CN114119111A - 基于大数据的电力交易用户管理方法、装置、设备及介质 - Google Patents
基于大数据的电力交易用户管理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114119111A CN114119111A CN202210097547.2A CN202210097547A CN114119111A CN 114119111 A CN114119111 A CN 114119111A CN 202210097547 A CN202210097547 A CN 202210097547A CN 114119111 A CN114119111 A CN 114119111A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- purchasing side
- preset
- electricity purchasing
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 46
- 230000005611 electricity Effects 0.000 claims abstract description 193
- 230000007613 environmental effect Effects 0.000 claims abstract description 42
- 230000006399 behavior Effects 0.000 claims description 64
- 238000003064 k means clustering Methods 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 24
- 238000011161 development Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 239000003344 environmental pollutant Substances 0.000 claims description 9
- 231100000719 pollutant Toxicity 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims 1
- 238000004891 communication Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- 239000011593 sulfur Substances 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000005612 types of electricity Effects 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
- 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
- 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
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (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大数据的电力交易用户管理方法、装置、设备及介质。所述基于大数据的电力交易用户管理方法包括步骤：采集购电侧用户的消费数据、行为数据、负荷数据、信用数据、粘性数据以及环保数据；根据预设类别和预设用户聚类模型，分别对所述购电侧用户的消费数据和所述行为数据进行用户聚类，获取与所述购电侧用户相对应的用户类别结果；根据所述用户类别结果和所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与所述购电侧用户相对应的用户画像；根据所述用户画像为所述购电侧用户提供差异化服务。本发明提高了电力交易用户画像构建的准确性。
Description
技术领域
本发明涉及大数据处理技术领域，尤其涉及一种基于大数据的电力交易用户管理方法、装置、设备及介质。
背景技术
目前，用户画像技术发展迅速，正在被应用到社交媒体，电子商务，移动等领域。在企业实际应用时，需要根据实际的业务需求在专业的领域从整体到细节对用户画像进行逐级展示，因此在电力企业应用中，通过构建电力用户画像为电力企业决策提供支持成为当前研究的热门话题。
但现有的用户画像无法灵活的描述用电用户具有的特征，包含的描述信息不足，不能细化具体电力交易用户群体，无法筛选具有某些共同特征的电力用户群体，导致构建的电力交易用户画像不准确，进而导致电力交易过程中对用户的管理较为混乱。
发明内容
本发明的主要目的在于提供一种基于大数据的电力交易用户管理方法、装置、设备及介质。旨在解决现有电力交易过程中对用户的管理较为混乱的问题。
为实现上述目的，本发明提供一种基于大数据的电力交易用户管理方法，所述基于大数据的电力交易用户管理方法包括步骤：
采集购电侧用户的消费数据、行为数据、负荷数据、信用数据、粘性数据以及环保数据；
根据预设类别和预设用户聚类模型，分别对所述购电侧用户的消费数据和所述行为数据进行用户聚类，获取与所述购电侧用户相对应的用户类别结果；
根据所述用户类别结果和所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与所述购电侧用户相对应的用户画像；
根据所述用户画像为所述购电侧用户提供差异化服务。
可选地，所述预设类别包括预设第一类别和预设第二类别，所述预设用户聚类模型包括消费聚类模型和行为聚类模型，
所述根据预设类别和预设用户聚类模型，分别对所述购电侧用户的消费数据和所述行为数据进行用户聚类，获取与所述购电侧用户相对应的用户类别结果的步骤包括：
根据预设第一类别、消费聚类模型和所述消费数据，对所述购电侧用户进行第一次用户聚类，得到各所述购电侧用户相对应的第一用户类别结果；
根据预设第二类别、行为聚类模型和所述行为数据，对所述购电侧用户进行第二次用户聚类，得到各所述购电侧用户相对应的第二用户类别结果；
根据所述第一用户类别结果和所述第二用户类别结果，确定与所述购电侧用户相对应的用户类别结果。
可选地，所述根据所述第一用户类别结果和所述第二用户类别结果，确定与所述购电侧用户相对应的用户类别结果的步骤包括：
