0 引言

    近年來，研究人員對電力用戶分類、用電行為特征等進(jìn)行了一些研究。如，文獻(xiàn)[1]以傳統(tǒng)行業(yè)劃分為基礎(chǔ)提出基于聚類的用戶分類研究；文獻(xiàn)[2]進(jìn)一步將居民電力用戶類型作為研究對象，并通過云平臺和聚類算法K-Means相結(jié)合的方式，將居民用戶分為了5類并分析了各類用戶行為；文獻(xiàn)[3]-[6]從用電負(fù)荷的角度出發(fā)，對行業(yè)或家庭用戶進(jìn)行分類，為公司決策提供更有針對性的參考依據(jù)，例如有序用電、峰谷電量，具有一定的實(shí)際意義。研究人員進(jìn)一步討論形成的智能用電策略在有效提高用戶的用電效率，減少家庭能耗，實(shí)現(xiàn)經(jīng)濟(jì)用電的方面很有指導(dǎo)意義。在家庭用戶方面，文獻(xiàn)[7]建立了家庭用戶號、房屋面積、家庭成員數(shù)、每天用電量、峰谷電量、家用電器數(shù)等的數(shù)據(jù)維度模型，進(jìn)而利用大量家庭用戶用電數(shù)據(jù)進(jìn)行分析挖掘?？紤]到用戶負(fù)荷除了受用戶自身作息習(xí)慣和經(jīng)濟(jì)收入等直接因素影響外，還與節(jié)氣、天氣、當(dāng)?shù)刈畹蜌鉁亍⒅匾?jié)假日和地域?qū)傩缘拈g接因素密切相關(guān)，文獻(xiàn)[8]-[10]分別考慮上述因素，實(shí)現(xiàn)對居民用電行為特性的差異化分析，為需求響應(yīng)提供了有效的數(shù)據(jù)支撐，例如峰時耗電率、負(fù)荷率、谷電系數(shù)、平段的用電量百分比等。

    本文基于大數(shù)據(jù)分析平臺，通過BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法，研究各種因素對用戶采暖耗電量的影響，建立用戶的采暖用電量預(yù)測模型，并最終應(yīng)用在北京市“煤改電”工程智能服務(wù)平臺上。本文充分考慮該工程數(shù)據(jù)體量大，找出影響采暖用電量的關(guān)鍵因素。此研究對于降低用戶采暖成本以及完善配電網(wǎng)建設(shè)和用戶用電負(fù)荷配置提供數(shù)據(jù)支撐，具有積極意義。

1 智能服務(wù)平臺架構(gòu)設(shè)計(jì)

    本文中智能服務(wù)平臺總體架構(gòu)主要分為以下5個層次：基礎(chǔ)層、數(shù)據(jù)采集層、數(shù)據(jù)分析層、綜合應(yīng)用層、展現(xiàn)層以及統(tǒng)一信息庫，具體如圖1所示。

    平臺功能架構(gòu)如圖2所示。

    用戶通過智能采暖APP實(shí)時監(jiān)測家庭采暖設(shè)備、采集設(shè)備，對異常情況進(jìn)行告警，同時通過智能采暖APP智能操控采暖設(shè)備，并對采暖設(shè)備的量費(fèi)信息、補(bǔ)貼信息進(jìn)行便捷查詢，提升供電服務(wù)質(zhì)量。

    企業(yè)通過對“煤改電”工程的用戶信息、采暖設(shè)備運(yùn)行情況、室內(nèi)溫度、氣象信息等數(shù)據(jù)的采集、運(yùn)算和分析處理，了解用戶的采暖習(xí)慣偏好，提高用戶采暖用電數(shù)據(jù)預(yù)測的精準(zhǔn)度，同時結(jié)合區(qū)域負(fù)荷數(shù)據(jù)，為完善配電網(wǎng)建設(shè)和用戶負(fù)荷配置提供數(shù)據(jù)支撐。

    值得指出的是，在平臺底層采用了基于Hadoop的HDFS數(shù)據(jù)存儲以及內(nèi)存計(jì)算引擎Spark的大數(shù)據(jù)技術(shù)。HDFS分布式存儲主要是供Hadoop應(yīng)用程序使用，滿足低成本、高容錯、高吞吐等大數(shù)據(jù)處理需求特性。Spark具有構(gòu)架先進(jìn)、運(yùn)算高效、簡單易用等優(yōu)點(diǎn)，同時可與Hadoop無縫連接，提供整體解決方案。此外Spark在機(jī)器學(xué)習(xí)方面有著天然的優(yōu)勢，在迭代處理計(jì)算方面比Hadoop快100倍，系統(tǒng)具有很好的可擴(kuò)展性。

