CN107133652A - 基于K‑means聚类算法的用电客户价值评估方法及系统 - Google Patents
基于K‑means聚类算法的用电客户价值评估方法及系统 Download PDFInfo
- Publication number
- CN107133652A CN107133652A CN201710351014.1A CN201710351014A CN107133652A CN 107133652 A CN107133652 A CN 107133652A CN 201710351014 A CN201710351014 A CN 201710351014A CN 107133652 A CN107133652 A CN 107133652A
- Authority
- CN
- China
- Prior art keywords
- electricity
- customers
- data
- electricity consumption
- electricity customers
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 136
- 238000003064 k means clustering Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000004836 empirical method Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 1
- 238000004321 preservation Methods 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 238000000586 desensitisation Methods 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 206010003694 Atrophy Diseases 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于K‑means聚类算法的用电客户价值评估方法及系统，方法包括以下步骤：（1）在线获取多个用电客户的多维用电数据；（2）采用K‑means聚类算法，基于所述多维用电数据，将多个用电客户分类，得到各维用电数据的聚类中心均值；（3）根据上述各维用电数据聚类均值，采用电力客户价值评估经验方法计算用电客户价值评估值。通过本发明可以实现对用电客户进行归类细分，划分形成不同种类的客户群并对客户群的行为进行分类，智能处理业务数据，节约了成本，提高了效率。
Description
技术领域
本发明涉及电力客户行为数据挖掘分析领域，具体设计一种基于K-means聚类算法的用电客户价值评估方法及系统。
背景技术
在社会节能环境下，电网企业作为大型国有企业，既要承担社会责任，同时又必须讲求自身的经济效益。近年来，随着电力市场改革的深入，电网企业逐步意识到客户关系管理的重要性，并将之引入到工作中去。如果单纯从用电量和电费收入来看，一些高耗企业从目前来看是电网企业的利润重心，在国家差别电价及产业政策的调控下，在市场竞争的冲击下，这些企业的用电量又会出现萎缩。因此，在社会节能的大环境下，如何客观地评价客户价值，区分出不同类别的客户，并制定相应的营销策略，成为电网企业必须解决的一个问题。
用电客户价值的评估是电网企业实施客户关系管理的基础和核心问题。建立更为合理、完善的电力客户价值评价体系，不仅可以帮助电力企业正确认识客户的总体价值，有助于适当分类，定性化辅助企业识别、保留和发展价值客户；而且可有效指导电网企业的社会节能服务工作。
传统的用电客户价值评估是采用人工或普通办公软件对客户进行简单分类，依据分类结果制定营销策略，采用上述传统方法对用户的用电习惯等因素不能进行全面与深入的分析，指定营销策略时针对性也不足，所以有必要进行全面且深入的用电客户价值分析。
发明内容
针对现有技术中存在的不足，本发明提出了一种基于K-means聚类算法的用电客户价值评估方法，通过在线获取与客户相关的脱敏明细数据，分析挖掘客户的用电量、用电增长率、用电类型、信用度、潜在价值等信息，对用电客户进行归类细分，划分形成不同种类的客户群并对客户群的价值进行评估，节约了成本，提高了效率。
本发明采用下面的技术方案：
一种基于K-means聚类算法的用电客户价值评估方法，包括以下步骤：
(1)在线获取多个用电客户的多维用电数据；
(2)采用K-means聚类算法，基于所述多维用电数据，将多个用电客户分类，得到各维用电数据的聚类中心均值；
(3)根据上述各维用电数据聚类均值，采用电力客户价值评估经验方法计算用电客户价值评估值。
