CN114021624A - 用户用电行为分析方法、设备、存储介质及程序产品 - Google Patents

用户用电行为分析方法、设备、存储介质及程序产品 Download PDF

Info

Publication number
CN114021624A
CN114021624A CN202111212114.9A CN202111212114A CN114021624A CN 114021624 A CN114021624 A CN 114021624A CN 202111212114 A CN202111212114 A CN 202111212114A CN 114021624 A CN114021624 A CN 114021624A
Authority
CN
China
Prior art keywords
payment
user
data
classification model
clusters
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
Application number
CN202111212114.9A
Other languages
English (en)
Inventor
卢兆军
郝泉
耿志慧
袁飞
谢红涛
张新华
刘剑宁
伦晓娟
赵军
李鹏飞
季兴龙
张小奇
张秋瑞
安时运
袁德花
王刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongying Power Industry Bureau Of State Grid Shandong Electric Power Co
State Grid Shandong Electric Power Co Ltd
Original Assignee
Dongying Power Industry Bureau Of State Grid Shandong Electric Power Co
State Grid Shandong Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongying Power Industry Bureau Of State Grid Shandong Electric Power Co, State Grid Shandong Electric Power Co Ltd filed Critical Dongying Power Industry Bureau Of State Grid Shandong Electric Power Co
Priority to CN202111212114.9A priority Critical patent/CN114021624A/zh
Publication of CN114021624A publication Critical patent/CN114021624A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Accounting & Taxation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Finance (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (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

本发明提供一种用户用电行为分析方法、设备、存储介质及程序产品，方法包括：获取用户的属性数据和缴费数据；缴费数据至少包括缴费金额、缴费周期、欠费次数以及欠费总额；将属性数据和缴费数据输入预设的用户缴费群体分类模型；用户缴费群体分类模型基于多个不同用户的属性数据和缴费数据训练得到；根据用户缴费群体分类模型的分类结果，识别不同的用户缴费群体。本发明实现根据用电的大数据的情况对用户缴费情况，用电情况等数据进行深入分析，从而无法根据用户群体的不同而提供针对性且具有差异化的服务，降低了客户的满意度和体验度。提高客户的满意度和体验度。

Description

用户用电行为分析方法、设备、存储介质及程序产品
技术领域
本发明涉及用电数据分析技术领域，尤其涉及一种用户用电行为分析方法、设备、存储介质及程序产品。
背景技术
用户是企业最重要的战略资源之一，也是企业生存并长远发展的根本。电网企业要想实现提高核心竞争力，扩大电力能源在全社会终端能源中的占有率，关键在于全面构建以市场为导向、用户为中心，高效便捷的服务体系。因此电网企业始终把满足客户需求放在第一位，始于客户需求、终于客户满意，一切工作都要紧紧围绕客户。
现有技术中没有充分利用用户用电的大数据，无法根据用电的大数据的情况对用户缴费情况，用电情况等数据进行深入分析，从而无法根据用户群体的不同而提供针对性且具有差异化的服务，降低了客户的满意度和体验度。
发明内容
本发明提供一种用户用电行为分析方法、设备、存储介质及程序产品，用以解决现有技术中无法根据用户群体的不同而提供针对性且具有差异化的服务，降低客户的满意度和体验度的缺陷，实现根据用电的大数据的情况对用户缴费情况，用电情况等数据进行深入分析，从而无法根据用户群体的不同而提供针对性且具有差异化的服务，降低了客户的满意度和体验度。提高客户的满意度和体验度。
本发明提供一种用户用电行为分析方法，包括：
