论文部分内容阅读
摘 要：随着智能电网的建设，国网系统内积累了海量的设备运行数据和客户用电数据，但是，这些数据并未被充分利用，并发挥其潜在的价值。本文将基于客户的历史用电数据，从不同维度分析客户的用电行为，并分维度进行售电量预测，以此作为对客户行业、用电属性、规模和电压等级等客户类别信息的补充，从而为精细化的管理提供帮助。
关键词：大数据 客户用电行为 售电量预测
一、引言
随着数字时代的到来，全球信息资源进入了一个新的快速增长期，大数据浪潮已在各行各业引起了产业效应，成为除人财物之外的又一大生产要素。近几年，国家电网公司信息化建设不断深入，尤其是SG-ERP、SG-186工程的建设，公司积累了体量可观的数据资源，其潜藏的巨大价值得到了业内专家的一致认可，这些数据资源将成为国网公司提高生产力水平、提升社会价值、实现能源互联网的关键生产要素。但是，在实践方面，公司还没有有效的让这些数据发挥效用的规划方案，对于目前的数据缺乏有效的管理，数据处理方法只能满足基本的业务需求，随着数据量的不断增加和业务需求复杂度的不断提升，目前的数据处理方法在数据存储、处理体量、分析效率都出现了瓶颈现象，这严重制约了公司信息化从数字化向智能化的发展。
二、分析目的
本次分析工作基于浙江某地区的数据，分析范围涉及全行业用户，分析结果能够帮助公司管理层或者政府部门从宏观层面掌握行业发展状况，进而为决策制定提供理论依据：通过分行业售电量趋势分析，便于供电企业掌握辖区各行业的售电量分布及行业发展状况，在用电高峰期可辅助有序用电计划的；通过对未来一年全社会、分行业售电量的预测结果，可帮助供电企业合理安排购电计划和电网生产计划，辅助电网规划决策。
三、分析方法及工具
利用R语言[4]和Tableau对售电量行业分布及异常情况进行趋势分析、分类分析以及售电量预测分析。通过从区域和行业两个维度分析月度售电量按照时间序列的分布情况，发现不同行业、区域之间的不同特征，为售电量预测提供帮助。
四、售电量分析
本章分析主要着眼于行业售电量的分布情况及变化趋势，帮助管理决策人员从宏观层面掌握辖区的产业分布、发展状况以及经济发展趋势。截止到2015年5月经计算，该地区用电客户数为162086，其中，行业用户数为31339，占全社会用户数的19.33%，如图1所示。行业用户中，用户数排名前三的是工业、农林牧渔业、商业住宿和餐饮业，占到全行业用户的64.22%。用户数排名第一的工业用户中，用户数较多的是通用及专用设备制造业、纺织业、食品饮料和烟草制造业，高耗能行业的用户数达到326户，其中，非金属矿物制造业用户数最多，为192户。2014年1月至2015年5月全社会售电量趋势如图5所示，全行业用电量占到全社会用电量的90%以上，该地区地区趸售电量为0。全社会用电中居民用电比较平稳，在高温期的8月用电量突增，在9月份又回归正常水平。全行业售电量波动较大，显现出明显的季节波动性，春节期间，由于多数企业会停产造成售电量显著下降，且年度用电趋势比较类似。在全行业用电量中，工业用电量占到90%以上，剔除掉工业后，其余行业的用电量趋势如图6所示，7大行业的用电量趋势波动较相似，其中交通运输仓储邮政业、信息传输计算机服务和软件业用电量全年比较平稳，其余均表现出明显的季节波动。
五、售电量预测
电网以售电为主营业务，售电量的多少直接影响公司的经营效益，对售电量进行准确的预测有利于公司进行有效的购电计划安排，提高供电可靠性。通过分析2013年1月至2015年5月该地区售电量的历史用电数据、气象数据，得出预测目标的变化规律。
已知全社会售电量具有显著的周期性和季节性特征，以一年为周期，并且每年的7月份和8月份为用电高峰，2月份和3月份为用电低谷，因此采用季节ARIMA模型进行预测，经验证，该地区县的全社会售电量符合季节周期为12的模型。
六、结语
通过全量数据的趋势分析得出，全社会用电中居民用电比较平稳，在高温期的8月用电量突增，在9月份又回归正常水平。全行业售电量波动较大，年度用电趋势类似。对全行业用电量进行分解分析得出，各行业的用电量趋势波动较相似，其中交通运输仓储邮政业、信息传输计算机服务和软件业用电量全年比较平稳，其余均表现出明显的季节波动。通过应用大数据分析挖掘的方法，结合电力系统内外部数据和影响因素，针对不同行业用户特性的售电量分别建立对应的售电量组合预测模型，与传统方法相比，大大提高了结果的精確度。
参考文献：
[1]陈毅波，陈乾，眭建新. 基于大数据技术的电网运营分析决策系统研究[J]. 电力信息与通信技术， 2015（8）：128-131.
