原创 酥糖 万里扬能源 2022-01-24

0 引言

随着发改价格【2021】1439号文的颁布，工商业全部进入电力市场。面对陡然增长的客户电量和日益激烈的竞争环境，市场必将对售电公司专业能力提出更高要求，尤其是售电公司根据客户特质来精细化分类管理，从而提供个性化客户服务的综合能力。在客户分类方面，依据历史用电习惯来对客户进行分类是最直接的方式。售电公司在刻画用户用电特性时往往面临两种场景，一是在有限信息获取的条件下，需要快速评估用户负荷曲线、评估曲线价值；二是基于用户历史数据情况，评估用户负荷发展水平，细致规划批发侧电量。本文将针对这两种场景，就电力用户的年度特性研究做一些讨论，后续将推出更多文章讨论日内负荷特性和新冠疫情大环境下用户负荷特性。

1问题分析

在过去相当长的一段时间里，用户电费都是由供电公司计算并出具凭证，因此电费单是最容易获取的材料，然而往往只能从峰谷差/占比、累计用电量、月度间用电差异等方面描述用电习惯。许多售电公司、综合能源服务公司、计量服务商也开始提供数字化的计量和统计服务，这些数据精准有效，然而有着比较高的获取门槛，售电公司之间往往并不互通互联。特别是对于独立售电公司，如何获取有效典型用户的用电特征曲线，是一个十分头疼的问题。

2解决方法

当售电公司具备一定数量的用户后，就可以针对这批数据进行深入的挖掘，在长期实践中累积的数据，可以通过分类和聚类两种方式进行汇聚并得出有价值的结论。

行业分类法

依据以下原则，为用户标记标签，对各用户分别归一化，通过算数平均的方式，得出特征曲线：1） 用电占比前80%：剔除小型用户带来的波动性，确保负荷曲线的代表性；2） 相似的行业归并为一类：如纺织服装、电子产品组装等同为劳动密集型产业，契合上下班规律；3） 考虑气候敏感性：我国气候类型多样，我司也正在全国范围稳步推进，涉及气候类型区域较多，如华东大部为夏热冬冷区域，华南为夏热冬暖类型，而西北多为寒冷地区，需要针对性建立标签。

聚类法

以机器学习的视角，标签分类是典型的监督学习场景。实际操作中的困难主要是人工标签的过程中，如果分类太细，难以具有代表性，出现一个用户一类的情况，如果分类太粗，则可能出现加权后曲线失真的现象。针对这些困难，在实际应用中我们主要采用了层次聚类法。层次聚类是经典的聚类算法，通过计算不同类别负荷的相似度来创建一棵有层次的嵌套聚类树。合并算法通过计算每一个用户数据与所有用户数据之间的距离来确定它们之间的相似性，距离越小越相似。对于完整且等长的数据，直接计算相同时间点之间的欧氏距离之和，作为两个时间序列的距离；对于非等长数据，采用DTW方法也能得到特征距离。

本文选取20家电力用户2019-2020年负荷数据作为样例，通过上述方法进行分类，得到如下结果：

电力用户年度负荷聚类结果

1类用户除春节外，全年用电较为平均，未受疫情负面影响；

2类与天气因素/年度周期规律存在联系，同时2020年能耗有显著增加；

3类用户曲线与天气曲线相似度最高（加入天气数据后，通过聚类树判断）；

4类在2020年受疫情影响明显，2019年负荷与1类近似。

在近期的售电业务中，万里扬能源售电公司采用了前期积累的数据，对未能及时采集收录的用户开展了负荷预测工作。不仅在中长期评估中，起到了保底方案的作用；在短期决策中也解了燃眉之急。

3负荷聚类再优化

在取得初步的用户负荷聚类结果后，如何对聚类的方法和结果再优化，以达到更好的聚类效果及更高的负荷预测精度，对未来售电公司的持续经营和提高用户的收益水平至关重要。我们认为主要可以通过三个方面来对用户负荷聚类结果进行优化：a.进一步完善用户负荷特征库：结合行业标记优化聚类结果，进一步增强聚类应用在大范围使用中的可解释性；b.探索更多聚类方式：对于较为平稳的用户负荷，可以通过生成模型（ARMA、隐马尔可夫模型等）对应的参数进行聚类；同时近年来，受到NLP领域encoder-decoder模型启发，也有采用深度学习提取时序数据特征并进行聚类的尝试；c.结合聚类特征优化负荷预测：由于用户负荷数据存在随机波动，通过聚类方式可以减轻随机波动的影响。有论文指出，通过恰当的聚类在不优化预测方法的前提下，能够改善提升时序预测精度，而在我们的测试中，采用相同预测方法聚类预测可以使得用户月度负荷预测的精度提升2%左右。

作者：万里扬能源科技研究院