CN113128890A - 电力用户分类方法、装置及终端设备 - Google Patents
电力用户分类方法、装置及终端设备 Download PDFInfo
- Publication number
- CN113128890A CN113128890A CN202110463526.3A CN202110463526A CN113128890A CN 113128890 A CN113128890 A CN 113128890A CN 202110463526 A CN202110463526 A CN 202110463526A CN 113128890 A CN113128890 A CN 113128890A
- Authority
- CN
- China
- Prior art keywords
- power consumer
- classification
- power
- label
- clustering
- 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 52
- 230000006870 function Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 14
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 18
- 230000005611 electricity Effects 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种电力用户分类方法、装置及终端设备,所述电力用户分类方法、装置及终端设备属于数据分析领域,所述方法包括:获取预先构建的电力用户标签集;基于所述电力用户标签集中的各个电力用户标签获取各个电力用户对应的标签数据;对各个电力用户对应的标签数据进行模糊聚类,得到各个电力用户的所属分类。本发明提供的电力用户分类方法、装置及终端设备能够实现电力用户的分类,为后续差异化服务提供数据支撑。
Description
技术领域
本发明属于数据分析技术领域,更具体地说,是涉及一种电力用户分类方法、装置及终端设备。
背景技术
近年来,传统企业转型升级成为必然,掌握客户资源成为其保持市场竞争力的主要手段。国有企业成为供给侧结构性改革的主体,作为传统的电力企业应该逐渐加大对客户服务的持续关注与改进,不断提升对客户的服务水平和自身营销能力,但目前电力企业面对客户的能力与整个社会群体高度的维权意识、以及其他行业完善的服务体验相比仍处在落后水平。随着电力体制改革的深化,售电企业向市场化发展,电网公司服务理念亟待从“客户需求导向”进一步向“客户体验导向”提升。
因此,亟需一种电力用户的分类方法,以实现差异化服务,进而提升服务质量,降低电力用户的操作成本。
发明内容
本发明的目的在于提供一种电力用户分类方法、装置及终端设备,以实现电力用户的分类,进而实现差异化服务,提升服务质量,降低电力用户的操作成本。
本发明实施例的第一方面,提供了一种电力用户分类方法,包括:
获取预先构建的电力用户标签集;
基于所述电力用户标签集中的各个电力用户标签获取各个电力用户对应的标签数据;
对各个电力用户对应的标签数据进行模糊聚类,得到各个电力用户的所属分类。
本发明实施例的第二方面,提供了一种电力用户分类装置,包括:
第一数据获取模块,用于获取预先构建的电力用户标签集;
第二数据获取模块,用于基于所述电力用户标签集中的各个电力用户标签获取各个电力用户对应的标签数据;
分类模块,用于对各个电力用户对应的标签数据进行模糊聚类,得到各个电力用户的所属分类。
本发明实施例的第三方面,提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的电力用户分类方法的步骤。
本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的电力用户分类方法的步骤。
本发明提供的电力用户分类方法、装置及终端设备的有益效果在于:
本发明基于用户画像的思想,首先建立了电力用户的标签体系,在此基础上获取对应数据,最后基于模糊聚类手段实现了电力用户的分类。本发明提供的电力用户分类方法、装置及终端设备可以基于用户自身的画像特征对电力用户进行分类,实现了电力用户的分类,在此基础上,可为后续差异化服务提供数据支撑,提高电网企业的服务质量,降低电力用户的操作成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的电力用户分类方法的流程示意图;
图2为本发明一实施例提供的电力用户分类装置的结构框图;
图3为本发明一实施例提供的终端设备的示意框图;
图4为本发明一实施例提供的电力用户标签框架的结构示意图;