[2]汪滔，张伟，吕萌明，汪沄. 基于时间序列的地区电网售电量预测方法研究[J]. 电气技术， 2010（11）：9-12.
[3]崔和瑞，王娣. 基于季节ARIMA模型的华北电网售电量预测研究[J]. 华东电力， 2009， 37（1）：70-72.
[4]杨云莹，任玉珑，段锴. 基于虚拟变量与时间序列法的电量需求预测[J].电力需求侧管理， 2011， 13（5）：17-20.
[5]梁甜甜，高赐威，王蓓蓓. 智能电网下电力需求侧管理应用[J].电力自动化设备， 2012， 32（5）：81-85.
[6]刘壮志，许柏婷，牛东晓. 智能电网需求响应与均衡分析发展趋势[J].电网技术， 2013（6）：1555-1561.
[7]王蓓蓓，李扬. 面向智能电网的电力需求侧管理规划及实施机制[J].电力自动化设备， 2010， 30（12）：19-24.
[8]胡学忠. 智能电网技术在用电营销中的应用研究[D].浙江大学，2012年.
关键词：大数据 客户用电行为 售电量预测
一、引言
随着数字时代的到来，全球信息资源进入了一个新的快速增长期，大数据浪潮已在各行各业引起了产业效应，成为除人财物之外的又一大生产要素。近几年，国家电网公司信息化建设不断深入，尤其是SG-ERP、SG-186工程的建设，公司积累了体量可观的数据资源，其潜藏的巨大价值得到了业内专家的一致认可，这些数据资源将成为国网公司提高生产力水平、提升社会价值、实现能源互联网的关键生产要素。但是，在实践方面，公司还没有有效的让这些数据发挥效用的规划方案，对于目前的数据缺乏有效的管理，数据处理方法只能满足基本的业务需求，随着数据量的不断增加和业务需求复杂度的不断提升，目前的数据处理方法在数据存储、处理体量、分析效率都出现了瓶颈现象，这严重制约了公司信息化从数字化向智能化的发展。
二、分析目的
本次分析工作基于浙江某地区的数据，分析范围涉及全行业用户，分析结果能够帮助公司管理层或者政府部门从宏观层面掌握行业发展状况，进而为决策制定提供理论依据：通过分行业售电量趋势分析，便于供电企业掌握辖区各行业的售电量分布及行业发展状况，在用电高峰期可辅助有序用电计划的；通过对未来一年全社会、分行业售电量的预测结果，可帮助供电企业合理安排购电计划和电网生产计划，辅助电网规划决策。
三、分析方法及工具
利用R语言[4]和Tableau对售电量行业分布及异常情况进行趋势分析、分类分析以及售电量预测分析。通过从区域和行业两个维度分析月度售电量按照时间序列的分布情况，发现不同行业、区域之间的不同特征，为售电量预测提供帮助。
四、售电量分析
本章分析主要着眼于行业售电量的分布情况及变化趋势，帮助管理决策人员从宏观层面掌握辖区的产业分布、发展状况以及经济发展趋势。截止到2015年5月经计算，该地区用电客户数为162086，其中，行业用户数为31339，占全社会用户数的19.33%，如图1所示。行业用户中，用户数排名前三的是工业、农林牧渔业、商业住宿和餐饮业，占到全行业用户的64.22%。