CN109934469A - 基于异源交叉回归分析的停电敏感度预警方法及装置 - Google Patents

Abstract

本发明公开了一种基于异源交叉回归分析的停电敏感度预警方法及装置，形成样本数据集，通过选定变量因素，评价变量因素的相关性能度量，根据各变量因素的客户停电满意度的相关性能度量对变量因素设置一定的阈值，对客户停电投诉进行预警。本发明的基于异源交叉回归分析的停电敏感度预警方法及装置有助于电力企业准确辨识停电敏感度高的客户，降低客户因电费差错而产生投诉的概率，实现整体提升客户满意度的目标。

Description

基于异源交叉回归分析的停电敏感度预警方法及装置

技术领域

本发明涉及电力领域，具体涉及一种基于异源交叉回归分析的停电敏感度预警模型。

背景技术

电网公司客户规模大，生产经营情况复杂。目前，频繁停电投诉已经成为电力客户投诉的主要来源，严重影响客户服务满意度的提升。为了改善服务质量，提高运维效率，基于大数据分析挖掘技术，从大量的业务数据中，通过学习、回归、分类算法，发现业务数据之间的隐藏关系，寻找客户发生投诉、咨询等行为的影响因素，提前做好预防措施和服务准备工作，以提高工作质量和服务水平。

目前的商业实践中，用来开展预测的模型主要有逻辑回归、决策树、神经网络等，这些模型各有其优缺点。其中，回归分析是研究因变量与影响因素间相关性或因果关系的主要手段，经过几十年的发展，已逐渐成熟。它具有计算速度快、对数据质量要求相对不高、结果显性化且稳定性较好等特点。

在现有的逻辑回归过程中，逻辑回归方法通常将所有可能的风险影响因素变量合并为一组联合的模型输入，而没有考虑它们间的影响差异.如此，则所求得的客户停电敏感度分析也不能很好地反映不同影响因素的权重性。会对预警指标的选择造成干扰。本申请正是针对以上问题而提出的一种基于异源交叉回归分析的停电敏感度预警模型，有助于电力企业准确辨识停电敏感度高的客户，降低客户因停电差错而产生投诉的概率，提升客户整体满意度。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种基于异源交叉回归分析的停电敏感度预警方法及装置，通过建立停电敏感度预警模型，以助于电力企业准确辨识停电敏感度高的客户，降低客户因电费差错而产生投诉的概率，实现整体提升客户满意度的目标。

本发明的技术方案为：

一种基于异源交叉回归分析的停电敏感度预警方法，包括以下步骤：

形成样本数据集：以咨询过停电问题的客户为停电敏感性客户形成敏感用户样本集和未咨询过停电问题的客户为非停电敏感性客户形成非敏感用户样本集，从敏感用户样本集和非敏感用户样本集中以特定比例随机抽取形成样本数据集；

选定变量因素：获取样本数据集对应的客户基本信息、用电信息、缴费信息、停电事件形成至少包括计量方式、合同容量、平均电价、行业类型、供电单位、历史95598拨打次数六个变量因素的变量因素集合；

获取相关性能度量：以选定的变量因素为回归因素，使用异源交叉验证回归分析算法建立异源混合神经网络回归模型，研究各回归因素对客户停电满意度的影响程度，建立各变量因素的客户停电满意度的相关性能度量；

停电预警：根据各变量因素的客户停电满意度的相关性能度量对变量因素设置一定的阈值，对客户停电投诉进行预警。

优选地，本发明的基于异源交叉回归分析的停电敏感度预警方法，敏感用户样本集和非敏感用户样本集的比例为全部电力用户在选取的时间周期内的敏感用户总量与非敏感用户总量之比，或者在选取的时间周期内的敏感用户总量与非敏感用户总量的最接近的整数比。

优选地，本发明的基于异源交叉回归分析的停电敏感度预警方法，选定变量因素时，获取样本数据集对应的客户基本信息、用电信息、缴费信息、停电事件后，应先对数据进行预处理，保证数据的正确性。

优选地，本发明的基于异源交叉回归分析的停电敏感度预警方法，异源混合神经网络回归模型的输出表达式为：

式中:w_k1∈R^d、b_k∈R，为隐层中第k个神经元的连接权重和偏移值；w_k2∈R^d、b₀∈R为输出层的连接权重和偏移值；在反向传播的过程中采用梯度下降法来通过迭代得到收敛后的参数值。