根据预设消费等级和所述第一用户类别结果，分别为各所述购电侧用户进行赋值，得到与各所述购电侧用户相对应的第一等级值；
根据预设行为等级和所述第二用户类别结果，分别为各所述购电侧用户进行赋值，得到与各所述购电侧用户相对应的第二等级值；
根据预设权重，分别对每一所述购电侧用户对应的第一等级值和对应的第二等级值进行加权求和，得到每一所述购电侧用户对应的求和值；
根据预设阈值范围将各所述购电侧用户划分至重要用户、中等用户和发展用户，其中，所述用户类别结果包括重要用户、中等用户和发展用户。
可选地，根据所述用户类别结果和所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与所述购电侧用户相对应的用户画像的步骤包括：
根据所述用户类别结果，分别确定属于所述重要用户、所述中等用户和所述发展用户中的目标购电侧用户；
根据与所述目标购电侧用户相对应的所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与各所述购电侧用户相对应的用户画像。
可选地，所述根据与所述目标购电侧用户相对应的所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与各所述购电侧用户相对应的用户画像的步骤包括：
根据所述负荷数据判断所述目标购电侧用户的负荷水平，并生成与所述目标购电侧用户相对应的负荷标签；
根据所述环保数据，计算所述目标购电侧用户的污染物排放量，并判断所述目标购电侧用户的环保水平，生成与所述目标购电侧用户的环保标签；
根据所述信用数据，计算所述目标购电侧用户的信用水平，生成与所述目标购电侧用户的信用标签；
根据所述粘性数据，计算所述目标购电侧用户的粘性水平，生成与所述目标购电侧用户的粘性标签；
将所述负荷标签、所述环保标签、所述信用标签和所述粘性标签赋予给所述目标购电侧用户，得到各所述购电侧用户的用户画像，所述购电侧用户包括目标购电侧用户。
可选地，所述负荷水平包括负荷波动率；所述根据所述负荷数据判断所述目标购电侧用户的负荷水平的步骤包括：
根据所述负荷数据获取所述目标购电侧用户在预设时间段内的日负荷使用数据，根据所述日负荷使用数据生成预设时间段内的日负荷曲线；
将预设时间段内日负荷曲线进行拟合，得到与所述目标购电侧用户相对应的目标日负荷曲线；
根据所述目标日负荷曲线，计算所述目标购电侧用户对应的负荷波动率。
可选地，所述预设用户聚类模型为K-means聚类模型，包括消费聚类模型和行为聚类模型，所述预设数据包括消费数据和行为数据；
所述根据预设类别和预设用户聚类模型，依次对所述购电侧用户的消费数据和所述行为数据进行用户聚类，获取不同类型的数据下与所述购电侧用户相对应的用户类别结果的步骤之前，还包括：
根据预设比例分别从所述预设数据中确定与所述消费数据对应的训练数据集、验证数据集以及测试数据集；
将所述训练数据集输入至K-means聚类算法中，得到初始K-means聚类模型；
采用所述验证数据集对所述初始K-means聚类模型进行评估，得到评估结果；
根据所述评估结果以及所述测试数据集对初始K-means聚类模型的准确率进行检侧和优化，直至所述准确率达到预设阈值，得到预设用户聚类模型。
此外，本申请还提供一种基于大数据的电力交易用户管理装置，所述基于大数据的电力交易用户管理装置包括：
数据采集模块，用于采集购电侧用户的消费数据、行为数据、负荷数据、信用数据、粘性数据以及环保数据；
用户分类模块，用于根据预设类别和预设用户聚类模型，分别对所述购电侧用户的消费数据和所述行为数据进行用户聚类，获取与所述购电侧用户相对应的用户类别结果；
画像标签模块，用于根据所述用户类别结果和所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与所述购电侧用户相对应的用户画像；
服务模块，用于根据所述用户画像为所述购电侧用户提供差异化服务。
本申请还提供一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述基于大数据的电力交易用户管理方法的程序，所述基于大数据的电力交易用户管理方法的程序被处理器执行时可实现如上述的基于大数据的电力交易用户管理方法的步骤。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有实现基于大数据的电力交易用户管理方法的程序，所述基于大数据的电力交易用户管理方法的程序被处理器执行时实现如上述的基于大数据的电力交易用户管理方法的步骤。
本申请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的基于大数据的电力交易用户管理方法的步骤。
本发明提出一种基于大数据的电力交易用户管理方法、装置、设备及介质，所述基于大数据的电力交易用户管理方法包括步骤：采集购电侧用户的消费数据、行为数据、负荷数据、信用数据、粘性数据以及环保数据；根据预设类别和预设用户聚类模型，分别对所述购电侧用户的消费数据和所述行为数据进行用户聚类，获取与所述购电侧用户相对应的用户类别结果；根据所述用户类别结果和所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与所述购电侧用户相对应的用户画像；根据所述用户画像为所述购电侧用户提供差异化服务。通过上述方式，本发明能够基于大数据对电力交易中的用户进行不同方面的评价，通过两次用户聚类，提高了构建购电侧用户的电力交易画像的准确性，并根据所述电力交易画像能够实现对同用户的差异化服务，提高售电公司的利益，为售电公司的服务提供判断标准，同时在大数据的基础上，提供大量数据样本，提高了构建用户画像的准确度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图；
图2为本发明基于大数据的电力交易用户管理方法第一实施例的流程示意图；
图3为本发明基于大数据的电力交易用户管理方法第二实施例的流程示意图；
图4为本发明基于大数据的电力交易用户管理方法第三实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，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。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是电脑，也可以是智能手机、平板电脑、便携计算机等具有显示功能的可移动式终端设备。