图5为本发明一实施例提供的电力用户基本属性标签的结构示意图;
图6为本发明一实施例提供的电力用户内在诉求标签的结构示意图;
图7为本发明一实施例提供的电力用户行为方式标签的结构示意图;
图8为本发明一实施例提供的电力用户客户价值标签的结构示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参考图1,图1为本发明一实施例提供的电力用户分类方法的流程示意图,该方法包括:
S101:获取预先构建的电力用户标签集。
在本实施例中,请参考图4,可从基本属性、内在诉求、行为方式、客户价值四个角度出发构建电力用户标签集。
其中,关于基本属性标签,请参考图5,对于电力用户来说,一般可分为居民用户和工商业用户两种。居民用户是电力市场中最基本的用户单元,执行一般居民电价,且电能是居民用户的刚需消费,因此具有价格弹性低的刚需特性。居民用户的用电行为受到经济、社会、个人等因素的影响。工商业用户是电网主要的营收来源,也具备一定的刚需特性,且价格弹性很大。工商业用户的用电行为受到企业发展、政策因素、经济因素等的影响。结合上述分析,将电力客户的基本属性划分为自然属性和电力属性两个维度,并以此为据扩展底层标签。
其中,关于内在诉求标签,请参考图6,随着电力市场的改革,供电服务的可选性大大提高,一般用户不再满足基本的用电需求,特殊用户也不再局限于电能质量的基本需求。各种用户都迫切需要一套适合自身的差异化供电服务策略,例如上门服务、个性化供电方案、综合能源合作共享、以及其他满足心理或精神需求的供电服务。参考市场营销理论,并通过调研用户的需求取向,本实施例确定了9个维度的内在诉求标签体系,分别为质量、时间、成本、数量、便捷、安全、个性、产品、渠道。
其中,关于行为方式标签,请参考图7,用户行为从源头分析,可以追溯到接入前和接入后。接入前,用户更加关心企业能够提供何种供电服务、需要办理何种手续等,如政策咨询、代理业务、档案变更等;接入后的电力用户行为可以划分为电能使用行为、服务交互行为以及信用风险行为三个维度。本实施例重点分析电能使用行为的标签细分维度。依据企业的统计资料,常见的业务行为包括电动汽车充电行为、需求响应行为、电能利用行为、电能交易行为、电费缴纳行为、用电异常行为等因素。
其中,关于客户价值标签,请参考图8,对于客户价值的评估,目本实施例将其划分为当前价值和潜在价值两个维度。当前价值是用户已经体现出来的价值;而潜在价值需要预测,更加关注的是用户自身的成长性。具体到电力用户,当前价值的标签指标可以归纳为电费、用电量、容量、电压等级等等;而潜在价值可以归纳为电量增长率、电量增长速度、容量增长率、增容次数等等。对于当前价值较高的客户,需要增加用户粘性,提高用户忠诚度,防止客户流失;对于潜在价值客户,需要制定合理的战略规划,既要着眼于当下客户当前价值的合理满足,但又要辅助企业提升潜在价值的空间,从而实现电力企业和用户的共同发展。
S102:基于电力用户标签集中的各个电力用户标签获取各个电力用户对应的标签数据。
在本实施例中,对应的标签数据也即各个电力用户对应的电力用户标签的标签值。
S103:对各个电力用户对应的标签数据进行模糊聚类,得到各个电力用户的所属分类。
在本实施例中,可采用基于模糊熵的聚类方法对各个电力用户对应的标签数据进行模糊聚类,得到各个标签数据所属的模糊类,也即得到了各个电力用户所属的模糊类。
由上可以得出,本实施例以“标签”的形式,构建多层次、多视角、立体化的客户全景画像,实现对电力客户特征的全面刻画,从而使业务人员能够快速获取客户基本信息、用电习惯、信用风险、行为特性等精细特征。针对不同特征的客户,后续可提供差异化的办电、催费、交费、咨询等业务,主动精准地推荐交费渠道、用电建议、智能家居节能计划等用电产品及服务,提高客户服务的精细化、差异化程度,提高营销方案设计的针对性和有效性,降低用户的操作成本。
可选地,作为本发明实施例提供的电力用户分类方法的一种具体实施方式,该电力用户分类方法还可以包括:
根据各个电力用户的所属分类对各个电力用户进行差异化服务。
在本实施例中,差异化服务包括但不限于办电、催费、交费、咨询等业务,主动精准地推荐交费渠道、用电建议、智能家居节能计划等用电产品及服务等。
可选地,作为本发明实施例提供的电力用户分类方法的一种具体实施方式,对各个电力用户对应的标签数据进行模糊聚类,得到各个电力用户的所属分类,包括:
S1:初始化标签数据的论域以及聚类中心。
S2:基于当前的论域、当前的聚类中心对预设的目标函数进行求解。
S3:判断目标函数的解是否满足预设条件,若目标函数的解满足预设条件,则确定聚类完成。若目标函数的解不满足预设条件,则更新聚类中心,并返回执行步骤S2。
可选地,作为本发明实施例提供的电力用户分类方法的一种具体实施方式,目标函数为:
