高宇豆，保 富，黃祖源，田 園，原 野

（云南電網(wǎng)有限責(zé)任公司信息中心，云南昆明 650214）

我國(guó)人口數(shù)量以及經(jīng)濟(jì)發(fā)展的壓力較大，能源消耗速度快、消耗量大。我國(guó)學(xué)者對(duì)節(jié)約電力用戶識(shí)別潛力的研究已經(jīng)從工業(yè)領(lǐng)域擴(kuò)展到經(jīng)濟(jì)領(lǐng)域和社會(huì)環(huán)境領(lǐng)域[1-2]，在需求管理、市場(chǎng)開(kāi)拓、客戶服務(wù)等方面取得了重大突破。文獻(xiàn)[3]在雙因素理論的基礎(chǔ)上，明確了電力服務(wù)對(duì)象。文獻(xiàn)[4]根據(jù)用戶聚類特點(diǎn)，進(jìn)行了節(jié)約電力潛力測(cè)試，得出識(shí)別效果良好的結(jié)論。

但是上述研究并未涉及電力用戶高斯核密度問(wèn)題，節(jié)約電力潛力用戶識(shí)別穩(wěn)定性較差，對(duì)此，該文提出基于數(shù)據(jù)挖掘的節(jié)約電力潛力用戶智能識(shí)別方法，數(shù)據(jù)挖掘技術(shù)主要負(fù)責(zé)從大量數(shù)據(jù)中提取、聚類和分析數(shù)據(jù)信息，能夠?qū)⒂脩舴殖刹煌悇e的潛力對(duì)象，有助于業(yè)務(wù)人員縮小篩選范圍，有針對(duì)性地開(kāi)展節(jié)約電力工作。

1 節(jié)約電力潛力用戶智能識(shí)別

1.1 利用數(shù)據(jù)挖掘技術(shù)估算節(jié)約電力潛力值

利用數(shù)據(jù)挖掘技術(shù)，通過(guò)數(shù)據(jù)預(yù)處理、數(shù)據(jù)挖掘以及數(shù)據(jù)檢驗(yàn)等步驟，進(jìn)行節(jié)約電力潛力測(cè)算[5]。數(shù)據(jù)挖掘流程如圖1 所示。

圖1 中，數(shù)據(jù)挖掘流程包括數(shù)據(jù)清理、數(shù)據(jù)集成以及數(shù)據(jù)分類等具體步驟，以滿足用戶需求為目標(biāo)，根據(jù)當(dāng)前的技術(shù)可行性、經(jīng)濟(jì)可行性與環(huán)?？尚行?，規(guī)則驗(yàn)證所獲取到的數(shù)據(jù)[6]，估算出節(jié)約電力的綜合潛力值。

需要對(duì)節(jié)約電力的潛在價(jià)值進(jìn)行分析，然后根據(jù)計(jì)算結(jié)果對(duì)能源消費(fèi)結(jié)構(gòu)類型進(jìn)行劃分，步驟如下：

依照能源消費(fèi)結(jié)構(gòu)的組成要素即煤、石油、天然氣數(shù)量，提取替代設(shè)備的轉(zhuǎn)化常數(shù)，計(jì)算發(fā)電部分的比重，獲取現(xiàn)有設(shè)備的能源平均效率。節(jié)約電力潛力計(jì)算公式如下：

其中，R表示理論層面的節(jié)約電力潛力，E表示任意一種非電能的能源消耗量，c表示任意一種非電能的能源熱值，α表示用電設(shè)備與非用電設(shè)備的平均效率比值，D表示電能以千瓦·時(shí)為單位的能量轉(zhuǎn)化常數(shù)。根據(jù)消耗燃料的熱值與替代設(shè)備能效數(shù)值，進(jìn)行替代設(shè)備的燃料總消耗量測(cè)算，可行潛力計(jì)算公式如下：

其中，RT表示電能技術(shù)的可行潛力，A表示任意一種非用電設(shè)備的燃料使用量，B表示該種燃料的能源熱值，α1表示任意非用電設(shè)備的效率均值，α2表示用電設(shè)備的效率均值，D表示電能以千瓦·時(shí)為單位的能量轉(zhuǎn)化常數(shù)。默認(rèn)設(shè)備替代前與設(shè)備替代后的燃料使用量相同，則式（2）變成如下形式：

其中，L表示任意一種非電設(shè)備的電能容量，t表示該種非電設(shè)備的運(yùn)行時(shí)長(zhǎng)，完成了節(jié)約電力勢(shì)值的估算步驟，為智能辨識(shí)方法的設(shè)計(jì)提供了數(shù)據(jù)支持。

1.2 獲取電力用戶高斯核密度

在電網(wǎng)中隨機(jī)選取一個(gè)目標(biāo)[7-11]，利用鄰域中最近點(diǎn)和最遠(yuǎn)點(diǎn)之間的距離來(lái)判斷距離。將任意對(duì)象設(shè)為l，則表達(dá)公式如下：

其中，l表示是遠(yuǎn)離簇的任意一個(gè)對(duì)象，設(shè)定最近的相鄰對(duì)象的個(gè)數(shù)k=2，dmin與dmax分別表示空間內(nèi)距離樣本中心的最小距離與最大距離，具體如圖2所示。

圖2 中，在同一個(gè)空間內(nèi)，任意對(duì)象l只存在兩個(gè)有效距離，即最大距離與最小距離。設(shè)定f為任意整數(shù)，則對(duì)象l的離群因子表達(dá)公式如下：

