一种基于大数据分析的用户电量分析预测方法与流程

本发明涉及一种基于大数据分析的用户电量分析预测方法。

背景技术

线损综合反映了电网的规划设计、生产技术和运营管理水平，同时也是供电企业重要的考核指标之一，直接影响到企业的经济效益，而台区线损占据了总线损的较大份额，是线损管理中最基础、最重要的工作内容，因此供电企业通过对于用户电量分析预测，进行现场排查并采取应对措施对台区线损进行管理的需求十分迫切。

技术实现要素：

本发明的目的是为了克服现有技术的不足，提供采用了本发明的一种基于大数据分析的用户电量分析预测方法，其实现了台区线损管理工作的专业化、标准化、流程化，提升了台区线损管理水平。

实现上述目的的一种技术方案是：一种基于大数据分析的用户电量分析预测方法，包括下列步骤：

a1台区数据采集步骤：采集台区的本月供电量实际值、本月售电量实际值、上月供电量实际值、上月售电量实际值；

a2线损率异常的台区判定步骤：计算本月供电量实际值与预测值之间的偏差率ms，上月供电量实际值与预测值之间的偏差率ms1、本月售电量实际值与预测值之间的偏差率ml，上月售电量实际值与预测值之间的偏差率ml1；根据本月供电量实际值与预测值之间的偏差率ms以及本月售电量实际值与预测值之间的偏差率ml，确定本月线损率异常的台区，并确认线损率异常为供电侧线损率异常和/或售电侧线损率异常；

若线损率异常的台区判定步骤中，判定售电侧线损率异常，则进入营销业务数据采集步骤；

a3营销业务数据采集步骤：采集线损率异常的台区内最近新增开户和迁址用户数据，去除新增开户和迁址用户的数据后，重新计算本月售电量实际值与预测值之间的偏差率ml，确定线损率是否异常；若仍然售电侧线损率异常，则进入用户明细数据采集步骤；

a4用户明细数据采集步骤：根据本月每个用户用电量实际值与预测值之间的偏差率mc，确认线损率异常的台区内是否存在线损率异常的用户；

若线损率异常的台区判定步骤中，判定供电侧线损率异常，则进入表计读数采集步骤；

a5表计读数采集步骤：采集线损率异常的台区内用户的表计读数，台区总表读数以及台区负荷曲线，判断供电侧线损率异常的原因是否为台区总表计量错误。

进一步的，所述线损率异常的台区为上月供电侧和售电侧线损均合理，本月供电侧和/或售电侧线损率异常的台区。

再进一步的，本月供电量实际值与预测值之间的偏差率ms＝(s-s')/s'，

s为本月供电量实际值，s'为本月供电量预测值；

s'＝s1×(1+p)，

p为本月电网总低压售电量的环比增长率，s1为上本月供电量实际值，

p＝(x-x1)/x1，

x本月电网总低压售电量，x1为上月电网总低压售电量；

本月售电量实际值与预测值之间的偏差率ml＝(l-l')/l'，

l'＝l1×(1+p)，

l为本月供电量实际值，l1为上月供电量实际值。

更进一步的，若本月供电量实际值与预测值之间的偏差率ms为(-∞，-10％]∪(10％，+∞)则判断本月供电侧的线损率异常，若本月售电量实际值与预测值之间的偏差率ml为(-∞，-10％]∪(10％，+∞)，则判断本月售电侧的线损率异常。

更进一步的，用户明细数据采集步骤中，

本月用户用电量实际值与预测值之间的偏差率mc＝(c-c')/c'，

c为本月用户用电量实际值，c'为本月用户用电量预测值，

c'＝c1×(1+p)，

c1为上月用户用电量实际值。

还要进一步的，若本月用户用电量实际值与预测值之间的偏差率mc为(-∞，-10％]∪(10％，+∞)则判断该用户为线损率异常的用户。

采用了本发明的一种基于大数据分析的用户电量分析预测方法的技术方案，包括下列步骤：a1台区数据采集步骤：采集台区的本月供电量实际值、本月售电量实际值、上月供电量实际值、上月售电量实际值；a2线损率异常的台区判定步骤：计算本月供电量实际值与预测值之间的偏差率ms，上月供电量实际值与预测值之间的偏差率ms1、本月售电量实际值与预测值之间的偏差率ml，上月售电量实际值与预测值之间的偏差率ml1；根据本月供电量实际值与预测值之间的偏差率ms以及本月售电量实际值与预测值之间的偏差率ml，确定本月线损率异常的台区，并确认线损率异常为供电侧线损率异常和/或售电侧线损率异常；若线损率异常的台区判定步骤中，判定售电侧线损率异常，则进入营销业务数据采集步骤；a3营销业务数据采集步骤：采集线损率异常的台区内最近新增开户和迁址用户数据，去除新增开户和迁址用户的数据后，重新计算本月售电量实际值与预测值之间的偏差率ml，确定线损率是否异常；若仍然售电侧线损率异常，则进入用户明细数据采集步骤；a4用户明细数据采集步骤：根据本月每个用户用电量实际值与预测值之间的偏差率mc，确认线损率异常的台区内是否存在线损率异常的用户；若线损率异常的台区判定步骤中，判定供电侧线损率异常，则进入表计读数采集步骤；a5表计读数采集步骤：采集线损率异常的台区内用户的表计读数，台区总表读数以及台区负荷曲线，判断供电侧线损率异常的原因是否为台区总表计量错误。其技术效果是：实现了台区线损管理工作的专业化、标准化、流程化，提升了台区线损管理水平。