其中,xjk表示第j个标签数据中的第k个特征。uji表示第j个标签数据隶属于模糊类i的隶属度,n为标签数据的数量,N为每个标签数据中特征的数量,C为数据类的数量,dji为第j个标签数据与其对应的模糊类的聚类中心的距离,yi为拉格朗日乘子,m为加权指数。
在本实施例中,U表示隶属度矩阵,V表示聚类空间,Y表示拉格朗日乘子对应的空间。
在本实施例中,(除了第一次迭代初始化论域和聚类中心外,其他步骤中)论域和聚类中心可以采用以下方法计算:
其中,初始化聚类中心时,选值可以为:此种方式可以弱化初值对于聚类中心的影响,从而加快收敛速度,加之本实施例前述方法中隶属度具有高速分布的特征,降低了均匀分布下噪声点的影响,目标函数明显减小,从而有效提升了聚类准确率。
可选地,作为本发明实施例提供的电力用户分类方法的一种具体实施方式,若目标函数的解满足预设条件,则确定聚类完成,包括:
若基于目标函数的解确定的模糊熵小于预设熵值或者步骤S2的执行次数达到预设次数,则确定聚类完成。
在本实施例中,若基于目标函数的解确定的模糊熵不小于预设熵值且步骤S2的执行次数未达到预设次数,则返回执行步骤S2。
可选地,作为本发明实施例提供的电力用户分类方法的一种具体实施方式,模糊熵的计算方法为:
在本实施例中,现有技术中模糊熵的计算方法为:
其中,w为模糊系数,p(xi)是样本xi取值的概率。
可选的,本发明还提供了聚类方法的验证试验,本实施例选取了模糊聚类算法(FCM)、基于PSO的k-means算法进行对照分析。基于机器学习数据库的Iris和Wine数据集样本进行聚类计算。Iris数据集样本由3类共150个样本组成,类别分布各为50个;Wine数据集由3类共178个样本组成,每个样本有13个属性,3个类不存在交叠,类别分布为59、71和48。表1为聚类结果。
表1 不同算法聚类准确度比较
Tab.1 Comparison of clustering accuracy of different algorithms
从表1分析可知:
对于复杂度较低(数据集维度较低)的Iris数据库,FEC聚类的最高准确度为91.1166%,呈现与其他两类算法相同的结果;而最低准确度方面,PSO-k-means表现最佳,但与FEC算法相差无几;对于维度较高的Wine数据集,FEC的聚类准确度大大优于其他两类算法。通过分析聚类中间过程发现,PSO-k-means有一定的概率发生早熟现象,算法过早收敛,这种缺陷在维度低的Iris数据集不明显,但是在维度高的Wine数据集中十分明显。而FEC算法由于模糊熵的引入,降低了算法陷入局部最优的概率,充分说明FEC算法对于复杂的多特征、多类别数据集聚类效果具有明显优势。
可选的,本发明还提供了电力用户分类方法验证实例,本实施例以某市级供电局为例进行研究。该供电局目前服务用户18万户,其中工商业用户占比为0.4%,但是电量占比却高达78%,且用电量最多的前十大企业占整个地区用电量的56%。可以看出,该地区的大客户对于当地供电局的利润贡献十分巨大。为了更好的对本地电力大客户进行划分,制定如下三条标准进行筛选:
1)用户电压不低于10kV。
2)用户容量不低于800kV·A。
3)年用电量250MW·h。
经过以上三条标准的筛选之后,符合条件的大客户共有103个。采用图4至图8所示的标签集和以及本发明的电力用户分类方法进行聚类,对价值大客户进行提取。最终,本发明的电力用户分类方法将本地区大客户分为四类,分别是重要保持客户、重要发展客户、无价值客户和一般客户。表2展示了聚类结果和部分重要的指标数据。
表2 价值大客户提取结果展示
Tab.2Value key customer extraction results display
由表2分析发现,重要保持客户虽然只有7户,但是其总用电量却占据了地区供电量的38%,是四类大客户中最多的。该类客户的用电基数很大,对于维持地方供电量水平意义重大,但是电量增长率处于中等偏下水平,增长不明显。对于重要保持客户而言,电网企业在提供优质服务的同时,需要针对用户的需求提供增值服务,加强服务交流密切度,努力为其降低用电成本,从而提高用户粘性。对于重要发展客户而言,虽然其总用电量只占地区供电量的15%,但是增长率却高达87.779%。针对此类客户,服务的重点是根据客户的自身发展需求,提供技术支持,加大供电可靠性,实现共赢发展。对于一般客户而言,基数很大占据到全区供电量的42%,电量增速缓慢,但用电波动性较小,可以酌情考虑为其提供便捷化服务。对于无价值大客户,应该重点探究其电量负增长及用电波动大的原因,引导其规范用电。
其中,重要保持客户、重要发展客户、一般客户、无价值大客户等类别名称可根据分类结果中的标签数据的属性进行定义。
对应于上文实施例的电力用户分类方法,图2为本发明一实施例提供的电力用户分类装置的结构框图。为了便于说明,仅示出了与本发明实施例相关的部分。参考图2,该电力用户分类装置20包括:第一数据获取模块21、第二数据获取模块22、分类模块23。
