摘 要：常規(guī)的電力用戶(hù)畫(huà)像構(gòu)建模型一般為獨(dú)立形式，存在局限，導(dǎo)致最終構(gòu)建得到的重合比下降。本文對(duì)基于多特征融合的電力用戶(hù)畫(huà)像構(gòu)建方法進(jìn)行設(shè)計(jì)與分析。根據(jù)構(gòu)建需求提取電力用戶(hù)行為特征，采用多特征融合的方式打破構(gòu)建形式的局限，并設(shè)計(jì)多特征融合電力用戶(hù)畫(huà)像構(gòu)建模型，采用多級(jí)別畫(huà)像分類(lèi)處理的方式來(lái)進(jìn)行畫(huà)像構(gòu)建。測(cè)試結(jié)果表明，與傳統(tǒng)的遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)電力用戶(hù)畫(huà)像構(gòu)建方法、傳統(tǒng)的大數(shù)據(jù)分析電力用戶(hù)畫(huà)像構(gòu)建方法相比，本文設(shè)計(jì)的多特征融合電力用戶(hù)畫(huà)像構(gòu)建方法得到的電力用戶(hù)畫(huà)像重合比相對(duì)較高，說(shuō)明該方法對(duì)用戶(hù)畫(huà)像以及信息的還原度更高，可靠性更強(qiáng)，更真實(shí)。

關(guān)鍵詞：多特征融合；電力設(shè)置；用戶(hù)畫(huà)像；用戶(hù)偏好分析；畫(huà)像構(gòu)建；電力實(shí)時(shí)監(jiān)測(cè)

中圖分類(lèi)號(hào)：TP 389" " " " 文獻(xiàn)標(biāo)志碼：A

電力用戶(hù)數(shù)據(jù)的收集與分析在電力行業(yè)發(fā)展中非常重要。電力用戶(hù)畫(huà)像構(gòu)建對(duì)優(yōu)化資源配置、提升服務(wù)質(zhì)量和加強(qiáng)用戶(hù)管理有重要的意義。傳統(tǒng)的電力用戶(hù)畫(huà)像構(gòu)建方法多數(shù)為獨(dú)立目標(biāo)式。文獻(xiàn)[1]提出了傳統(tǒng)遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)電力用戶(hù)畫(huà)像構(gòu)建方法，結(jié)合神經(jīng)網(wǎng)絡(luò)技術(shù)篩選并確定用戶(hù)的偏好以及習(xí)慣特征。采用對(duì)比方法進(jìn)行測(cè)算，最終達(dá)到預(yù)設(shè)的構(gòu)建目標(biāo)。文獻(xiàn)[2]提出的傳統(tǒng)大數(shù)據(jù)分析電力用戶(hù)畫(huà)像構(gòu)建方法采用大數(shù)據(jù)奠定基礎(chǔ)，對(duì)區(qū)域性的用戶(hù)特征進(jìn)行描述，符合構(gòu)建標(biāo)準(zhǔn)。這類(lèi)用戶(hù)畫(huà)像構(gòu)建方法雖然可以達(dá)到預(yù)期的處理效果，但是通常局限于單一的數(shù)據(jù)源或特征維度，不能全面反映用戶(hù)的真實(shí)需求和行為特點(diǎn)[3]。因此本文提出基于多特征融合的電力用戶(hù)畫(huà)像構(gòu)建方法。利用多特征融合技術(shù)，整合電力用戶(hù)的用電、行為和社交等多維度數(shù)據(jù)，采用數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)方法精準(zhǔn)提取用電習(xí)慣、需求偏好和信用狀況等特征，構(gòu)建個(gè)性化用戶(hù)畫(huà)像。采用該方法不僅可以了解用戶(hù)的需求，支持個(gè)性化服務(wù)，還可以?xún)?yōu)化資源配置，提升運(yùn)營(yíng)效率和畫(huà)像準(zhǔn)確性[4]。

1 建立多特征融合構(gòu)建方法

1.1 電力用戶(hù)行為特征提取

電力用戶(hù)的行為特征提取不僅關(guān)系到用戶(hù)畫(huà)像的準(zhǔn)確性和完整性，而且直接影響后續(xù)的電力需求預(yù)測(cè)、用電優(yōu)化以及能源管理等多個(gè)環(huán)節(jié)[5]。當(dāng)前用戶(hù)特征的識(shí)別范圍包括但不限于用戶(hù)的用電習(xí)慣、用電時(shí)段、用電負(fù)荷、用電設(shè)備類(lèi)型以及用電量等多個(gè)方面[6]。在當(dāng)前主控程序與識(shí)別結(jié)構(gòu)中設(shè)定數(shù)據(jù)采集裝置，預(yù)設(shè)多個(gè)周期，針對(duì)周期內(nèi)的數(shù)據(jù)變化總結(jié)規(guī)律，并進(jìn)行特征提取，例如用電負(fù)荷值在不同周期內(nèi)變化會(huì)形成對(duì)應(yīng)的規(guī)律，劃分為峰值段和谷值段等，根據(jù)采集的數(shù)據(jù)計(jì)算對(duì)應(yīng)的特征值，如公式（1）所示。

（1）

式中：R為特征值；B為基礎(chǔ)負(fù)荷標(biāo)準(zhǔn)；φ為負(fù)荷波動(dòng)值；I為目標(biāo)負(fù)荷值。

將得到的特征值設(shè)定為后期用戶(hù)畫(huà)像的構(gòu)建指引目標(biāo)，進(jìn)一步反映了用戶(hù)的日常生活習(xí)慣，也揭示了用戶(hù)對(duì)電力的需求模式和用電行為模式[7]。結(jié)合多特征融合原理，將提取的特征劃分為靜態(tài)特征和動(dòng)態(tài)特征，見(jiàn)表1。對(duì)上述特征進(jìn)行提取與分析可以構(gòu)建更加豐富、立體的用戶(hù)畫(huà)像。不僅可以揭示用戶(hù)的用電規(guī)律，預(yù)測(cè)用戶(hù)的未來(lái)用電需求，而且為電力公司提供更精準(zhǔn)的服務(wù)和管理依據(jù)。

1.2 構(gòu)建多特征融合電力用戶(hù)畫(huà)像模型

結(jié)合多特征融合原理從整合后的數(shù)據(jù)中提取與電力用戶(hù)畫(huà)像有統(tǒng)計(jì)學(xué)意義的靜態(tài)特征和動(dòng)態(tài)特征。由于不同特征的數(shù)據(jù)類(lèi)型和取值范圍可能存在差異，因此需要進(jìn)行歸一化處理，將特征值縮放至一個(gè)特定范圍，一般是[0，1]。在不改變數(shù)據(jù)分布的情況下，將數(shù)據(jù)值限定在固定范圍內(nèi)，并進(jìn)行歸一化計(jì)算，如公式（2）所示。

（2）

式中：RNormalization為歸一化處理結(jié)果；Rmin、Rmax分別為處理最小值xmin和最大值xmax。在完成歸一化處理后，需要根據(jù)電力用戶(hù)的實(shí)際情況進(jìn)行特征選擇與權(quán)重分配。根據(jù)業(yè)務(wù)需求和目標(biāo)選擇對(duì)電力用戶(hù)畫(huà)像構(gòu)建最關(guān)鍵的特征，并為每個(gè)特征分配相應(yīng)的權(quán)重。將多個(gè)特征進(jìn)行融合計(jì)算，構(gòu)建用戶(hù)畫(huà)像，建立對(duì)應(yīng)的模型表達(dá)式，如公式（3）所示。

（3）

式中：G（x）為多特征融合后的圖像構(gòu)建輸出結(jié)果；d為調(diào)控矢量；υ為重疊期望值。對(duì)輸出的結(jié)果進(jìn)行對(duì)比，獲取最終的模型數(shù)值。

基于上述測(cè)定得到的結(jié)果對(duì)海量的用戶(hù)數(shù)據(jù)進(jìn)行處理和驗(yàn)證，在模型中增加自動(dòng)更新描述能力，隨著用戶(hù)用電行為變化以及用電數(shù)據(jù)更新，模型對(duì)其進(jìn)行實(shí)時(shí)調(diào)整和優(yōu)化，保證準(zhǔn)確性和時(shí)效性。多特征融合電力用戶(hù)畫(huà)像如圖1所示。對(duì)多特征融合電力用戶(hù)畫(huà)像進(jìn)行構(gòu)建，管理者結(jié)合模型輸出的信息以及數(shù)據(jù)進(jìn)一步了解用戶(hù)的實(shí)際情況，調(diào)整實(shí)時(shí)供電量。用戶(hù)畫(huà)像還可以提高電力分配效率以及服務(wù)質(zhì)量，為用戶(hù)提供更加個(gè)性化的電力解決方案，推動(dòng)電力行業(yè)的智能化和個(gè)性化發(fā)展。

1.3 多級(jí)別畫(huà)像分類(lèi)處理

多級(jí)別分類(lèi)處理需要對(duì)用戶(hù)數(shù)據(jù)進(jìn)行深度挖掘和分析。結(jié)合上文設(shè)計(jì)的多特征融合電力用戶(hù)畫(huà)像模型，采用基于層次聚類(lèi)的算法。根據(jù)用戶(hù)用電數(shù)據(jù)、行為數(shù)據(jù)和社交數(shù)據(jù)等多維特征構(gòu)建用戶(hù)特征向量集。利用層次聚類(lèi)算法，根據(jù)用戶(hù)特征之間的相似性和差異性將用戶(hù)劃分為不同的群組。

在層次聚類(lèi)過(guò)程中，以平均鏈接法作為聚類(lèi)準(zhǔn)則計(jì)算不同群組之間的平均距離來(lái)判斷群組之間的相似性。假設(shè)有2個(gè)群組A和B，其平均鏈接距離D（A，B）計(jì)算過(guò)程如公式（4）所示。

（4）

式中：|A|和|B|分別為群組A和B中用戶(hù)特征向量的數(shù)量；a 為第一個(gè)用戶(hù)的特征向量；b為第二個(gè)用戶(hù)的特征向量；d（a，b）為用戶(hù)特征向量a與b之間的距離。

在劃分用戶(hù)群組后，基于用戶(hù)特征向量在群組內(nèi)的分布情況以及預(yù)設(shè)的分類(lèi)標(biāo)準(zhǔn)對(duì)每個(gè)群組內(nèi)的用戶(hù)進(jìn)行畫(huà)像分類(lèi)。假設(shè)群組G中的用戶(hù)特征向量服從高斯分布，利用概率密度函數(shù)計(jì)算用戶(hù)屬于某個(gè)類(lèi)別的概率。假設(shè)用戶(hù)特征向量x屬于類(lèi)別C的概率為P（C|x），那么可以利用貝葉斯公式進(jìn)行計(jì)算，如公式（5）所示。

（5）

式中：P（x|C）為在類(lèi)別C下觀察到特征向量x的概率；P（C）為類(lèi)別C的先驗(yàn)概率；P（x）為特征向量x的邊緣概率。比較不同類(lèi)別的后驗(yàn)概率，將用戶(hù)劃分至概率最大的類(lèi)別中。

根據(jù)上述測(cè)定得到的結(jié)果將用戶(hù)劃分為不同的類(lèi)別，例如高用電量用戶(hù)、低用電量用戶(hù)和高峰用電用戶(hù)等。根據(jù)用戶(hù)的用電量并結(jié)合上述劃分的類(lèi)別建立對(duì)應(yīng)的畫(huà)像層級(jí)，多級(jí)別畫(huà)像分類(lèi)處理如圖2所示。在這個(gè)過(guò)程中，結(jié)合用戶(hù)的靜態(tài)特征與動(dòng)態(tài)特征細(xì)分用戶(hù)群體，精準(zhǔn)把控用戶(hù)的需求特點(diǎn)和行為模式。由于多級(jí)別畫(huà)像設(shè)定的分類(lèi)標(biāo)準(zhǔn)并不是固定的，因此需要結(jié)合電網(wǎng)的實(shí)際運(yùn)行情況、區(qū)域用電量的變化和用戶(hù)用電習(xí)慣的改變等進(jìn)行周期性調(diào)整，增加畫(huà)像分類(lèi)處理的靈活性，提高圖像的真實(shí)度。

2 試驗(yàn)