获取用户的属性数据和缴费数据；所述缴费数据至少包括缴费金额、缴费周期、欠费次数以及欠费总额；
将所述属性数据和所述缴费数据输入预设的用户缴费群体分类模型；所述用户缴费群体分类模型基于多个不同用户的所述属性数据和所述缴费数据训练得到；
根据所述用户缴费群体分类模型的分类结果，识别不同的用户缴费群体。
根据本发明提供的一种用户用电行为分析方法，所述获取用户的属性数据和缴费数据的步骤之前还包括：
构建所述用户缴费群体分类模型；
所述构建所述用户缴费群体分类模型的步骤，包括：
获取多个不同用户的属性数据和缴费数据；
将所述属性数据和所述缴费数据转换成预设数值范围内的转换数值；
根据多个所述转换数值生成最小生成树，基于所述最小生成树确定多个初始簇心；
基于所述多个初始簇心，对所述转换数值通过K-中心点算法进行迭代处理；
选择迭代处理后聚类中心最小距离的两个簇进行合并，计算新簇心；
基于评价函数和当前簇数量判断是否满足预设条件，若满足则聚类结束。
根据本发明提供的一种用户用电行为分析方法，所述根据多个所述转换数值生成最小生成树，基于所述最小生成树确定多个初始簇心的步骤，包括：
基于多个所述转换数值，通过Prim算法生成一颗最小生成树；
设置模糊分裂数s-1，根据平均距离分裂原则将所述最小生成树分成s个簇；
选择所述s个簇中元素数量超过设定阈值的多个簇作为初始簇，确定多个所述初始簇的初始簇心。
根据本发明提供的一种用户用电行为分析方法，所述基于评价函数和当前簇数量判断是否满足预设条件的步骤之后还包括：
若不满足预设条件则执行以下两个步骤:
基于所述多个初始簇心，对所述转换数值通过K-中心点算法进行迭代处理；
选择迭代处理后聚类中心最小距离的两个簇进行合并，计算新簇心。
根据本发明提供的一种用户用电行为分析方法，所述根据所述用户缴费群体分类模型的分类结果，识别不同的用户缴费群体的步骤之后，还包括：
获取不同时段用户的用电负荷数据；
将所述用电负荷数据输入预设的用电行为偏好分类模型；所述用电行为偏好分类模型基于多个不同用户的所述用电负荷数据训练得到；
根据所述用电行为偏好分类模型的分类结果，识别不同群体分类用户的用电偏好时段。
根据本发明提供的一种用户用电行为分析方法，获取用户的属性数据和缴费数据的步骤之前还包括：构建所述用电行为偏好分类模型；
所述构建所述用电行为偏好分类模型的步骤，包括：
获取不同时段用户的用电负荷数据；
通过手肘法确定聚类数目；
构建基于DTW距离函数，根据所述基于DTW距离函数对所述用电负荷数据进行合并；
对所述用电负荷数据进行层次聚类，当聚类形成的簇数量与所述手肘法确定的聚类数目相同时，聚类结束。
根据本发明提供的一种用户用电行为分析方法，构建基于DTW距离函数的步骤包括：
构建基于DTW距离函数的步骤包括：
计算两条时间序列之间的欧式距离；所述欧式距离通过以下公式得到：
Figure BDA0003309303440000041
其中，ty表示时间序列T＝t1,t2,t3…tn中的元素，dx表示时间序列D＝d1,d2,d3…dn中的元素，DTW(x，y)表示dx到ty之间的欧式距离；
基于所述欧式距离和递归矩阵获取基于DTW距离函数，所述基于DTW距离函数通过以下公式得到：
γ(x,y)＝DTW(dx,ty)+min{γ(x-1,y)γ(x,y-1)γ(x-1,y-1)}
其中，DTW(dx,ty)是点dx,ty之间的欧式距离，γ(x,y)即为DTW距离。
本发明还提供一种用户用电行为分析装置，包括：
第一获取模块，用于获取用户的属性数据和缴费数据；所述缴费数据至少包括缴费金额、缴费周期、欠费次数以及欠费总额；
第一输入模块，用于将所述属性数据和所述缴费数据输入预设的用户缴费群体分类模型；所述用户缴费群体分类模型基于多个不同用户的所述属性数据和所述缴费数据训练得到；
群体分类模块，用于根据所述用户缴费群体分类模型的分类结果，识别不同的用户缴费群体。
进一步地，所述用户用电行为分析装置还包括：
群体分类模型构建模块，用于构建所述用户缴费群体分类模型；
群体分类模型构建模块包括：
第二获取模块，用于获取多个不同用户的属性数据和缴费数据；
数值转换模块，用于将所述属性数据和所述缴费数据转换成预设数值范围内的转换数值；
初始簇心确定模块，用于根据多个所述转换数值生成最小生成树，基于所述最小生成树确定多个初始簇心；
第一算法迭代模块，用于基于所述多个初始簇心，对所述转换数值通过K-中心点算法进行迭代处理；
第一新簇心模块，用于选择迭代处理后聚类中心最小距离的两个簇进行合并，计算新簇心；
第一判断模块，用于基于评价函数和当前簇数量判断是否满足预设条件，若满足则聚类结束。
进一步地，初始簇心确定模块包括：
最小生成树生成模块，用于基于多个所述转换数值，通过Prim算法生成一颗最小生成树；
分裂模块，用于设置模糊分裂数s-1，根据平均距离分裂原则将所述最小生成树分成s个簇；
初始簇心获取模块，用于选择所述s个簇中元素数量超过设定阈值的多个簇作为初始簇，确定多个所述初始簇的初始簇心。
进一步地，若第一判断模块不满足预设条件；用户用电行为分析装置还包括：
第二算法迭代模块，基于所述多个初始簇心，对所述转换数值通过K-中心点算法进行迭代处理；
第二算法迭代模块，选择迭代处理后聚类中心最小距离的两个簇进行合并，计算新簇心。
进一步地，用户用电行为分析装置还包括：
第二获取模块，用于获取不同时段用户的用电负荷数据；
第二输入模块，用于将所述用电负荷数据输入预设的用电行为偏好分类模型；所述用电行为偏好分类模型基于多个不同用户的所述用电负荷数据训练得到；
