CN107403263A - 一种电力大客户用电需求识别方法 - Google Patents
一种电力大客户用电需求识别方法 Download PDFInfo
- Publication number
- CN107403263A CN107403263A CN201710589322.8A CN201710589322A CN107403263A CN 107403263 A CN107403263 A CN 107403263A CN 201710589322 A CN201710589322 A CN 201710589322A CN 107403263 A CN107403263 A CN 107403263A
- Authority
- CN
- China
- Prior art keywords
- demand
- principal component
- big customer
- customer
- evaluation index
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 238000003064 k means clustering Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012886 linear function Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000003556 assay Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract description 4
- 230000005611 electricity Effects 0.000 description 33
- 238000010276 construction Methods 0.000 description 12
- 230000000630 rising effect Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力大客户用电需求识别方法,包括采集待识别大客户的需求信息,对需求信息进行分层归类处理;在一统计周期内,抽取待识别大客户的评价指标和对应的评价指标数据,基于改进的K‑means聚类算法,对待识别大客户进行分类,提取各类别大客户的用电特征;将大客户的用电特征与对应的需求信息进行匹配,识别每类大客户关注的需求。本发明对大客户需求提取并分层,采用改进的K‑means聚类算法对大客户进行细分,结合需求分层和客户细分识别出每类客户群体所关注的具体需求。
Description
技术领域
本发明涉及一种电力大客户用电需求识别方法,属于电力领域。
背景技术
售电侧逐步放开,售电市场引入竞争机制,电力客户差异化、个性化需求凸显,且对电能产品和服务拥有更多自主选择权,亟待以客户分类为基础对需求特征及需求层次进行深入研究,并以此为依据制定有针对性的营销策略,精准满足不同客户的用电需求,实现差异化与个性化服务。
当前对于电力大客户的研究多集中在客户细分方面,成果体现表现为利用各类定性、定量的工具方法对大客户进行群体划分,区分不同客户群体的特征体现,针对不同客户群特征体现提出针对性营销策略;但如果仅仅根据客户群特征提出服务策略,并不能完全覆盖和满足客户的真实需求特点,因此需要深入研究不同类别客户群对于电力产品及服务的具体需求,结合客户群体特征和需求体现来制定精准差异化服务策略,改善客户体验,提升客户满意度。
发明内容
为了解决上述技术问题,本发明提供了一种电力大客户用电需求识别方法。
为了达到上述目的,本发明所采用的技术方案是:
一种电力大客户用电需求识别方法,包括,
采集待识别大客户的需求信息,对需求信息进行分层归类处理;
在一统计周期内,抽取待识别大客户的评价指标和对应的评价指标数据,基于改进的K-means聚类算法,对待识别大客户进行分类,提取各类别大客户的用电特征;
将大客户的用电特征与对应的需求信息进行匹配,识别每类大客户关注的需求。
依据马斯洛需求层次理论对需求信息进行分层归类处理;
需求信息分的层次包括用电需求、安全需求、互动需求、服务需求和增值服务需求。
基于改进的K-means聚类算法,对待识别大客户进行分类的过程为,
将评价指标数据导入主成分分析软件,进行主成分分析,获得主成分、总方差解释表和主成分载荷矩阵;
根据主成分载荷矩阵,确定各评价指标在不同主成分线性函数中的系数;
根据主成分线性函数计算主成分值;
将主成分值作为K-means聚类算法的初始数据,采用K-means聚类算法对待识别大客户进行分类。
评价指标数据导入主成分分析软件后,先进行适用性检验,检验合格后,进行主成分分析。
评价指标数据在导入主成分分析软件之前,对评价指标数据依次进行清洗和无量纲化处理。
在总方差解释表中,选取特征根大于1的成分为主成分。
若聚类结果存在异常值,则剔除异常值,再进行聚类,直至聚类结果没有异常。
本发明所达到的有益效果:本发明对大客户需求提取并分层,采用改进的K-means聚类算法对大客户进行细分,结合需求分层和客户细分识别出每类客户群体所关注的具体需求。
附图说明
图1为本发明的流程图;
图2为第一类细分客户月平均用电量分布情况;
图3为第一类细分客户年售电均价分布情况;
