摘要：电力企业在我国发展过程中发挥着不可替代的作用，社会市场的发展需要电力提供保障，因此人们对电力的需求提出更高要求。基于此，在电力企业当中，需要将提高电力用户终端用电效率作为工作的重点内容，这样才能保证电力能够得到合理应用。电力的科学合理利用，不能仅仅依靠电力企业的努力，还需要用户的积极配合。只有这样才能实现我国电力企业更好发展的同时，实现我国社会的稳定进步。
关键词：电力行业；大数据技术；用电
引言
大数据的应用越来越广泛，带动了各个行业朝着信息化的方向发展。电力行业是与人们日常生活息息相关的重要行业，需要充分利用大数据技术提高自身的管理水平和服务水平，但是与此同时也要特别注意数据信息安全问题，防止一些不法分子利用系统漏洞盗取企业信息，对企业造成严重的损失。
1基于电力大数据的用户用电行为分析
目前，比较常用的用户用电行为分析方法是聚类分析法。行业中普遍使用的聚类分析方法为基于k-means的聚类算法。k-means算法有效解决了经典的聚类问题，处理问题快速、简单，这种方法虽然具有一定的高效性以及伸缩性，但是用这种方法所得的聚类结果对初值的敏感度比较高，初值不同所产生的结果也不同，如果初值选择不合理，就会导致聚类结果出现偏差，因此面对用电数据比较大的电力用户时，这种方法并不适用。模糊聚类算法中使用比较广泛的是模糊C均值聚类算法，这种方法能够通过对目标函数予以优化获取每个样本点对不同类中心的隶属度，样本点隶属的判断需要以实现样本数据分类为目标。[1]但是，使用模糊C均值类算法对离散数据点集合进行处理时，无法处理类型比较特殊的数据，无法对数据是否具备聚类结构进行判断，并且在选择初始值时具有较强的依赖性。一些学者提出了以云计算为基础的电力大数据聚类问题的计算方法，这种方法能够同时处理大量数据，并且速度也比较快，但是在具体使用过程中，因Hadoop读写比较频繁，而且包含的数据量比较大，很容易产生性能方面的问题。对于大数据用户用电行为，使用经典聚类算法进行分析的时候存在问题，因此出现了很多改进算法，比如，以云计算为基础的k-means算法、以SparkR为基础的并行化k-means算法等。对电力大数据用户的用电行为进行分析的时候，使用云计算k-means算法有利于开发大规模的数据并对其进行处理，还能够显著提升处理能力，使数据处理更加高效。运用云计算，能够在数据库中存储海量的电力大数据，并且借助k-means计算模型高效分析数据。
2用户用电行为影响因子确定
用户用电行为影响因子主要是根据用户用电行为的启停方式不同以及所受到的影响因素不同进行分类。用户用电行为影响因子主要有三大类: 自我影响因子、自然环境影响因子和社会环境影响因子。
2.1 自我影响因子
自我影响因子主要是指由于用户自身原因对用户用电行为产生影响的影响因子，一般涉及用户的用电计划变化、自身重大用电事故等，这类影响因子可以根据用户的历史用电数据变化或用户的用电计划变化分析得出，在用户的用电计划未知的情况下可以将足够大的历史用电数据进行一些分析计算，预测用户的用电计划。
2.2 自然环境影响因子
自然环境影响因子是指用户的用电行为受到自然环境变化的影响，主要包括温度、湿度、风力、天气以及季节的变化对用户用电行为的影响，这类影响因子结合用户的用电行为曲线与气象曲线对比得出，添加恰当的数理分析方法可以筛选出电力大数据中受自然环境影响因子影响的电力数据。
2.3 社会环境影响因子
社会环境影响因子主要包括国内节假日以及重大国家事件对用户用电行为的影响，如春节、黄金周、APEC 和十九大会议等对用户行为的影响。由于此类影响因子的随机性与不确定性因素较大，因此该类影响因子有时需要手动选择并筛选。分析可能影响用户用电行为的影响因子，并对不同种类的影响因子进行准确的筛选可以使电力数据更具代表性，使基于电力大数据的用户用电行为分析结果更加特性鲜明，用户用电行为特征更加明显，基于用户用电行为特征的分析预测更加准确，更有利于实现电网资源的优化配置。
期刊文章分类查询,尽在期刊图书馆
3大数据技术
