CN107784518A - 一种基于多维指标的电力客户细分方法 - Google Patents
一种基于多维指标的电力客户细分方法 Download PDFInfo
- Publication number
- CN107784518A CN107784518A CN201710854068.XA CN201710854068A CN107784518A CN 107784518 A CN107784518 A CN 107784518A CN 201710854068 A CN201710854068 A CN 201710854068A CN 107784518 A CN107784518 A CN 107784518A
- Authority
- CN
- China
- Prior art keywords
- power
- data
- customer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000005611 electricity Effects 0.000 claims abstract description 53
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000009434 installation Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000005612 types of electricity Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 5
- 230000002411 adverse Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多维指标的电力客户细分方法,针对电力客户,创造性地提出了客户价值、客户信用和客户潜力3个维度下用电量、平均电价、违约用电次数、欠费率、用电增长率和报装容量6个评价指标。将数据进行预处理后运用聚类算法并依据平均轮廓系数评判得到最优细分结果。本申请公开的基于多维指标的电力客户细分方法,细分效果较好,避免了传统的客户划分方法对电网开展差异性的营销服务造成的困扰。
Description
技术领域
本发明涉及一种基于多维指标的电力客户细分方法,属于电力系统分析与计算领域。
技术背景
客户细分是20世纪50年代中期由美国学者温德尔史密斯提出的,是指企业在特定的市场竞争中,根据顾客的属性、对商品的爱好需求以及行为特征等因素进行分类,并有针对性的提供产品、服务或者相应的销售模式。细分之后,每一类客户群会在某一方面有着相同的特性,而不同的细分群体则差异性明显。客户细分的前提是客户具有多样性的特点,只有客户之间存在差异,才有必要对客户进行分类。在对客户进行细分前,必须有效搜集到客户的资料和信息并进行整理,分析发现客户之间的差异并进行分类。
对电力企业来说,客户细分这一概念发展尚不成熟,以往对于用电客户的服务仅仅是根据经验判断后分类进行的,比如简单地将客户分为高压客户与低压客户,并没有科学性地、系统的分类体系。随着电力企业逐步从“业务导向型”向“客户导向型”转变,这为电网开展差异性的营销服务造成了困扰。
发明内容
发明目的:针对传统电力客户细分过于依赖经验这一问题提供一种基于多维指标的电力客户细分方法。
技术方案:本发明为实现上述目的,采用如下技术方案:
一种基于多维指标的电力客户细分方法,包括以下步骤:
1)首先获取电力客户近几年的多维数据指标,包括客户价值维度中用电量、平均电价指标、客户信用维度中违约用电次数、欠费率指标、客户潜力维度中用电增长率和报装容量指标;
2)针对数据进行预处理,方式包括缺失值及异常值的删除以及数据归一化处理;
3)将经过预处理的数据利用聚类算法进行计算,利用平均轮廓系数判别聚类个数,最终得到客户细分结果。
作为优化,所述步骤1)中,
用电量是指近几年电力客户的总用电量;
平均电价是指电力客户近几年用电电费总量与总用电量的比值;
违约用电次数是指电力客户执行私自超过合同用电容量、擅自接用用电费用高的设备或私自改变用电类别等损害电力公司利益的行为次数;
欠费率是指电力客户近几年来欠费费用与总电费的比值;
用电增长率是指电力客户最近一年年用电量与之前第N年用电量的差值再除以第N年年用电量。
报装容量是指供电企业允许电力客户可以同时使用的最大容量。
作为优化,所述步骤2)中,对收集到的电力客户数据进行缺失值删除,包括:
收集到的数据可以组成一个矩阵Xm×n,其中m表示电力客户数,n表示确定的评价指标数。则Xij表示第i个客户在第j个评价指标上的值。如果在矩阵Xm×n中存在着缺失值,则对应缺失值的处理方法为删除Xm×n中对应缺失值的那一行,删除后,对应矩阵维数变为X(m-1)×n。