如图1所示，该终端可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，DVI接口1004，USB接口1005，存储器1006。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选的用户接口1003还可以包括标准的有线接口、无线接口。DVI接口1004可选的可以包括标准的有线接口，通过DVI线与其他外部设备连接。USB接口1005可选的可以包括标准的有线接口，通过USB连接线与其他外部设备连接。存储器1006可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1006可选的还可以是独立于前述处理器1001的存储装置。
可选地，终端还可以包括音频电路等等，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1006中可以包括操作系统、DVI接口模块、USB接口模块、用户接口模块以及基于大数据的电力交易用户管理程序。
在图1所示的终端中，DVI接口1004主要用于连接外部设备，与外部设备进行数据通信；USB接口1005主要用于连接外部设备，与外部设备进行数据通信；用户接口1003主要用于连接用户端，与用户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的基于大数据的电力交易用户管理程序，并执行以下操作：
采集购电侧用户的消费数据、行为数据、负荷数据、信用数据、粘性数据以及环保数据；
根据预设类别和预设用户聚类模型，分别对所述购电侧用户的消费数据和所述行为数据进行用户聚类，获取与所述购电侧用户相对应的用户类别结果；
根据所述用户类别结果和所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与所述购电侧用户相对应的用户画像；
根据所述用户画像为所述购电侧用户提供差异化服务。
进一步地，处理器1001可以调用存储器1006中存储的基于大数据的电力交易用户管理程序，还执行以下操作：
所述预设类别包括预设第一类别和预设第二类别，所述预设用户聚类模型包括消费聚类模型和行为聚类模型，
所述根据预设类别和预设用户聚类模型，分别对所述购电侧用户的消费数据和所述行为数据进行用户聚类，获取与所述购电侧用户相对应的用户类别结果的步骤包括：
根据预设第一类别、消费聚类模型和所述消费数据，对所述购电侧用户进行第一次用户聚类，得到各所述购电侧用户相对应的第一用户类别结果；
根据预设第二类别、行为聚类模型和所述行为数据，对所述购电侧用户进行第二次用户聚类，得到各所述购电侧用户相对应的第二用户类别结果；
根据所述第一用户类别结果和所述第二用户类别结果，确定与所述购电侧用户相对应的用户类别结果。
进一步地，处理器1001可以调用存储器1006中存储的基于大数据的电力交易用户管理程序，还执行以下操作：
所述根据所述第一用户类别结果和所述第二用户类别结果，确定与所述购电侧用户相对应的用户类别结果的步骤包括：
根据预设消费等级和所述第一用户类别结果，分别为各所述购电侧用户进行赋值，得到与各所述购电侧用户相对应的第一等级值；
根据预设行为等级和所述第二用户类别结果，分别为各所述购电侧用户进行赋值，得到与各所述购电侧用户相对应的第二等级值；
根据预设权重，分别对每一所述购电侧用户对应的第一等级值和对应的第二等级值进行加权求和，得到每一所述购电侧用户对应的求和值；
根据预设阈值范围将各所述购电侧用户划分至重要用户、中等用户和发展用户，其中，所述用户类别结果包括重要用户、中等用户和发展用户。
进一步地，处理器1001可以调用存储器1006中存储的基于大数据的电力交易用户管理程序，还执行以下操作：
根据所述用户类别结果和所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与所述购电侧用户相对应的用户画像的步骤包括：
根据所述用户类别结果，分别确定属于所述重要用户、所述中等用户和所述发展用户中的目标购电侧用户；
根据与所述目标购电侧用户相对应的所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与各所述购电侧用户相对应的用户画像。
进一步地，处理器1001可以调用存储器1006中存储的基于大数据的电力交易用户管理程序，还执行以下操作：
所述根据与所述目标购电侧用户相对应的所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与各所述购电侧用户相对应的用户画像的步骤包括：
根据所述负荷数据判断所述目标购电侧用户的负荷水平，并生成与所述目标购电侧用户相对应的负荷标签；
根据所述环保数据，计算所述目标购电侧用户的污染物排放量，并判断所述目标购电侧用户的环保水平，生成与所述目标购电侧用户的环保标签；
根据所述信用数据，计算所述目标购电侧用户的信用水平，生成与所述目标购电侧用户的信用标签；
根据所述粘性数据，计算所述目标购电侧用户的粘性水平，生成与所述目标购电侧用户的粘性标签；
将所述负荷标签、所述环保标签、所述信用标签和所述粘性标签赋予给所述目标购电侧用户，得到各所述购电侧用户的用户画像，所述购电侧用户包括目标购电侧用户。
进一步地，处理器1001可以调用存储器1006中存储的基于大数据的电力交易用户管理程序，还执行以下操作：
所述负荷水平包括负荷波动率；所述根据所述负荷数据判断所述目标购电侧用户的负荷水平的步骤包括：
根据所述负荷数据获取所述目标购电侧用户在预设时间段内的日负荷使用数据，根据所述日负荷使用数据生成预设时间段内的日负荷曲线；
将预设时间段内日负荷曲线进行拟合，得到与所述目标购电侧用户相对应的目标日负荷曲线；
根据所述目标日负荷曲线，计算所述目标购电侧用户对应的负荷波动率。
进一步地，处理器1001可以调用存储器1006中存储的基于大数据的电力交易用户管理程序，还执行以下操作：
所述预设用户聚类模型为K-means聚类模型，包括消费聚类模型和行为聚类模型，所述预设数据包括消费数据和行为数据；
所述根据预设类别和预设用户聚类模型，依次对所述购电侧用户的消费数据和所述行为数据进行用户聚类，获取不同类型的数据下与所述购电侧用户相对应的用户类别结果的步骤之前，还包括：
根据预设比例分别从所述预设数据中确定与所述消费数据对应的训练数据集、验证数据集以及测试数据集；
将所述训练数据集输入至K-means聚类算法中，得到初始K-means聚类模型；
采用所述验证数据集对所述初始K-means聚类模型进行评估，得到评估结果；
根据所述评估结果以及所述测试数据集对初始K-means聚类模型的准确率进行检侧和优化，直至所述准确率达到预设阈值，得到预设用户聚类模型。