优选地，本发明的基于异源交叉回归分析的停电敏感度预警方法，从输入端出发，经过多个隐层后输出的深度回归神经网络；采用BP算法进行训练，或者结合部分深度神经网络的学习策略；

隐层中A(x)为神经元变换函数，选择Sigmoid型函数

一种基于异源交叉回归分析的停电敏感度预警装置，包括：

形成样本数据集模块：用于以咨询过停电问题的客户为停电敏感性客户形成敏感用户样本集和未咨询过停电问题的客户为非停电敏感性客户形成非敏感用户样本集，从敏感用户样本集和非敏感用户样本集中以特定比例随机抽取形成样本数据集；

选定变量因素模块：用于获取样本数据集对应的客户基本信息、用电信息、缴费信息、停电事件形成至少包括计量方式、合同容量、平均电价、行业类型、供电单位、历史95598拨打次数六个变量因素的变量因素集合；

获取相关性能度量模块：用于以选定的变量因素为回归因素，使用异源交叉验证回归分析算法建立异源混合神经网络回归模型，研究各回归因素对客户停电满意度的影响程度，建立各变量因素的客户停电满意度的相关性能度量；

停电预警模块：用于根据各变量因素的客户停电满意度的相关性能度量对变量因素设置一定的阈值，对客户停电投诉进行预警。

优选地，本发明的基于异源交叉回归分析的停电敏感度预警装置，敏感用户样本集和非敏感用户样本集的比例为全部电力用户在选取的时间周期内的敏感用户总量与非敏感用户总量之比，或者在选取的时间周期内的敏感用户总量与非敏感用户总量的最接近的整数比。

优选地，本发明的基于异源交叉回归分析的停电敏感度预警装置，选定变量因素时，获取样本数据集对应的客户基本信息、用电信息、缴费信息、停电事件后，应先对数据进行预处理，保证数据的正确性。

优选地，本发明的基于异源交叉回归分析的停电敏感度预警装置，异源混合神经网络回归模型的输出表达式为：

式中:w_k1∈R^d、b_k∈R，为隐层中第k个神经元的连接权重和偏移值；w_k2∈R^d、b₀∈R为输出层的连接权重和偏移值；在反向传播的过程中采用梯度下降法来通过迭代得到收敛后的参数值。

优选地，本发明的基于异源交叉回归分析的停电敏感度预警装置，异源混合神经网络回归模型中引入变形的logistic函数对客户停电敏感度进行归一化度量：

从输入端出发，经过多个隐层后输出的深度回归神经网络。采用BP算法进行训练，或者结合部分深度神经网络的学习策略。

隐层中A为神经元变换函数，选择Sigmoid型函数

本发明的有益效果在于：

本发明的基于异源交叉回归分析的停电敏感度预警方法及装置，形成样本数据集，通过选定变量因素，评价变量因素的相关性能度量，根据各变量因素的客户停电满意度的相关性能度量对变量因素设置一定的阈值，对客户停电投诉进行预警。本发明的基于异源交叉回归分析的停电敏感度预警方法及装置有助于电力企业准确辨识停电敏感度高的客户，降低客户因电费差错而产生投诉的概率，实现整体提升客户满意度的目标。

附图说明

图1为基于异源交叉回归分析的停电敏感度评估方法的流程图；

图2为异源混合神经网络回归模型结构图；

图3为本发明基于异源交叉回归分析的电力客户停电灵敏度分析的模型评估结果示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的详细说明，便于清楚地了解本发明，但它们不对本发明构成限定。

实施例1

一种基于异源交叉回归分析的停电敏感度预警方法，包括以下步骤：

形成样本数据集：以咨询过停电问题的客户为停电敏感性客户形成敏感用户样本集和未咨询过停电问题的客户为非停电敏感性客户形成非敏感用户样本集，从敏感用户样本集和非敏感用户样本集中以特定比例随机抽取形成样本数据集；

选定变量因素：获取样本数据集对应的客户基本信息、用电信息、缴费信息、停电事件形成至少包括计量方式、合同容量、平均电价、行业类型、供电单位、历史95598拨打次数六个变量因素的变量因素集合；