用电行为偏好分类模块，用于根据所述用电行为偏好分类模型的分类结果，识别不同群体分类用户的用电偏好时段。
进一步地，用户用电行为分析装置还包括：
用电行为偏好分类模型构建模块，用于获取不同时段用户的用电负荷数据；
聚类数目确定模块，用于通过手肘法确定聚类数目；
数据合并模块，用于构建基于DTW距离函数，根据所述基于DTW距离函数对所述用电负荷数据进行合并；
第二判断模块，用于对所述用电负荷数据进行层次聚类，当聚类形成的簇数量与所述手肘法确定的聚类数目相同时，聚类结束。
进一步地，所述数据合并模块包括：
欧式距离计算模块，用于计算两条时间序列之间的欧式距离；所述欧式距离通过以下公式得到：
Figure BDA0003309303440000061
其中，ty表示时间序列T＝t1,t2,t3…tn中的元素，dx表示时间序列D＝d1,d2,d3…dn中的元素，DTW(x，y)表示dx到ty之间的欧式距离；
基于DTW距离函数获取模块，用于基于所述欧式距离和递归矩阵获取基于DTW距离函数，所述基于DTW距离函数通过以下公式得到：
γ(x,y)＝DTW(dx,ty)+min{γ(x-1,y)γ(x,y-1)γ(x-1,y-1)}
其中，DTW(dx,ty)是点dx,ty之间的欧式距离，γ(x,y)即为DTW距离。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述用户用电行为分析方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述用户用电行为分析方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述用户用电行为分析方法的步骤。
本发明提供的用户用电行为分析方法、设备、存储介质及程序产品，本发明实施例通过综合利用用户用电数据中属性数据和缴费数据。所述缴费数据至少包括缴费金额、缴费周期、欠费次数以及欠费总额。将用户用电数据中属性数据和缴费数据输入用户缴费群体分类模型，通过对不同缴费用户群体进行分类，识别不同群体的缴费习惯等信息，使得电力企业能够针对不同用户群体的不同特征，制定信息推送的时间、渠道、内容和频率等。使得企业能够有针对性的为不同用户市场推送不同信息，提供差异化的服务，提高企业的服务水平和服务质量，提升客户满意度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的用户用电行为分析方法的流程示意图之一；
图2是本发明提供的用户用电行为分析方法的流程示意图之二；
图3是本发明提供的用户用电行为分析方法的流程示意图之三；
图4是本发明提供的用户用电行为分析方法的流程示意图之四；
图5表示本发明的用电行为偏好分类模型得出的聚类数k与所有用电负荷数据样本的聚类误差SSE之间的关系；
图6是本发明提供的用户用电行为分析装置的结构示意图；
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1-图5描述本发明的用户用电行为分析方法。
请参照图1，本实施例的用户用电行为分析方法，包括：
S200、获取用户的属性数据和缴费数据；所述缴费数据至少包括缴费金额、缴费周期、欠费次数以及欠费总额；
通过电子设备从电力系统数据库中获取用户缴费行为数据，并从用户缴费行为数据中抽取用户的属性数据和缴费数据。所述的用户属性数据包括用户类型(低压居民、低压非居民)、用户名、用户行业、所属用电站点、年龄等信息。
低压居民用电是普通居民正常家用220V的用电。低压非居民用电是指：除居民生活用电以外，商业用电、专大工业用电客户，生产车属间照明以外的照明用电，以及空调、电热器等用电。
所述缴费数据至少包括缴费金额、缴费周期、欠费次数以及欠费总额。其中缴费周期指的是用户收到电费通知后的缴费响应速度。通过缴费周期、欠费次数以及欠费总额可综合评估用户的缴费行为的积极性和态度。
可以理解的，在其他的一些实施例中，用户缴费数据还包括缴费渠道、违约用电次数、用户实名制认证情况、电子账单开通情况等。其中缴费渠道包括微信支付、支付宝支付、银行卡支付、信用卡支付、线下支付等。通过违约用电次数的高低可了解用户用电风险特征，从而对用户进行相应的提醒，提醒用户用电安全。通过电子账单开通情况可获知用户电子账单开通特征。
通过获取上述用户的属性数据和缴费数据，能够有效的整合用户属性数据及缴费数据，形成用于输入预设的用户缴费群体分类模型的用户分类原始数据。
S300、将所述属性数据和所述缴费数据输入预设的用户缴费群体分类模型；所述用户缴费群体分类模型基于多个不同用户的所述属性数据和所述缴费数据训练得到；
在获取所述属性数据和所述缴费数据之后，电子设备将所述属性数据和所述缴费数据输入预设的用户缴费群体分类模型。
其中，用户缴费群体分类模型是在步骤S100之前，基于多个不同用户的所述属性数据和所述缴费数据训练得到。进一步地，用户缴费群体分类模型使用多种聚类算法构建，例如k-means聚类算法，K-中心点聚类算法等。
S400、根据所述用户缴费群体分类模型的分类结果，识别不同的用户缴费群体。
电子设备根据所述用户缴费群体分类模型的分类结果，识别不同的用户缴费群体，从而根据有针对性地对不同的用户缴费群体是制定不同缴费策略。例如根据用户缴费群体分类模型的分类结果，针对缴费习惯不好，欠费次数多，缴费周期长的用户，制定更多的信息推送时间或提高信息推送频率。对于缴费习惯良好，无欠费或欠费次数少，缴费周期短的用户，不制定或制定更少的信息推送时间；或降低信息推送频率。对于采用线下缴费的客户，制定关于线上缴费的信息内容、渠道(如缴费链接等)，提高线上缴费的人数，促使更多的人进行线上缴费，优化缴费程序。
