在能源互聯網和智能電網背景下，準確的用戶用電行為特征分析和用電量短期、長期預測對電網需求側管理和基于互聯網的售電主體精準消費具有重要的指導意義。基于用戶社會屬性、用電行為特征、互聯網行為將電力用戶進行分類，進而實現群體用電行為預測，可以幫助售電主體更深入地了解用戶群體特征，為電力精準消費和制定電力需求側響應策略提供數據支撐。

隨著中國電力體制改革和能源互聯網戰略的不斷推進，電力用戶在互聯網售電平臺上購電和用電增值服務，形成種類豐富的用戶數據，包括用戶屬性數據、用電行為數據、上網行為數據等。基于這些用電大數據將用戶用電行為特性進行多維度分解，建立用戶分類模型，深刻認識電力用戶群體效應，能夠形成基于群體的用電模式差異化預測模型。

目前，對電力用戶群體分析方法多是基于歷史負荷數據，建立基于人工智能方法的負荷識別和預測模型，再利用聚類的方法實現基于用電行為的用戶群體分析，或是基于行業或領域等用戶屬性將電力用戶進行細分，進而形成群體一屬性的關系。這些分類方法往往一個群體中的用戶只包含了個別共同屬性，難以真正形成包含個體屬性、用電行為和互聯網行為等多種屬性的相似用戶群體，并用于構建基于群體特征的用戶用電行為分析預測模型。

標簽作為一種用戶行為的標識方法，蘊含了很多反映用戶屬性、用電偏好的信息。通過對標簽數據的分析，結合相同標簽數量和負荷相似度形成用戶關聯度網絡模型，得到相似電力用戶群體，提取群體的主要特征以及發現群體中的重要用戶，便于互聯網售電主體實施個性化增值服務產品和用電套餐推薦，進而提升電力服務質量。

7.2.2相似用戶群體識別方法

如圖7-8所示，基于大數據的電力用戶群體分析方法主要包括：

圖7-8電力用戶群體分析方法

（1）構建電力用戶及其標簽二元關系網絡。如圖7-9所示，對電力用戶全體分析的第一步是定義電力用戶社會屬性及用電行為標簽，將用戶與其所屬的標簽進行連接，形成相互關系二元網絡，其中a、b、c、d代表用戶節點，L1、L2、L3、L4代表用戶標簽。

圖7-9“用戶-標簽”二元關系網絡

（2）建立用戶節點間相互關系權重模型。用戶節點間的相互關系權重是用戶相似度的表現，包括的用戶社會屬性相似度和用電行為相似度，其中用戶社會屬性、用戶信用和購電渠道等可以定義為靜態標簽，用相同標簽數量表征其相似性，但用電行為中的歷史負荷為動態數據，難以用標簽描述，該指標卻是用戶相似性和群體刻畫的關鍵內容。基于上述因素，以標簽相同個數為權重模型的基礎，將負荷相似度作為權重因子，使得權重模型即包含靜態標簽相似性，又包含動態負荷相似性。

將用戶節點網絡中任意兩節點之間相同標簽的個數表示為Nij，用電行為相似度表示為Sij，兩節點相互關系權重表示為

其中，用電行為相似度Sij的計算方法為：分別利用用戶i和j日均負荷曲線中各小時的平均負荷組成用戶日負荷向量Li，和Lj，基于余弦相似度計算方法計算用電行為相似度。

（3）識別與構建相似用戶群體。如圖7-10所示，相似用戶群體的形成過程包括：基于用戶節點間相互關系權重模型，計算二元網絡中任意兩節點的權重，將權重最大的兩個節點合并為一個群，并視其為網絡中的一個節點，再與其他節點進行關系權重計算，將權重最大的節點合并至群中，形成新的用戶群。基于該流程，如果群中的用戶超過售電主體設定的用戶數，則完成相似用戶群體的識別和構建，反之則繼續計算更新的群與其他節點的關系權重，不斷更新群組成。在計算群與節點關系權重過程中，標簽只取群中用戶共有特征，負荷向量取群中所有用戶的平均值。

圖7-10相似用戶群網絡