    樣本數(shù)據(jù)采集通過安裝在選取的典型用戶家中的溫濕度傳感器、電流電壓傳感器，按15 min的間隔頻率進(jìn)行數(shù)據(jù)采集，整個采暖季采集到上1 000萬條設(shè)備監(jiān)控數(shù)據(jù)，結(jié)合氣象數(shù)據(jù)服務(wù)平臺提供的采暖季歷史氣象記錄數(shù)據(jù)，通過ETL工具從采集廠商提供的前置數(shù)據(jù)庫讀取到基于大數(shù)據(jù)的智能服務(wù)平臺Hive數(shù)據(jù)倉庫中。

    NN模型訓(xùn)練及預(yù)測流程如圖3所示。主要預(yù)測分析步驟如下：

    (1)通過pySpark編寫數(shù)據(jù)清洗的Job任務(wù)程序，對采集到的異常、缺失、重復(fù)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，并對每個時間段的耗電電量進(jìn)行統(tǒng)計(jì)；

    (2)通過對收集的特征數(shù)據(jù)進(jìn)行相關(guān)性分析，去除相關(guān)性過低的特征數(shù)據(jù)，最終保留相關(guān)性大于0.5的5個特征數(shù)據(jù)；

    (3)對特征數(shù)據(jù)進(jìn)行規(guī)范化數(shù)據(jù)處理，并將數(shù)據(jù)集拆分為訓(xùn)練集和測試集兩組；

    (4)利用Spark引擎提供MLLib機(jī)器學(xué)習(xí)庫中的K-Means聚類算法對訓(xùn)練集數(shù)據(jù)進(jìn)行聚類模型分析；

    (5)利用Spark引擎提供MLLib機(jī)器學(xué)習(xí)庫中的線性回歸算法LinearRegression進(jìn)行線性回歸分析；

    (6)利用Spark引擎提供MLLib機(jī)器學(xué)習(xí)庫中的BP神經(jīng)網(wǎng)絡(luò)算法NNbp進(jìn)行模型訓(xùn)練和預(yù)測分析。

    通過該平臺能快速地對數(shù)據(jù)進(jìn)行處理和分析，從而提升數(shù)據(jù)分析和決策效率。

2 BP模型設(shè)計(jì)和配置

    本文采用BP網(wǎng)絡(luò)(Back-Propagation Network)進(jìn)行模型訓(xùn)練和預(yù)測分析。該BP網(wǎng)絡(luò)由輸入層、隱藏層和輸出層組成。本次研究選用m×k×n的3層BP網(wǎng)絡(luò)模型，網(wǎng)絡(luò)選用S型傳遞函數(shù)f(x)=1/(1+e^-x)，通過反傳誤差函數(shù)E=Σ_i(T_i+O_i)²/2(T_i為期望輸出，O_i為網(wǎng)絡(luò)的計(jì)算輸出)，不斷調(diào)節(jié)網(wǎng)絡(luò)權(quán)值和閾值使誤差函數(shù)E達(dá)到極小。

    基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法，以“室外溫度、室外濕度、室內(nèi)溫度、用戶房屋面積、人口數(shù)”為自變量，反復(fù)調(diào)節(jié)模型參數(shù)，建立預(yù)測模型。因此輸入層的節(jié)點(diǎn)數(shù)為5，輸出層的節(jié)點(diǎn)數(shù)為1。在網(wǎng)絡(luò)設(shè)計(jì)過程中, 確定隱層神經(jīng)元數(shù)量很重要。過多的隱層神經(jīng)元會加大網(wǎng)絡(luò)計(jì)算量，容易產(chǎn)生過度擬合問題; 太少的神經(jīng)元個數(shù)會影響網(wǎng)絡(luò)性能, 可能達(dá)不到預(yù)期效果。網(wǎng)絡(luò)中隱層神經(jīng)元的數(shù)量與實(shí)際問題的復(fù)雜性、期望誤差的設(shè)置以及輸入和輸出層的神經(jīng)元數(shù)直接相關(guān)。本次實(shí)驗(yàn)在選取隱層神經(jīng)元個數(shù)的問題上參照了以下的經(jīng)驗(yàn)公式：

其中，n為輸入層神經(jīng)元個數(shù)，m為輸出層神經(jīng)元個數(shù)，a為[1，10]之間的常數(shù)。

    根據(jù)經(jīng)驗(yàn)公式，神經(jīng)元個數(shù)計(jì)算可取值為4～13之間，在本次實(shí)驗(yàn)中選取隱層神經(jīng)元個數(shù)為6。Sigmoid可微函數(shù)和線性函數(shù)通常被BP神經(jīng)網(wǎng)絡(luò)采用作為網(wǎng)絡(luò)的激勵函數(shù)。由于網(wǎng)絡(luò)的輸出歸一到[-1，1]范圍內(nèi)，因此預(yù)測模型選取S 型對數(shù)函數(shù)tansig作為輸出層神經(jīng)元的激勵函數(shù)。本次預(yù)測模型網(wǎng)絡(luò)迭代次數(shù)epochs選定為5 000，期望誤差goal為0.000 1，學(xué)習(xí)速率lr為0.01。