另外，不同的地理位置，不同的行业的用户的缴费习惯也可能存在差异，可根据用户缴费群体分类模型的分类结果，从而不同的用户群体提供不同的推送不同信息，提供差异化的服务，提高企业的服务水平和服务质量，提升客户满意度。
本发明实施例通过综合利用用户用电数据中属性数据和缴费数据。所述缴费数据至少包括缴费金额、缴费周期、欠费次数以及欠费总额。将用户用电数据中属性数据和缴费数据输入用户缴费群体分类模型，通过对不同缴费用户群体进行分类，识别不同群体的缴费习惯等信息，使得电力企业能够针对不同用户群体的不同特征，制定信息推送的时间、渠道、内容和频率等。使得企业能够有针对性的为不同用户市场推送不同信息，提供差异化的服务，提高企业的服务水平和服务质量，提升客户满意度。
请参照图2，作为一种优选实施例，所述获取用户的属性数据和缴费数据的步骤之前还包括：
S100、构建所述用户缴费群体分类模型；
通过电子设备构建所述用户缴费群体分类模型，用于对用户的属性数据和缴费数据进行聚类，以识别不同的用户缴费群体。
S100、所述构建所述用户缴费群体分类模型的步骤，包括：
S110、获取多个不同用户的属性数据和缴费数据；
通过电子设备获取多个不同用户的属性数据和缴费数据。
S120、将所述属性数据和所述缴费数据转换成预设数值范围内的转换数值；
由于属性数据和缴费数据中的数据范围可能不同，容易对特征指标的聚类结果产生影响，因此采用数据标准化处理，将原始数据集中的各个属性数据和缴费数据变换到[new_maxA，new_minA]的范围之内。其中本实施例中[new_maxA，new_minA](预设数值范围)取[0,1]的数据范围。
在一个可行的实施例中，数据变换的模型设置为
Figure BDA0003309303440000111
其中，v为某个样本点(即某个属性数据或缴费数据)的实际值，minA为特征属性A的最小值，maxA为特征属性A的最大值，new_maxA、new_minA分别为预设数值范围的上限和下限。
S130、根据多个所述转换数值生成最小生成树，基于所述最小生成树确定多个初始簇心；
电子设备根据多个所述转换数值生成最小生成树，基于所述最小生成树确定多个初始簇心。具体的，步骤S130进一步包括：
S131、基于多个所述转换数值，通过Prim算法生成一颗最小生成树；
S132、设置模糊分裂数s-1，根据平均距离分裂原则将所述最小生成树分成s个簇；
S133、选择所述s个簇中元素数量超过设定阈值的多个簇作为初始簇，确定多个所述初始簇的初始簇心。
通过Prim算法首先对构造的数据样本集的多个所述转换数值进行处理产生一个最小生成树，然后给出模糊的分裂数s－1，根据平均距离分裂原则把树分成s棵子树(即簇)，这里把每棵树都看做独立的一个簇，从中选择含有元素较多的簇作为初始的K个簇，并计算其初始聚类中心(即初始簇心)。
S140、基于所述多个初始簇心，对所述转换数值通过K-中心点算法进行迭代处理；
电子设备通过基于所述多个初始簇心，对所述转换数值通过K-中心点算法进行迭代处理。
S150、选择迭代处理后聚类中心最小距离的两个簇进行合并，计算新簇心；
S160、基于评价函数和当前簇数量判断是否满足预设条件，若满足则聚类结束。
最后电子设备基于评价函数和当前簇数量判断是否满足预设条件，若满足则聚类结束。具体的，通过评价函数判断聚类结束，最终得到较好的聚类数目和稳定的聚类结果。在一个可行的实施例中，评价函数可通过以下公式获得：
Figure BDA0003309303440000121
其中K为聚类数目，Ci表示第i个簇，p是Ci中的某一样本点，mi为聚类中心的值，k为形成的簇数量。
基于评价函数和当前簇数量判断是否满足预设条件，可通过如下公式判断：
Figure BDA0003309303440000122
公式(3)。若dete≤ε则算法结束。其中，C为形成的簇数目，t为迭代次数，I为公式(2)的评价函数，ε为设定阈值。
通过上述构建的用户缴费群体分类模型，可基于用户的属性数据和缴费数据得出不同缴费用户群体聚类结果，从而识别不同群体的缴费习惯等信息，使得电力企业能够针对不同用户群体的不同特征，制定信息推送的时间、渠道、内容和频率等。使得企业能够有针对性的为不同用户市场推送不同信息，提供差异化的服务，提高企业的服务水平和服务质量，提升客户满意度。
作为一种优选实施例，所述基于评价函数和当前簇数量判断是否满足预设条件的步骤之后还包括：
若不满足预设条件则执行以下两个步骤:基于所述多个初始簇心，对所述转换数值通过K-中心点算法进行迭代处理；选择迭代处理后聚类中心最小距离的两个簇进行合并，计算新簇心。
请参照图3，作为一种优选实施例，S400、所述根据所述用户缴费群体分类模型的分类结果，识别不同的用户缴费群体的步骤之后，还包括：
S600、获取不同时段用户的用电负荷数据；
通过电子设备从电力系统数据库中获取不同时段用户的用电负荷数据。从用电负荷数据中获取用户峰平谷用电量数据，即用户在用电高峰期的用电量数据，平台期的用电量数据，低谷期的用电量数据。
S700、将所述用电负荷数据输入预设的用电行为偏好分类模型；所述用电行为偏好分类模型基于多个不同用户的所述用电负荷数据训练得到；
