业范围内具有代表性及典型性的节电标杆。由相关管理部门确定的国家标准或者行业先进水平则由于新技术、新设备的不断发展而导致时效性较差。因此需要在群体细分基础上,提出一种考虑多因素的用户能效综合评估方法以确定节电标杆。

随着大数据产业的不断发展和智能电网建设的不断推进,供电公司对生产数据、营销数据、社会经济数据、地理信息数据的积累日益增加[6-7],形成了以数据种类多,规模大,异构特征突出,关联复杂为特点的配用电大数据[8-11]。在大数据背景下的用户节电分析,对数据管理、数据处理、数据分析、数据可视化等关键技术提出了更高的要求,给节电分析平台开发带来很大挑战[12]。文献[8]在实验室环境下搭建了用于负荷预测的Hadoop平台,并设计了一种并行化的随机森林算法用于负荷预测。文献[9]建立了用于供电安全性分析的大数据平台。文献[10]搭建了电力设备的运行状态监测的大数据平台,提高了数据读写效率,并利用联机分析处理技术对电力设备的运行状态进行监测。

用户节电分析涉及气象、社会等诸多因素,具有极强的关联性;在算法方面,涉及到高维聚类,多因素关联等多种算法,对计算速度提出了较高要求;由于节电分析平台服务对象是电力用户,对结果展示的准确性、直观性要求更高。传统的平台开发工具,架构设计,交互方式及展示形式无法满足大数据下节电分析的客观需求。针对以上问题,本文提出了基于数据挖掘的用户侧节电分析方法,包括用电特性高维聚类、综合能效评估、考虑多因素的节电策略构建等步骤,并在大数据分析平台上实现了相关算法业务的并行化,大大提高了分析效率。分析结果通过Web发布,易于用户访问,网页利用HTML5、Javascript组件实现了图表的动态交互,便于用户从多维度直观了解自身用电情况,有针对性地开展节电工作。

1 用户节电分析流程

1.1 用户节电分析路线

首先,通过用电特性高维聚类,得到典型用电模式及用电群体,在每个群体内通过综合能效评估选择标杆用户作为节电基准,计算得出群体内各用户的节电潜力,进而通过对用户节电潜力以及其他关联因素的挖掘,利用偏最小二乘回归算法,计算气候、社会等多因素的节电灵敏度系数,并分析用户用电行为,结合已有的节电策略库,通过决策树算法提供个性化、有针对性的节电策略。算法流程如图1所示。

1.2.1 基于分布式两阶段聚类的用电模式分析

以K-means为代表的聚类算法在负荷分类、用电模式发现中得到了广泛应用[13-15]。由于实际上普遍存在的用电数据的缺失会严重影响聚类的准确性,为此,本文采用传统距离标准与向量统计特征进行加权调和的思想,来克服数据缺失对聚类准确性的影响,从而能在一定程度上降低对数据清洗的要求[16]。以K-means算法为例,将距离度量改进为