数字化电价执行错误识别新模式

导语

我国传统终端销售电价主要由政府制定，在销售电价体系中，存在工商业用电对居民生活用电和农业生产用电的交叉补贴。在目前电力市场化改革的背景下，工商业用户电价是随着市场价格浮动的，而居民电价仍是有着政策补贴的“目录电价”。不管是之前的目录电价政策，还是当前的市场化交易电价，商业用电的价格都高于居民用电价格。因此，部分商户甚至工厂，冒用居民和农业生产电价，借此降低电费成本。

（来源：微信公众号“朗新研究院” 作者：邓清、刘学江）

用电客户成千上万，传统依靠用电检查和人工排查的方式效率较低，导致电网企业电价执行难以完全到位，亟需创新电价执行技术方法和工作模式。

背景意义

售电收入是电网企业主营业务收入，在复杂外部环境挑战下，准确落实国家政策要求，确保电价执行正确，保证电费应收尽收是电网企业的重点工作之一。

然而，我国与电价相关的法律法规、政策文件的发文部门多、文件层级多，加上电价执行细分类别多，电价执行难度较大，基于电网企业日常管理的复杂性，终端用户电价执行错误造成的错收和少收问题一直都客观存在。

如某执行居民电价的社会福利机构解散后，由于信息不对称等，电力系统档案信息一直未更新，商户进驻场地后用电依然按照居民电价收费。诸如此类情况，电网企业短时间内可能难以发现电价执行错误。

本文创新研究数字化电价执行错误识别新模式，应用电力大数据分析技术方法，通过用户实际的用电量和用电行为习惯来识别电价执行异常用户，实现电价执行典型行业大规模排查，降低人工成本，帮助电网企业快速定位电价执行错误的用户，减轻工作人员负担，提高工作效率，确保电网企业售电经济效益。

业务分析

销售电价是指电网经营企业对终端用户销售电能的价格，分类依据包括用户区域差异、用途类型、电压等级、用电时段和用电数量等。销售电价按用户性质和负荷特性分类，主要分为居民电价、农业生产电价、一般工商业电价和大工业电价等。

用户电价执行标准与用户用电类型和用电需求紧密相关，而用户的用电行为习惯反映了真实用电需求。

如下图所示，执行相同电价标准的用户群通常存在相似用电行为习惯和特征，若通过用户实际用电数据，查找执行相同电价标准用户群体里，用电行为习惯异于总体特征或与总体特征弱相关的个体异常值，可识别出执行标准电价用户类型与实际不符的异常用户。

图1 电价执行错误业务分析

模型设计

综上，构建数字化电价执行错误识别模型，设计思路如图所示：

图2 数字化电价执行错误识别设计思路

首先，按照销售电价分类定义定位目标客户群体，进行行业细分；

其次，定性分析各典型行业客户用电习惯，结合用电行为数据定量分析客户群体典型用电特征，从多维度构建指标库；

然后，根据行业确认指标，针对各指标定义异常偏离程度（用户与行业总体）计算逻辑，进行用电行为相似度评估模型运算，识别异常；

最后，计算个体用户嫌疑综合得分，得分越大，用户电价执行错误的嫌疑越大，输出嫌疑用户清单。

（一）行业细分

通过电价执行现状调研，梳理电价执行关注重点和实务要点，初步确定了电价执行错误高危目标群体的13个典型行业用户，包括农业排灌、农副业、中小学、福利机构和宗教场所等。

按照销售电价分类定义对各典型行业用户进行定性分析，如下图所示。简单总结各典型行业用户可能的用电行为习惯，为后续数据观测提供依据和方向。

图3 农业排灌、农副业细分行业用电行为习惯定性分析

（二）特征分析

从营销业务应用系统和用电信息采集系统中抽取用户基础用电特征数据（如：月电量、日电量、96点负荷等），形成用户特征原始数据表。同时，为保证特征轨迹接近实际情况，还需对原始数据表进行缺失值填充、去重和归一化等操作，确保数据完整可靠。

基于抽取的用户用电量和负荷数据进行定量分析，验证各典型行业用户用电特征，并进一步挖掘各典型行业深层用电特性特征，经过总结提炼，从用电水平、峰谷用电偏好等维度搭建销售电价行业用户行为特性特征指标库。

各典型行业用户用电行为特征各不相同，实际场景应用过程中，需根据各典型行业用户用电特征分析结果，从指标库中选择不同分析指标，进行模型运算，定位异常嫌疑用户。

图4 销售电价行业用户行为特性特征指标库

（三）异常识别

1、指标值计算

根据搭建的多维销售电价行业用户行为特性特征指标库，以及指标库里各指标具体计算公式，计算各典型行业用户指标值。

2、指标偏离度计算

针对指标库中某单个指标，基于指标数据分布确定指标总体水平，定义异常偏离度SCLi为某指标单个用户与总体水平之间的偏离程度。不同应用场景选择不同指标，且每个应用场景对应多个指标，每个指标偏离度计算公式相同。

其中SCLi表示某单个指标的异常偏离度，[Q1,Q2]表示某单个指标总体（用户所在行业）集中区间，Qi表示单个指标某用户具体取值。

当用户指标值落在总体的集中区间时视为正常；当用户各指标值小于集中区间下限时，计算用户与总体集中区间下限的偏离度；当用户各指标值大于集中区间上限时，计算用户与总体集中区间上限的偏离度。

偏离度越大，异常的嫌疑越大。考虑部分用户夜间用电少或不用电，部分场景当用户各指标值小于集中区间下限时，亦视为正常。

3、指标偏离度权重计算

为保证权重计算结果的科学性和准确性，采用多种客观赋权法计算各指标（偏离度）权重，通过灰色关联分析法综合各客观赋权法计算结果确定最终权重（t：t1、t2…tk）。

图5 基于电力大数据的电价执行错误用户快速识别权重计算模型

4、综合嫌疑得分计算

根据用户各指标偏离度（SCL）和权重（t）计算结果，加权得到用户综合异常嫌疑得分，得分越大，异常的嫌疑越大。

综合异常嫌疑得分=t1*SCL1+t2*SCL2+…+tk*SCLk

其中，t为某行业用户各指标偏离度权重；SCL为某行业用户各指标偏离度；k为用户所在典型行业对应选择的特征指标总数。

最后，根据该行业所有用户综合异常嫌疑得分高低进行排序，取前20%的用户清单作为嫌疑清单输出。

应用实例

本文以幼儿园用电群体为例，抽取全部执行幼儿园电价码用户的月用电量、日用电量和96点负荷数据，进行全过程演示，验证模型的可行性与准确性。

（一）数据输入

本文分析数据范围为电价码5140、5141、5142，且用电容量在50千瓦以上用户用电数据。

表 1幼儿园类居民生活用电电价码明细表

（二）特征分析

根据幼儿园电价用户定义定性分析以及用户实际用电数据定量分析，表明幼儿园电价用户总体用电波动较小，谷用电量占比较稳定。

通过各个用电强度特征比较，表明相比工作日正常用电强度，周末、节假日等用电均处于较低水平，其中节假日特征最明显，其次是周末用电，如下图所示。

图6 幼儿园电价用户用电强度特征对比图

（三）指标设计

结合用户用电行为数据分析，归纳用户用电特征，采用谷电量占比、周末用电强度、节假日用电强度3个特征指标。

（四）异常定位

1、指标值计算

谷电量占比=年累计谷电量/年累计电量，得出谷电量占比集中区间；

周末用电强度=周末日均电量/全年日均电量；

节假日用电强度：

（1）法定节假日用电强度=节假日日均电量/全年日均电量，得出节假日用电强度集中区间

（2）春节用电强度=春节日均电量/全年日均电量

（3）国庆黄金周用电强度=国庆日均电量/全年日均电量

（4）五一黄金周用电强度=五一日均电量/全年日均电量

最后，将用户各指标值代入指标偏离度计算公式，计算用户各指标偏离度（SCL）。

2、综合异常嫌疑得分

综合异常嫌疑得分=t1*SCLvalley-rate+t2*SCLweekend+t3*SCLholidays。

其中，SCLvalley-rate、SCLweekend、SCLholidays分别是谷电量占比偏离度、周末用电强度比偏离度和节假日用电强度比偏离度。t1、t2、t3是各指标偏离度权重，通过灰色关联分析模型获取，灰色关联分析模型融合了熵权法及变异系数法2套客观赋权法的结果，根据需要也可以结合专家经验采用主观赋权法进行科学调整。

t1、t2、t3客观赋权法计算结果如下：

表2 客观赋权法权重计算结果

（五）结果输出

分别计算该行业电价用户总体的谷电量占比、周末用电强度和节假日用电强度指标值集中区间，作为识别嫌疑用户的行业标准。

该行业电价用户总体的指标值计算结果如下所示：

1、总体的节假日用电强度集中区间为[0.53,0.62]；2、总体的谷电量占比集中区间为[10.21%,16.08%]；3、总体的周末用电强度集中区间为[0.83,0.88]。

通过用户各指标值对比上述行业总体指标值集中区间，计算各指标偏离度，根据权重计算结果，得到用户综合异常嫌疑得分，按照行业内所有用户的综合异常嫌疑得分高低进行排序，输出异常用户嫌疑清单，辅助相关人员快速定位异常用户，提高工作效率。

结语

本文针对传统电价执行依靠人工排查等方式工作效率低的问题，采用大数据算法分析目标用户群体的用电行为特征，搭建行业用户行为特性特征指标体系，构建数字化电价执行错误识别模型，从而识别异常用户的数字化电价识别新模式，全面助力电价执行异常用户快速定位，提高电价执行工作效率，保证电价执行准确，保障电网企业经济利益。

随着信息技术的发展，未来可进一步提高模型自动化和智能化水平，开发辅助工具，不断推进落实电价执行工作数字化、智能化转型。

文| 邓清、刘学江

朗新科技集团 咨询部