作为优化,所述步骤2)中,对收集到的电力客户数据进行异常值删除,包括:
矩阵Xm×n的第j列数据集合为Xj,设Xj的上四分位数为Q1,下四分位数为Q3,四分位距IQR为Q3与Q1的差值,定义当Xij<Q1-1.5IQR或者Xij>Q3+1.5IQR,Xij对应的第i行数据为异常值。则将第i行数据予以删除。
作为优化,所述步骤2)中,将电力客户数据进行归一化处理,包括:
归一化处理的好处在于能够去除量纲不同带给聚类算法的不良影响。采取公式来进行数据转换。其中Xij、Yij分别为变换前后的电力客户数据,Xjmin与Xjmax分别对应所有客户的在j指标下的最小值与最大值。经过归一化处理,每个对应指标下客户数据都被映射到对应区间[0,1],使最后的聚类指标数据量纲得到了统一。
作为优化,所述步骤3)中,将经过预处理的数据利用聚类算法进行计算,利用平均轮廓系数判别聚类个数,最终得到客户细分结果,包括:
在执行聚类算法时,聚类个数k的选择存在着一定的主观性,故采用平均轮廓系数来判断不同的k值的聚类效果优劣。平均轮廓系数S计算公式为
通过一定的聚类算法,将待分类数据进行聚类,并将待分类数据分为了k个簇。则对于其中一个电力客户i来说,a(i)表示为电力客户i到同一簇内其他电力客户的平均欧式距离,b(i)表示为电力客户i到其他簇电力客户欧式距离的最小值。平均轮廓系数范围在[-1,1]之间,越趋近于1代表内聚度和分离度都相对较优。平均轮廓系数可以在相同原始数据的基础上用来评价不同算法、或者算法不同运行方式对聚类结果所产生的影响。
有益效果:本发明相对于现有技术而言:本发明提出了基于多维指标的电力客户细分方法,相对于传统方法中将客户简单分为高压与低压客户,本发明创造性地提出了基于客户价值、客户信用以及客户潜力三个维度的客户细分方法。其中客户价值维度指标包括用电量、平均电价等;客户信用维度指标包括违约用电次数,欠费率等;客户潜力维度包括用电增长率,客户报装容量等。基于多维指标的客户细分可以使企业更好地挖掘客户的不同的需求,使得企业根据顾客需求有效参与市场竞争,从而获取最大的利润。通过客户细分,电力企业可以有效降低成本,更好的识别不同的客户对企业的需求以及客户的价值,指导企业合理处理与顾客之间的关系,以达到提高顾客满意度和忠诚度的目的,吸引长期客户。
附图说明
图1为本发明执行流程示意图;
图2为本发明电力客户多维指标示意图;
具体实施方式
以下结合附图和实例对本发明的实施作进一步说明,但本发明的实施和包含不限于此。
请参阅图1,一种基于多维指标的电力客户细分方法,包括以下步骤:
1)首先获取电力客户近几年的多维数据指标;
2)针对数据进行预处理,方式包括缺失值及异常值的删除以及数据归一化处理;
3)将经过预处理的数据利用聚类算法进行计算,利用平均轮廓系数判别聚类个数,最终得到客户细分结果。
请参阅图2,获取的近几年电力客户多维指标数据应包括:客户价值维度中用电量、平均电价指标;客户信用维度中违约用电次数、欠费率指标;客户潜力维度中用电增长率,报装容量指标。各指标及其含义如下表:
表1评价指标及含义
收集以上指标数据后,具体电力客户数据实例如下表:
2电力客户具体指标数据
对收集到的电力客户数据进行预处理,包括缺失值及异常值的删除以及归一化处理,具体如下:
收集到的数据可以组成一个矩阵Xm×n,其中m表示电力客户数,n表示确定的评价指标数。则Xij表示第i个客户在第j个评价指标上的值。如果在矩阵Xm×n中存在着缺失值,则对应缺失值的处理方法为删除Xm×n中对应缺失值的那一行,删除后,对应矩阵维数变为X(m-1)×n。
矩阵Xm×n的第j列数据集合为Xj,设Xj的上四分位数为Q1,下四分位数为Q3,四分位距IQR为Q3与Q1的差值,定义当Xij<Q1-1.5IQR或者Xij>Q3+1.5IQR,Xij对应的第i行数据为异常值。则将第i行数据予以删除。
归一化处理的好处在于能够去除量纲不同带给聚类算法的不良影响。采取公式来进行数据转换。其中Xij、Yij分别为变换前后的电力客户数据,Xjmin与Xjmax分别对应所有客户的在j指标下的最小值与最大值。经过归一化处理,每个对应指标下客户数据都被映射到对应区间[0,1],使最后的聚类指标数据量纲得到了统一。
将经过预处理的数据利用聚类算法进行计算,利用平均轮廓系数判别聚类个数,最终得到客户细分结果,包括:
在执行聚类算法时,聚类个数k的选择存在着一定的主观性,故采用平均轮廓系数来判断不同的k值的聚类效果优劣。平均轮廓系数S计算公式为