图4为第一类细分客户用电增长率、负载率及低估用电率分布情况;
图5为第一类细分客户需求关注情况;
图6为第二类细分客户需求关注情况;
图7为第三类细分客户需求关注情况;
图8为第四类细分客户需求关注情况;
图9为第五类细分客户需求关注情况。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,一种电力大客户用电需求识别方法,包括以下步骤:
步骤1,采集待识别大客户的需求信息,依据马斯洛需求层次理论对需求信息进行分层归类处理;具体层次包括用电需求、安全需求、互动需求、服务需求和增值服务需求。
马斯洛需求层次理论将人类需求层次从较低层次到较高层次依次概括为生存需求、安全需求、社交需求、尊重需求与自我实现需求五种需求,当企业或个人作为电力的使用者时,每个阶段对电力公司的需求可概括为:用电需求、安全需求、互动需求、服务需求、增值服务需求;从“4P+4C+4R”市场营销组合理论看,这些需求也可概括为大客户对电力营销在安全、便捷、产品、成本、个性化、沟通、渠道、时间、数量、质量等方面的需求,将需求从这些方面衡量有助于为需求实现评估提供支撑。
如:表一所示,178个用电需求项,其中用电需求36项,安全需求21项,互动需求35项,服务需求43项,增值服务需求43项。
表一 大客户需求清单
步骤2,在一统计周期内,抽取待识别大客户的评价指标和对应的评价指标数据,基于改进的K-means聚类算法,对待识别大客户进行分类,提取各类别大客户的用电特征。
以用电特征、基本行为、用电贡献、发展潜力、信用属性作为细分维度,各细分维度中选取比较容易获取、具有对比性及可量化的指标作为评价指标。具体指标体系如下表二所示。
表二 指标体系
基于改进的K-means聚类算法,对待识别大客户进行分类的过程为:
S1)对评价指标数据依次进行清洗和无量纲化处理;
检查数据是否存在变量的缺失值、未知值、无效值等异常情况;如果发现异常值直接删除或者按照数据分布的分位数比例进行替代。
由于原始数据的量纲存在较大差别,容易影响聚类结果,因此需要对原始数据进行无量纲化处理,无量纲化主要采取Z-Score的方法。
S2)将评价指标数据导入主成分分析软件,先进行适用性检验,检验合格后,进行主成分分析,获得主成分、总方差解释表和主成分载荷矩阵。
欧氏距离只计算距离,没有考虑到变量之间自相关关系,然而变量间的相关性对于K-means聚类算法有很大影响,这里通过主成分分析方法确定变量间的相关性,提炼出主成分和变量不相关的变量作为新的标量。将无量纲后的数据导入到SPSS中,进行主成分分析,获得总方差解释表和主成分载荷矩阵。
S3)根据主成分载荷矩阵,确定各评价指标在不同主成分线性函数中的系数,根据主成分线性函数计算主成分值。
主成分线性组合公式为,
Fj=p1jx1+…+pijxi+…+pmjxm
其中,Fj为第j个主成分值,j∈[1,5],pij为第i个评价指标在第j个主成分线性组合中的系数,m为评价指标的个数,m=13,xi为第i个评价指标值。
S4)将主成分值作为K-means聚类算法的初始数据,采用K-means聚类算法对待识别大客户进行分类,对于聚类数K取值,采用逐个试算的方法(一般K>=2),选取恰当的值,使得分类更有效;若聚类结果存在异常值,则剔除异常值,再进行聚类,直至聚类结果没有异常。
具体实例如下:
定义清洗后的有效样本数据为490,即490个大客户;主成分分析,获得总方差解释表和主成分载荷矩阵分别如表三和表四所示。
表三 总方差解释表
由上表,在总方差解释表中,选取特征根大于1的成分为主成分,主成分数为5时,累计方差贡献率达到87.59%,说明这些主成分能够代表原始变量的绝大部分信息,所以取5个主成分作为本数据新的变量。
表四 主成分载荷矩阵
主成分值具体如下:
F1=-0.021x1+0.189x2+…+0.062x13;
F2=-0.006x1+0.077x2+…+0.992x13;
F3=0.357x1+0.416x2+…+0.055x13;
F4=0.287x1+-0.062x2+…-0.034x13;
F5=-0.055x1+0.038x2+…-0.069x13。
将主成分值作为K-means聚类算法的初始数据,采用K-means聚类算法对待识别大客户进行分类,对于聚类数K取值,采用逐个试算的方法(一般K>=2),选取恰当的值,使得分类更有效。
当K取值为4时,通过观察,此种分类并不能有效的将样本进行区分,每类没有呈现明显的特征;如表五和六。
表五 K为4时的聚类中心
表六 K为4时每类的大客户数
当K取值为5时,该种聚类结果样本分布较为均匀,通过观察,每类中样本都呈现区别于其他类的特征;如表七和八。
表七 K为5时的聚类中心
表八 K为5时每类的大客户数
当K取值为6时,样本分布也相对均匀,但通过观察,此种分类中每类呈现的特征不如K取值为5时更明显,如表九和十。
表九 K为6时的聚类中心
表十 K为6时每类的大客户数
因此,本次聚类以K取值为5时为准,最终将大客户细分为5类,第一类中有61个样本,第二类中有228个样本,第三类中有190个样本,第四类中有9个样本,第五类中有2个样本。
基于以上聚类结果,可以看出第五类的2个样本的月平均用电量、运行容量等远大于剩余样本的数据值,因此将此2个样本作为异常样本从总体样本中取出,将剩余的488个样本进行二次K-means聚类,如表十一和十二。
