謝 穎， 王 征， 趙永良

（1.國網(wǎng)浙江省電力有限公司紹興供電公司，浙江 紹興 312000；2.國家電網(wǎng)有限公司，北京 100031）

0 引言

“量、價(jià)、費(fèi)、損”是電力公司經(jīng)營業(yè)績與同業(yè)對標(biāo)核心指標(biāo)，也是客戶服務(wù)與營銷風(fēng)險(xiǎn)控制的焦點(diǎn)環(huán)節(jié)[1]。受經(jīng)濟(jì)形勢與產(chǎn)業(yè)轉(zhuǎn)型升級影響，2016年浙中某地區(qū)用電量增速放緩，1—9月，全社會用電量271.45億kWh，同比增長0.98%，全省排名第7；工業(yè)用電量214.87億kWh，同比減少0.68%，用電營銷形勢較為嚴(yán)峻[2]。

以下從提升主動服務(wù)能力入手，利用現(xiàn)有用電信息采集系統(tǒng)電量與負(fù)荷實(shí)時(shí)數(shù)據(jù)，構(gòu)建基于用戶日電量波動率、變化率、負(fù)荷利用率指標(biāo)的用電風(fēng)險(xiǎn)識別模型，完善現(xiàn)有市場分析預(yù)測方法，改進(jìn)以往只關(guān)注月度結(jié)算電量，容易造成信息獲取滯后、過程預(yù)控手段缺乏的問題[3]。

考慮到用戶與用電信息采集系統(tǒng)數(shù)據(jù)規(guī)模較大，僅選取該地區(qū)報(bào)裝容量在1 000 kVA及以上用戶作為分析對象，其用電量約占地區(qū)售電量的70%，具有較強(qiáng)的樣本適應(yīng)性[4]。分析模型結(jié)合營銷業(yè)務(wù)特點(diǎn)，運(yùn)用大數(shù)據(jù)分析方法，對2016年用電數(shù)據(jù)進(jìn)行分析與鉆取，總結(jié)當(dāng)前用電形勢的行業(yè)、地域、季節(jié)變化特征，篩選和預(yù)警高危用戶，有效提升主動服務(wù)能力，降低電費(fèi)回收等經(jīng)營風(fēng)險(xiǎn)[5-6]。

1 數(shù)據(jù)處理方法

1.1 拉格朗日插值法

由于用戶的電量及負(fù)荷數(shù)據(jù)來源于用電信息采集系統(tǒng)，而系統(tǒng)受信號干擾、設(shè)備故障等原因可能出現(xiàn)部分?jǐn)?shù)據(jù)缺失、失真的情況，會影響分析結(jié)果，對此使用拉格朗日插值法對缺失、失真的數(shù)據(jù)進(jìn)行補(bǔ)全[7]。

拉格朗日插值法的公式見式（1），其原理就是對實(shí)踐中的某個(gè)物理量進(jìn)行觀測，在若干個(gè)不同的地方得到相應(yīng)的觀測值（x0， x1， x2， …， xn）， 找到一個(gè)多項(xiàng)式lk（x），其恰好在各個(gè)觀測的點(diǎn)取到觀測的值[8-9]。數(shù)學(xué)上來說，拉格朗日插值法可以給出一個(gè)恰好穿過二維平面上若干個(gè)已知點(diǎn)的多項(xiàng)式函數(shù)[10]。

1.2 線性回歸算法

線性回歸是利用數(shù)理統(tǒng)計(jì)中回歸分析，來確定兩種或兩種以上變量間相互依賴的定量關(guān)系的一種統(tǒng)計(jì)分析方法?；貧w分析中，只包括一個(gè)自變量和一個(gè)因變量，且二者的關(guān)系可用一條直線近似表示，這種回歸分析稱為一元線性回歸分析[11-16]。

線性回歸算法主要用于計(jì)算用戶日電量的變化趨勢，下文中將會具體闡述。

2 用電風(fēng)險(xiǎn)識別模型簡介

2.1 模型指標(biāo)

根據(jù)用電業(yè)務(wù)特征以及大數(shù)據(jù)分析處理理論，歸納總結(jié)出了3項(xiàng)反映用戶電量情況的指標(biāo)，并對這3項(xiàng)指標(biāo)分別進(jìn)行了深入的數(shù)據(jù)挖掘。

2.1.1 電量波動率指標(biāo)σ

利用方差原理計(jì)算日電量的離散程度，用于分析統(tǒng)計(jì)期間用戶日用電量均衡程度，模型定義為：

i為累計(jì)時(shí)長。σ為標(biāo)準(zhǔn)差模型，其值越大，說明樣本偏離度越高，也即電量波動大，反之電量波動小。σ過大往往反映出企業(yè)經(jīng)營狀況的波動與不穩(wěn)定。