进一步的，步骤(2)的具体方法为：
(21)将每个用电客户视为一个对象，任意选取K个对象作为初始聚类中心均值；
(22)计算其他对象与所述K个对象的相似度；
(23)根据(22)的结果，对相似度满足要求的对象更新聚类，重新计算更新聚类的聚类中心均值；
(24)采用标准检测函数检测所述(23)中的更新聚类之聚类中心均值是否满足设定要求，若满足设定要求，则输出按最终聚类中心均值分类的用电客户以及每一分类的用电客户的各维用电数据之聚类中心均值；若不满足要求，则重复步骤(22)至(24)。
进一步的，分别计算K取不同数值的用电客户分类以及每一分类的用电客户的各维用电数据之聚类中心均值，选取最优K值下的结果。
进一步的，所述相似度采用其他对象与所述K个对象的距离值。
进一步的，所述标准检测函数采用均方差、期望或者标准差函数。
进一步的，对所述多个用电客户的多维用电数据进行去重、去错预处理。
进一步的，所述多维用电数据至少包括年用电量、平均电价、用电增长率、变异系数和付款率。
进一步的，所述电力客户价值评估经验方法采用下面的公式：
其中：V为用电客户价值评估值；M为年用电量；p为平均电价；c为负载率；e为变异系数；r为用电增长率；i为付款率。
本发明还提出了一种基于K-means聚类算法的用电客户价值评估系统，包括：
服务器，用于存储用电客户的用电数据；
数据提取单元，与服务器相连，用于在线获取多个用电客户的多维用电数据，并发送至存储器；
存储器，用于接收来自数据提取单元提取的用电客户的用电数据并进行缓存；
处理器，内置有K-means聚类算法，所述处理器分别与存储器、数据提取单元相连，用于控制数据提取单元提取数据，并对存储器中缓存的数据进行基于K-means聚类算法的用电客户价值评估。
进一步的，所述处理器还包括有算法模块，用于对K-means聚类算法进行更新保存。
本发明的有益效果：
1)通过在线获取与客户相关的脱敏明细数据，分析挖掘客户的用电量、用电增长率、用电类型、信用度、潜在价值等信息，对用电客户进行归类细分，划分形成不同种类的客户群并对客户群的价值进行评估；
2)智能处理业务数据，节约了成本，提高了效率；
3)营销人员在制定营销策略时，可依据系统出具的客户评估指数制定更具针对性、精细化的营销服务方案，提升服务水平，防范电费营销风险。
附图说明
附图1为本发明的方法流程图。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明：
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明的一种典型实施例是一种基于K-means聚类算法的用电客户价值评估方法，如图1所示：包括以下步骤：
(1)在线获取多个用电客户的多维用电数据；
(2)采用K-means聚类算法，基于所述多维用电数据，将多个用电客户分类，得到各维用电数据的聚类中心均值；
(3)根据上述各维用电数据聚类均值，采用电力客户价值评估经验方法计算用电客户价值评估值。
本实施例中用电客户的多维用电数据主要选取年用电量、平均电价、用电增长率、变异系数和付款率。
上述用电数据是基于电力客户行为价值细分模型得来的。如表1所示：
表1电力客户行为价值细分模型指标体系
电力客户的经济行为主要体现在5个方面，即汇总量、平均量、趋势量、波动量和结构变量上，针对这5个方面，我们有针对性的选取了年用电量、平均电价、用电增长率、变异系数和付款率作为用电客户的多维用电数据源。
在本实施例中，采用K-means聚类算法对上述用电客户进行分类，具体的将上述每个用电客户视为一个对象，任意选取K个对象作为初始聚类中心均值；
(22)计算其他对象与所述K个对象的相似度，本实施例中采用距离值代表相似度；
(23)根据(22)的结果，对相似度满足要求的对象更新聚类，重新计算更新聚类的聚类中心均值；
(24)采用标准检测函数检测所述(23)中的更新聚类之聚类中心均值是否满足设定要求，若满足设定要求，则输出按最终聚类中心均值分类的用电客户以及每一分类的用电客户的各维用电数据之聚类中心均值；若不满足要求，则重复步骤(22)至(24)。
分别计算K取不同数值的用电客户分类以及每一分类的用电客户的各维用电数据之聚类中心均值，选取最优K值下的结果。
本实施例中采用均方差作标准测度函数。
通过上述聚类分析，我们即得到了按最终聚类中心均值分类的用电客户以及每一分类的用电客户的各维用电数据之聚类中心均值。
通过电力客户价值评估经验计算公式计算得到用电客户价值评估值：
公式中各指标均为各类别电力客户平均值，其中：
V为用电客户价值评估值。
M为测评期电力客户总用电量，这里测评期为一年，为反映电力客户的利润贡献指标。
p为测评期电力客户消费电能的平均价格，为反映电力客户的利润贡献指标。
c为负载率，电力客户实际用电量与装接容量的比值，反映电力客户的用电特征指标。
e为变异系数，为反映电力客户的利润贡献指标。
r为用电增长率，为反映电力客户发展潜力的指标。
i为付款率，一年内按时交纳电费金额与应缴电费金额的比值，为反映电力客户信用的指标。
本发明的再一实施例是一种基于K-means聚类算法的用电客户价值评估系统，包括：
服务器，用于存储用电客户的用电数据；
数据提取单元，与服务器相连，用于在线获取多个用电客户的多维用电数据，并发送至存储器；
存储器，用于接收来自数据提取单元提取的用电客户的用电数据并进行缓存；
处理器，内置有K-means聚类算法，所述处理器分别与存储器、数据提取单元相连，用于控制数据提取单元提取数据，并对存储器中缓存的数据进行基于K-means聚类算法的用电客户价值评估。
进一步的，所述处理器还包括有算法模块，用于对K-means聚类算法进行更新保存。
当现有的K-means聚类算法需要进行更新改进时，可以对该算法进行改进，增强了本系统的适应性。
下面给出本实施例的一个具体应用例：
从电力公司系统数据中获取2016年某某市电力客户信息，选取电压等级大于等于10KV小于35KV电力客户，去除重复记录、错误记录以及不具备可比性的数据，按满足电力客户行为价值细分模型指标的需要对数据进行预处理，最后形成了参与聚类分析的用电客户的多维用电数据，形成了3670位客户的数据。利用K-means聚类算法，将3670位电力客户聚类分析。
使用rand函数随机从3670个用电客户里获得K个对象作为初始聚类中心，存放在矩阵中，剩下的其它对象则根据它们与这些聚类中心的距离(相似度)，分别将它们分配给与其最相似的(聚类中心所代表的)聚类；然后再计算每个新聚类的聚类中心(该聚类中所有对象的均值)；一直重复此过程直至标准测度函数收敛为止。
k个聚类有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。
经过多次实验后，发现将k取4时，聚类结果较好。聚类结果如下：
表2各聚类中心客户数量
表3用电客户的各维用电数据之聚类中心均值
表4客户群命名结果
各聚类类别中，聚类中心为各个类别典型代表，反映属于该类的用电客户的各维度的平均水平，由表(2)、表(3)可知聚类类别1中的客户用电量高、信用好；聚类类别2中的客户用电较大、用电增长率高；聚类类别3中的客户用电量低、波动大、信用差；聚类类别4中的客户数最多、各维指标较为一般。
由客户细分结果，可将某某市2016年电压等级大于等于10KV小于35KV电力客户分为4类，4类客户的特点各不相同，依据各类客户的特点，对客户群进行命名，结果如表(4)所示。营销人员在制定营销策略时，可依据系统出具的客户评估指数制定更具针对性、精细化的营销服务方案，提升服务水平，防范电费营销风险。
通过本发明的基于K-means聚类算法的用电客户价值评估方法及系统，可以实现：
1)通过在线获取与客户相关的脱敏明细数据，分析挖掘客户的用电量、用电增长率、用电类型、信用度、潜在价值等信息，对用电客户进行归类细分，划分形成不同种类的客户群并对客户群的行为进行分类；
2)智能处理业务数据，节约了成本，提高了效率；
3)营销人员在制定营销策略时，可依据系统出具的客户评估指数制定更具针对性、精细化的营销服务方案，提升服务水平，防范电费营销风险。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于K-means聚类算法的用电客户价值评估方法，其特征在于，包括以下步骤：
(1)在线获取多个用电客户的多维用电数据；
(2)采用K-means聚类算法，基于所述多维用电数据，将多个用电客户分类，得到各维用电数据的聚类中心均值；
(3)根据上述各维用电数据聚类均值，采用电力客户价值评估经验方法计算用电客户价值评估值。
2.根据权利要求1所述的方法，其特征在于，步骤(2)的具体方法为：
(21)将每个用电客户视为一个对象，任意选取K个对象作为初始聚类中心均值；
(22)计算其他对象与所述K个对象的相似度；
(23)根据(22)的结果，对相似度满足要求的对象更新聚类，重新计算更新聚类的聚类中心均值；
(24)采用标准检测函数检测所述(23)中的更新聚类之聚类中心均值是否满足设定要求，若满足设定要求，则输出按最终聚类中心均值分类的用电客户以及每一分类的用电客户的各维用电数据之聚类中心均值；若不满足要求，则重复步骤(22)至(24)。
3.根据权利要求2所述的方法，其特征在于，分别计算K取不同数值的用电客户分类以及每一分类的用电客户的各维用电数据之聚类中心均值，选取最优K值下的结果。
4.根据权利要求2所述的方法，其特征在于：所述相似度采用其他对象与所述K个对象的距离值。
5.根据权利要求2所述的方法，其特征在于：所述标准检测函数采用均方差、期望或者标准差函数。