通过一定的聚类算法,将待分类数据进行聚类,并将待分类数据分为了k个簇。则对于其中一个电力客户i来说,a(i)表示为电力客户i到同一簇内其他电力客户的平均欧式距离,b(i)表示为电力客户i到其他簇电力客户欧式距离的最小值。平均轮廓系数可以在相同原始数据的基础上用来评价不同算法、或者算法不同运行方式对聚类结果所产生的影响。
举例说明利用平均轮廓系数得到最优聚类个数步骤,下表是聚类个数以及对应的平均轮廓系数
表3平均轮廓系数
可以看出当聚类个数为3时,平均轮廓系数最大为0.273,故最优聚类个数为3。此时可以将电力客户分为3类:
聚类1(高耗能型):此类电力用户用电量极高,报装容量也非常大。说明客户价值大,违约用电次数、欠费率、用电增长率均处于平均水平,此类用户是供电企业收入重要来源,针对此类用户,供电公司需要多推出鼓励按时缴费的活动,并加强营销服务,比如用电能替代、能量管理等方式增加客户的满意度。
聚类2(高信用型):此类用户欠费率及违约次数均极低,但用电量、用电增长率以及报装容量均低于平均水平。此类用户虽然用电量低,但是量多,所以总量还是客观的。针对此类用户,供电企业需要满足其一般的供电需求,并定期走访了解其额外需求。
聚类3(高潜力型):此类用户用电量较低,但是报装容量以及用电增长率较高,其余指标处于平均水平。针对此类用户,供电公司需要重点培养,在前期投入人力物力专门为此类客户设计营销方案,给客户留下较好的印象,此类客户是供电公司收入潜在增长点。
以上所示的基于多维指标的电力客户细分方法是本发明的具体实施例,已经体现出本发明的实质性特点和进步,可根据实际的使用需要,在本发明的启示下,对其进行形状、结构等方面的等同修改,均在本方案的保护范围之列。
Claims (5)
1.一种基于多维指标的电力客户细分方法,其特征在于,包括以下步骤:
1)首先获取电力客户近几年的多维数据指标,包括用电量、平均电价指标、客户信用维度违约用电次数、欠费率指标、客户潜力维度中用电增长率和报装容量指标;
2)针对数据进行预处理,方式包括缺失值及异常值的删除以及数据归一化处理;
3)将经过预处理的数据利用聚类算法进行计算,利用平均轮廓系数判别聚类个数,最终得到客户细分结果。
2.根据权利要求1所述的基于多维指标的电力客户细分方法,其特征在于:获取的近几年电力客户多维指标数据应包括:所述步骤1)中用电量是指近几年电力客户的总用电量;平均电价是指电力客户近几年用电电费总量与总用电量的比值;违约用电次数是指电力客户执行私自超过合同用电容量、擅自接用用电费用高的设备或私自改变用电类别等损害电力公司利益的行为次数;欠费率是指电力客户近几年来欠费费用与总电费的比值;用电增长率是指电力客户最近一年年用电量与之前第N年用电量的差值再除以第N年年用电量;报装容量是指供电企业允许电力客户可以同时使用的最大容量。
3.根据权利要求1所述的基于多维指标的电力客户细分方法,其特征在于,所述步骤2)中对收集到的电力客户数据进行缺失值及异常值的删除包括:
收集到的数据可以组成一个矩阵Xm×n,其中m表示电力客户数,n表示确定的评价指标数;则Xij表示第i个客户在第j个评价指标上的值;如果在矩阵Xm×n中存在着缺失值,则对应缺失值的处理方法为删除Xm×n中对应缺失值的那一行,删除后,对应矩阵维数变为X(m-1)×n;
矩阵Xm×n的第j列数据集合为Xj,设Xj的上四分位数为Q1,下四分位数为Q3,四分位距IQR为Q3与Q1的差值,定义当Xij<Q1-1.5IQR或者Xij>Q3+1.5IQR,Xij对应的第i行数据为异常值。则将第i行数据予以删除。
4.根据权利要求1所述的基于多维指标的电力客户细分方法,其特征在于,所述步骤2)中将电力客户数据进行归一化处理包括:
采取公式来进行数据转换;其中Xij、Yij分别为变换前后的电力客户数据,Xjmin与Xjmax分别对应所有客户的在j指标下的最小值与最大值;经过归一化处理,每个对应指标下客户数据都被映射到对应区间[0,1],使最后的聚类指标数据量纲得到了统一。
5.根据权利要求1所述的基于多维指标的电力客户细分方法,其特征在于,所述步骤3)中将经过预处理的数据利用聚类算法进行计算,利用平均轮廓系数判别聚类个数,最终得到客户细分结果包括:
通过一定的聚类算法,将待分类数据进行聚类,并将待分类数据分为了k个簇;在执行聚类算法时,聚类个数k的选择存在着一定的主观性,故采用平均轮廓系数来判断不同的k值的聚类效果优劣;平均轮廓系数S计算公式为
<mrow>
<mi>S</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<mo>&times;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mfrac>
<mrow>