本发明基于大数据的电力交易用户管理装置的具体实施例与下述基于大数据的电力交易用户管理方法各实施例基本相同，在此不作赘述。
请参阅图2，图2为本发明基于大数据的电力交易用户管理方法第一实施例的流程示意图，包括如下步骤：
步骤S10，采集购电侧用户的消费数据、行为数据、负荷数据、信用数据、粘性数据以及环保数据；
在本实施例中，主要针对的购电侧用户为公司等工业用电单位，所述消费数据为购电侧用户的年度数据，例如年购电量、年购电增长率、年购电费用等。所述行为数据为用户的购电频次。所述负荷数据为购电侧用户的电能使用情况，例如日负荷使用数据等。所述信用数据主要包括违约用电次数、年合同偏差电量、合同履约率等。所述粘性数据为购电侧用户对售电单位的依赖程度，例如转换服务商频次。所述环保数据包括碳、硫、氮排放量，即污染物排放量。另外，在采集完数据后，还需要对所述消费数据、行为数据、负荷数据、信用数据、粘性数据以及环保数据进行数据预处理。因为实际上，上述数据可能存在部分信息缺失、信息重复记录等现象，因此在采集到上述数据后还需要对数据进行预处理，比如删除重复数据，根据前后数据的逻辑关系填补缺失信息等。
步骤S20，根据预设类别和预设用户聚类模型，分别对所述购电侧用户的消费数据和所述行为数据进行用户聚类，获取与所述购电侧用户相对应的用户类别结果；
在一实施例中，所述预设类别包括预设第一类别和预设第二类别，其中，预设第一类别为与消费数据对应的类别，具体可以划分为高消费用户、中等消费用户和低消费用户，又或者分为大用户、重点用户和普通用户，本发明在此不作限制，为方便说明，本发明中以高消费用户、中等消费用户和低消费用户为例进行叙述。第二预设类别为与行为数据对应的类别，具体可以划分为活跃用户、稳定用户和潜在用户，又或者划分为高频率用户、中等频率用户和低频率用户，本发明在此不作限制，为方便说明，本发明中以活跃用户、稳定用户和潜在用户为例进行叙述。所述用户类别结果包括重要用户、中等用户和发展用户。所述预设用户聚类模型为K-means聚类模型，具体的，在一实施例中，在所述步骤S20之前，还包括
具体的，参阅图3，在一实施例中，所述根据预设类别和预设用户聚类模型，依次对所述购电侧用户的消费数据和所述行为数据进行用户聚类，获取不同类型的数据下与所述购电侧用户相对应的用户类别结果的步骤之前，还包括：
步骤A201，根据预设比例分别从所述预设数据中确定与所述消费数据对应的训练数据集、验证数据集以及测试数据集；
在本实施例中，所述预设比例表示构造K-means聚类模型的过程中训练数据集、测试数据集以及验证数据集的相对比例。预设比例可以是6:2:2，预设比例也可以是8:1:1，预设比例可以根据实际需要进行设置。训练数据集用于构建K-means聚类模型，验证数据集用于辅助构建K-means聚类模型。测试数据集用于检测K-means聚类模型构建，评估K-means聚类模型的准确率。
步骤A202，将所述训练数据集输入至K-means聚类算法中，得到初始K-means聚类模型；
步骤A203，采用所述验证数据集对所述初始K-means聚类模型进行评估，得到评估结果；
步骤A204，根据所述评估结果以及所述测试数据集对所述初始K-means聚类模型的准确率进行检侧和优化，直至所述准确率达到预设阈值，得到预设用户聚类模型。
在本实施例中，可以将训练数据集输入至K-means聚类算法中，通过计算误差平方和准则函数均值的总体误差，直到k个聚类的均值所得到的总体误差最小，停止优化，得到初始K-mean聚类模型，确定评估结果，即初始K-mean聚类模型的准确率。根据评估结果以及测试数据集继续对初始的K-means聚类模型分类器进行检测，评估模型准确率，直到模型准确率达到预设阈值，得到最终的K-means聚类模型。
步骤S30，根据所述用户类别结果和所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与所述购电侧用户相对应的用户画像；
在一实施例中，所述步骤S30还包括：
步骤A31，根据所述用户类别结果，分别确定属于所述重要用户、所述中等用户和所述发展用户中的目标购电侧用户；
步骤A32，根据与所述目标购电侧用户相对应的所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与各所述购电侧用户相对应的用户画像。
在本实施例中，所述用户类别结果包括重要用户、中等用户和发展用户，由于每一个用户类别结果中都包含有多个用户，因此，需要确定属于每一类用户类别结果的目标购电侧用户，例如，确定重要客户中的每一个目标购电侧用户，或者确定中等中户中的每一个目标购电用户，确定发展用户中的每一个目标购电用户。其中，每一个用户都有对应的负荷数据、信用数据、粘性数据以及环保数据，根据每一个客户所对应的上述数据，生成与上述数据相对应的用户标签，即可得到所述购电侧用户的用户画像。
步骤S40，根据所述用户画像为所述购电侧用户提供差异化服务。
在本实施例中，所述用户画像包括每一个购电侧用户的消费水平标签、负荷水平标签、信用水平标签、粘性水平以及环保水平标签。根据上述水平标签可以对不同的购电侧用户采用差异化服务，例如，针对重点用户且信用水平高的购电侧用户进行维护以及采取优惠策略等，对发展客户且粘性水平低、且信用水平低的用户，判定为风险用户，增强在电力交易过程中风险管控等，或者根据负荷水平标签的购电侧用户，推荐合适的用能方式，减少购电侧用户的用能负担等。可以针对不同类别的购电侧用户采用不同的优质服务策略、价格策略、服务形象策略和促销策略等。
本发明提出一种基于大数据的电力交易用户管理方法，所述基于大数据的电力交易用户管理方法包括步骤：采集购电侧用户的消费数据、行为数据、负荷数据、信用数据、粘性数据以及环保数据；根据预设类别和预设用户聚类模型，分别对所述购电侧用户的消费数据和所述行为数据进行用户聚类，获取与所述购电侧用户相对应的用户类别结果；根据所述用户类别结果和所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与所述购电侧用户相对应的用户画像；根据所述用户画像为所述购电侧用户提供差异化服务。通过上述方式，本发明能够基于大数据对电力交易中的用户进行不同方面的评价，通过两次用户聚类，提高了构建购电侧用户的电力交易画像的准确性，并根据所述电力交易画像能够实现对同用户的差异化服务，提高售电公司的利益，为售电公司的服务提供判断标准，同时在大数据的基础上，提供大量数据样本，提高了构建用户画像的准确度。
进一步的，参阅图3，本发明基于大数据的电力交易用户管理方法第二实施例提供一种基于大数据的电力交易用户管理方法，基于上述图2所示的实施例，所述预设类别包括预设第一类别和预设第二类别，所述预设用户聚类模型包括消费聚类模型和行为聚类模型，