2.1.2 負(fù)荷利用率指標(biāo)μ

用于分析統(tǒng)計(jì)期間用戶報(bào)裝容量的利用效率，模型定義為：

式中：cap為報(bào)裝容量；cosθ為功率因數(shù)（一般取0.9）。μ表示實(shí)際用電量與需求電量之比，其值越大表示負(fù)荷利用率越高，反之負(fù)荷利用率低。μ連續(xù)過高反映出可能存在超容用電情況，μ過低反映用戶可能存在生產(chǎn)狀況不佳或報(bào)裝方案不合理。

2.1.3 電量變化率指標(biāo)λ

利用線性回歸算法計(jì)算出日電量變化的擬合值，用于分析統(tǒng)計(jì)期間用戶日用電量變化趨勢，模型定義為：

式中：ti為時(shí)間序列；N為累計(jì)時(shí)長。λ為線性回歸分析的線性擬合函數(shù)斜率，λ＞0表明電量逐日增加，λ＜0表明電量遞減。λ出現(xiàn)較大負(fù)值往往反映用戶經(jīng)營狀況出現(xiàn)不良態(tài)勢。

2.2 用電行為分析模型建立

在完成了電量波動率指標(biāo)σ、負(fù)荷利用率指標(biāo)μ、電量變化率指標(biāo)λ這3個(gè)指標(biāo)獨(dú)立分析的基礎(chǔ)上，進(jìn)一步構(gòu)建用戶電量分析模型。該模型將這3個(gè)指標(biāo)做為評價(jià)用戶風(fēng)險(xiǎn)的重要依據(jù)，按照用戶所滿足的閥值條件的數(shù)量劃歸為3類，所建模型如圖1所示。

圖1 用電行為分析模型示意

（1）潛在風(fēng)險(xiǎn)用戶：只滿足3個(gè)指標(biāo)閥值中1個(gè)閥值的用戶，此類用戶在生產(chǎn)過程中存在一定的不穩(wěn)定因素，電費(fèi)風(fēng)險(xiǎn)有加大的可能性，業(yè)務(wù)部門可根據(jù)行業(yè)及地域情況有側(cè)重地加以關(guān)注。

（2）一般風(fēng)險(xiǎn)用戶：只滿足3個(gè)指標(biāo)閥值中2個(gè)閥值的用戶，此類用戶的生產(chǎn)不穩(wěn)定性較大，電費(fèi)風(fēng)險(xiǎn)也較大，業(yè)務(wù)部門需要加以關(guān)注。

（3）高風(fēng)險(xiǎn)用戶：指同時(shí)滿足3個(gè)指標(biāo)閥值的用戶，此類用戶生產(chǎn)存在重大的不穩(wěn)定性，業(yè)務(wù)部門需要加以重點(diǎn)關(guān)注和持續(xù)跟蹤。

3 模型應(yīng)用示例

本節(jié)根據(jù)某電力公司2016年用戶日電量及日負(fù)荷數(shù)據(jù)，利用用電行為分析模型進(jìn)行分析，并給出示例。

3.1 電量波動率指標(biāo)應(yīng)用

3.1.1 電量波動指標(biāo)閥值確定

數(shù)理統(tǒng)計(jì)表明，2016年1—9月，該地區(qū)1 000 kV以上大用戶日電量波動率σ呈指數(shù)分布，波動率σ在[0，0.07]區(qū)間用戶密度最大，占比超過70%；[0，0.15]區(qū)間用戶占比超過90%；σ＞0.2的用戶占比約5%，確定日電量波動率95%置信區(qū)間為[0，0.2]。由此選定σ＞0.2作為電量波動異動判斷閾值，并進(jìn)行跟蹤分析。

3.1.2 電量波動典型用戶定位

在確定了指標(biāo)閥值的基礎(chǔ)上，篩選出2016年電量波動指標(biāo)大于0.2的用戶，則可對用戶行業(yè)分類、典型用戶進(jìn)行下鉆分析。

從圖2可以看出，2016年紡織業(yè)、造紙業(yè)、非金屬礦產(chǎn)業(yè)行業(yè)占比最高，總計(jì)超過75%，反映出地區(qū)產(chǎn)業(yè)結(jié)構(gòu)特征與經(jīng)濟(jì)調(diào)整的影響。

圖2 波動率過大用戶行業(yè)分布

在此基礎(chǔ)上，還可以繼續(xù)對用戶進(jìn)行下鉆，如將閥值調(diào)整到0.3，發(fā)生次數(shù)調(diào)整為2次，定位到共有13家用戶符合條件，其中某紙業(yè)公司具有典型特征，該用戶1—9月的波動率均在0.4以上，9月更是達(dá)到了0.73，從電量波動情況可以看出該用戶的生產(chǎn)較不穩(wěn)定，經(jīng)過業(yè)務(wù)部門核查，確定用戶產(chǎn)能的確出現(xiàn)下降，隨即采取措施，及時(shí)預(yù)防電費(fèi)風(fēng)險(xiǎn)的產(chǎn)生。