<mi>b</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>{</mo>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>b</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
</mfrac>
</mrow>
则对于其中一个电力客户i来说,a(i)表示为电力客户i到同一簇内其他电力客户的平均欧式距离,b(i)表示为电力客户i到其他簇电力客户欧式距离的最小值;平均轮廓系数可以在相同原始数据的基础上用来评价不同算法、或者算法不同运行方式对聚类结果所产生的影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710854068.XA CN107784518A (zh) | 2017-09-20 | 2017-09-20 | 一种基于多维指标的电力客户细分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710854068.XA CN107784518A (zh) | 2017-09-20 | 2017-09-20 | 一种基于多维指标的电力客户细分方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107784518A true CN107784518A (zh) | 2018-03-09 |
Family
ID=61437908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710854068.XA Pending CN107784518A (zh) | 2017-09-20 | 2017-09-20 | 一种基于多维指标的电力客户细分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107784518A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734217A (zh) * | 2018-05-22 | 2018-11-02 | 齐鲁工业大学 | 一种基于聚类分析的客户细分方法及装置 |
CN109492048A (zh) * | 2019-01-21 | 2019-03-19 | 国网河北省电力有限公司经济技术研究院 | 一种电力用户用电特性的提取方法、系统及终端设备 |
CN110544123A (zh) * | 2019-08-29 | 2019-12-06 | 广州供电局有限公司 | 电力用户分类方法、装置、计算机设备和存储介质 |
CN111105266A (zh) * | 2019-11-11 | 2020-05-05 | 中国建设银行股份有限公司 | 基于改进决策树的客户分群方法及装置 |
CN111175626A (zh) * | 2020-03-20 | 2020-05-19 | 广东电网有限责任公司 | 一种开关柜绝缘状态异常检测方法 |
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 |
CN111461761A (zh) * | 2020-02-29 | 2020-07-28 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于多维细粒度行为数据的居民用户画像方法 |
CN111968268A (zh) * | 2020-06-29 | 2020-11-20 | 南斗六星系统集成有限公司 | 一种新能源车辆健康状况远程评估方法和系统 |
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 |
-
2017
- 2017-09-20 CN CN201710854068.XA patent/CN107784518A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734217A (zh) * | 2018-05-22 | 2018-11-02 | 齐鲁工业大学 | 一种基于聚类分析的客户细分方法及装置 |
CN109492048A (zh) * | 2019-01-21 | 2019-03-19 | 国网河北省电力有限公司经济技术研究院 | 一种电力用户用电特性的提取方法、系统及终端设备 |
CN110544123A (zh) * | 2019-08-29 | 2019-12-06 | 广州供电局有限公司 | 电力用户分类方法、装置、计算机设备和存储介质 |