所述根据预设类别和预设用户聚类模型，分别对所述购电侧用户的消费数据和所述行为数据进行用户聚类，获取与所述购电侧用户相对应的用户类别结果的步骤包括：
步骤S21，根据预设第一类别、消费聚类模型和所述消费数据，对所述购电侧用户进行第一次用户聚类，得到各所述购电侧用户相对应的第一用户类别结果；
在本实施例中，所述预设第一类别为与消费数据对应的类别，具体可以划分为高消费用户、中等消费用户和低消费用户，又或者分为大用户、重点用户和普通用户，本发明在此不作限制。所述消费聚类模型为K-means聚类模型，用于将购电侧用户划分为高消费用户、中等消费用户和低消费用户。所述第一用户类别结果即为与预设第一类别相对应生成的用户类别结果，具体用户类别结果如上所述，在此不作赘述。
步骤S22，根据预设第二类别、行为聚类模型和所述行为数据，对所述购电侧用户进行第二次用户聚类，得到各所述购电侧用户相对应的第二用户类别结果；
在本实施例中，预设第二类别为与行为数据对应的类别，具体可以划分为活跃用户、稳定用户和潜在用户，又或者划分为高频率用户、中等频率用户和低频率用户，本发明在此不作限制。所述第二用户类别结果即为与预设第二类别相对应生成的用户类别结果，具体用户类别结果如上所述，在此不作赘述。
步骤S23，根据所述第一用户类别结果和所述第二用户类别结果，确定与所述购电侧用户相对应的用户类别结果。
在一实施例中，所述步骤S23还包括：
步骤A231，根据预设消费等级和所述第一用户类别结果，分别为各所述购电侧用户进行赋值，得到与各所述购电侧用户相对应的第一等级值；
在本实施例中，所述预设消费等级为与第一用户类别结果对应的消费等级，例如预设消费等级即可依次将高消费用户、中等消费用户和低消费用户设定为一级、二级和三级，赋值指的是将一级、二级和三级分别进行赋值，例如，分别将一级、二级和三级赋值为1、2和3，所述第一等级值即为1、2和3。
步骤A232，根据预设行为等级和所述第二用户类别结果，分别为各所述购电侧用户进行赋值，得到与各所述购电侧用户相对应的第二等级值；
在本实施例中，所述预设行为等级为与第二用户类别结果对应的行为等级，所述预设行为等级即可依次将活跃用户、稳定用户和潜在用户设定为一级、二级和三级，赋值指的是将一级、二级和三级分别进行赋值，例如，分别将一级、二级和三级赋值为3、2和1，所述第二等级值即为3、2和1。
步骤A233，根据预设权重，分别对每一所述购电侧用户对应的第一等级值和对应的第二等级值进行加权求和，得到每一所述购电侧用户对应的求和值；
在本实施例中，每一个用户的第一等级值和第二等级值即为购电侧用户通过对应的第一等级的等级值和第二等级的等级值，例如，购电侧用户在第一次聚类中属于高消费用户，在第二次聚类中属于活跃用户，则对应的等级值分别为3和3，又或者购电侧用户在第一次聚类中属于高消费用户，在第二次聚类中属于稳定用户，则对应的等级值即为3和2。所述预设权重可以根据高消费用户、中等消费用户和低消费用户以及活跃用户、稳定用户和潜在用户依次减小设置，例如，依次设置为0.5、0.3和0.2。然后根据预设权重对第一等级值和第二等级值进行加权求和。
步骤A234，根据预设阈值范围将各所述购电侧用户划分至重要用户、中等用户和发展用户，其中，所述用户类别结果包括重要用户、中等用户和发展用户。
在本实施例中，所述预设阈值范围包括第一预设范围、第二预设范围和第三预设范围，且第一预设范围大于第二预设范围大于第三预设范围。将所述求和至依次进行排序，并将处于第一预设范围的求和值代表的购电侧用户作为重要客户，将处于第二预设范围内的求和值所代表的的购电侧用户作为中等客户，将处于第三预设范围内的求和值代表的用户作为发展用户。所述预设范围可根据实际需要设置，本发明在此不做限制。
在本发明中，分别通过消费数据和行为数据，对购电侧用户进行分类，并将分类后的结果进行组合，提高了用户分类的准确性，进而提高了构建用户画像的准确性。
进一步的，参阅图4，本发明基于大数据的电力交易用户管理方法第三实施例提供一种基于大数据的电力交易用户管理方法，基于上述图2所示的实施例，所述根据与所述目标购电侧用户相对应的所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与所述购电侧用户相对应的用户画像的步骤包括：
步骤S31，根据所述负荷数据判断所述目标购电侧用户的负荷水平，并生成与所述目标购电侧用户相对应的负荷标签；
在一实施例中，所述步骤S31还包括：
步骤A311，根据所述负荷数据获取所述目标购电侧用户在预设时间段内的日负荷使用数据，根据所述日负荷使用数据生成预设时间段内的日负荷曲线；
步骤A312，将预设时间段内日负荷曲线进行拟合，得到与所述目标购电侧用户相对应的目标日负荷曲线；
步骤A313，根据所述目标日负荷曲线，计算所述目标购电侧用户对应的负荷波动率。
在本实施例中，所述预设时间段可以为一个季度、一个月或者一年，在此不作限制。所述负荷数据包括日负荷使用数据，根据所述日负荷数据构建时间与使用负荷之间的日负荷曲线，对目标购电侧用户的所有日负荷曲线进行拟合聚类，获取总的用户类别相对应的目标日负荷曲线。需根据所述日负荷曲线获取日平均负荷以及峰时最大负荷，根据所述日平均负荷与峰时最大负荷之比计算所述负荷波动率，所述负荷波动率代表负荷水平，负荷波动率越高，表明用户用电波动越大，用户的用能方式的可调节性便越大，进一步的，可以对负荷波动率大的用户推荐不同的用能方式，比如错峰用能等。
步骤S32，根据所述环保数据，计算所述目标购电侧用户的污染物排放量，并判断所述目标购电侧用户的环保水平，生成与所述目标购电侧用户的环保标签；
在本市实施例中，所述污染物排放量包括碳排放量、硫排放量以及氮排放量，当污染物排放量达到预设阈值时，即可判定为环保水平较低，生成环保水平低的环保标签；所述污染物排放量低于预设阈值时，即可判定为环保水平较高，生成环保水平高的环保标签。
步骤S33，根据所述信用数据，计算所述目标购电侧用户的信用水平，生成与所述目标购电侧用户的信用标签；
在本实施例中，所述信用数据主要包括违约用电次数、年合同偏差电量、合同履约率等，当违约用电次数超过预设次数时，或者年合同偏差电量超过预设值或者合同履约率低于预设履约率时，即可判断为信用水平较低，并生成信用水平低的标签。反之，则判断为信用水平较高，并生成信用水平高的标签。
步骤S34，根据所述粘性数据，计算所述目标购电侧用户的粘性水平，生成与所述目标购电侧用户的粘性标签；
在本实施中，所述粘性数据包括用户转换服务商次数，即为购电侧用户改变售电公司的频率。当频率较高时，则表明用户的粘性较低，生成用户粘性低的标签；当频率较低时，则表明用户粘性较高，生成用户粘性高的标签。
步骤S35，将所述负荷标签、所述环保标签、所述信用标签和所述粘性标签赋予给所述目标购电侧用户，得到各所述购电侧用户的用户画像，所述购电侧用户包括目标购电侧用户。
在本实施例中，将上述标签分别与购电侧用户进行存储，即可得到购电侧用户的用户画像，以使售电公司能够根据所述用户画像对购电侧用户采取相对应的服务策略。
在本实施例中，为每一类用户设置根据上述数据设置不同的标签，并将所述标签存储在该类用户的资料中，便于对同一类用户统一管理，并对同一类型的用户采取统一的服务。例如，对负荷波动率大的用户推荐错峰用电，对消费水平高的用户采取优惠政策等，便于电力交易过程中的用户管理。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有基于大数据的电力交易用户管理程序，所述基于大数据的电力交易用户管理程序被处理器执行时实现如下操作：
所述基于大数据的电力交易用户管理方法包括步骤：
采集购电侧用户的消费数据、行为数据、负荷数据、信用数据、粘性数据以及环保数据；
根据预设类别和预设用户聚类模型，分别对所述购电侧用户的消费数据和所述行为数据进行用户聚类，获取与所述购电侧用户相对应的用户类别结果；
根据所述用户类别结果和所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与所述购电侧用户相对应的用户画像；
根据所述用户画像为所述购电侧用户提供差异化服务。
进一步地，所述基于大数据的电力交易用户管理程序被处理器执行时还实现如下操作：
所述预设类别包括预设第一类别和预设第二类别，所述预设用户聚类模型包括消费聚类模型和行为聚类模型，
所述根据预设类别和预设用户聚类模型，分别对所述购电侧用户的消费数据和所述行为数据进行用户聚类，获取与所述购电侧用户相对应的用户类别结果的步骤包括：
根据预设第一类别、消费聚类模型和所述消费数据，对所述购电侧用户进行第一次用户聚类，得到各所述购电侧用户相对应的第一用户类别结果；
根据预设第二类别、行为聚类模型和所述行为数据，对所述购电侧用户进行第二次用户聚类，得到各所述购电侧用户相对应的第二用户类别结果；
根据所述第一用户类别结果和所述第二用户类别结果，确定与所述购电侧用户相对应的用户类别结果。
进一步地，所述基于大数据的电力交易用户管理程序被处理器执行时还实现如下操作：
所述根据所述第一用户类别结果和所述第二用户类别结果，确定与所述购电侧用户相对应的用户类别结果的步骤包括：
根据预设消费等级和所述第一用户类别结果，分别为各所述购电侧用户进行赋值，得到与各所述购电侧用户相对应的第一等级值；
根据预设行为等级和所述第二用户类别结果，分别为各所述购电侧用户进行赋值，得到与各所述购电侧用户相对应的第二等级值；
根据预设权重，分别对每一所述购电侧用户对应的第一等级值和对应的第二等级值进行加权求和，得到每一所述购电侧用户对应的求和值；
根据预设阈值范围将各所述购电侧用户划分至重要用户、中等用户和发展用户，其中，所述用户类别结果包括重要用户、中等用户和发展用户。
进一步地，所述基于大数据的电力交易用户管理程序被处理器执行时还实现如下操作：
根据所述用户类别结果和所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与所述购电侧用户相对应的用户画像的步骤包括：
根据所述用户类别结果，分别确定属于所述重要用户、所述中等用户和所述发展用户中的目标购电侧用户；
根据与所述目标购电侧用户相对应的所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与各所述购电侧用户相对应的用户画像。
进一步地，所述基于大数据的电力交易用户管理程序被处理器执行时还实现如下操作：
所述根据与所述目标购电侧用户相对应的所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与各所述购电侧用户相对应的用户画像的步骤包括：
根据所述负荷数据判断所述目标购电侧用户的负荷水平，并生成与所述目标购电侧用户相对应的负荷标签；
根据所述环保数据，计算所述目标购电侧用户的污染物排放量，并判断所述目标购电侧用户的环保水平，生成与所述目标购电侧用户的环保标签；
根据所述信用数据，计算所述目标购电侧用户的信用水平，生成与所述目标购电侧用户的信用标签；
根据所述粘性数据，计算所述目标购电侧用户的粘性水平，生成与所述目标购电侧用户的粘性标签；
将所述负荷标签、所述环保标签、所述信用标签和所述粘性标签赋予给所述目标购电侧用户，得到各所述购电侧用户的用户画像，所述购电侧用户包括目标购电侧用户。
进一步地，所述基于大数据的电力交易用户管理程序被处理器执行时还实现如下操作：
所述负荷水平包括负荷波动率；所述根据所述负荷数据判断所述目标购电侧用户的负荷水平的步骤包括：
根据所述负荷数据获取所述目标购电侧用户在预设时间段内的日负荷使用数据，根据所述日负荷使用数据生成预设时间段内的日负荷曲线；
将预设时间段内日负荷曲线进行拟合，得到与所述目标购电侧用户相对应的目标日负荷曲线；
根据所述目标日负荷曲线，计算所述目标购电侧用户对应的负荷波动率。
进一步地，所述基于大数据的电力交易用户管理程序被处理器执行时还实现如下操作：
所述预设用户聚类模型为K-means聚类模型，包括消费聚类模型和行为聚类模型，所述预设数据包括消费数据和行为数据；
所述根据预设类别和预设用户聚类模型，依次对所述购电侧用户的消费数据和所述行为数据进行用户聚类，获取不同类型的数据下与所述购电侧用户相对应的用户类别结果的步骤之前，还包括：
根据预设比例分别从所述预设数据中确定与所述消费数据对应的训练数据集、验证数据集以及测试数据集；
将所述训练数据集输入至K-means聚类算法中，得到初始K-means聚类模型；
采用所述验证数据集对所述初始K-means聚类模型进行评估，得到评估结果；
根据所述评估结果以及所述测试数据集对初始K-means聚类模型的准确率进行检侧和优化，直至所述准确率达到预设阈值，得到预设用户聚类模型。
本发明计算机可读存储介质的具体实施例与上述基于大数据的电力交易用户管理方法各实施例基本相同，在此不作赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于大数据的电力交易用户管理方法，其特征在于，所述基于大数据的电力交易用户管理方法包括步骤：
采集购电侧用户的消费数据、行为数据、负荷数据、信用数据、粘性数据以及环保数据；
根据预设类别和预设用户聚类模型，分别对所述购电侧用户的消费数据和所述行为数据进行用户聚类，获取与所述购电侧用户相对应的用户类别结果；
根据所述用户类别结果和所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与所述购电侧用户相对应的用户画像；
根据所述用户画像为所述购电侧用户提供差异化服务。
2.如权利要求1所述的基于大数据的电力交易用户管理方法，其特征在于，所述预设类别包括预设第一类别和预设第二类别，所述预设用户聚类模型包括消费聚类模型和行为聚类模型，
所述根据预设类别和预设用户聚类模型，分别对所述购电侧用户的消费数据和所述行为数据进行用户聚类，获取与所述购电侧用户相对应的用户类别结果的步骤包括：
根据预设第一类别、消费聚类模型和所述消费数据，对所述购电侧用户进行第一次用户聚类，得到各所述购电侧用户相对应的第一用户类别结果；
根据预设第二类别、行为聚类模型和所述行为数据，对所述购电侧用户进行第二次用户聚类，得到各所述购电侧用户相对应的第二用户类别结果；
根据所述第一用户类别结果和所述第二用户类别结果，确定与所述购电侧用户相对应的用户类别结果。
3.如权利要求2所述的基于大数据的电力交易用户管理方法，其特征在于，所述根据所述第一用户类别结果和所述第二用户类别结果，确定与所述购电侧用户相对应的用户类别结果的步骤包括：
根据预设消费等级和所述第一用户类别结果，分别为各所述购电侧用户进行赋值，得到与各所述购电侧用户相对应的第一等级值；
根据预设行为等级和所述第二用户类别结果，分别为各所述购电侧用户进行赋值，得到与各所述购电侧用户相对应的第二等级值；
根据预设权重，分别对每一所述购电侧用户对应的第一等级值和对应的第二等级值进行加权求和，得到每一所述购电侧用户对应的求和值；
根据预设阈值范围将各所述购电侧用户划分至重要用户、中等用户和发展用户，其中，所述用户类别结果包括重要用户、中等用户和发展用户。
4.如权利要求3所述的基于大数据的电力交易用户管理方法，其特征在于，根据所述用户类别结果和所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与所述购电侧用户相对应的用户画像的步骤包括：
根据所述用户类别结果，分别确定属于所述重要用户、所述中等用户和所述发展用户中的目标购电侧用户；
根据与所述目标购电侧用户相对应的所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与各所述购电侧用户相对应的用户画像。
5.如权利要求4所述的基于大数据的电力交易用户管理方法，其特征在于，所述根据与所述目标购电侧用户相对应的所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与各所述购电侧用户相对应的用户画像的步骤包括：
根据所述负荷数据判断所述目标购电侧用户的负荷水平，并生成与所述目标购电侧用户相对应的负荷标签；
根据所述环保数据，计算所述目标购电侧用户的污染物排放量，并判断所述目标购电侧用户的环保水平，生成与所述目标购电侧用户的环保标签；
根据所述信用数据，计算所述目标购电侧用户的信用水平，生成与所述目标购电侧用户的信用标签；
根据所述粘性数据，计算所述目标购电侧用户的粘性水平，生成与所述目标购电侧用户的粘性标签；
将所述负荷标签、所述环保标签、所述信用标签和所述粘性标签赋予给所述目标购电侧用户，得到各所述购电侧用户的用户画像，所述购电侧用户包括目标购电侧用户。
6.如权利要求5所述的基于大数据的电力交易用户管理方法，其特征在于，所述负荷水平包括负荷波动率；所述根据所述负荷数据判断所述目标购电侧用户的负荷水平的步骤包括：
根据所述负荷数据获取所述目标购电侧用户在预设时间段内的日负荷使用数据，根据所述日负荷使用数据生成预设时间段内的日负荷曲线；
将预设时间段内日负荷曲线进行拟合，得到与所述目标购电侧用户相对应的目标日负荷曲线；
根据所述目标日负荷曲线，计算所述目标购电侧用户对应的负荷波动率。
7.如权利要求1所述的基于大数据的电力交易用户管理方法，其特征在于，所述预设用户聚类模型为K-means聚类模型，包括消费聚类模型和行为聚类模型，所述预设数据包括消费数据和行为数据；
所述根据预设类别和预设用户聚类模型，依次对所述购电侧用户的消费数据和所述行为数据进行用户聚类，获取不同类型的数据下与所述购电侧用户相对应的用户类别结果的步骤之前，还包括：
根据预设比例分别从所述预设数据中确定与所述消费数据对应的训练数据集、验证数据集以及测试数据集；
将所述训练数据集输入至K-means聚类算法中，得到初始K-means聚类模型；
采用所述验证数据集对所述初始K-means聚类模型进行评估，得到评估结果；
根据所述评估结果以及所述测试数据集对初始K-means聚类模型的准确率进行检测和优化，直至所述准确率达到预设阈值，得到预设用户聚类模型。
8.一种基于大数据的电力交易用户管理装置，其特征在于，所述基于大数据的电力交易用户管理装置包括：
数据采集模块，用于采集购电侧用户的消费数据、行为数据、负荷数据、信用数据、粘性数据以及环保数据；
用户分类模块，用于根据预设类别和预设用户聚类模型，分别对所述购电侧用户的消费数据和所述行为数据进行用户聚类，获取与所述购电侧用户相对应的用户类别结果；
画像标签模块，用于根据所述用户类别结果和所述负荷数据、所述信用数据、所述粘性数据和所述环保数据，构建与所述购电侧用户相对应的用户画像；
服务模块，用于根据所述用户画像为所述购电侧用户提供差异化服务。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一项所述的基于大数据的电力交易用户管理方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有实现基于大数据的电力交易用户管理方法的程序，所述实现基于大数据的电力交易用户管理方法的程序被处理器执行以实现如权利要求1至7中任一项所述基于大数据的电力交易用户管理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210097547.2A CN114119111A (zh) | 2022-01-27 | 2022-01-27 | 基于大数据的电力交易用户管理方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210097547.2A CN114119111A (zh) | 2022-01-27 | 2022-01-27 | 基于大数据的电力交易用户管理方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114119111A true CN114119111A (zh) | 2022-03-01 |
Family
ID=80361873
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210097547.2A Pending CN114119111A (zh) | 2022-01-27 | 2022-01-27 | 基于大数据的电力交易用户管理方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114119111A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115438294A (zh) * | 2022-11-07 | 2022-12-06 | 国网上海市电力公司 | 城市区域碳排放实时计算方法和系统 |
| CN116128552A (zh) * | 2023-04-14 | 2023-05-16 | 深圳江行联加智能科技有限公司 | 电力交易系统的用户管理方法、装置、设备及存储介质 |
| CN117635203A (zh) * | 2024-01-26 | 2024-03-01 | 天津壹玖鹿鸣科技有限公司 | 一种电力营销方法、系统及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948913A (zh) * | 2019-03-01 | 2019-06-28 | 长沙理工大学 | 一种基于双层的xgboost算法的多源特征电力用户综合画像系统 |
| CN109977177A (zh) * | 2019-03-27 | 2019-07-05 | 新奥数能科技有限公司 | 生成用户画像的方法及装置 |
| CN111062757A (zh) * | 2019-12-17 | 2020-04-24 | 山大地纬软件股份有限公司 | 基于多路径寻优匹配的信息推荐方法及系统 |
-
2022
- 2022-01-27 CN CN202210097547.2A patent/CN114119111A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948913A (zh) * | 2019-03-01 | 2019-06-28 | 长沙理工大学 | 一种基于双层的xgboost算法的多源特征电力用户综合画像系统 |
| CN109977177A (zh) * | 2019-03-27 | 2019-07-05 | 新奥数能科技有限公司 | 生成用户画像的方法及装置 |
| CN111062757A (zh) * | 2019-12-17 | 2020-04-24 | 山大地纬软件股份有限公司 | 基于多路径寻优匹配的信息推荐方法及系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115438294A (zh) * | 2022-11-07 | 2022-12-06 | 国网上海市电力公司 | 城市区域碳排放实时计算方法和系统 |
| CN116128552A (zh) * | 2023-04-14 | 2023-05-16 | 深圳江行联加智能科技有限公司 | 电力交易系统的用户管理方法、装置、设备及存储介质 |
| CN117635203A (zh) * | 2024-01-26 | 2024-03-01 | 天津壹玖鹿鸣科技有限公司 | 一种电力营销方法、系统及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114119111A (zh) | 基于大数据的电力交易用户管理方法、装置、设备及介质 | |
| US20200252423A1 (en) | Systems and methods for vulnerability assessment and remedy identification | |
| CN110163647A (zh) | 一种数据处理方法及装置 | |
| CN110766438B (zh) | 一种通过人工智能对电网用户的用户行为进行分析的方法 | |
| CN110852785B (zh) | 用户分级方法、装置及计算机可读存储介质 | |
| CN109389511B (zh) | 保险产品开发方法、装置、终端及计算机可读存储介质 | |
| CN112907356A (zh) | 逾期催收方法、装置、系统及计算机可读存储介质 | |
| CN107346344A (zh) | 文本匹配的方法和装置 | |
| CN110019774B (zh) | 标签分配方法、装置、存储介质及电子装置 | |
| CN109492863A (zh) | 金融单证的自动生成方法及装置 | |
| CN112016792A (zh) | 用户资源配额确定方法、装置及电子设备 | |
| CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
| US20110082782A1 (en) | Relocation Calculator Object Oriented System and Method | |
| CN108304990B (zh) | 一种停电敏感预判方法和系统 | |
| CN112950359A (zh) | 一种用户识别方法和装置 | |
| CN112231299A (zh) | 一种特征库动态调整的方法和装置 | |
| CN115914363A (zh) | 消息推送方法、装置、计算机设备和存储介质 | |
| CN114253746A (zh) | 一种基于SaaS的产品应用服务管理方法、装置、设备和介质 | |
| CN113849731A (zh) | 基于自然语言处理的信息推送方法、装置、设备及介质 | |
| CN109710499B (zh) | 计算机设备性能识别方法和装置 | |
| CN111582648A (zh) | 用户策略生成方法、装置及电子设备 | |
| CN111738790A (zh) | 业务推送方法和推送系统 | |
| CN111210109A (zh) | 基于关联用户预测用户风险的方法、装置和电子设备 | |
| CN114155038B (zh) | 受疫情影响用户识别方法 | |
| WO2021260924A1 (ja) | 予測システム、予測方法、及びプログラム |
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: 20220301 |