大数据的处理过程比较复杂，需要从不同类型的数据中“去粗存精”“去冗分类”，最终获得有价值的信息，整个过程需要经过多个处理阶段。如今大数据处理模型中比较经典的是Usama Fayyad等设计的多阶段处理模型，其中包含了数据采集、预处理、数据管理与存储以及数据分析等各个环节步骤。通常情况下，可以将大数据采集分为基础支撑层以及智能感知层。大数据采集技术主要包含感知技术、智能识别技术、大数据接入和传输技术以及大数据压缩技术等。所谓的大数据预处理是指对大数据进行抽取、分辨并予以清洗等操作。因得到的数据可能类型以及结构比较多，所以抽取数据的过程是将复杂的数据转化成便于处理的或者是单一的结构，以便对其快速地进行分析处理，对于大数据中没有利用价值的内容，需要对其进行“去噪”处理。对大数据进行存储及处理时，需要用到储存器将采集所得的数据存储起来，并建立对应的数据库，同时开展管理以及调用工作，解决大数据可表示、可存储等方面的问题。大数据的存储及管理技术包含了大数据的数据组织技术、存储技术、数据库技术和可视化技术等方面的关键技术。
4电力用户画像在业务平台的应用场景
4.1网格化平台的差异化营销服务
以客户标签、网格服务责任区为基础，由网格员组织落实网格内客户差异化精准服务，增强服务的针对性、及时性。对政要客户、商企客户、大电量用户等“正向标签”客户，建立“一对一”大客户经理制，提供优先用电保障、主动推送信息、限时解决诉求等优质服务，依托“三型一化”营业厅，协同开展新业务体验、市场引流服务；对屡次欠费、窃电与违约等“负向标签”客户，提供费控策略、定期核查等标准服务；对投诉客户、用电安全高危客户、孤寡老人等“特性标签”客户，提供常态对接、主动联络、定期上门服务等特殊服务，做到合理诉求及时解决、潜在风险及时化解，确保服务问题不出网格；设置电费优化模型，为部分适宜采取居民峰谷电价的大电量居民客户推送调整建议。
4.2电力行业大客户增值服务
结合第三方满意度测评报告中企业客户对供电方案答复时间的期望，有效监控大客户新装流程，对答复时间偏长的工单及时生成预警标签，同步至营销业务系统，提示相关工作人员加快工作进度，并主动联系客户说明具体原因，提升客户满意度。实时监控大客户基本电费情况，结合需量计算和容量计算的差异模型，确定客户最优基本电费计算方案，并推送至客户，降低客户用能成本；设置功率因数阀值，对电费过高的客户推送无功补偿优化方案，在降低客户实际电费的同时，减少电网末端无功消耗，降低配网高压线损，提高电网稳定性。
4.3微信公众号平台客户细分及精准信息推送
根据客户标签画像，细分微信客户群体，将客户标签划分为政要、企业、大电量和高危等特殊服务群体；交费量大、用电行为优质等正向标签户；长期欠费、违约用电和窃电等负向标签户；以地市区域划分的属地客户以及敏感客户等。针对政企等特殊服务群体采取用电、用能分析定向推送，停电信息及时通知等精准服务，保证特殊群体在第一时间获取消息；针对交费量大、用电行为优质的正向标签户定向推送用电表扬信、增值服务建议、新业务介绍等服务信息，增加互动性；针对负向标签户定向推送催交费通知书、电量突变提醒、安全用电常识等内容；对敏感客户实时推送停电致歉信、服务成效等内容，从而实现客户服务的差异化。设置电费优化模型，为部分适宜采取居民峰谷电价的大电量居民客户推送调整建议。
结束语
结合大数据信息处理技术，实现对电力用户用电信息的有效监测，根据对电力用户用电信息的采集结果，采用自适应信息调度方法，提高对电力信息的管理和系统控制能力。
参考文献
[1]苏品毓.基于大数据的用户用电特性研究[D].华北电力大学(北京),2017.
[2]杨璐.基于电力大数据的用户行为分析及可视化技术应用[D].华北电力大学,2017.
[3]党阳.探讨电力行业的大数据安全防护[J].电子技术与软件工程,2015(20):190.
论文作者:马倩
论文发表刊物:《电力设备》2019年第16期
论文发表时间:2019/12/9
标签：数据论文; 用户论文; 客户论文; 因子论文; 电力论文; 算法论文; 技术论文; 《电力设备》2019年第16期论文;