获取相关性能度量：以选定的变量因素为回归因素，使用异源交叉验证回归分析算法建立异源混合神经网络回归模型，研究各回归因素对客户停电满意度的影响程度，建立各变量因素的客户停电满意度的相关性能度量；

停电预警：根据各变量因素的客户停电满意度的相关性能度量对变量因素设置一定的阈值(比如计量方式设置80％为阈值、合同容量设置80％为阈值、平均电价设置85％为阈值、行业类型设置90％为阈值、供电单位设置80％为阈值、历史95598拨打次数设置70％为阈值，超过上述阈值时报警)，对客户停电投诉进行预警。

优选地，本发明的基于异源交叉回归分析的停电敏感度预警方法，敏感用户样本集和非敏感用户样本集的比例为全部电力用户在选取的时间周期内的敏感用户总量与非敏感用户总量之比，或者在选取的时间周期内的敏感用户总量与非敏感用户总量的最接近的整数比。

优选地，本发明的基于异源交叉回归分析的停电敏感度预警方法，选定变量因素时，获取样本数据集对应的客户基本信息、用电信息、缴费信息、停电事件后，应先对数据进行预处理，保证数据的正确性。

优选地，本发明的基于异源交叉回归分析的停电敏感度预警方法，异源混合神经网络回归模型的输出表达式为：

式中:w_k1∈R^d、b_k∈R，为隐层中第k个神经元的连接权重和偏移值；w_k2∈R^d、b₀∈R为输出层的连接权重和偏移值；在反向传播的过程中采用梯度下降法来通过迭代得到收敛后的参数值。

优选地，本发明的基于异源交叉回归分析的停电敏感度预警方法，从输入端出发，经过多个隐层后输出的深度回归神经网络；采用BP算法进行训练，或者结合部分深度神经网络的学习策略；

隐层中A(x)为神经元变换函数，选择Sigmoid型函数

附图1为本发明具体实施方式中一种基于异源交叉回归分析的停电敏感度预警方法的流程图，该方法主要包括以下步骤：

步骤1：形成样本数据集：以咨询过停电问题的客户为停电敏感性客户形成敏感用户样本集和未咨询过停电问题的客户为非停电敏感性客户形成非敏感用户样本集，从敏感用户样本集和非敏感用户样本集中以特定比例随机抽取形成样本数据集；

本实施方式中所述正样本是指通过对客户历史数据分析，将具有通过95598、网上营业厅或掌上营业厅等渠道咨询停电问题的客户为停电敏感性客户。在抽取样本的时候首先确定建模周期，本发明以某省级电网公司约98.8万客户在2015年9月～2016年3月期间的用户数据为算法学习与测试的数据集，其中低压居民客户52.1万，低压非居民客户40.4万，高压客户6.3万。2016年4月是否拨打过95598作为目标变量，敏感用户与非敏感用户以1：9的比例确定建模训练集。

步骤2：选定变量因素：本实施方式中，基于业务理解和历史数据的探索，综合客户基本信息、用电信息、缴费信息、停电事件等多个维度选取可能与停电敏感度相关的客户信息字段作为自变量因素，形成样本数据集Ω。并对样本数据集Ω进行数据预处理、质量检验等操作。包括对用户编号的唯一性、样本完整性、变量的范围和取值、缺失值、异常值等进行检查。再构建衍生变量，即对原始数据进行处理和加工，以获取更有预测力和解释性的变量。比如拨打95598次数、督办催办次数等。最终，形成至少包括计量方式、合同容量、平均电价、行业类型、供电单位、历史95598拨打次数六个变量因素的变量因素集合；

步骤3：获取相关性能度量：以步骤2中的变量因素为回归因素，使用异源交叉验证回归分析算法建立异源混合神经网络回归模型，研究各回归因素的影响程度，建立各变量因素的客户停电满意度的相关性能度量；

