居民住宅空置率及流动性分析

【电力大数据】居民住宅空置率及流动性分析航营lUh.整 Ji导 遇-电力数据可以真实反映居民的生活行为，通过对用电数 据、行为和规律进行分析，研究居民住宅使用情况以及人 口流动情况，对内支撑电网公司合理规划服务资源及电网 建设科学布局，对外辅助政府有效调控房产市场，合理配 置公共资源，多元探索电力数据增值变现。名词解降居民空置户：指住宅长期空置或无人居住的居民用户。居民空置率：居民空置户占整体居民用户的比例。季节性迁徙用户：指表现出明显的季节性房屋使用特性的用 户。节假日流动用户：在节假日与非节假日之间，房屋使用状态 明显存在差异的用户，从节假日流入和流出两方面进行分 析。周末流动用户：指在周末与工作日之间房屋使用状态存在明 显差异的用户，从周末流入和流出两个方面进行分析。房屋是否空置，可以从电力、水、燃气、电信信号等 能源使用数据进行分析，本文基于电量数据进行初步 探索。从电力角度看，根据日/月用电量，分析用户的用电水 平，以及用电行为特征，若用户的用能水平极低，且 持续较长时间，可以认为用户房屋出现空置的状态； 根据用电负荷曲线，分析用户用电集中时段，周末与 工作日负荷规律差异，若用户的负荷较低，且在用电 的各个时段未出现明显差异，节假日与节假日，工作 日与非工作日差异不大，则认为用户的房屋处于空置 状态。在分析空置率时，核心问题在于如何判断空置状态。通过与国网吉林省长春供电公司的科技互联网部数据 中心进行合作，本文尝试使用基于聚类算法的大数据 分析方法，从实际用电数据出发，对居民住宅空置率及人员流动情况进行分析，为电力服务应用深化和电 力数据增值提供信息支撑。居民空置率以及人口流动性分析思路(_)居民空置率分析综合考虑用户月用电量、日用电数据的质量情况，本 文在分析时采用月日均用电量水平作为主要指标进行 分析。1、空置用户日均电阈值分析对样本用户近2年的日均用电量水平进行分析，根据 分位数法，可以得到用户日均用电水平如下：表1 :用户日均用电量水平分位数日均电昂（kW巾）。班1236.70256.0200.75墓1.730.900.40.950.02空置户的用电量水平一般处于较低水平，由上表可以 初步锁定空置户用电水平的数值范围。同时，参考各 类型电器的功率及使用时间，设置多个空置户日用电 水平阈值N，计算并观测区域内用户的空置情况，对 空置户判定阈值进行探索。表2各个电器耗电情况电器S弥消芟电力(W)天使用甜间一天舞电虽(kW*h)收邹L1030.03告申灯近174D.Q681=1湫12040.06灯泡：4州)4040.1 E灯泡：60W6040.241 5081.2分别设定不同阈值，计算总体用户空置情况如下图所示：图1不同阈值下整体空置率变化情况结合用户用电情况，以及用户在不同阈值用户空置率 曲线的曲率变化情况；结合拐点分析，最终确定空置 率用户日均用电水平为0.24 KWH。由于不同地区的 气候、温度以及用电规律差异较大，数据的分布也不 一致，后续可根据各地区实际情况调整相应的阈值。2、空置用户定义修正由于部分用户生活条件较差，用电量水平极低，可根 据用户的用电行为判断用户是否空置，具体构建指标 如下：用电水平标准差、峰谷电量差（最大电量减去最小电 量）、变异系数（标准差除以均值），并使用聚类算 法，将空置用户与用电水平极低的用户区分出来，并 根据分群结果，对用电量极低的用户进行画像，确定 各项指标的阈值，将其进行剔除，最终得到真正的空 置用户。使用k-means算法分别将以上特征数值聚类成2-13 类，并筛选最佳聚类类数。观测聚类类数（k）与评价指标的关系。当k为10时，评价指标1不再急剧下 降，参考另外2个评价指标，聚类类数为10的时候 也相对较大，因此综合确认最合适的聚类类数为10。图2聚类评估指标表3聚类为10类的效果，各子类指标的区间分布聚美结果云值最小值峰谷电量差最大值峰谷电景差最4MH泻懿最 大值诵系裁最小值数量0000000749731.03270.4Q82212.4491.54911634g1.0954OA082211.224 /0.0569沱012.58190.9831532.44940.137194744.76091.940/962J4940.28486666.978533115U102.44940.511143519.1*04915920152.44940.7821339511.13107.456527202/14941.06522258I4 288S10.628535282.44941.483。no217.554614,474143362.44942.167463由上表可知，用电极低的用户用电行为特征与其余两 类明显不同，可以用以下规则进行识别：其标准差大 于5，最大值减去最小值大于15。由于标准差除以均 值分布在各个类之间，不在本次分析范围。（二）流动性分析本文主要从季节迁魄节假日流动,周末流动三个方 面开展居民流动性分析（注：由于本文选取的分析样 本为东北某地区居民用户，结合当地居民季节性用电 特征，后续本文中季节性迁移用户特指冬季外出避寒 的居民用户），其主要分析思路是用户在不同时间范 围居民用户用电量变化情况，因此需要计算用户在冬 季期间、节假日期间、周末期间，与其他时间电量比 值，从而刻画居民用户的流动状态。表4用户流动状态流动类型关健指标方向多卒11徒竺等电呈均值除以真孳电星均怕冬习1出节假廿流动节假口均电呈除以节假口前两个月的工作口 平均曰电星流入、流出局末流而周未平k-jfi电呈均侑,本周丁心驾平均n电呈流入、无世使用聚类等算法，确定两种状态用户的阈值k。