“互联网+传统行业”代表着一种新的经济形态, 它指的是依托移动互联网、大数据、云计算、物联网等实现互联网与传统行业的深度融合, 创造新的发展生态, 完成经济转型和升级。电力企业依托庞大的用户基数, 能够通过技术手段采集到大量的用户用电数据, 在此基础上进行数据分析和挖掘, 基于“互联网+”思维可以创造性的研究新的发展生态, 更好的服务于大量用户。但是, 大量用户用电数据是企业的宝贵资源, 并不会完全公开发布, 它只会依据需要提供处理过的数据。
一、家庭用电预警算法研究的背景描述
传统的用电数据反馈不能及时反馈异常用电情况, 缺乏即时的预警机制。传统的家庭用户一般每月缴费一次, 如果家中某个用电设备异常耗电, 或者电表异常等特殊情况, 只能在未来的电费中体现, 或者可能并未注意这种异常。那如何才能更好的预见这种情况呢?如果我们能有比较实时的用户用电数据, 就能分析和挖掘用电异常, 以便给出预警信息。如今, “国网浙江电力”微信公公众号是国家电网浙江省电力公司提供给浙江省居民用户使用, 特别是它提供了用电分析和用电查询模块, 能够让用户查询近一个月内每日用电数据, 包括峰谷用电数据。在电力公司未开放数据接口, 以及未提供用电预警服务的当前情况下, 我们可以基于python爬虫获取公众号内查询到的每日用电数据进行保存, 并通过纵向的单用户的历史数据和横向的本地多用户的当日数据进行数据分析和数据挖掘, 探索规律性结果, 研究预警算法, 并研发预警系统。
二、单用户历史数据的预警算法研究
(一) 家庭用电数据特点分析
家庭用电中常规的电器用电比较平稳, 而空调、热水器等耗电量大的电器, 依据用户习惯随着四季及气温波动而变化明显, 而电器使用时间和频次还可能跟每周的工作日、周末等呈现一定的周期性。从实际获取到的数据看, 单用户每日用电量波动还是较大, 不同家庭的用电数量也存在较大差异。所以要充分利用家庭用户历史数据为预警算法服务。
(二) 单用户预警算法研究
设t0是被预警的当日的用电数据, 该数据往往要第二日才能出来, 所以预警信息发布的是前一天的用电反馈。
可以从近期数据的较大的升 (降) 率、历史同期数据的异常偏大 (小) 值等角度分析。
1. 近期数据的较大的升 (降) 率预警算法
较大的升降值可能是正常的, 比如突然天气很热, 空调要开起来用等。但也会因为电器异常等各类不明原因而突然耗电等。假设数列T:t1、2t...ts-1ts表示的是某用户近期每日用电的历史数据, 从公众号爬取的数据如果有缺失值、异常值预先进行了处理。其中ti表示预警当日的前i天的用电数据。
简单考虑升降的变化, 应该是被预警当日的数据可以跟前一天的数据比较, 用相对变化来计算升降率:m= (0t1-t) /1t。
但是, 考虑到相邻两天的数据波动还是比较大的, 所以可以设计采用近期多日的数据的加权平均值作为比较数据:t=α1 t1+α2 t2+...+αs ts, 其中权值αi≥0 (i=1, 2, ...., s) , 且α1+α2+...+αs=1。于是相对变化的升降率为:M= (0t-t) /t。
设定一个阈值k>0, 如果|M|>k, 则表示升或降较大, 需要给出预警。以上的权值、阈值、甚至s的值都可以给出推荐值, 也可以由用户设定。
2. 历史同期数据的异常偏大 (小) 值预警算法
用电数据按年度有一定的周期性, 原因在季节的变化, 但不能直接和历年的同月同日的数据比较。
这次假设数列T:t1、2t...ts-1ts表示的是某用户去年或多年的本月历史数据, 对这批数据依照显著性水平α, 计算出置信区间[a, b], 本月当日数据若在置信区间之外的, 即t0b, 就需要给出预警信息。α的值都可以给出推荐值, 也可以由用户设定。
三、本地多用户当日数据的预警算法研究
(一) 本地多用户当日数据特点分析
家庭用电中, 有些大功率的电器使用受到气候的影响较大, 比如空调;也有在一定程度上受到气候的影响、也跟个人的卫生习惯有关, 比如热水器。考虑到同一个地区的气候比较接近, 对家庭使用高功率电器的影响比较一致, 所以本地用户当日的用电数据升或降会趋于一致。
(二) 本地多用户当日数据异常偏大 (小) 值预警算法
那用什么来评判这个升或降的程度呢?考虑到个家庭用户因住宅情况, 用电量差异较大, 所以我们使用在3.2.1中计算的单用户的升降率M来评判。
设M 1、M2...Mn表示本地n个家庭用户的当日的升降率数据, 对这批数据依照显著性水平α, 计算出置信区间[a, b], 本月当日数据若在置信区间之外的, 即0tb, 就需要给出预警信息。α的值都可以给出推荐值, 也可以由用户设定。
四、总结和展望
家庭用电预警作为一种警示, 主要起到提醒作用, 实际中因多种因素的影响, 还需要用户自行判断。本文设计的单用户的两种预警算法研究只考虑了用户历史用电数据, 实际上, 结合爬取每日的气温、湿度等数据, 应该能够更好的改善算法;但同时, 本地多用户的预警算法, 可以在不结合气温、湿度等数据的情况下, 将气候对一个地区的影响趋同效果考虑进来。另外, 一些参数, 可以结合运行情况, 优化设置。
摘要:本文涉及到一个家庭用电预警算法的研究, 首先介绍了“互联网+”的思想和算法研究的基本背景, 接着分单用户用电数据和多用户用电数据分别介绍了单用户近期数据的较大的升 (降) 率、单用户历史同期数据的异常偏大 (小) 值、本地多用户当日数据异常偏大 (小) 值的预警算法, 采用了加权平均值、置信区间等处理方法。最后, 对研究进行了总结和展望。
关键词:家庭用电,预警,算法,加权平均,置信区间
参考文献
[1] (美) Wes McKinney着.唐学韬等译.利用Python进行数据分析[M].上海:机械工业出版社, 2014.
[2] (美) Sheldon M.Ross着, 童行伟, 梁宝生译.概率论基础教程 (原书第9版) [M].上海:机械工业出版社, 2014.