异源交叉回归是一种研究目标变量与一系列异源影响因素之间关系的多变量分析方法，以更好地给出实际问题中各回归影响因素的相对权重性或相关性程度。

本申请以是否为停电敏感客户为目标变量，建立回归模型。

异源混合神经网络回归模型描述如下：

设回归训练集输入特征x_i∈R^d，可分解为一组相对独立的特征子集，即x_i＝(x_i1，x_i2，…，x_ip)，x_ip∈R^dp，其中每个特征子集对应一个变量因素，且各特征子集自身具有较强的独立性。进而若假设各子集特征对回归因变量y_i均存在可能的影响，则可引入异源交叉神经网络网络回归模型。

附图2为异源混合神经网络回归模型结构图。

在异源混合神经网络回归模型中，构建FG_₁至FG__p的p个不同子集特征输入，每个子特征为dp维向量，对应为x_i1，x_i2，…，x_ip。

对应于p个因素变量，比如(仅为举例)：采用计量方式作为回归子特征集FG_₁、采用合同容量作为回归子特征集FG_₂、采用平均电价作为回归子特征集FG_₃、采用行业类型作为回归子特征集FG_₄、采用供电单位作为回归子特征集FG_₅、采用历史95598拨打次数作为回归子特征集FG_₆；

异源混合神经网络回归模型的输出表达式为:

式中:w_k1∈R^d、b_k∈R，为隐层中第k个神经元的连接权重和偏移值；w_k2∈R^d、b₀∈R为输出层的连接权重和偏移值；在反向传播的过程中采用梯度下降法来通过迭代得到收敛后的参数值，梯度下降法为现有技术，这里不做赘述。

从输入端出发，经过多个隐层后输出的深度回归神经网络。采用BP算法进行训练，或者结合部分深度神经网络的学习策略。

隐层中A(x)为神经元变换函数，选择Sigmoid型函数，有：

或者

异源交叉验证回归分析算法描述如下：

(1)输入训练数据集{(x_i，y_i)}_{i＝1，2，…，n}，其中n为训练用户数(样本数)，以及输入特征集上的子集划分x_i＝(x_i1，x_i2，…，x_ip)，x_ip∈R^dp；x_i为第i个用户的特征向量，x_i1，x_i2，…，x_ip对应p个因素变量，y_i为第i个用户x_i对应的样本类别标签，当为停电敏感客户时，取值为1，否则为0。

(2)生成单个子集特征作为输入的p个训练子集(x_ij，y_i)_{i＝1，2，…，n}}，j＝1，2，…，p；

(3)基于标准回归分析方法对p个训练子集进行建模分析，并基于测试数据集计算得到每个训练子集上的平均最优回归性能Pf_p；

(4)基于Pf_p值高低对p个子集因素进行回归影响程度排序，得到无重复项序列S₁，S₂，…，S_p∈{1，2，…，p}；

(5)令k＝1，初始化输入特征集FC_k＝FG_S₁；

(6)构造以FC_k为训练输入的训练集，分别使用标准回归方法和异源混合神经网络回归模型进行回归分析，得到回归性能值P_f_FC_k1和P_f_FC_k2，并令P_f_FC_k＝max(P_f_FC_k1，P_f_FC_k2)；

(7)若k＜p，令k＝k+1，FC_k＝FC_k∪{FG_S_k}，转步骤(5)，否则执行下一步；

(8)基于P_f_FC_k，分析输出各子特征因素影响。

同时为了回归分析停电敏感客户数的可预测性，将训练数据集考虑为连续的滑动窗口区间上的输入输出数据对。形成t＝4，5，6，7时的4个训练数据集。采用如下的相关性度量指标作为本文异源交叉回归模型最终的性能指标。

式中：f(x_i)为模型的预测输出。若回归得到的性能指标值越小，回归性能越好。

步骤4：模型应用：模型评估与应用，基于模型结果应用与全量客户，确定回归模型中对目标变量具有显著影响的自变量因素。从而对自变量因素设置一定的阈值，实现预警。

实施例2

本实施例还提供一种基于异源交叉回归分析的停电敏感度预警装置，包括：

形成样本数据集模块：用于以咨询过停电问题的客户为停电敏感性客户形成敏感用户样本集和未咨询过停电问题的客户为非停电敏感性客户形成非敏感用户样本集，从敏感用户样本集和非敏感用户样本集中以特定比例随机抽取形成样本数据集；