表十一 剔除异常K为5时的聚类中心
聚类 | 1 | 2 | 3 | 4 | 5 |
1 | 2.379 | 2.699 | 7.360 | 2.379 | |
2 | 2.379 | 2.892 | 7.117 | 1.612 | |
3 | 2.699 | 2.892 | 7.440 | 2.573 | |
4 | 7.360 | 7.117 | 7.440 | 7.104 | |
5 | 2.379 | 1.612 | 2.573 | 7.104 |
表十二 剔除异常K为5时每类的大客户数
二次K-means聚类后,提取各类别大客户的用电特征如下:
第一类大客户体:用电体量相对较大,用电增长两极化,年售电均价较高,负载率较低,低谷用电率低,缴费信用高。
如图2、3和4,用电特征:绝大多数客户无新增报装容量,小部分客户容量下降;电压基本为10kv,极少量35kv;用电体量较大,月度平均用电量1777938;用电增长率两极化,半数呈下降趋势,平均下降26.62%;半数呈增长趋势,平均增长26.96%;负载率偏低,平均负载率48.11%;年售电均价较高,平均年售电均价0.92元;低谷用电率较低,平均低谷用电率21.92%;缴费信用高,无逾期缴费。
第二类大客户体:用电体量较大,用电增长两极化,年售电均价较低,负载率较低,低谷用电率相对较高,缴费信用高。
用电特征:绝大多数无新增报装容量,少部分客户的容量增长;大多数样本电压为10kv,部分35kv以上;用电体量较大,月度平均电量2901564.66;用电增长率有明显的两极化趋势,半数呈下降趋势,平均下降率12.04%,半数呈增长趋势,平均增长率16.12%;负载率较低,平均年负载率96.74%;年售电均价较低,平均年售电均价0.77;低谷用电率相对较高,平均低谷用电率33.93%;缴费信用高,无逾期缴费。
第三类大客户体:用电体量较小,用电增长较快,年售电均价较低,负载率偏低,低谷用电较少,缴费信用高。
用电特征:绝大多数无新增报装容量,少部容量增长;电压基本为10kv-35kv;用电体量较小,月度平均用电量1530842;用电基本呈增长趋势,平均用电增长率140.45%;年售电均价较低,平均年售电均价0.74;低谷用电率较低,平均低谷用电率21.06%;缴费信用好,无逾期缴费。
第四类大客户体:用电体量小,用电增长呈增长趋势,负载率高,年售电均价一般,低谷用电率低,缴费信用较低。
用电特征:绝大多数无新增报装容量,小部分客户容量增长;电压基本为10kv;用电体量小,月度平均用电量217120.95;用电基本呈增长趋势,平均增长率为12.65%;负载率高,平均负载率100%;年售电均价一般,平均年售电均价0.79元;低谷用电率低,平均低谷用电率14.01%;缴费信用低,样本客户都存在逾期缴费。
第五类大客户体:用电体量较小,用电增长呈两极化趋势,负载率较高,年售电均价较高,低谷用电率低,缴费信用高。
用电特征:绝大多数无新增报装容量,小部分客户容量增长;大部分电压为10kv,少部分在35kv以上;用电体量较小,月度平均用电量817140.7265;用电增长也呈两极化趋势,半数呈增长趋势,平均增长率为17.03%,半数呈下降趋势,平均下降率为11.12%;负载率较高,平均负载率99.42%;年售电均价较高,平均年售电均价0.82元;低谷用电率低,平均低谷用电率11.08%;缴费信用高,不存在逾期缴费。
异常客户:用电体量大,用电量略有增长,负载率低,售电均价低,低谷用电相对较高,缴费信用高。
用电特征:无增容需求;电压等级在220kv;整体用电体量大,月度平均用电量为136221765.6;用电呈增长趋势,增长率较低,在2%左右;负载率较低,平均为60%;售电均价较低,基本为0.70;低谷用电率相对较高,平均低谷用电率为32.82%;缴费信用高,不存在逾期缴费。
步骤3,将大客户的用电特征与对应的需求信息进行匹配,识别每类大客户关注的需求。
基于电压等级、运行容量、电量、电费等基本属性特征匹配识别具有不同用电特征各大客户的具体需求。其中,由于异常类大客户样本数据较少,其需求基本概括为安全检查防范及隐患整治、缴费预扣比例合理、了解政策动向、用于企业能耗分析的数据等。各类大客户需求的关注情况如图5-9(图中主要展示每类大客户关注的前80%的需求)。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种电力大客户用电需求识别方法,其特征在于:包括,
采集待识别大客户的需求信息,对需求信息进行分层归类处理;
在一统计周期内,抽取待识别大客户的评价指标和对应的评价指标数据,基于改进的K-means聚类算法,对待识别大客户进行分类,提取各类别大客户的用电特征;
将大客户的用电特征与对应的需求信息进行匹配,识别每类大客户关注的需求。
2.根据权利要求1所述的一种电力大客户用电需求识别方法,其特征在于:依据马斯洛需求层次理论对需求信息进行分层归类处理;
需求信息分的层次包括用电需求、安全需求、互动需求、服务需求和增值服务需求。
3.根据权利要求1所述的一种电力大客户用电需求识别方法,其特征在于:基于改进的K-means聚类算法,对待识别大客户进行分类的过程为,
将评价指标数据导入主成分分析软件,进行主成分分析,获得主成分、总方差解释表和主成分载荷矩阵;
根据主成分载荷矩阵,确定各评价指标在不同主成分线性函数中的系数;