其中,第一数据获取模块21,用于获取预先构建的电力用户标签集。
第二数据获取模块22,用于基于电力用户标签集中的各个电力用户标签获取各个电力用户对应的标签数据。
分类模块23,用于对各个电力用户对应的标签数据进行模糊聚类,得到各个电力用户的所属分类。
可选地,参考图2,作为本发明实施例提供的电力用户分类装置的一种具体实施方式,该电力用户分类装置20还包括:
差异化服务模块24,用于根据各个电力用户的所属分类对各个电力用户进行差异化服务。
可选地,作为本发明实施例提供的电力用户分类装置的一种具体实施方式,分类模块23具体用于执行以下步骤:
S1:初始化标签数据的论域以及聚类中心。
S2:基于当前的论域、当前的聚类中心对预设的目标函数进行求解。
S3:判断目标函数的解是否满足预设条件,若目标函数的解满足预设条件,则确定聚类完成。若目标函数的解不满足预设条件,则更新聚类中心,并返回执行步骤S2。
可选地,作为本发明实施例提供的电力用户分类装置的一种具体实施方式,目标函数为:
其中,xjk表示第j个标签数据中的第k个特征。uji表示第j个标签数据隶属于模糊类i的隶属度,n为标签数据的数量,N为每个标签数据中特征的数量,C为数据类的数量,dji为第j个标签数据与其对应的模糊类的聚类中心的距离,yi为拉格朗日乘子,m为加权指数。
可选地,作为本发明实施例提供的电力用户分类装置的一种具体实施方式,若基于目标函数的解确定的模糊熵小于预设熵值或者步骤S2的执行次数达到预设次数,则确定聚类完成。
可选地,作为本发明实施例提供的电力用户分类装置的一种具体实施方式,分类模块23通过以下公式计算模糊熵:
参见图3,图3为本发明一实施例提供的终端设备的示意框图。如图3所示的本实施例中的终端300可以包括:一个或多个处理器301、一个或多个输入设备302、一个或多个输出设备303及一个或多个存储器304。上述处理器301、输入设备302、输出设备303及存储器304通过通信总线305完成相互间的通信。存储器304用于存储计算机程序,计算机程序包括程序指令。处理器301用于执行存储器304存储的程序指令。其中,处理器301被配置用于调用程序指令执行以下操作上述各装置实施例中各模块/单元的功能,例如图2所示模块21至24的功能。
应当理解,在本发明实施例中,所称处理器301可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备302可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备303可以包括显示器(LCD等)、扬声器等。
该存储器304可以包括只读存储器和随机存取存储器,并向处理器301提供指令和数据。存储器304的一部分还可以包括非易失性随机存取存储器。例如,存储器304还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器301、输入设备302、输出设备303可执行本发明实施例提供的电力用户分类方法的第一实施例和第二实施例中所描述的实现方式,也可执行本发明实施例所描述的终端的实现方式,在此不再赘述。
在本发明的另一实施例中提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序包括程序指令,程序指令被处理器执行时实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元,例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的终端和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的终端和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种电力用户分类方法,其特征在于,包括:
获取预先构建的电力用户标签集;
基于所述电力用户标签集中的各个电力用户标签获取各个电力用户对应的标签数据;
对各个电力用户对应的标签数据进行模糊聚类,得到各个电力用户的所属分类。
2.如权利要求1所述的电力用户分类方法,其特征在于,还包括:
根据各个电力用户的所属分类对各个电力用户进行差异化服务。
3.如权利要求1所述的电力用户分类方法,其特征在于,所述对各个电力用户对应的标签数据进行模糊聚类,得到各个电力用户的所属分类,包括:
S1:初始化所述标签数据的论域以及聚类中心;
S2:基于当前的论域、当前的聚类中心对预设的目标函数进行求解;
S3:判断目标函数的解是否满足预设条件,若目标函数的解满足预设条件,则确定聚类完成;若目标函数的解不满足预设条件,则更新聚类中心,并返回执行步骤S2。