CN110544123B (zh) * | 2019-08-29 | 2022-02-01 | 广东电网有限责任公司广州供电局 | 电力用户分类方法、装置、计算机设备和存储介质 |
CN111105266A (zh) * | 2019-11-11 | 2020-05-05 | 中国建设银行股份有限公司 | 基于改进决策树的客户分群方法及装置 |
CN111105266B (zh) * | 2019-11-11 | 2023-10-27 | 建信金融科技有限责任公司 | 基于改进决策树的客户分群方法及装置 |
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 |
CN111461761A (zh) * | 2020-02-29 | 2020-07-28 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于多维细粒度行为数据的居民用户画像方法 |
CN111175626A (zh) * | 2020-03-20 | 2020-05-19 | 广东电网有限责任公司 | 一种开关柜绝缘状态异常检测方法 |
CN111968268A (zh) * | 2020-06-29 | 2020-11-20 | 南斗六星系统集成有限公司 | 一种新能源车辆健康状况远程评估方法和系统 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107784518A (zh) | 一种基于多维指标的电力客户细分方法 | |
Li et al. | Long-term system load forecasting based on data-driven linear clustering method | |
US10664931B2 (en) | Data analyzing system and method | |
CN110781332A (zh) | 基于复合聚类算法的电力居民用户日负荷曲线聚类方法 | |
CN106504029A (zh) | 一种基于客户群体行为分析的加油站销量预测方法 | |
CN110555782B (zh) | 一种基于大数据的科学用电模型构建系统及方法 | |
CN107507076A (zh) | 基于数据挖掘的电力客户的综合评级的方法 | |
CN105160416A (zh) | 一种结合主元分析与神经网络的台区合理线损预测方法 | |
CN107133652A (zh) | 基于K‑means聚类算法的用电客户价值评估方法及系统 | |
CN108399453A (zh) | 一种电力客户信用等级评价方法和装置 | |
CN108280541A (zh) | 基于随机森林和决策树的客户服务策略制定方法、装置 | |
CN111291076A (zh) | 基于大数据的异常用水监测报警系统及其构建方法 | |
CN111612228A (zh) | 一种基于用电信息的用户用电行为分析方法 | |
CN108428055B (zh) | 一种考虑负荷纵向特性的负荷聚类方法 | |
CN111724039B (zh) | 一种向电力用户推荐客服人员的推荐方法 | |
CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
Ferraro et al. | Comparison and clustering analysis of the daily electrical load in eight European countries | |
CN110826886A (zh) | 一种基于聚类算法和主成分分析的电力客户画像构建方法 | |
CN112561339A (zh) | 一种优质客户识别方法 | |
CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
CN111062564A (zh) | 一种电力客户诉求敏感值计算方法 | |
CN111798333A (zh) | 一种用能评估与用电安全分析方法和系统 | |
CN111178690A (zh) | 基于风控评分卡模型的用电客户窃电风险评估方法 | |
Guan et al. | Customer load forecasting method based on the industry electricity consumption behavior portrait | |
CN111932078A (zh) | 基于量测数据多态势评判的风险用户识别方法 |
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: 20180309 |