本文對(duì)基于多特征融合的電力用戶(hù)畫(huà)像構(gòu)建方法實(shí)際應(yīng)用效果進(jìn)行分析，采用對(duì)比的形式進(jìn)行分析，保證最終測(cè)試結(jié)果真實(shí)、可靠。以H區(qū)域的電力用戶(hù)作為這次試驗(yàn)的目標(biāo)對(duì)象，結(jié)合應(yīng)用數(shù)據(jù)對(duì)用戶(hù)進(jìn)行定位。將傳統(tǒng)遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)電力用戶(hù)畫(huà)像構(gòu)建方法、傳統(tǒng)大數(shù)據(jù)分析電力用戶(hù)畫(huà)像構(gòu)建方法以及本文方法進(jìn)行對(duì)比，結(jié)合實(shí)際需求搭建對(duì)應(yīng)的測(cè)試環(huán)境。

2.1 試驗(yàn)準(zhǔn)備

結(jié)合多特征融合技術(shù)搭建H區(qū)域電力用戶(hù)畫(huà)像構(gòu)建方法的測(cè)試環(huán)境，如圖3所示。設(shè)定數(shù)據(jù)采集裝置和預(yù)設(shè)周期，提取用戶(hù)的用電習(xí)慣、負(fù)荷等特征，并利用公式（1）計(jì)算特征值，將特征劃分為靜態(tài)和動(dòng)態(tài)2類(lèi)，以形成豐富、立體的用戶(hù)畫(huà)像。利用公式（2）的歸一化處理整合特征數(shù)據(jù)，選擇關(guān)鍵特征并分配權(quán)重，融合多特征設(shè)計(jì)公式（3）中的用戶(hù)畫(huà)像模型，并實(shí)時(shí)調(diào)整以保持準(zhǔn)確性。采用層次聚類(lèi)算法和多維特征構(gòu)建用戶(hù)特征向量集，采用平均鏈接法計(jì)算群組相似性，利用貝葉斯公式劃分用戶(hù)類(lèi)別，并構(gòu)建多級(jí)別電力用戶(hù)畫(huà)像。

隨機(jī)抽取1 200戶(hù)已安裝非入戶(hù)終端電力微信客戶(hù)端的居民作為試驗(yàn)對(duì)象，調(diào)取其用電數(shù)據(jù)以及信息作為測(cè)試參考，標(biāo)定總負(fù)荷與分項(xiàng)辨識(shí)負(fù)荷數(shù)據(jù)。根據(jù)數(shù)據(jù)設(shè)定提取特征值，并建立圖像的標(biāo)簽，然后對(duì)用戶(hù)行為簇別進(jìn)行聚類(lèi)分析，根據(jù)多特征融合明確基礎(chǔ)測(cè)試環(huán)境，見(jiàn)表2。對(duì)電力用戶(hù)畫(huà)像測(cè)試環(huán)境進(jìn)行分析，在此基礎(chǔ)上對(duì)選定的測(cè)試區(qū)域進(jìn)行實(shí)時(shí)監(jiān)測(cè)，設(shè)定3個(gè)新的周期，為維修測(cè)試奠定基礎(chǔ)。

2.2 試驗(yàn)方法與結(jié)果

在上文搭建的測(cè)試環(huán)境中，結(jié)合多特征融合對(duì)電力用戶(hù)畫(huà)像構(gòu)建方法進(jìn)行分析。對(duì)3個(gè)周期的用電情況進(jìn)行分析，并采集對(duì)應(yīng)的數(shù)據(jù)和信息，對(duì)比用戶(hù)簇聚類(lèi)分布實(shí)況，如圖4所示。本文采用平均鏈接法作為聚類(lèi)準(zhǔn)則，計(jì)算不同群組之間的平均距離來(lái)判斷群組之間的相似性，以對(duì)特征進(jìn)行聚類(lèi)處理。由圖4可知特征聚合為1個(gè)群組。此時(shí)，根據(jù)聚類(lèi)后的特征對(duì)用戶(hù)的畫(huà)像進(jìn)行構(gòu)建，得到結(jié)果后，與初始的用戶(hù)信息進(jìn)行對(duì)比，測(cè)定畫(huà)像重合比。畫(huà)像重合比用于描述2個(gè)或多個(gè)圖像之間重疊部分的比例。設(shè)圖像一的面積為 A1，圖像二的面積為A2，圖像一和圖像二重疊部分的面積為A1，2。圖像一與圖像二之間的重合比RAB如公式（6）所示。