6.根据权利要求1所述的方法，其特征在于：对所述多个用电客户的多维用电数据进行去重、去错预处理。
7.根据权利要求1所述的方法，其特征在于：所述多维用电数据至少包括年用电量、平均电价、用电增长率、变异系数和付款率。
8.根据权利要求7所述的方法，其特征在于：所述电力客户价值评估经验方法采用下面的公式：
<mrow>
<mi>V</mi>
<mo>=</mo>
<mi>M</mi>
<mo>&times;</mo>
<mi>p</mi>
<mo>&times;</mo>
<mfrac>
<mi>c</mi>
<mi>e</mi>
</mfrac>
<mo>&times;</mo>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mn>3</mn>
</msup>
<mo>&times;</mo>
<mi>i</mi>
</mrow>
其中：V为用电客户价值评估值；M为年用电量；p为平均电价；c为负载率；e为变异系数；r为用电增长率；i为付款率。
9.一种基于权利要求1的基于K-means聚类算法的用电客户价值评估系统，其特征在于，包括：
服务器，用于存储用电客户的用电数据；
数据提取单元，与服务器相连，用于在线获取多个用电客户的多维用电数据，并发送至存储器；
存储器，用于接收来自数据提取单元提取的用电客户的用电数据并进行缓存；
处理器，内置有K-means聚类算法，所述处理器分别与存储器、数据提取单元相连，用于控制数据提取单元提取数据，并对存储器中缓存的数据进行基于K-means聚类算法的用电客户价值评估。
10.根据权利要求9所述的系统，其特征在于，所述处理器还包括有算法模块，用于对K-means聚类算法进行更新保存。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710351014.1A CN107133652A (zh) | 2017-05-17 | 2017-05-17 | 基于K‑means聚类算法的用电客户价值评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710351014.1A CN107133652A (zh) | 2017-05-17 | 2017-05-17 | 基于K‑means聚类算法的用电客户价值评估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107133652A true CN107133652A (zh) | 2017-09-05 |
Family
ID=59732945
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710351014.1A Pending CN107133652A (zh) | 2017-05-17 | 2017-05-17 | 基于K‑means聚类算法的用电客户价值评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107133652A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009224A (zh) * | 2017-11-24 | 2018-05-08 | 国网北京市电力公司 | 电力客户的分类方法和装置 |
| CN108985832A (zh) * | 2018-07-06 | 2018-12-11 | 湖北国网华中科技开发有限责任公司 | 一种优质客户的筛选和评价方法 |
| CN109063769A (zh) * | 2018-08-01 | 2018-12-21 | 济南大学 | 基于变异系数自动确认簇数量的聚类方法、系统及介质 |
| CN109508877A (zh) * | 2018-11-05 | 2019-03-22 | 宁波市胜源技术转移有限公司 | 一种基于聚类对分布式光伏客户进行分类的方法及系统 |
| CN109885600A (zh) * | 2019-02-25 | 2019-06-14 | 甘肃省祁连山水源涵养林研究院 | 森林植被增长率分析方法及系统 |
| CN110503446A (zh) * | 2018-05-16 | 2019-11-26 | 江苏天智互联科技股份有限公司 | 基于聚类算法的电商平台的客户分类方法与决策方法 |
| CN110992087A (zh) * | 2019-11-19 | 2020-04-10 | 国网浙江省电力有限公司宁波供电公司 | 客户用电行为区域差异化方法及装置 |
| CN111028004A (zh) * | 2019-11-28 | 2020-04-17 | 国网吉林省电力有限公司 | 一种基于大数据技术的市场评估分析方法 |
