为什么要建立企业用户画像

电能作为新能源的主要转化对象，在低碳、环保方面较其他化石能源具有先天优势，“煤改电”是低碳与保护生态环境战略的长远趋势。但从短期看，煤改电带来的经济负担较重，同时受产业发展水平限制，采暖效果差，电力供应不足，煤改电仍面临诸多问题。

为了解决“煤改电”进程中的矛盾与问题，优化“煤改电”投资策略，推动高效采暖设备及新商业模式推广，让业务效率高效提升。电力企业可以通过分析区域内已经累积的部分用户，对这部分用户的采暖用电数据进行挖掘，从而科学规划后续用户的电网建设方案，能够有助解决电网规划建设过程中遇到的问题。

用电量数据分析思路

通过用户采暖季用电量-正常用电量计算出用户采暖季的纯采暖电量，基于这些特征利用聚类、综合评价等算法对其用户进行精准画像，精准描述用的好的用户有哪些特征、用的不好的用户有哪些特征，辅助进行煤改电改造。

解决方案

1、整体思路

整合供电服务指挥系统、营销系统、用户采集系统等电力相关信息系统数据，包含煤改电用户档案、人均GDP、天气因素等，利用聚类分析、综合评价等大数据相关技术手段，对用户进行精准画像，研究提高“煤改电”监测的方法和手段，掌握煤改电用户的用电特性、负荷特性以及配套电网设备的选型方法，实现 “煤改电”的实时监控分析，做到提前预警、主动应对，充分发挥职能作用，为企业决策提供数据支持与科学依据，提高客户服务水平，确保用户冬季采暖质量，辅助管理人员进行决策，达到提升工作效率的目的。

2、数据获取

通过采集营销业务应用系统、用电信息采集系统全部煤改电用户档案、电量、电费等内部数据，以及用户所属县的气象、经济等外部数据，实现煤改电用户聚类分析，精准描绘用户画像。

数据采集范围为2018年1月至今，对每个用户，主要采集用户名、改造日期、采暖设备类型、供电单位（所属市/县）、供电地址、2018年以来逐月电量、采暖季平均日最高温度与最低温度（11月至次年3月）、所属县逐年GDP、人口数据。

3、模型构建

基于“煤改电”用户经济、气象、设备、电量相关数据。通过皮尔逊相关性分析方法，查找与采暖电量关联度显著的指标，为人均GDP、气温、采暖设备与日常电量，利用K-means聚类方法，将用户数据进行聚类分析，精准掌握用户画像，对其进行精准管控。

 

从聚类结果类别看，呈现以下特点：

采暖电量最高：第一类用户（占比5.61%）采暖电量达到470千瓦时/月。主要特征是经济水平最高（所处县域人均GDP达到6万元以上，且市郊改造用户数量多）；气温偏低（主要分布在北部与中部区域）；日常电量最高（达到89.9千瓦时/月）；三类设备较为均衡，主要选用蓄热式与热泵设备（占比分别为43.44%、38.66%）。第二类用户（占比22.46%）采暖电量为418千瓦时/月。主要特征：经济水平次高；气温偏高（主要为中南部平原县）；热泵比例较高(58.58%）。

采暖电量较高：第三类用户（占比11.56%）平均采暖电量为395.3千瓦时/月。主要特征：经济水平较低；气温适中（主要为中部平原县）；直热式比例高(88.87%）。第四类用户（占比31.16%）平均采暖电量为358千瓦时/月。主要特征：经济水平最低；气温适中（主要为中南部平原县）；热泵比例高(65.15%）。

采暖电量较低：第五类用户（占比23.10%）平均采暖电量为294.3千瓦时/月。主要特征：经济水平较高（主要是由部分市区拉高）；气温适中（主要为中南部平原县）；热泵比例较高(41.98%）。第六类用户（占比6.12%）平均采暖电量为176.1千瓦时/月。主要特征：经济水平较高（**市占比大，拉高作用明显）；气温适中（主要为中南部平原县）；热泵比例较高(67.48%）。