5.如权利要求3所述的电力用户分类方法,其特征在于,所述若目标函数的解满足预设条件,则确定聚类完成,包括:
若基于目标函数的解确定的模糊熵小于预设熵值或者步骤S2的执行次数达到预设次数,则确定聚类完成。
7.一种电力用户分类装置,其特征在于,包括:
第一数据获取模块,用于获取预先构建的电力用户标签集;
第二数据获取模块,用于基于所述电力用户标签集中的各个电力用户标签获取各个电力用户对应的标签数据;
分类模块,用于对各个电力用户对应的标签数据进行模糊聚类,得到各个电力用户的所属分类。
8.如权利要求7所述的电力用户分类装置,其特征在于,还包括:
差异化服务模块,用于根据各个电力用户的所属分类对各个电力用户进行差异化服务。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110463526.3A CN113128890A (zh) | 2021-04-26 | 2021-04-26 | 电力用户分类方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110463526.3A CN113128890A (zh) | 2021-04-26 | 2021-04-26 | 电力用户分类方法、装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113128890A true CN113128890A (zh) | 2021-07-16 |
Family
ID=76780480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110463526.3A Pending CN113128890A (zh) | 2021-04-26 | 2021-04-26 | 电力用户分类方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128890A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114155038A (zh) * | 2021-12-09 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 受疫情影响用户识别方法 |
CN114155038B (zh) * | 2021-12-09 | 2024-05-31 | 国网河北省电力有限公司营销服务中心 | 受疫情影响用户识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685581A (zh) * | 2019-01-03 | 2019-04-26 | 江苏方天电力技术有限公司 | 一种基于标签聚类技术的电力大客户用电行为分析方法 |
CN111079995A (zh) * | 2019-11-29 | 2020-04-28 | 南方电网能源发展研究院有限责任公司 | 电力负荷非线性调和综合预测方法、装置及存储介质 |
CN111898839A (zh) * | 2019-05-05 | 2020-11-06 | 中国农业大学 | 电力用户的重要程度分类方法及装置 |
CN112288465A (zh) * | 2020-10-19 | 2021-01-29 | 杭州电子科技大学 | 一种基于半监督聚类集成学习的客户细分方法 |
CN112365281A (zh) * | 2020-10-28 | 2021-02-12 | 国网冀北电力有限公司计量中心 | 电力客户服务需求分析方法及装置 |
-
2021
- 2021-04-26 CN CN202110463526.3A patent/CN113128890A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685581A (zh) * | 2019-01-03 | 2019-04-26 | 江苏方天电力技术有限公司 | 一种基于标签聚类技术的电力大客户用电行为分析方法 |
CN111898839A (zh) * | 2019-05-05 | 2020-11-06 | 中国农业大学 | 电力用户的重要程度分类方法及装置 |
CN111079995A (zh) * | 2019-11-29 | 2020-04-28 | 南方电网能源发展研究院有限责任公司 | 电力负荷非线性调和综合预测方法、装置及存储介质 |
CN112288465A (zh) * | 2020-10-19 | 2021-01-29 | 杭州电子科技大学 | 一种基于半监督聚类集成学习的客户细分方法 |
CN112365281A (zh) * | 2020-10-28 | 2021-02-12 | 国网冀北电力有限公司计量中心 | 电力客户服务需求分析方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114155038A (zh) * | 2021-12-09 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 受疫情影响用户识别方法 |
CN114155038B (zh) * | 2021-12-09 | 2024-05-31 | 国网河北省电力有限公司营销服务中心 | 受疫情影响用户识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tsiptsis et al. | Data mining techniques in CRM: inside customer segmentation | |
CN108648074B (zh) | 基于支持向量机的贷款评估方法、装置及设备 | |
CN110490729B (zh) | 一种基于用户画像模型的金融用户分类方法 | |
US7328218B2 (en) | Constrained tree structure method and system | |
Chorianopoulos | Effective CRM using predictive analytics | |
CN108681970A (zh) | 基于大数据的理财产品推送方法、系统及计算机存储介质 | |
Tsai et al. | Customer segmentation issues and strategies for an automobile dealership with two clustering techniques | |
CN108388955A (zh) | 基于随机森林和逻辑回归的客户服务策略制定方法、装置 | |
CN107507038A (zh) | 一种基于stacking和bagging算法的电费敏感用户分析方法 | |
CN108389069A (zh) | 基于随机森林和逻辑回归的优质客户识别方法及装置 | |
CN108364191A (zh) | 基于随机森林和逻辑回归的优质客户优化识别方法及装置 | |
CN110852785A (zh) | 用户分级方法、装置及计算机可读存储介质 | |
Sun et al. | Using improved RFM model to classify consumer in big data environment | |
Chen et al. | An extended study of the K-means algorithm for data clustering and its applications | |
CN117455529A (zh) | 基于大数据技术的用户用电特征画像构建方法及系统 | |
Hsieh et al. | Enhancing consumer behavior analysis by data mining techniques | |
CN112950359A (zh) | 一种用户识别方法和装置 | |
CN108510003A (zh) | 车联网大数据风控组合特征提取方法、装置及存储介质 | |
CN111639102A (zh) | 客户数据资源共享方法、装置及电子设备 | |
He et al. | Multi-dimensional boundary effects and regional economic integration: Evidence from the Yangtze River Economic Belt | |
CN116501957A (zh) | 用户标签画像处理方法、用户画像系统、设备和存储介质 | |
CN113128890A (zh) | 电力用户分类方法、装置及终端设备 | |
Liu et al. | Panel data analysis of Chinese households’ car ownership and expenditure patterns | |
CN115619517A (zh) | 一种应用于信贷领域的机构评估方法及系统 | |
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 |
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 |
Application publication date: 20210716 |
|
RJ01 | Rejection of invention patent application after publication |