选定变量因素模块：用于获取样本数据集对应的客户基本信息、用电信息、缴费信息、停电事件形成至少包括计量方式、合同容量、平均电价、行业类型、供电单位、历史95598拨打次数六个变量因素的变量因素集合；

获取相关性能度量模块：用于以选定的变量因素为回归因素，使用异源交叉验证回归分析算法建立异源混合神经网络回归模型，研究各回归因素对客户停电满意度的影响程度，建立各变量因素的客户停电满意度的相关性能度量；

停电预警模块：用于根据各变量因素的客户停电满意度的相关性能度量对变量因素设置一定的阈值，对客户停电投诉进行预警。

优选地，本发明的基于异源交叉回归分析的停电敏感度预警装置，敏感用户样本集和非敏感用户样本集的比例为全部电力用户在选取的时间周期内的敏感用户总量与非敏感用户总量之比，或者在选取的时间周期内的敏感用户总量与非敏感用户总量的最接近的整数比。

优选地，本发明的基于异源交叉回归分析的停电敏感度预警装置，选定变量因素时，获取样本数据集对应的客户基本信息、用电信息、缴费信息、停电事件后，应先对数据进行预处理，保证数据的正确性。

优选地，本发明的基于异源交叉回归分析的停电敏感度预警装置，异源混合神经网络回归模型的输出表达式为：

式中:w_k1∈R^d、b_k∈R，为隐层中第k个神经元的连接权重和偏移值；w_k2∈R^d、b₀∈R为输出层的连接权重和偏移值；在反向传播的过程中采用梯度下降法来通过迭代得到收敛后的参数值。

优选地，本发明的基于异源交叉回归分析的停电敏感度预警装置，

从输入端出发，经过多个隐层后输出的深度回归神经网络。采用BP算法进行训练，或者结合部分深度神经网络的学习策略。

隐层中A为神经元变换函数，选择Sigmoid型函数

效果实施例

异源混合神经网络回归模型构建后，对其准确性进行评估。通过预测准确率的计算判别模型的预测性能。一个模型的好坏，最重要的评价标准是在实践中的应用效果。定义准确率为预测正确的客户数与全部客户数的比值：

一般采用时间平移的方式进行验证，即得到模型后，预测目标变量未来一个月的发生情况，再与实际情况进行对比。预测命中率越高，表明预测算法的预测准确度很高。如果预测命中率很低，那么将导致本来不敏感的用户被误认为会敏感，而企业根据这一结果，将对本来不敏感的用户采取一些特定的措施，使得企业的资源受到巨大的浪费。

本方案验证结果如下：4月份6.3万高压客户中，产生有关停电咨询的客户占比为5.68％，当本文模型的概率阈值为0.7时，本文模型预测准确率为81.79％。

如图3所示，为本发明基于异源交叉回归分析的电力客户停电灵敏度分析的模型评估结果示意图，该评估结果是根据其2016年4月停电敏感客户实际数据验证模型的准确性。该图中支持向量回归模型的预测性低于神经网络回归模型，同时本发明的算法在各类客户以及全体客户上预测准确率均高于神经网络回归模型，从而说明了本发明模型的良好的回归性能。实验结果表明该模型能够较为准确地预测停电敏感客户，具有一定的应用前景。

表1异源混合回归网络中各因素变量与客户停电满意度的相关性能

并且在因素变量相对重要性中，如表1所示，历史95598拨打次数的相关性为0.8921，供电单位的相关性为0.8824，行业类型的相关性为0.8701，可见历史拨打95598次数、行业类型、供电单位等因素对客户停电敏感度影响最大。然后对其因素确定为预警指标，并设置一定的规则，实现预警。对降低电力客户停电投诉率具有一定的积极影响。

本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于异源交叉回归分析的停电敏感度预警方法，其特征在于，包括以下步骤：

形成样本数据集：以咨询过停电问题的客户为停电敏感性客户形成敏感用户样本集和未咨询过停电问题的客户为非停电敏感性客户形成非敏感用户样本集，从敏感用户样本集和非敏感用户样本集中以特定比例随机抽取形成样本数据集；

选定变量因素：获取样本数据集对应的客户基本信息、用电信息、缴费信息、停电事件形成至少包括计量方式、合同容量、平均电价、行业类型、供电单位、历史95598拨打次数六个变量因素的变量因素集合；

