亚洲成在人线在线播放_亚洲精品高清视频_欧美两性网_国产成人综合自拍_九九爱精品_四虎精品免费国产成人_欧美国产韩a在线视频_韩国三级丰满少妇2_欧美一级视频免费_久久免费视频播放,人人爽人人爽人人片AV免费,成人无码h免费动漫在线观看,国产手机在线精品

原創(chuàng) 酥糖 萬里揚能源 2022-01-24

0 引言

隨著發(fā)改價格【2021】1439號文的頒布,，工商業(yè)全部進入電力市場,。面對陡然增長的客戶電量和日益激烈的競爭環(huán)境,，市場必將對售電公司專業(yè)能力提出更高要求,，尤其是售電公司根據客戶特質來精細化分類管理，從而提供個性化客戶服務的綜合能力,。在客戶分類方面，依據歷史用電習慣來對客戶進行分類是最直接的方式,。售電公司在刻畫用戶用電特性時往往面臨兩種場景,，一是在有限信息獲取的條件下，需要快速評估用戶負荷曲線,、評估曲線價值；二是基于用戶歷史數據情況,，評估用戶負荷發(fā)展水平，細致規(guī)劃批發(fā)側電量,。本文將針對這兩種場景，就電力用戶的年度特性研究做一些討論,，后續(xù)將推出更多文章討論日內負荷特性和新冠疫情大環(huán)境下用戶負荷特性,。

1問題分析

在過去相當長的一段時間里，用戶電費都是由供電公司計算并出具憑證,，因此電費單是最容易獲取的材料,，然而往往只能從峰谷差/占比,、累計用電量,、月度間用電差異等方面描述用電習慣,。許多售電公司,、綜合能源服務公司、計量服務商也開始提供數字化的計量和統(tǒng)計服務,，這些數據精準有效,，然而有著比較高的獲取門檻，售電公司之間往往并不互通互聯(lián),。特別是對于獨立售電公司,，如何獲取有效典型用戶的用電特征曲線，是一個十分頭疼的問題,。

2解決方法

當售電公司具備一定數量的用戶后，就可以針對這批數據進行深入的挖掘,，在長期實踐中累積的數據,，可以通過分類和聚類兩種方式進行匯聚并得出有價值的結論。

行業(yè)分類法

依據以下原則,，為用戶標記標簽,，對各用戶分別歸一化，通過算數平均的方式，得出特征曲線：1） 用電占比前80%：剔除小型用戶帶來的波動性,，確保負荷曲線的代表性,；2） 相似的行業(yè)歸并為一類：如紡織服裝、電子產品組裝等同為勞動密集型產業(yè),，契合上下班規(guī)律,；3） 考慮氣候敏感性：我國氣候類型多樣，我司也正在全國范圍穩(wěn)步推進,，涉及氣候類型區(qū)域較多,，如華東大部為夏熱冬冷區(qū)域，華南為夏熱冬暖類型,，而西北多為寒冷地區(qū),，需要針對性建立標簽。

聚類法

以機器學習的視角,，標簽分類是典型的監(jiān)督學習場景,。實際操作中的困難主要是人工標簽的過程中，如果分類太細,，難以具有代表性,，出現(xiàn)一個用戶一類的情況，如果分類太粗,，則可能出現(xiàn)加權后曲線失真的現(xiàn)象,。針對這些困難，在實際應用中我們主要采用了層次聚類法,。層次聚類是經典的聚類算法,，通過計算不同類別負荷的相似度來創(chuàng)建一棵有層次的嵌套聚類樹。合并算法通過計算每一個用戶數據與所有用戶數據之間的距離來確定它們之間的相似性,，距離越小越相似,。對于完整且等長的數據，直接計算相同時間點之間的歐氏距離之和,，作為兩個時間序列的距離,；對于非等長數據，采用DTW方法也能得到特征距離,。

本文選取20家電力用戶2019-2020年負荷數據作為樣例,，通過上述方法進行分類，得到如下結果：

電力用戶年度負荷聚類結果

1類用戶除春節(jié)外,，全年用電較為平均,，未受疫情負面影響；

2類與天氣因素/年度周期規(guī)律存在聯(lián)系,，同時2020年能耗有顯著增加,；

3類用戶曲線與天氣曲線相似度最高（加入天氣數據后,，通過聚類樹判斷）；

4類在2020年受疫情影響明顯,，2019年負荷與1類近似,。

在近期的售電業(yè)務中，萬里揚能源售電公司采用了前期積累的數據,，對未能及時采集收錄的用戶開展了負荷預測工作,。不僅在中長期評估中，起到了保底方案的作用,；在短期決策中也解了燃眉之急,。

3負荷聚類再優(yōu)化

在取得初步的用戶負荷聚類結果后，如何對聚類的方法和結果再優(yōu)化,，以達到更好的聚類效果及更高的負荷預測精度,，對未來售電公司的持續(xù)經營和提高用戶的收益水平至關重要。我們認為主要可以通過三個方面來對用戶負荷聚類結果進行優(yōu)化：a.進一步完善用戶負荷特征庫：結合行業(yè)標記優(yōu)化聚類結果,，進一步增強聚類應用在大范圍使用中的可解釋性,；b.探索更多聚類方式：對于較為平穩(wěn)的用戶負荷，可以通過生成模型（ARMA,、隱馬爾可夫模型等）對應的參數進行聚類,；同時近年來,，受到NLP領域encoder-decoder模型啟發(fā),，也有采用深度學習提取時序數據特征并進行聚類的嘗試；c.結合聚類特征優(yōu)化負荷預測：由于用戶負荷數據存在隨機波動,，通過聚類方式可以減輕隨機波動的影響,。有論文指出，通過恰當的聚類在不優(yōu)化預測方法的前提下,，能夠改善提升時序預測精度,，而在我們的測試中，采用相同預測方法聚類預測可以使得用戶月度負荷預測的精度提升2%左右,。

作者：萬里揚能源科技研究院