天天摸夜夜添狠狠添婷婷,H无码里番肉片在线观看的

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(jù)客戶特質(zhì)來精細化分類管理,，從而提供個性化客戶服務(wù)的綜合能力,。在客戶分類方面,，依據(jù)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(shù)據(jù)情況,，評估用戶負荷發(fā)展水平，細致規(guī)劃批發(fā)側(cè)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(nèi)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(wù)公司,、計量服務(wù)商也開始提供數(shù)字化的計量和統(tǒng)計服務(wù)，這些數(shù)據(jù)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(shù)量的用戶后,，就可以針對這批數(shù)據(jù)進行深入的挖掘,，在長期實踐中累積的數(shù)據(jù)，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(jié)論,。

行業(yè)分類法

依據(jù)以下原則,，為用戶標記標簽，對各用戶分別歸一化,，通過算數(shù)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(chǎn)品組裝等同為勞動密集型產(chǎn)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(quán)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(jīng)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(shù)據(jù)與所有用戶數(shù)據(jù)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(shù)據(jù),，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(shù)據(jù),，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(shù)據(jù)作為樣例，通過上述方法進行分類,，得到如下結(jié)果：

電力用戶年度負荷聚類結(jié)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(shù)據(jù)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(wù)中,，萬里揚能源售電公司采用了前期積累的數(shù)據(jù)，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(jié)果后,，如何對聚類的方法和結(jié)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(jīng)營和提高用戶的收益水平至關(guān)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(jié)果進行優(yōu)化：a.進一步完善用戶負荷特征庫：結(jié)合行業(yè)標記優(yōu)化聚類結(jié)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(shù)進行聚類,；同時近年來,，受到NLP領(lǐng)域encoder-decoder模型啟發(fā),，也有采用深度學習提取時序數(shù)據(jù)特征并進行聚類的嘗試,；c.結(jié)合聚類特征優(yōu)化負荷預測：由于用戶負荷數(shù)據(jù)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?shù)木垲愒诓粌?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