通过电子设备将用电负荷数据输入预设的用电行为偏好分类模型。其中，所述用电行为偏好分类模型基于多个不同用户的所述用电负荷数据训练得到。通过将用电负荷数据输入预设的用电行为偏好分类模型，可得到不同用户群体的用电偏好的分类结果。
S800、根据所述用电行为偏好分类模型的分类结果，识别不同群体分类用户的用电偏好时段。
电子设备根据所述用电行为偏好分类模型的分类结果，可识别不同群体分类用户的用电偏好时段。通过用电行为偏好分类模型，可以对具有不同用电特征的用户进行分类。例如群体分类可能存在高峰时期(例如4:00—17:00；19:00—22:00)用电量大，低谷期(例如0:00—8:00)用电量小的类型；或者低谷期用电量大，高峰时用电量小的类型等。对于前者的用电类型，采取正常的高峰期分配电力资源，低谷期降低分配电力资源；而对于后者的用电类型，采取高峰期降低分配电力资源，低谷期提高分配电力资源的策略。
通过计算每类用户的波峰、波平台、波谷占比，精准识别不同用户群体的用电特征，使得企业能够有针对性地服务用户，更加合理的分配电力资源，积极引导客户提升用电效率、降低用电成本，减少资源浪费。
需要说明的是，步骤S600-步骤S800还可以与步骤S200-步骤S400同时进行，即步骤S600-步骤S800还可以与步骤S200-步骤S400并行执行。
本发明实施例通过综合利用用电负荷数据，所述用电负荷数据包括高峰期的用电量数据，平台期的用电量数据，低谷期的用电量数据。将用户用电负荷数据输入用电行为偏好分类模型，通过对不同缴费用户群体进行分类，识别不同群体的用电习惯等信息，电力企业能够针对不同用户群体的不同特征，使得企业能够有针对性地服务用户，更加合理的分配电力资源，积极引导客户提升用电效率、降低用电成本，减少资源浪费。
请参照图4，作为一种优选实施例，S500、获取用户的属性数据和缴费数据的步骤之前还包括：S500、构建所述用电行为偏好分类模型；
所述构建所述用电行为偏好分类模型的步骤，包括：
S510、获取不同时段用户的用电负荷数据；
S520、通过手肘法确定聚类数目；
请参照图5，图5表示本发明的用电行为偏好分类模型得出的聚类数k与所有用电负荷数据样本的聚类误差SSE之间的关系。横坐标k表示聚类数，纵坐标SSE表示所有用电负荷数据样本的聚类误差。从图中可看出SSE和k的关系图是一个手肘的形状，而这个肘部对应的k值就是数据的真实聚类数。从图中可看出最佳聚类数目为3。
S530、构建基于DTW距离函数，根据所述基于DTW距离函数对所述用电负荷数据进行合并；
具体的，S530包括：
S531、计算两条时间序列之间的欧式距离；
例如有两个时间序列T＝(t1,t2,t3…tm)；D＝(d1,d2,d3…dn)。m,n分别代表两个时间序列内元素的个数，为了找到两个时间序列之间的最佳匹配，构造一个代价矩阵D，矩阵D内对应两序列的欧氏距离为：
Figure BDA0003309303440000151
其中，ty表示时间序列T＝t1,t2,t3…tn中的元素，dx表示时间序列D＝d1,d2,d3…dn中的元素，DTW(x，y)表示dx到ty之间的欧式距离；
S532、基于所述欧式距离和递归矩阵获取基于DTW距离函数。
两个时间序列元素之间的最佳匹配为最优路径值γ，即需要从代价矩阵D中找到一个路径，沿着该路径两个时间序列元素的累计距离最小，借助下面递归矩阵来求取基于DTW距离函数。
所述基于DTW距离函数通过以下公式得到：
γ(x,y)＝DTW(dx,ty)+min{γ(x-1,y)γ(x,y-1)γ(x-1,y-1)}公式(5)
其中，DTW(dx,ty)是点dx,ty之间的欧式距离，γ(x,y)即为DTW距离。
S540、对所述用电负荷数据进行层次聚类，当聚类形成的簇数量与所述手肘法确定的聚类数目相同时，聚类结束。
通过上述构建的用电行为偏好分类模型，可基于用户的用电负荷数据得出不同缴费用户群体聚类结果，从而识别不同群体的用电习惯等信息，电力企业能够针对不同用户群体的不同特征，使得企业能够有针对性地服务用户，更加合理的分配电力资源，积极引导客户提升用电效率、降低用电成本，减少资源浪费。
作为一种优选实施例，S200、获取用户的属性数据和缴费数据；所述缴费数据至少包括缴费金额、缴费周期、欠费次数以及欠费总额的步骤之后还包括：
S210、对所述属性数据和所述缴费数据进行预处理。
通过预处理方式，删除原始数据中的无关数据、重复数据、平滑噪声数据，提高用户缴费群体分类模型的分类结果的准确性。
作为一种优选实施例，S510、获取不同时段用户的用电负荷数据的步骤之后还包括：
S511、对用户不同时间段的用电负荷数据进行预处理。将用电负荷数据进行缺失值处理、噪声处理、以及归真处理。对采集异常、档案缺失的数据进行统一管理，提高用电行为偏好分类模型的分类结果的准确性。
作为一种优选实施例，S800、根据所述用电行为偏好分类模型的分类结果，识别不同群体分类用户的用电偏好时段的步骤之后，还包括：
S900、通过轮廓系数评估所述用户缴费群体分类模型或所述用电行为偏好分类模型聚类效果。
具体的，电子设备利用轮廓系数评估所述用户缴费群体分类模型或所述用电行为偏好分类模型聚类的结果。轮廓系数取值范围为[-1,1]，取值越接近1则说明聚类性能越好，相反，取值越接近-1则说明聚类性能越差。例如，某个样本点(即缴费数据或用电负荷数据)的轮廓系数的表达式为：
Figure BDA0003309303440000161
其中，s表示某个样本点的轮廓系数，a表示某个样本与其所在簇内其他样本的平均距离，b表示某个样本与其他簇样本的平均距离。max(a，b)表示a和b中的最大值。将各个样本点的轮廓系数求平均即为总体轮廓系数。
通过轮廓系数进行模型评估可对用户缴费群体分类模型或所述用电行为偏好分类模型的聚类结果进行评估，从而方便调整模型参数，以便获取更加准确的聚类结果。
下面对本发明提供的用户用电行为分析装置进行描述，下文描述的用户用电行为分析装置与上文描述的用户用电行为分析方法可相互对应参照。
请参照图6，一种用户用电行为分析装置，包括：
第一获取模块201，用于获取用户的属性数据和缴费数据；所述缴费数据至少包括缴费金额、缴费周期、欠费次数以及欠费总额；
第一输入模块202，用于将所述属性数据和所述缴费数据输入预设的用户缴费群体分类模型；所述用户缴费群体分类模型基于多个不同用户的所述属性数据和所述缴费数据训练得到；
群体分类模块203，用于根据所述用户缴费群体分类模型的分类结果，识别不同的用户缴费群体。
本发明的用户用电行为分析装置通过综合利用用户用电数据中属性数据和缴费数据。所述缴费数据至少包括缴费金额、缴费周期、欠费次数以及欠费总额。将用户用电数据中属性数据和缴费数据输入用户缴费群体分类模型，通过对不同缴费用户群体进行分类，识别不同群体的缴费习惯等信息，使得电力企业能够针对不同用户群体的不同特征，制定信息推送的时间、渠道、内容和频率等。使得企业能够有针对性的为不同用户市场推送不同信息，提供差异化的服务，提高企业的服务水平和服务质量，提升客户满意度。
在上述各实施例的基础上，作为一种可选实施例，所述用户用电行为分析装置还包括：
群体分类模型构建模块，用于构建所述用户缴费群体分类模型；
群体分类模型构建模块包括：
第二获取模块，用于获取多个不同用户的属性数据和缴费数据；
数值转换模块，用于将所述属性数据和所述缴费数据转换成预设数值范围内的转换数值；
初始簇心确定模块，用于根据多个所述转换数值生成最小生成树，基于所述最小生成树确定多个初始簇心；
第一算法迭代模块，用于基于所述多个初始簇心，对所述转换数值通过K-中心点算法进行迭代处理；
第一新簇心模块，用于选择迭代处理后聚类中心最小距离的两个簇进行合并，计算新簇心；
第一判断模块，用于基于评价函数和当前簇数量判断是否满足预设条件，若满足则聚类结束。
在上述各实施例的基础上，作为一种可选实施例，初始簇心确定模块包括：
最小生成树生成模块，用于基于多个所述转换数值，通过Prim算法生成一颗最小生成树；
分裂模块，用于设置模糊分裂数s-1，根据平均距离分裂原则将所述最小生成树分成s个簇；
初始簇心获取模块，用于选择所述s个簇中元素数量超过设定阈值的多个簇作为初始簇，确定多个所述初始簇的初始簇心。
在上述各实施例的基础上，作为一种可选实施例，若第一判断模块不满足预设条件；用户用电行为分析装置还包括：
第二算法迭代模块，基于所述多个初始簇心，对所述转换数值通过K-中心点算法进行迭代处理；
第二算法迭代模块，选择迭代处理后聚类中心最小距离的两个簇进行合并，计算新簇心。
在上述各实施例的基础上，作为一种可选实施例，用户用电行为分析装置还包括：
第二获取模块204，用于获取不同时段用户的用电负荷数据；
第二输入模块205，用于将所述用电负荷数据输入预设的用电行为偏好分类模型；所述用电行为偏好分类模型基于多个不同用户的所述用电负荷数据训练得到；
用电行为偏好分类模块206，用于根据所述用电行为偏好分类模型的分类结果，识别不同群体分类用户的用电偏好时段。
在上述各实施例的基础上，作为一种可选实施例，用户用电行为分析装置还包括：
用电行为偏好分类模型构建模块，用于获取不同时段用户的用电负荷数据；
聚类数目确定模块，用于通过手肘法确定聚类数目；
数据合并模块，用于构建基于DTW距离函数，根据所述基于DTW距离函数对所述用电负荷数据进行合并；
第二判断模块，用于对所述用电负荷数据进行层次聚类，当聚类形成的簇数量与所述手肘法确定的聚类数目相同时，聚类结束。
在上述各实施例的基础上，作为一种可选实施例，所述数据合并模块包括：
欧式距离计算模块，用于计算两条时间序列之间的欧式距离；所述欧式距离通过以下公式得到：
Figure BDA0003309303440000191
其中，ty表示时间序列T＝t1,t2,t3…tn中的元素，dx表示时间序列D＝d1,d2,d3…dn中的元素，DTW(x，y)表示dx到ty之间的欧式距离；
基于DTW距离函数获取模块，用于基于所述欧式距离和递归矩阵获取基于DTW距离函数，所述基于DTW距离函数通过以下公式得到：
γ(x,y)＝DTW(dx,ty)+min{γ(x-1,y)γ(x,y-1)γ(x-1,y-1)}
其中，DTW(dx,ty)是点dx,ty之间的欧式距离，γ(x,y)即为DTW距离。