根据主成分线性函数计算主成分值;
将主成分值作为K-means聚类算法的初始数据,采用K-means聚类算法对待识别大客户进行分类。
4.根据权利要求3所述的一种电力大客户用电需求识别方法,其特征在于:评价指标数据导入主成分分析软件后,先进行适用性检验,检验合格后,进行主成分分析。
5.根据权利要求4所述的一种电力大客户用电需求识别方法,其特征在于:评价指标数据在导入主成分分析软件之前,对评价指标数据依次进行清洗和无量纲化处理。
6.根据权利要求4所述的一种电力大客户用电需求识别方法,其特征在于:在总方差解释表中,选取特征根大于1的成分为主成分。
7.根据权利要求4所述的一种电力大客户用电需求识别方法,其特征在于:若聚类结果存在异常值,则剔除异常值,再进行聚类,直至聚类结果没有异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710589322.8A CN107403263B (zh) | 2017-07-19 | 2017-07-19 | 一种电力大客户用电需求识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710589322.8A CN107403263B (zh) | 2017-07-19 | 2017-07-19 | 一种电力大客户用电需求识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107403263A true CN107403263A (zh) | 2017-11-28 |
CN107403263B CN107403263B (zh) | 2021-03-16 |
Family
ID=60400861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710589322.8A Active CN107403263B (zh) | 2017-07-19 | 2017-07-19 | 一种电力大客户用电需求识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107403263B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985815A (zh) * | 2018-06-06 | 2018-12-11 | 阿里巴巴集团控股有限公司 | 一种用户识别方法、装置及设备 |
CN111242433A (zh) * | 2020-01-02 | 2020-06-05 | 深圳供电局有限公司 | 电力数据识别方法、装置、计算机设备和存储介质 |
CN112163781A (zh) * | 2020-10-15 | 2021-01-01 | 国网冀北电力有限公司智能配电网中心 | 基于多维度指标聚类的园区用电群体生命周期评价方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130204399A1 (en) * | 2010-06-01 | 2013-08-08 | Intelligent Sustainable Energy Limited | Determining an indication of a background level of utility consumption |
CN103246814A (zh) * | 2013-05-10 | 2013-08-14 | 哈尔滨工业大学 | 一种基于K-means建模的个人用电设备状态识别方法 |
CN103325067A (zh) * | 2013-05-29 | 2013-09-25 | 广东电网公司佛山供电局 | 基于用电客户细分的服务推送方法和系统 |
CN104881609A (zh) * | 2015-05-29 | 2015-09-02 | 中国石油大学(华东) | 一种复杂软件系统软件单元可信性评估方法 |
-
2017
- 2017-07-19 CN CN201710589322.8A patent/CN107403263B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130204399A1 (en) * | 2010-06-01 | 2013-08-08 | Intelligent Sustainable Energy Limited | Determining an indication of a background level of utility consumption |
CN103246814A (zh) * | 2013-05-10 | 2013-08-14 | 哈尔滨工业大学 | 一种基于K-means建模的个人用电设备状态识别方法 |
CN103325067A (zh) * | 2013-05-29 | 2013-09-25 | 广东电网公司佛山供电局 | 基于用电客户细分的服务推送方法和系统 |
CN104881609A (zh) * | 2015-05-29 | 2015-09-02 | 中国石油大学(华东) | 一种复杂软件系统软件单元可信性评估方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985815A (zh) * | 2018-06-06 | 2018-12-11 | 阿里巴巴集团控股有限公司 | 一种用户识别方法、装置及设备 |