其中，Ne表示電力用戶的用電情況樣本，F(xiàn)(l)表示對(duì)象l的離群因子，u表示電力用戶的數(shù)量，根據(jù)式（6），得出對(duì)象l的高斯核密度公式如下：

其中，Y(l)表示任意對(duì)象l的高斯核函數(shù)，表示對(duì)象b與對(duì)象l之間的距離，Ne表示電力用戶的用電情況樣本，j表示Y(l)函數(shù)的縱向?qū)挾?，定義了函數(shù)的有效區(qū)間，當(dāng)上述參數(shù)滿足的條件時(shí)，則式（7）變成如下形式：

其中，Y表示對(duì)象b與對(duì)象l之間的高斯核密度，表示對(duì)象b與對(duì)象l之間的距離，j表示Y(l)函數(shù)的縱向?qū)挾?。至此，獲取電力用戶用電高斯核密度。

1.3 構(gòu)建用戶隸屬度矩陣設(shè)置智能識(shí)別模式

為了突出節(jié)約電力潛在用戶的特征[12-13]，提取出所需的用戶信息[14]。根據(jù)用電負(fù)荷曲線，得出電力負(fù)荷的變化規(guī)律，具體如圖3 所示。

圖3 中，電力負(fù)荷變化可以劃分為四個(gè)階段，并且從(h1,p1)至(h4,p4)四個(gè)階段的增長(zhǎng)幅度與增長(zhǎng)速度都呈遞增趨勢(shì)。將潛力用戶的綜合評(píng)價(jià)特征進(jìn)行聚類，設(shè)定評(píng)價(jià)集合為并利用離散因子建立綜合評(píng)價(jià)的隸屬度矩陣Q，矩陣表達(dá)公式如下：

其中，qns表示對(duì)第n個(gè)評(píng)價(jià)因素的模糊權(quán)重，并且滿足s=1,2,…,n的條件，矩陣Q包含的集合Z的所有評(píng)價(jià)信息，當(dāng)n為任意整數(shù)時(shí)，矩陣Q結(jié)合權(quán)重向量，變成如下形式：

其中，代表權(quán)重向量，M表示隸屬度矩陣，定義了節(jié)約電力潛力用戶的綜合評(píng)價(jià)方式[15-16]。

2 實(shí)驗(yàn)研究

2.1 獲取攻擊類型指標(biāo)

為了驗(yàn)證此次設(shè)計(jì)的智能識(shí)別算法的穩(wěn)定性，利用電力用戶的意向偏離度，獲取節(jié)約電力潛力用戶類型，用戶意向偏離度計(jì)算公式如下：

其中，Gp表示用戶意向的偏離度，Cp表示用戶p的用電負(fù)荷，Tpi表示用戶p的節(jié)約電力項(xiàng)目i的接受程度，CTi表示電力用戶中對(duì)節(jié)約電力項(xiàng)目i表示感興趣的用戶數(shù)量。根據(jù)式（11）的計(jì)算結(jié)果，劃分為10 組隨機(jī)攻擊類型、均值攻擊類型、流行攻擊類型、段推攻擊類型，其多次平均攻擊參數(shù)具體數(shù)值如表1所示。

表1 攻擊參數(shù)均值

將表1 中不同攻擊類型的數(shù)值的均值，代入攻擊概貌識(shí)別率的公式中，具體表達(dá)如下：

其中，H表示攻擊概貌的識(shí)別率，V表示攻擊概貌的總數(shù)量，P表示真實(shí)的攻擊概貌的數(shù)量。

2.2 智能識(shí)別方法穩(wěn)定性測(cè)試

基于上述攻擊類型指標(biāo)，以文獻(xiàn)[3]方法和文獻(xiàn)[4]方法為現(xiàn)有識(shí)別方法1 和現(xiàn)有識(shí)別方法2，在不同的攻擊強(qiáng)度條件下，與該文智能識(shí)別方法對(duì)比得出實(shí)驗(yàn)結(jié)果如圖4 所示。

圖4中，不同的攻擊強(qiáng)度條件下，兩種現(xiàn)有識(shí)別方法與設(shè)計(jì)的智能識(shí)別算法的測(cè)試穩(wěn)定性均值如表2所示。

從表2 可以看出，此次設(shè)計(jì)的用戶智能識(shí)別方法，比其他兩種現(xiàn)有識(shí)別方法的穩(wěn)定性均值高出12.326%～25.651%不等，證明在不同的攻擊強(qiáng)度下，融合了數(shù)據(jù)挖掘技術(shù)的智能識(shí)別方法穩(wěn)定性更高，可以合理分配資源，更有利于識(shí)別潛在用戶，更適合應(yīng)用在節(jié)約電力潛力用戶識(shí)別領(lǐng)域。

表2 識(shí)別算法穩(wěn)定性測(cè)試結(jié)果均值（%）

3 結(jié)束語(yǔ)

文中利用數(shù)據(jù)挖掘技術(shù)提取所需的用戶信息，估計(jì)節(jié)約電力的潛在價(jià)值，準(zhǔn)確有效地將未知屬性的數(shù)據(jù)樣本劃分為相應(yīng)的類型，構(gòu)造用戶隸屬度矩陣，設(shè)置與匹配智能識(shí)別模式，其應(yīng)用穩(wěn)定性均值比其他兩種現(xiàn)有識(shí)別方法高出12.326%～25.651%不等，為電力行業(yè)相關(guān)管理部門挖掘節(jié)約電力的潛在用戶，判斷節(jié)約電力市場(chǎng)的變化，制定相應(yīng)的節(jié)約電力決策提供一定的理論支持。