用户数排名第一的工业用户中，用户数较多的是通用及专用设备制造业、纺织业、食品饮料和烟草制造业，高耗能行业的用户数达到326户，其中，非金属矿物制造业用户数最多，为192户。2014年1月至2015年5月全社会售电量趋势如图5所示，全行业用电量占到全社会用电量的90%以上，该地区地区趸售电量为0。全社会用电中居民用电比较平稳，在高温期的8月用电量突增，在9月份又回归正常水平。全行业售电量波动较大，显现出明显的季节波动性，春节期间，由于多数企业会停产造成售电量显著下降，且年度用电趋势比较类似。在全行业用电量中，工业用电量占到90%以上，剔除掉工业后，其余行业的用电量趋势如图6所示，7大行业的用电量趋势波动较相似，其中交通运输仓储邮政业、信息传输计算机服务和软件业用电量全年比较平稳，其余均表现出明显的季节波动。
五、售电量预测
电网以售电为主营业务，售电量的多少直接影响公司的经营效益，对售电量进行准确的预测有利于公司进行有效的购电计划安排，提高供电可靠性。通过分析2013年1月至2015年5月该地区售电量的历史用电数据、气象数据，得出预测目标的变化规律。
已知全社会售电量具有显著的周期性和季节性特征，以一年为周期，并且每年的7月份和8月份为用电高峰，2月份和3月份为用电低谷，因此采用季节ARIMA模型进行预测，经验证，该地区县的全社会售电量符合季节周期为12的模型。
六、结语
通过全量数据的趋势分析得出，全社会用电中居民用电比较平稳，在高温期的8月用电量突增，在9月份又回归正常水平。全行业售电量波动较大，年度用电趋势类似。对全行业用电量进行分解分析得出，各行业的用电量趋势波动较相似，其中交通运输仓储邮政业、信息传输计算机服务和软件业用电量全年比较平稳，其余均表现出明显的季节波动。通过应用大数据分析挖掘的方法，结合电力系统内外部数据和影响因素，针对不同行业用户特性的售电量分别建立对应的售电量组合预测模型，与传统方法相比，大大提高了结果的精確度。
参考文献：
[1]陈毅波，陈乾，眭建新. 基于大数据技术的电网运营分析决策系统研究[J]. 电力信息与通信技术， 2015（8）：128-131.
[2]汪滔，张伟，吕萌明，汪沄. 基于时间序列的地区电网售电量预测方法研究[J]. 电气技术， 2010（11）：9-12.
[3]崔和瑞，王娣. 基于季节ARIMA模型的华北电网售电量预测研究[J]. 华东电力， 2009， 37（1）：70-72.
[4]杨云莹，任玉珑，段锴. 基于虚拟变量与时间序列法的电量需求预测[J].电力需求侧管理， 2011， 13（5）：17-20.
[5]梁甜甜，高赐威，王蓓蓓. 智能电网下电力需求侧管理应用[J].电力自动化设备， 2012， 32（5）：81-85.
[6]刘壮志，许柏婷，牛东晓. 智能电网需求响应与均衡分析发展趋势[J].电网技术， 2013（6）：1555-1561.
[7]王蓓蓓，李扬. 面向智能电网的电力需求侧管理规划及实施机制[J].电力自动化设备， 2010， 30（12）：19-24.
[8]胡学忠. 智能电网技术在用电营销中的应用研究[D].浙江大学，2012年.