本发明的用户用电行为分析装置通过综合利用用电负荷数据，所述用电负荷数据包括高峰期的用电量数据，平台期的用电量数据，低谷期的用电量数据。将用户用电负荷数据输入用电行为偏好分类模型，通过对不同缴费用户群体进行分类，识别不同群体的用电习惯等信息，电力企业能够针对不同用户群体的不同特征，使得企业能够有针对性地服务用户，更加合理的分配电力资源，积极引导客户提升用电效率、降低用电成本，减少资源浪费。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行用户用电行为分析方法，该方法包括：获取用户的属性数据和缴费数据；所述缴费数据至少包括缴费金额、缴费周期、欠费次数以及欠费总额；将所述属性数据和所述缴费数据输入预设的用户缴费群体分类模型；所述用户缴费群体分类模型基于多个不同用户的所述属性数据和所述缴费数据训练得到；根据所述用户缴费群体分类模型的分类结果，识别不同的用户缴费群体。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的用户用电行为分析方法，该方法包括：获取用户的属性数据和缴费数据；所述缴费数据至少包括缴费金额、缴费周期、欠费次数以及欠费总额；将所述属性数据和所述缴费数据输入预设的用户缴费群体分类模型；所述用户缴费群体分类模型基于多个不同用户的所述属性数据和所述缴费数据训练得到；根据所述用户缴费群体分类模型的分类结果，识别不同的用户缴费群体。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的用户用电行为分析方法，该方法包括：获取用户的属性数据和缴费数据；所述缴费数据至少包括缴费金额、缴费周期、欠费次数以及欠费总额；将所述属性数据和所述缴费数据输入预设的用户缴费群体分类模型；所述用户缴费群体分类模型基于多个不同用户的所述属性数据和所述缴费数据训练得到；根据所述用户缴费群体分类模型的分类结果，识别不同的用户缴费群体。
以上所描述的装置实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种用户用电行为分析方法，其特征在于，包括：
获取用户的属性数据和缴费数据；所述缴费数据至少包括缴费金额、缴费周期、欠费次数以及欠费总额；
将所述属性数据和所述缴费数据输入预设的用户缴费群体分类模型；所述用户缴费群体分类模型基于多个不同用户的所述属性数据和所述缴费数据训练得到；
根据所述用户缴费群体分类模型的分类结果，识别不同的用户缴费群体。
2.根据权利要求1所述的用户用电行为分析方法，其特征在于，
所述获取用户的属性数据和缴费数据的步骤之前还包括：
构建所述用户缴费群体分类模型；
所述构建所述用户缴费群体分类模型的步骤，包括：
获取多个不同用户的属性数据和缴费数据；
将所述属性数据和所述缴费数据转换成预设数值范围内的转换数值；
根据多个所述转换数值生成最小生成树，基于所述最小生成树确定多个初始簇心；
基于所述多个初始簇心，对所述转换数值通过K-中心点算法进行迭代处理；
选择迭代处理后聚类中心最小距离的两个簇进行合并，计算新簇心；
基于评价函数和当前簇数量判断是否满足预设条件，若满足则聚类结束。
3.根据权利要求2所述的用户用电行为分析方法，其特征在于，
所述根据多个所述转换数值生成最小生成树，基于所述最小生成树确定多个初始簇心的步骤，包括：
基于多个所述转换数值，通过Prim算法生成一颗最小生成树；
设置模糊分裂数s-1，根据平均距离分裂原则将所述最小生成树分成s个簇；
选择所述s个簇中元素数量超过设定阈值的多个簇作为初始簇，确定多个所述初始簇的初始簇心。
4.根据权利要求2所述的用户用电行为分析方法，其特征在于，
所述基于评价函数和当前簇数量判断是否满足预设条件的步骤之后还包括：
若不满足预设条件则执行以下两个步骤:
基于所述多个初始簇心，对所述转换数值通过K-中心点算法进行迭代处理；
选择迭代处理后聚类中心最小距离的两个簇进行合并，计算新簇心。
5.根据权利要求1所述的用户用电行为分析方法，其特征在于，所述根据所述用户缴费群体分类模型的分类结果，识别不同的用户缴费群体的步骤之后，还包括：
获取不同时段用户的用电负荷数据；
将所述用电负荷数据输入预设的用电行为偏好分类模型；所述用电行为偏好分类模型基于多个不同用户的所述用电负荷数据训练得到；
根据所述用电行为偏好分类模型的分类结果，识别不同群体分类用户的用电偏好时段。
6.根据权利要求5所述的用户用电行为分析方法，其特征在于，所述获取不同时段用户的用电负荷数据的步骤之前，还包括：
构建所述用电行为偏好分类模型；
所述构建所述用电行为偏好分类模型的步骤，包括：
获取不同时段用户的用电负荷数据；
通过手肘法确定聚类数目；
构建基于DTW距离函数，根据所述基于DTW距离函数对所述用电负荷数据进行合并；
对所述用电负荷数据进行层次聚类，当聚类形成的簇数量与所述手肘法确定的聚类数目相同时，聚类结束。
7.根据权利要求6所述的用户用电行为分析方法，其特征在于，
构建基于DTW距离函数的步骤包括：
计算两条时间序列之间的欧式距离；所述欧式距离通过以下公式得到：
Figure FDA0003309303430000031
其中，ty表示时间序列T＝t1,t2,t3…tn中的元素，dx表示时间序列D＝d1,d2,d3…dn中的元素，DTW(x，y)表示dx到ty之间的欧式距离；
基于所述欧式距离和递归矩阵获取基于DTW距离函数，所述基于DTW距离函数通过以下公式得到：
γ(x,y)＝DTW(dx,ty)+min{γ(x-1,y)γ(x,y-1)γ(x-1,y-1)}
其中，DTW(dx,ty)是点dx,ty之间的欧式距离，γ(x,y)即为DTW距离。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至7任一项所述用户用电行为分析方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，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7任一项所述用户用电行为分析方法的步骤。
10.一种计算机程序产品，包括计算机程序，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7任一项所述用户用电行为分析方法的步骤。
CN202111212114.9A 2021-10-18 2021-10-18 用户用电行为分析方法、设备、存储介质及程序产品 Pending CN114021624A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111212114.9A CN114021624A (zh) 2021-10-18 2021-10-18 用户用电行为分析方法、设备、存储介质及程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111212114.9A CN114021624A (zh) 2021-10-18 2021-10-18 用户用电行为分析方法、设备、存储介质及程序产品

Publications (1)

Publication Number Publication Date
CN114021624A true CN114021624A (zh) 2022-02-08

Family

ID=80056643

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111212114.9A Pending CN114021624A (zh) 2021-10-18 2021-10-18 用户用电行为分析方法、设备、存储介质及程序产品

Country Status (1)

Country Link
CN (1) CN114021624A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099478A (zh) * 2022-06-17 2022-09-23 国网数字科技控股有限公司 用户用电行为预测方法、装置、电子设备及存储介质
CN115459270A (zh) * 2022-11-03 2022-12-09 西安国智电子科技有限公司 城市高峰用电的配置方法、装置、计算机设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099478A (zh) * 2022-06-17 2022-09-23 国网数字科技控股有限公司 用户用电行为预测方法、装置、电子设备及存储介质
CN115459270A (zh) * 2022-11-03 2022-12-09 西安国智电子科技有限公司 城市高峰用电的配置方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN108520357B (zh) 一种线损异常原因的判别方法、装置及服务器
CN111144468B (zh) 电力用户信息标签化方法和装置、电子设备以及存储介质
CN114021624A (zh) 用户用电行为分析方法、设备、存储介质及程序产品
CN109685635A (zh) 金融业务的风险评估方法、风控服务端及存储介质
CN105117810A (zh) 一种阶梯电价机制下居民用电中期负载预测方法
CN111898839B (zh) 电力用户的重要程度分类方法及装置
CN110428270A (zh) 基于逻辑回归算法的渠道潜在偏好客户识别方法
CN108345908A (zh) 电网数据的分类方法、分类设备及存储介质
CN113468811B (zh) 含新能源机组的电网备用容量概率化动态评估方法及系统
CN109636467A (zh) 一种品牌的互联网数字资产的综合评估方法及系统
CN106296315A (zh) 基于用户用电数据的情境感知系统
CN111626614A (zh) 一种基于电费回收的用户分类方法
CN117370753A (zh) 基于大数据的异常电力用户识别的方法、系统及存储介质
Assimakopoulos Residential energy demand modelling in developing regions: The use of multivariate statistical techniques
CN110659930A (zh) 基于用户行为的消费提质方法、装置、存储介质及设备
CN115271282A (zh) 基于模糊逻辑的客户价值确定方法及装置
CN114780860A (zh) 基于多维大数据融合汇聚的自主决策方法
CN114781685A (zh) 基于大数据挖掘技术的大用户用电负荷预测方法及系统
CN112631882A (zh) 一种结合线上业务指标特征的容量预估方法
CN112418633A (zh) 一种基于典型相关分析的停电敏感性相关因素分析方法
CN112215420A (zh) 一种居民用电的客户过户识别方法及系统
CN118134295B (zh) 一种需求响应用户信用评价方法、系统、存储介质及设备
CN116089847B (zh) 基于协方差代理的分布式可调资源聚类方法
CN114677184B (zh) 基于经营决策辅助模型的数据处理方法及平台
Jiang et al. Research on multi-type demand response user profile based on improved k-means clustering algorithm

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