3 實(shí)驗(yàn)和結(jié)果分析

    本文對北京地區(qū)2017年～2018年實(shí)施了“煤改電”項(xiàng)目的用戶的實(shí)測數(shù)據(jù)進(jìn)行分析，所選數(shù)據(jù)集中包含：室外溫度、室外濕度、室內(nèi)溫度、用戶房屋面積、人口數(shù)及采暖耗電量。本文選取了實(shí)際使用電采暖大于40日的用戶數(shù)據(jù)，對其進(jìn)行數(shù)據(jù)處理與清洗，預(yù)測采暖小時耗電量。對數(shù)據(jù)歸一化處理得到有效數(shù)據(jù)共24 150條。通過模型計(jì)算得到的用戶采暖耗電量，對16 180條訓(xùn)練數(shù)據(jù)的預(yù)測結(jié)果如圖4所示。

    圖4中列出了根據(jù)采集的特征數(shù)據(jù)計(jì)算得到的采暖負(fù)荷的真實(shí)值及預(yù)測值。根據(jù)相對誤差和平均誤差的計(jì)算公式，計(jì)算得到的訓(xùn)練集平均平方誤差為0.821 94。從圖中可以看出，實(shí)際數(shù)據(jù)曲線和預(yù)測數(shù)據(jù)具有一致性，在用戶實(shí)時負(fù)荷數(shù)據(jù)完備且真實(shí)的前提下，本研究所采用的預(yù)測模型能夠有效預(yù)測24小時用戶的用電量。隨著實(shí)際數(shù)據(jù)的積累和模型訓(xùn)練精度的提升，最終能夠?qū)崿F(xiàn)對實(shí)際用戶數(shù)據(jù)的預(yù)測。

4 結(jié)論

    本文建立了基于大數(shù)據(jù)分析的智能服務(wù)平臺，并利用BP網(wǎng)絡(luò)對用戶用電量進(jìn)行實(shí)際建模和預(yù)測，該預(yù)測結(jié)果和實(shí)際數(shù)據(jù)具有一致性。當(dāng)然，實(shí)際的預(yù)測準(zhǔn)確度不但與外界環(huán)境溫度相關(guān)，而且與用戶家庭人口數(shù)、房間大小和使用偏好等特性相關(guān)。因此，針對當(dāng)前有效數(shù)據(jù)量的不足，能夠通過后續(xù)的數(shù)據(jù)補(bǔ)充，進(jìn)行針對性建模和預(yù)測，從而進(jìn)一步提升模型的精度，讓系統(tǒng)發(fā)揮更大的價值。本文所建立的系統(tǒng)已經(jīng)應(yīng)用在北京“煤改電”工程中，對完善配電網(wǎng)建設(shè)和用戶用電負(fù)荷配置具有顯著價值。

參考文獻(xiàn)

[1] 馮曉蒲.基于實(shí)際負(fù)荷曲線的電力用戶分類技術(shù)研究[D].保定：華北電力大學(xué)，2011.

[2] 張素香,劉建明,趙丙鎮(zhèn).基于云計(jì)算的居民用電行為分析模型研究[J].電網(wǎng)技術(shù)，2013(6)：65-69.

[3] 王炳鑫，侯巖，方紅旺.面向“削峰填谷”的電力客戶用電行為分析[J].電信科學(xué)，2017，33(5)：164-170.

[4] 張鐵峰，顧明迪.電力用戶負(fù)荷模式提取技術(shù)及應(yīng)用綜述[J].電網(wǎng)技術(shù)，2016，40(3)：804-811.

[5] 孫毅，劉迪，李彬，等.基于家庭用電負(fù)荷關(guān)聯(lián)度的實(shí)時優(yōu)化策略[J].電網(wǎng)技術(shù)，2016，40(6)：1825-1829.

[6] 孫毅，馮云，崔燦.基于動態(tài)自適應(yīng)K均值聚類的電力用戶負(fù)荷編碼與行為分析[J].電力科學(xué)與技術(shù)學(xué)報，2017，32(3)：3-8.

[7] 趙莉，候興哲，胡君.基于改進(jìn)k-means算法的海量智能用電數(shù)據(jù)分析[J].電網(wǎng)技術(shù)，2014(10)：104-109.

[8] 李樂，辛江.北京農(nóng)村“煤改電”用戶負(fù)荷分析及供電策略[J].中國電力企業(yè)管理，2017(10)：56-58.

[9] 劉旭,羅滇生，姚建剛.基于負(fù)荷分解和實(shí)時氣象因素的短期負(fù)荷預(yù)測[J].電網(wǎng)技術(shù)，2009(12)：98-104.

[10] 蘇適，李康平，嚴(yán)玉廷.基于密度空間聚類和引力搜索算法的居民負(fù)荷用電模式分類模型[J].電力自動化設(shè)備，2018 (1)：129-136.

作者信息:

楊  爍，孫欽斐，朱  潔，陳  平

（國網(wǎng)北京市電力公司電力科學(xué)研究院，北京100075）