3.2 負(fù)荷利用率指標(biāo)應(yīng)用

負(fù)荷利用率監(jiān)測分兩個(gè)層面進(jìn)行。一方面監(jiān)測負(fù)荷利用率較低（＜15%）的情況，主要分析用戶可能存在的生產(chǎn)萎縮或報(bào)裝方案不合理；另一方面監(jiān)測負(fù)荷利用率過高用戶（＞100%），主要分析可能存在的安全運(yùn)行與超容用電風(fēng)險(xiǎn)，本節(jié)示例只針對利用率較低的用戶。

從圖3看出，區(qū)域A占比最高，一定程度反映這些區(qū)域傳統(tǒng)加工出口企業(yè)面臨新形勢的風(fēng)險(xiǎn)較其他單位大。

圖3 長期低效大用戶占比地域分布情況

以某印染有限公司為例，該用戶原容量2 600 kVA，行業(yè)類別為紡織業(yè)，除2月外，7—9月的平均日電量為1 119 kWh，平均利用率為0.05。該用戶7—9月日電量與利用率統(tǒng)計(jì)數(shù)據(jù)見圖4。

圖4 用戶日電量與利用率統(tǒng)計(jì)

7—9月期間，除7月1日外，該用戶日電量均小于1 500 kWh，利用率低于0.07，從用戶的日電量及利用率數(shù)據(jù)可以看出，用戶生產(chǎn)情況較為嚴(yán)峻，通過營銷系統(tǒng)查詢得知用戶于9月16日完成永久減容1 600 kVA，減至1 000 kVA。

3.3 用戶日電量變化率指標(biāo)應(yīng)用

日電量變化率采用線性回歸算法，線性擬合系數(shù)λ＜0為趨勢遞減用戶，考慮變化趨勢的顯著性，選擇λ＜-1%作為電量遞減閾值開展分析。

從圖5可以看出，2016年紡織行業(yè)電量呈遞減趨勢的用戶數(shù)遠(yuǎn)遠(yuǎn)大于其他行業(yè)用戶，出現(xiàn)記錄數(shù)最多的五個(gè)行業(yè)分別為紡織、水泥、造紙、化學(xué)原料、制藥。

圖5 日電量遞減用戶行業(yè)分布

3.4 利用模型定位高風(fēng)險(xiǎn)用戶

通過模型定位到的高風(fēng)險(xiǎn)用戶共14家，通過營銷系統(tǒng)業(yè)務(wù)變更情況追溯，發(fā)現(xiàn)其中5家2016年出現(xiàn)過暫?；驈?qiáng)停情況。如浙江某家私有限公司，被定位為高風(fēng)險(xiǎn)用戶，且2016年已經(jīng)關(guān)停。

從行業(yè)分布來看，這14家高風(fēng)險(xiǎn)用戶主要在紡織業(yè)和化工業(yè)，其余11家雖沒有業(yè)務(wù)變更，但通過對相關(guān)企業(yè)電量、負(fù)荷的連續(xù)追溯表明：在1個(gè)月內(nèi)同時(shí)滿足三率異動閥值，其生產(chǎn)運(yùn)營情況的確需要引起關(guān)注。

4 結(jié)語

基于對電量波動率、負(fù)荷利用率、電量變化率指標(biāo)的分析，構(gòu)建了用戶用電風(fēng)險(xiǎn)識別模型，具有較強(qiáng)的業(yè)務(wù)適用性。模型固化后分析周期可由原有每月縮短到每日進(jìn)行，能夠有效幫助營銷部門提升高風(fēng)險(xiǎn)用戶識別預(yù)控能力。主要創(chuàng)新點(diǎn)表現(xiàn)在以下幾個(gè)方面：

（1）利用用電信息采集系統(tǒng)日電量、日負(fù)荷數(shù)據(jù)對用戶用電行為進(jìn)行分析，改進(jìn)以往只關(guān)注月度結(jié)算電量的方式，大大縮短了用戶分析周期，基本實(shí)現(xiàn)了對用戶的實(shí)時(shí)分析，極大提高了用戶風(fēng)險(xiǎn)定位的及時(shí)性。

（2）通過建模的方式，利用科學(xué)的算法對用戶用電數(shù)據(jù)進(jìn)行特征分析，能夠較為全面、準(zhǔn)確地刻畫用戶用電行為特征，有助于提高業(yè)務(wù)部門的工作效率，具有很強(qiáng)的實(shí)用性。

（3）基于大量的用戶用電數(shù)據(jù)，還可以向著預(yù)測用戶電量走勢的方向進(jìn)行拓展，對業(yè)務(wù)部門進(jìn)行負(fù)荷預(yù)測提供科學(xué)有力的輔助，具有很好的拓展性和延伸性。