CN111242433A (zh) * | 2020-01-02 | 2020-06-05 | 深圳供电局有限公司 | 电力数据识别方法、装置、计算机设备和存储介质 |
CN111242433B (zh) * | 2020-01-02 | 2022-07-22 | 深圳供电局有限公司 | 电力数据识别方法、装置、计算机设备和存储介质 |
CN112163781A (zh) * | 2020-10-15 | 2021-01-01 | 国网冀北电力有限公司智能配电网中心 | 基于多维度指标聚类的园区用电群体生命周期评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107403263B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063945B (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 | |
CN108090800B (zh) | 一种基于玩家消费潜力的游戏道具推送方法和装置 | |
CN110490729B (zh) | 一种基于用户画像模型的金融用户分类方法 | |
CN107066616A (zh) | 用于账号处理的方法、装置及电子设备 | |
Laroche et al. | An empirical study of major segmentation issues in retail banking | |
CN110264343A (zh) | 一种基于税务大数据分析的信用评估方法 | |
CN107403263A (zh) | 一种电力大客户用电需求识别方法 | |
CN106447490A (zh) | 一种基于用户画像的征信应用方法 | |
CN110033356A (zh) | 一种对用户价值进行排序的方法、装置及系统 | |
CN109272009A (zh) | 一种基于大数据分析的人群画像提取方法及装置 | |
CN116187808A (zh) | 一种基于虚拟电厂用户-套餐标签画像的电力套餐推荐方法 | |
CN107274001A (zh) | 一种基于数据挖掘的用电客户流失电量预测方法 | |
CN106997371A (zh) | 单用户智慧图谱的构建方法 | |
CN112258067A (zh) | 基于高斯混合模型聚类算法的低压用户缴费行为分类方法 | |
Lim | The rise of single-person households and the macroeconomic consequences | |
CN109784748A (zh) | 一种市场竞争机制下用户用电行为辨识方法及装置 | |
CN115081893A (zh) | 用户用电数据分析方法、装置、电子设备及可读存储介质 | |
Motadel et al. | The Presentation of a Mathematical Model to Assess and Control the Inventory Control System through ABC Analysis Approach (A Case Study of Lino Meat Products Company) | |
Maskan | Proposing a model for customer segmentation using WRFM analysis (case study: an ISP company) | |
CN113743826A (zh) | 一种客户分类方法及装置 | |
CN114358820A (zh) | 一种化妆品个性化产品匹配方法、装置及计算机 | |
Mohammadi et al. | Credit ranking of bank customers (an integrated model of RFM, FAHP and K-means) | |
Yang et al. | Fuzzy personalized scoring model for recommendation system | |
Kalaipriya et al. | The relationship between private investment and government investment after economic liberalization | |
Morsaghian et al. | Providing a way to Recognize Bank Customers’ needs Effectively based on Clustering Techniques, the Fuzzy TOPSIS and Kano Model: A Case Study in Bank of Qarzollhassaneh Mehr Iran in Khuzestan |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |