基于逻辑回归模型的电力用户停电敏感度预测

保富， 马文， 高宇豆， 杨天纯， 李珗

(1.云南电网有限责任公司信息中心， 云南， 昆明 650214；2.云南云电同方科技有限公司， 云南， 昆明 650214)

0 引言

由于多方面原因的影响，任何地区都可能因为一些因素或者条件约束造成停电的现象[1]。一般电力公司的规模都十分巨大，生产经营方面的情况也极为复杂，因此从大量的业务数据中通过各种渠道发现数据中的隐藏信息，可以有助于电力公司实现安全、可靠、平稳、便捷的供电服务核心宗旨[2]。

逻辑回归模型具有设计与操作十分简单的优势，并且相比较其他预测方法，逻辑回归模型在约束条件下对事物的预测精确率更高。电力用户在我国分布密度十分巨大，因此在目前条件下逻辑回归模型更加适合预测电力用户的停电敏感度[2]。通过对电力用户停电敏感度的大量收集进行逻辑回归模型的设计，再通过设计的逻辑回归模型对停电用户敏感度进行有效的分析。

1 电力用户停电敏感度预测数据处理

对电力用户的停电敏感度数据收集主要来自用电行为[3]与用电信息处理。用电行为包括停电次数、停电时长、用电量、电价[4]。用电信息处理主要包括记录电力用户咨询、报修、投诉、举报等事务，这几方面都属于收集的电力用户停电敏感度数据[5]。对于基本属性可以归纳为数据X，电力行为归纳为数据Y，用电信息处理归纳为数据e，而主要应用的公式为

X=11+e-y

(1)

式(1)为逻辑回归模型的通用公式，在本文将会应用于预测电力用户的停电敏感度。由于9558数据处理信息大多为电力用户咨询、保修、投诉、举报等，获取数据方式相同，且不受外界与特定因素影响[6]。因此收集方式与转化数据的方式也相同，所以可以总体归纳为数据e，在该过程中收集的数据为接下来预测电力用户停电敏感度提供了大量的数据参照，也为接下来的方法实施打下了坚实的基础[7]。由于每个电力用户的用电次数、用电时长与用电量都有所不同，所以在数据Y的分析中需要设立特定区间，多次审核区间范围外的数据，最终得到更加准确的数据y，从而达到分析目的。只有经过数据分析得到的数据才可以应用于逻辑回归模型的设计当中，应用该数据设计的逻辑回归模型可以提高预测电力用户停电敏感度的准确性。

2 用户停电敏感度预测

针对设计的逻辑回归模型来说，需要依据上文中提到的基本属性转化的数据集合x，用电行为转化的数据集合y与用电信息处理转化的数据e进行设计，其中数据集合x属于目标变量，数据集合y属于影响因素，数据e则为自然数，而逻辑回归模型预测计算的公式为

x=11+ey

(2)

在该计算过程中，当模型的因素变量即y过多时，通常应用大数据逻辑回归模型方法学习出来的模型会出现数据重复预测的现象，引入x的平均数据集合，可以减小因素变量数据集合y的影响，也可以减少重复预测的现象，增强预测的判断性[8]。目标变量x的值受因素变量y的影响较大，但当因素变量之间存在较高的相关性时，目标变量可能存在预测错误的现象，无法避免。

应用设计的逻辑回归模型对电力用户停电敏感度进行预测分析，电力用户的数量逐步增加，意味着代表基本属性的数据集合x也在逐步增大。受地域因素与人文因素的影响，电力用户的用电情况并不相同，而上文中提到的用电行为即包括停电次数、停电时长、用电量、电价构成的数据集合y，则是预测电力用户停电敏感度的主要依据与干扰因素，因为电力用户经历的停电次数、停电时长与用电量和对电价的反应可以从侧面反映出电力用户的停电敏感度，而电力用户的反映获取则是通过用电信息处理来实现。

3 实验

3.1 实验目的

为检测本文研究的逻辑回归模型对电力用户停电敏感度的高效性与精确性，设立对比实验，与传统的预测电力用户停电敏感度方法进行对比，检测本文逻辑回归模型预测的效果。

3.2 实验参数

该实验的实验参数如表1所示。

表1 实验参数

3.3 实验结果与分析

根据上述实验参数，得出在相同时间内本文研究的逻辑回归模型预测方法与传统预测方法对电力用户停电敏感度的预测进度如图1所示。

图1 电力用户停电敏感度的预测进度

根据图1可知，在相同的时间内针对相同的电力用户进行停电敏感度预测，本文研究的逻辑回归模型预测方法的预测进度远远快于传统方法的预测进度，因为本文在获取大量数据时主要依靠逻辑回归模型计算预测，而传统预测方法在获取大量数据后还需要派遣人力进行走访汇报总结，最终对电力用户停电敏感度进行预测，投入了更大的人力并且浪费了许多的数据。

根据上述实验参数，得出将预测范围分别扩展于农村与城市时，本文研究的逻辑回归模型预测方法与传统的预测方法对农村与城市电力用户停电敏感度的预测时间对比图如图2所示。

图2 农村与城市电力用户停电敏感度的预测对比图

根据图2可知，针对相同范围大小的电力用户，无论是针对农村电力用户还是城市电力用户，研究的逻辑回归模型预测方法都比传统的预测方法需要的时间短，甚至应用研究的逻辑回归模型预测方法对农村电力用户停电敏感度的预测时间比传统预测方法对城市电力用户停电敏感度的预测时间都要短，其中可能存在农村地形因素以及分布度不均的影响，但也能体现出逻辑回归模型预测电力用户停电敏感度的高效性。

根据上述实验参数，得出本文研究的逻辑回归模型预测电力用户停电敏感度的精确率与传统预测方法预测电力用户停电敏感度精确率的对比图，如图3所示。

图3 预测电力用户停电敏感度精确率的对比图

根据图3可知，本文研究的逻辑回归模型预测方法预测的精确率远高于传统预测方法预测的精确率，且预测的精确率也较为稳定。

4 总结

研究的逻辑回归模型预测电力用户进行停电敏感度方法是根据大量数据计算得来的，并将一些特定因素如地域因素人文因素都考虑其中，可以大大地增加预测电力用户敏感度的精确率，并且较于传统方法更加高效便捷，更加适用于当前的大部分电力公司，可以帮助电力公司更好地处理与电力用户之间的关系，而且其预测的高效性与精确性可以随着目前领域的研究力度加大出现提升的可能，具有充足的潜力和可观的发展前景，这也是本文研究的价值所在。