附图说明

图1为本发明的一种基于大数据分析的用户电量分析预测方法的流程图。

具体实施方式

请参阅图1，本发明的发明人为了能更好地对本发明的技术方案进行理解，下面通过具体地实施例，并结合附图进行详细地说明：

下面结合附图对本发明的一种基于大数据分析的用户电量分析预测方法包括下列步骤：

a1台区数据采集步骤：采集的数据包括台区类型、台区名称、台区编号、所属营业站、本月供电量实际值、本月售电量实际值、本月线损率、本月线损率区间、本月有电量用户、本月总用户数、上月供电量实际值、上月售电量实际值、上月线损率、上月线损率区间、上月有电量用户和上月总用户数；

a2线损率异常的台区判定步骤：根据本月供电量实际值与预测值之间的偏差率ms和本月售电量实际值与预测值之间的偏差率ml，确定本月线损率异常的台区，进行台区线损率异常的预警。

本月供电量实际值与预测值之间的偏差率ms＝(s-s')/s'，

上月供电量实际值与预测值之间的偏差率ms1＝(s1-s1')/s1'，

s为本月供电量实际值，s'为本月供电量预测值，s1为上月供电量实际值，s1'为上月供电量预测值，

s'＝s1×(1+p)，s1'＝s2×(1+p1)，

其中，s2为上上月供电量实际值；p为本月电网总低压售电量的环比增长率，p1为上月电网总低压售电量的环比增长率，

p＝(x-x1)/x1，p1＝(x1-x2)/x2，

x本月电网总低压售电量，x1为上月电网总低压售电量，x2为上上月电网总低压售电量。

本月售电量实际值与预测值之间的偏差率ml＝(l-l')/l'，

上月售电量实际值与预测值之间的偏差率ml1＝(l1-l1')/l1'，

其中，l'＝l1×(1+p)，l1'＝l2×(1+p1)；

l为本月售电量实际值，l'为本月售电量预测值，l1为上月售电量实际值，l1'为上月售电量预测值，l2为上上月售电量实际值；

本月供电量实际值与预测值之间的偏差率ms可视作台区供电侧的线损率；

本月售电量实际值与预测值之间的偏差率ml可视作台区售电测的线损率。

台区线损率范围为(﹣∞，+∞)，台区线损区间划分为(﹣∞，-10％)，[-10％，0]，(0,10％]，(10％，20％]，(20％，30％]，(30％，40％]，(40％，50％]，(50％，+∞)。

台区线损率合理的区间为[-10％，10％]，台区线损率异常的区间为(﹣∞，-10％]和[10％，+∞)

线损率异常的台区为上月台区线损率合理而本月台区线损率异常的台区。

若本月供电量实际值与预测值之间的偏差率ms超出[-10％，10％]，则判断本月供电侧的线损率异常，若本月售电量实际值与预测值之间的偏差率ml超出ms[-10％，10％]，则判断本月售电侧的线损率异常。

线损率异常的台区判定步骤中，若判断售电侧线损率异常，则进入营销业务数据采集步骤。

a3营销业务数据采集步骤：采集台区与用户的关联关系，台区内最近变更业务数据，如新增开户、迁址用户，电网今年与去年的月度用电量数据。

找到本月线损率异常的台区内新增用户和迁址用户，在去除新增开户、迁址用户的数据后，重新计算本月售电量实际值与预测值之间的偏差率ml，若仍然售电侧线损率异常，则进入用户明细数据采集步骤。

a4用户明细数据采集步骤：采集线损率异常的台区下用户明细数据：供售电标识、户名、户号、是否可计算、倍率、用户类型、上月正向有功、本月正向有功，上月反向有功、本月反向有功、电表表号、电表id、用户地址、电话、用电量、电表营销id，根据本月用户用电量实际值与预测值之间的偏差率mc，确认线损率异常的台区内是否存在线损率异常的用户，

本月用户用电量实际值与预测值之间的偏差率mc＝(c-c')/c'，

上月用户用电量实际值与预测值之间的偏差率mc1＝(c1-c1')/c1'，

c为本月用户用电量实际值，c'为本月用户用电量预测值，c1为上月用户用电量实际值，c1'为上月用户用电量预测值，

c'＝c1×(1+p)，c1'＝c2×(1+p1)，

其中，c2为上上月用户用电量实际值，

若本月用户用电量实际值与预测值之间的偏差率mc超出[-10％，10％]，则判断该用户本月线损率异常，若本月用户用电量实际值与预测值之间的偏差率在[-10％，10％]内，则判断该用户本月线损率合理。

线损率异常的台区判定步骤中，若判断台区供电侧的线损率异常，进入表计信息采集步骤。

a5表计读数采集步骤：采集线损率异常的台区内用户的表计读数，台区总表表计读数以及台区负荷曲线，判断供电侧线率损异常的原因是否为台区总表计量错误。

本发明的一种基于大数据分析的用户电量分析预测方法，采用各类营配数据信息，包括用户历史用电数据、行业数据及合同容量数据等数据，选取合理的数据分析工具对积淀的海量营配数据进行数据清洗、数据集成、数据选择、数据变换、数据建模等数据挖掘和分析工作，建立符合电网企业实际情况的用户电量分析预测方法。

本发明的一种基于大数据分析的用户电量分析预测方法可实现根据众多用户的特征信息，包括行业分类和合同容量，测算不同行业和合同容量用户群的行业理论用电量。同时结合具体用户的历史用电情况对测算得出的用电量数据进行校正，得出具体用户的合理用电量，并根据结果持续对预测结果进行完善，用于后续用户电量预测与分析工作支撑，实现了台区线损管理工作的专业化、标准化、流程化，提升了台区线损管理水平，有助于供电公司及时发现线损率异常和管理存在的问题，提前消除隐患，提高台区线损管理的效率和质量，为台区线损率异常分析预警及管理的作业和决策提供科学依据。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。