获取相关性能度量：以选定的变量因素为回归因素，使用异源交叉验证回归分析算法建立异源混合神经网络回归模型，研究各回归因素对客户停电满意度的影响程度，建立各变量因素的客户停电满意度的相关性能度量；

停电预警：根据各变量因素的客户停电满意度的相关性能度量对变量因素设置一定的阈值，对客户停电投诉进行预警。

2.根据权利要求1所述的基于异源交叉回归分析的停电敏感度预警方法，其特征在于，敏感用户样本集和非敏感用户样本集的比例为全部电力用户在选取的时间周期内的敏感用户总量与非敏感用户总量之比，或者在选取的时间周期内的敏感用户总量与非敏感用户总量的最接近的整数比。

3.根据权利要求1所述的基于异源交叉回归分析的停电敏感度预警方法，其特征在于，选定变量因素时，获取样本数据集对应的客户基本信息、用电信息、缴费信息、停电事件后，应先对数据进行预处理，保证数据的正确性。

4.根据权利要求1所述的基于异源交叉回归分析的停电敏感度预警方法，其特征在于，异源混合神经网络回归模型的输出表达式为：

式中:w_k1∈R^d、b_k∈R，为隐层中第k个神经元的连接权重和偏移值；w_k2∈R^d、b₀∈R为输出层的连接权重和偏移值；在反向传播的过程中采用梯度下降法来通过迭代得到收敛后的参数值。

5.根据权利要求4所述的基于异源交叉回归分析的停电敏感度预警方法，其特征在于，

从输入端出发，经过多个隐层后输出的深度回归神经网络；采用BP算法进行训练，或者结合部分深度神经网络的学习策略；

隐层中A(x)为神经元变换函数，选择Sigmoid型函数

6.一种基于异源交叉回归分析的停电敏感度预警装置，其特征在于，包括：

形成样本数据集模块：用于以咨询过停电问题的客户为停电敏感性客户形成敏感用户样本集和未咨询过停电问题的客户为非停电敏感性客户形成非敏感用户样本集，从敏感用户样本集和非敏感用户样本集中以特定比例随机抽取形成样本数据集；

选定变量因素模块：用于获取样本数据集对应的客户基本信息、用电信息、缴费信息、停电事件形成至少包括计量方式、合同容量、平均电价、行业类型、供电单位、历史95598拨打次数六个变量因素的变量因素集合；

获取相关性能度量模块：用于以选定的变量因素为回归因素，使用异源交叉验证回归分析算法建立异源混合神经网络回归模型，研究各回归因素对客户停电满意度的影响程度，建立各变量因素的客户停电满意度的相关性能度量；

停电预警模块：用于根据各变量因素的客户停电满意度的相关性能度量对变量因素设置一定的阈值，对客户停电投诉进行预警。

7.根据权利要求6所述的基于异源交叉回归分析的停电敏感度预警装置，其特征在于，敏感用户样本集和非敏感用户样本集的比例为全部电力用户在选取的时间周期内的敏感用户总量与非敏感用户总量之比，或者在选取的时间周期内的敏感用户总量与非敏感用户总量的最接近的整数比。

8.根据权利要求6所述的基于异源交叉回归分析的停电敏感度预警装置，其特征在于，选定变量因素时，获取样本数据集对应的客户基本信息、用电信息、缴费信息、停电事件后，应先对数据进行预处理，保证数据的正确性。

9.根据权利要求6所述的基于异源交叉回归分析的停电敏感度预警装置，其特征在于，异源混合神经网络回归模型的输出表达式为：

式中:w_k1∈R^d、b_k∈R，为隐层中第k个神经元的连接权重和偏移值；w_k2∈R^d、b₀∈R为输出层的连接权重和偏移值；在反向传播的过程中采用梯度下降法来通过迭代得到收敛后的参数值。

10.根据权利要求9所述的基于异源交叉回归分析的停电敏感度预警装置，其特征在于，从输入端出发，经过多个隐层后输出的深度回归神经网络；采用BP算法进行训练，或者结合部分深度神经网络的学习策略；

隐层中A(x)为神经元变换函数，选择Sigmoid型函数