（6）

測(cè)試結(jié)果多周期分析見(jiàn)表3。與傳統(tǒng)遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)電力用戶(hù)畫(huà)像構(gòu)建方法、傳統(tǒng)大數(shù)據(jù)分析電力用戶(hù)畫(huà)像構(gòu)建方法相比，本文方法得到的電力用戶(hù)畫(huà)像重合比相對(duì)較高，最高值為9.67，說(shuō)明該方法對(duì)用戶(hù)畫(huà)像以及信息的還原度更高，可靠性更強(qiáng)。

為進(jìn)一步驗(yàn)證設(shè)計(jì)方法的實(shí)用性，以響應(yīng)時(shí)間為試驗(yàn)指標(biāo)進(jìn)行對(duì)比，測(cè)試結(jié)果見(jiàn)表4。由表4可知，傳統(tǒng)遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)電力用戶(hù)畫(huà)像構(gòu)建方法的響應(yīng)時(shí)間最長(zhǎng)為5.9 s，傳統(tǒng)大數(shù)據(jù)分析電力用戶(hù)畫(huà)像構(gòu)建方法的響應(yīng)時(shí)間最長(zhǎng)為9.6 s，本文方法響應(yīng)時(shí)間最高為1.6 s，低于對(duì)比方法，本文方法能夠在較短的時(shí)間內(nèi)完成畫(huà)像構(gòu)建，縮短了用戶(hù)的等待時(shí)間，提高了用戶(hù)體驗(yàn)。

3 結(jié)語(yǔ)

本文研究基于多特征融合的電力用戶(hù)畫(huà)像構(gòu)建方法，不僅可以提升電力服務(wù)質(zhì)量，優(yōu)化資源配置，而且結(jié)合多特融合技術(shù)更加全面、準(zhǔn)確地刻畫(huà)電力用戶(hù)的特征，在此基礎(chǔ)上對(duì)同區(qū)域用戶(hù)進(jìn)行定向描述，為電力企業(yè)的精細(xì)化運(yùn)營(yíng)提供了有力支撐，推動(dòng)電力企業(yè)向智能化、精細(xì)化方向發(fā)展。

參考文獻(xiàn)

[1]王海龍，李冠龍，黃鑫磊，等.基于遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)的電力潛在敏感用戶(hù)畫(huà)像聚類(lèi)算法[J].微型電腦應(yīng)用，2024，40（1）：138-140，144.

[2]王永明，陳宇星，殷自力，等.基于大數(shù)據(jù)分析的電力用戶(hù)行為畫(huà)像構(gòu)建方法研究[J].高壓電器，2022，58（10）：173-179，187.

[3]劉育平，楊爾欣，李洪，等.基于用戶(hù)畫(huà)像特征的優(yōu)質(zhì)電力園區(qū)多維度能耗預(yù)測(cè)模型[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2023，53（10）：42-51.

[4]程俊春，王飛鳴，袁進(jìn)學(xué).電網(wǎng)企業(yè)審計(jì)數(shù)字化“用戶(hù)畫(huà)像”的應(yīng)用與探索[J].云南電力技術(shù)，2023，51（1）：60-66.

[5]王巖，黃瑩，王文瑾，等.電力客戶(hù)準(zhǔn)確定位與立體畫(huà)像多維構(gòu)建研究[J].武漢理工大學(xué)學(xué)報(bào)（信息與管理工程版），2023，45（1）：156-159.

[6]汪波，劉沙，鄭穩(wěn).基于深層標(biāo)簽和K-Means++算法的電力用戶(hù)畫(huà)像研究[J].鞍山師范學(xué)院學(xué)報(bào)，2022，24（6）：43-48.

[7]苗光堯，安靜，黃小花，等.基于多源數(shù)據(jù)融合的電力用戶(hù)畫(huà)像構(gòu)建方法研究[J].自動(dòng)化技術(shù)與應(yīng)用，2022，41（8）：93-96，125.