| CN111291933A (zh) * | 2020-02-17 | 2020-06-16 | 青岛港国际股份有限公司 | 一种集装箱码头客户模型建模方法 |
| CN111797145A (zh) * | 2020-07-17 | 2020-10-20 | 贵州电网有限责任公司电力科学研究院 | 一种电力客户容忍度评价分类方法 |
| CN112100246A (zh) * | 2020-09-22 | 2020-12-18 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于多维图码标签的客户用电价值挖掘方法 |
| CN113139868A (zh) * | 2021-05-14 | 2021-07-20 | 南方电网科学研究院有限责任公司 | 一种基于用电大数据的客户信用评价及贷款潜力分析方法 |
| CN113191802A (zh) * | 2021-04-27 | 2021-07-30 | 中国石油天然气股份有限公司 | 一种基于聚类算法的天然气客户分析方法及系统 |
| CN113222366A (zh) * | 2021-04-27 | 2021-08-06 | 广西电网有限责任公司桂林供电局 | 一种自适应k-means聚类算法的用电可靠性评估方法 |
| CN114219241A (zh) * | 2021-12-01 | 2022-03-22 | 深圳供电局有限公司 | 一种客户用电行为分析方法及系统 |
| CN117972792A (zh) * | 2024-03-28 | 2024-05-03 | 江苏开博科技有限公司 | 一种银行开发环境中海量用户信息脱敏方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105808900A (zh) * | 2014-12-29 | 2016-07-27 | 西门子公司 | 确定待评估用户是否有窃漏电嫌疑的方法和装置 |
-
2017
- 2017-05-17 CN CN201710351014.1A patent/CN107133652A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105808900A (zh) * | 2014-12-29 | 2016-07-27 | 西门子公司 | 确定待评估用户是否有窃漏电嫌疑的方法和装置 |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009224A (zh) * | 2017-11-24 | 2018-05-08 | 国网北京市电力公司 | 电力客户的分类方法和装置 |
| CN110503446A (zh) * | 2018-05-16 | 2019-11-26 | 江苏天智互联科技股份有限公司 | 基于聚类算法的电商平台的客户分类方法与决策方法 |
| CN108985832A (zh) * | 2018-07-06 | 2018-12-11 | 湖北国网华中科技开发有限责任公司 | 一种优质客户的筛选和评价方法 |
| CN109063769B (zh) * | 2018-08-01 | 2021-04-09 | 济南大学 | 基于变异系数自动确认簇数量的聚类方法、系统及介质 |
| CN109063769A (zh) * | 2018-08-01 | 2018-12-21 | 济南大学 | 基于变异系数自动确认簇数量的聚类方法、系统及介质 |
| CN109508877A (zh) * | 2018-11-05 | 2019-03-22 | 宁波市胜源技术转移有限公司 | 一种基于聚类对分布式光伏客户进行分类的方法及系统 |
| CN109885600A (zh) * | 2019-02-25 | 2019-06-14 | 甘肃省祁连山水源涵养林研究院 | 森林植被增长率分析方法及系统 |
| CN109885600B (zh) * | 2019-02-25 | 2022-04-12 | 甘肃省祁连山水源涵养林研究院 | 森林植被增长率分析方法及系统 |
| CN110992087A (zh) * | 2019-11-19 | 2020-04-10 | 国网浙江省电力有限公司宁波供电公司 | 客户用电行为区域差异化方法及装置 |
| CN111028004A (zh) * | 2019-11-28 | 2020-04-17 | 国网吉林省电力有限公司 | 一种基于大数据技术的市场评估分析方法 |
| CN111291933A (zh) * | 2020-02-17 | 2020-06-16 | 青岛港国际股份有限公司 | 一种集装箱码头客户模型建模方法 |