以冬 季迁徙用户分析为例，冬季迁徙用户需要先计算的冬 季平均用电水平除以夏季平均用电水平的比值分布如 下图所示，基本符合正太分布。5000 -10 kongjabel图3冬季平均用电水平除以夏季平均用电水平比值分布调整不同比值阈值k，得到冬季迁移用户占比变化如 下图所示，并未出现非常明显转折点确定k值。图4分别设置不同的阈值，观测冬季迁移用户占比使用k-means算法分别将以上特征数值聚类成2-9 类，并筛选最佳聚类类数。观测聚类类数（k）与评价 指标的关系。当k为5时，评价指标1不再急剧下 降，参考另外2个评价指标，聚类类数为5的时候也 相对较大，因此综合确认最合适的聚类类数为5。图5聚类评估指标表5聚类为5类的效果，各子类指标的区间分布聚美标簧最小值最大值数量00.39023 10.9999651729230.745318。.豹1042120.3436740745296744102553280.5436433036400.255?220结合二八法则，以及聚类结果可知，当K值小于等于 0.225时，冬季迁移用户聚集。使用同样的方法可计 算节假日流出用户k值为0.2，节假日流入用户1.6， 周末流出用户k值为0.4，周末流入用户k值为 1.41。实例分析结果本文研究中使用的数据为东北某城市经济开发区范围 内的83个居民区共计127563户居民用户近2年的 相关数据。（一）空置率变化分析空置率的变化情况如下图所示，空置率在10%左右; 由于春节的结束以及疫情影响减弱，人口流动增加， 导致空置率在3月份以后逐渐上升。空置率g.60图6 19年7月至20年6月空置率变化趋势（二）冬季迁移用户分析各个小区冬季迁徙用户的占比相差较大，部分小区冬 季迁徙用占比超10%。各小区占比排名小区WL 小区丁了小区M小区69:H 区 65 .；小区如小区分小区S3； 小区豹小田15 一小区电_小区3了.三小区33三小区却 -一一 _小区卫5， M小区M =小区口 .小区珀：:：王三小祝g小区5-； ：、区_L .-0.00%2,00%4-00喋0-00%S.0D%LO.DD%L2JD0%14X10%图7各个小区冬季迁移用户占比和排名（三）节假日流动用户分析1,迁出用户结果分析从2019年数据可知，不同节日居民出行意愿相差较 大，春节人们出行的意愿最高，国庆流出比例较小。2020年相比2019年迁出用户占比较低，其中清明节 降低的最为明显。10.00%8.00%6.00%4.00%2.00%D.tm图8 19年和20年各个节日迁出用户占比对比图就整体用户数来说，2020年节假日迁出用户少，并 且整体用户数也较高，更加说明2020年春节流动比 例相比往年降低。数量对比口春节_2019 春节图9 19年和20年春节迁出用户用户数以及总用户数对比2、迁入用户结果分析从2019年数据可知，前半年迁入用户占比较高，后 半年迁入用户占比较低，清明节迁入用户占比最高。 2020年相比2019年，春节迁入用户明显升高，其余 节日降低。图10 19年和20年各个节日迁入用户占比对比图）周末流动性用户分析1、周末流出用户分析.塑g年 2020年图11 19年和20年各个周的周末流出用户占比对比图从2019年数据可知，2019年第一个星期周末流出用 户占比最高，随后几个星期随着春节来临，周末流出 用户占比逐渐升高。2019年第14周为清明节，周末流出用户占比较高； 2020年春节前几周，周末流出用户占比相比2019年 较高；春节之后，周末流出用户占相比2019年偏 低2、周末流入用户分析 2019出占比 卫C2谚图12 19年和20年各个周的周末流出用户占比对比图从2019年数据可知，2019年第一个星期周末流出用 户占比最高，随后几个星期随着春节来临，周末流入 用户占比逐渐降低，春节过后周末流入用户占比逐渐 上升。2020年春节前几周，周末流入用户占比相比2019年 基本持平；春节之后，周末流入用户占相比2019年 偏低。居家办公人数增多，人口流动性持续降低。（五）小结由于新型冠状病毒影响，各地市都采取严厉的封城措施，对人口流动以及经济活动产生较大的影响，通过对居民节假日和周末流动分析，2020年人口的流动性相比2019年有了明显降低，符合居民流动的规律。随着疫情影响减弱，全面推进复工复产，各项经济活动逐步得到恢复，截至到21周已恢复至去年9成左右。有效支撑了相关部门对经济活动研判。应用场景从电力系统内部和外部视角，居民空置率分析，具有多方面的数据应用价值:(1)服务电力公司内部工作管理及策略优化，促进企业服务提质增效基于居民用户空置率及流动性分析结果，针对电力系 统业务开展现状，综合区域供电业务和微观用户用电 情况，制定针对性的电力服务优化策略，通过调整服 务方式、服务时间、供电资源规划等手段，开展精准 服务和供电资源优化工作，帮助电力企业提升服务水 平，节约供电成本。(2)电力数据增值变现在法律法规允许的框架范围内，电力企业可以与其他 组织或机构进行数据共享或交换，为企业带来更大收 益。结语 本文主要基于用户电量数据，运用聚类等数据分析方 法，对用户用电行为进行分析，计算某一区域范围内 居民空置率、冬季迁徙用户流动状态、节假日和周末 流动人口占比，使用数据维度较为简单，仅验证了理 论上的可行性，后续可结合负荷数据、燃气数据、自 来水、电信、移动等其他行业相关数据，深入开展综 合研究。