| CN111797145A (zh) * | 2020-07-17 | 2020-10-20 | 贵州电网有限责任公司电力科学研究院 | 一种电力客户容忍度评价分类方法 |
| CN112100246A (zh) * | 2020-09-22 | 2020-12-18 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于多维图码标签的客户用电价值挖掘方法 |
| CN113191802A (zh) * | 2021-04-27 | 2021-07-30 | 中国石油天然气股份有限公司 | 一种基于聚类算法的天然气客户分析方法及系统 |
| CN113222366A (zh) * | 2021-04-27 | 2021-08-06 | 广西电网有限责任公司桂林供电局 | 一种自适应k-means聚类算法的用电可靠性评估方法 |
| CN113139868A (zh) * | 2021-05-14 | 2021-07-20 | 南方电网科学研究院有限责任公司 | 一种基于用电大数据的客户信用评价及贷款潜力分析方法 |
| CN114219241A (zh) * | 2021-12-01 | 2022-03-22 | 深圳供电局有限公司 | 一种客户用电行为分析方法及系统 |
| CN117972792A (zh) * | 2024-03-28 | 2024-05-03 | 江苏开博科技有限公司 | 一种银行开发环境中海量用户信息脱敏方法 |
| CN117972792B (zh) * | 2024-03-28 | 2024-06-07 | 江苏开博科技有限公司 | 一种银行开发环境中海量用户信息脱敏方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107133652A (zh) | 基于K‑means聚类算法的用电客户价值评估方法及系统 | |
| CN109359389B (zh) | 基于典型负荷动态博弈的城市电动汽车充电决策方法 | |
| CN103559655B (zh) | 基于数据挖掘的微网新型馈线负荷的预测方法 | |
| Schneider et al. | Modern grid initiative distribution taxonomy final report | |
| CN108665184A (zh) | 一种基于大数据征信的电力客户信誉评估方法 | |
| CN108280479A (zh) | 一种基于负荷特性指标加权聚类算法的电网用户分类方法 | |
| CN106600104A (zh) | 一种综合能源系统能效的评估方法 | |
| CN109063945A (zh) | 一种基于价值评估体系的售电公司360度客户画像构建方法 | |
| CN107392479A (zh) | 基于逻辑回归模型的电力客户停电敏感度评分卡实施方法 | |
| CN108805443A (zh) | 一种电网性能综合评价方法和系统 | |
| CN109634940A (zh) | 一种基于海量低压台区用电数据的典型低压台区用电模型构建方法 | |
| CN110109971A (zh) | 一种低压台区用户用电负荷特性分析方法 | |
| CN111738462A (zh) | 电力计量装置故障抢修主动服务预警方法 | |
| CN108345908A (zh) | 电网数据的分类方法、分类设备及存储介质 | |
| CN106228300A (zh) | 一种分布式电源运营管理系统 | |
| CN106600131A (zh) | 电网投资分析模型评价方法 | |
| CN106709823A (zh) | 一种电力用户用电信息采集系统的运行性能评价方法 | |
| CN107578277A (zh) | 用于电力营销的出租房客户定位方法 | |
| CN113159106A (zh) | 一种基于形态趋势特征的负荷曲线聚类方法、介质及设备 | |
| CN113450031A (zh) | 居民智慧用能服务潜在台区选取方法及装置 | |
| CN106980910A (zh) | 中长期电力负荷测算系统及方法 | |
| CN110244099A (zh) | 基于用户电压的窃电检测方法 | |
| CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
| CN115760400A (zh) | 基于电力数据的挖矿行为检测方法和存储介质 | |
| CN106600146A (zh) | 一种电费回收风险评价方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170905 |