CN114219241A - 一种客户用电行为分析方法及系统 - Google Patents
一种客户用电行为分析方法及系统 Download PDFInfo
- Publication number
- CN114219241A CN114219241A CN202111455074.0A CN202111455074A CN114219241A CN 114219241 A CN114219241 A CN 114219241A CN 202111455074 A CN202111455074 A CN 202111455074A CN 114219241 A CN114219241 A CN 114219241A
- Authority
- CN
- China
- Prior art keywords
- electricity
- customer
- charge
- average
- utilization
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 387
- 238000004458 analytical method Methods 0.000 title claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims description 99
- 230000035945 sensitivity Effects 0.000 claims description 63
- 230000001502 supplementing effect Effects 0.000 claims description 27
- 238000012271 agricultural production Methods 0.000 claims description 6
- 238000003973 irrigation Methods 0.000 claims description 6
- 230000002262 irrigation Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000007935 neutral effect Effects 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000005612 types of electricity Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011038 discontinuous diafiltration by volume reduction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000013598 vector Substances 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (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
本发明提供一种客户用电行为分析方法，包括基于客户用电特征数据，确定客户用电行为指标，并结合客户属性及其数据分布情况，得到每一客户用电行为指标各自对应的指标属性并设为标签，且进一步给所有标签分别进行赋值；获取待分析的客户群体及其所含每一客户在对应客户用电行为指标下的标签赋值，并采用预设的聚类算法，对该客户群体中所有客户对应的标签赋值进行聚类计算，将所得的聚类结果输出为该客户群体的客户用电行为。本发明还提供一种客户用电行为分析系统。实施本发明，全面考虑反映客户用电特征的指标进行分析，并利用聚类算法来简化传统分析算法的复杂度，从而解决现有技术分析结果偏差较大的问题。
Description
技术领域
本发明涉及电力系统数据处理技术领域，尤其涉及一种客户用电行为分析方法及系统。
背景技术
随着电力市场的逐步放开，供电企业通过购售电价差盈利的运营方式发生彻底改变。在市场化环境下，各售电主体为了吸引更多的用户，将会提供与电力消费密切相关的各种增值服务。因此，未来的售电公司将是服务型企业。由此可见，传统供电企业必须跟上新时代的脚步，并努力做好个性化服务和综合能源服务等方面的增值服务。
为客户提供增值服务，首先需要了解客户的行为。供电企业管理系统采集了大量的客户交互数据，深入挖掘客户数据的隐藏信息，分析出客户的用电行为，有助于电网企业为客户提供个性化的增值服务。
客户用电行为分析，以海量的客户用电行为数据为基础，通过识别不同客户群体的行为特征,从而达到科学的客户认知、风险管理、个性化营销和服务的目的。与传统的客户用电行为分析相比，基于数据挖掘的客户用电行为分析能够提高客户行为分析的精确度,并实现对客户的用电行为进行定量化描述。与专业部门开展的分析相比，基于大数据的客户用电行为分析更加注重对客户用电风险的预测和大客户用电效益的挖掘，促进公司运营效率和服务水平的提升。
然而，现有的客户用电行为分析方法采用的算法较复杂且考虑的指标不够全面，造成最终分析结果出现偏差。因此，有必要对现有的客户用电行为分析方法进行改进。
发明内容
本发明实施例所要解决的技术问题在于，提供一种客户用电行为分析方法及系统，全面考虑反映客户用电特征的指标进行分析，并利用聚类算法来简化传统分析算法的复杂度，从而解决现有技术分析结果偏差较大的问题。
为了解决上述技术问题，本发明实施例提供了一种客户用电行为分析方法，所述方法包括以下步骤：
基于客户用电特征数据，确定客户用电行为指标，并结合客户属性及其数据分布情况，得到每一客户用电行为指标各自对应的指标属性并设为标签，且进一步给所有标签分别进行赋值；
获取待分析的客户群体及其所含每一客户在对应客户用电行为指标下的标签赋值，并采用预设的聚类算法，对该客户群体中所有客户对应的标签赋值进行聚类计算，将所得的聚类结果输出为该客户群体的客户用电行为。
其中，所述方法进一步包括：
根据该客户群体的客户用电行为进行画像分析，得到该客户群体的客户用电行为的立体视觉图。
其中，所述客户用电行为指标包括合同容量、用电类型、基本电费特征、力调电费特征、电度电费特征、容量利用率、违约金特征、电价敏感度、电量电费敏感度、用户欠费特征、用户缴费特征和退补电费特征。
其中，所述合同容量的指标属性包括合同容量大、合同容量较大、合同容量中等、合同容量较小和合同容量小，且对应的标签赋值依序为1、2、3、4、5；
所述用电类型的指标属性包括工业用电、商业用电、住宅用电、农业排灌用电、农业生产用电和临时接电，且对应的标签赋值依序为1、2、3、4、5、6；
所述基本电费特征的指标属性包括平均基本电费高、平均基本电费中、平均基本电费低和无基本电费，且对应的标签赋值依序为1、2、3、4；
所述力调电费特征的指标属性包括平均力调电费高、平均力调电费中、平均力调电费低和无力调电费，且对应的标签赋值依序为1、2、3、4；
所述电度电费特征的指标属性包括平均电度电费高、平均电度电费中和平均电度电费低，且对应的标签赋值依序为1、2、3；
所述容量利用率的指标属性包括容量利用率高、容量利用率较高、容量利用率较低和容量利用率低，且对应的标签赋值依序为1、2、3、4；
所述违约金特征的指标属性包括平均违约金高、平均违约金中、平均违约金低和无违约金，且对应的标签赋值依序为1、2、3、4；
所述电价敏感度的指标属性包括电价敏感度高、电价敏感度中和电价敏感度低，且对应的标签赋值依序为1、2、3；
所述电量电费敏感度的指标属性包括电量电费敏感度高、电量电费敏感度中和电量电费敏感度低，且对应的标签赋值依序为1、2、3；
所述用户欠费特征的指标属性包括偶尔欠费、经常欠费和从未欠费，且对应的标签赋值依序为1、2、3；
所述用户缴费特征的指标属性包括平均缴费时间正常、平均缴费时间短和平均缴费时间长，且对应的标签赋值依序为1、2、3；
所述退补电费特征的指标属性包括累计政策性退补电费高、累计违约金退补电费高、累计差错退补电费高和无退补电费，且对应的标签赋值依序为1、2、3、4。
其中，所述基本电费特征中基本电费是按变压器容量计算得到或按最大需量计算得到；其中，
按变压器容量计算基本电费时，通过公式(1)来实现；
基本电费＝变压器容量×基本电价 (1)；
按最大需量计算基本电费时，通过公式(2)或(3)来实现；
基本电费＝合同核定需量×基本电价 (2)
基本电费＝(合同核定需量×基本电价)+(最大需量－合同核定需量×
105％)×基本电价×2 (3)
式(2)中，最大需量≤合同核定需量×105％；式(3)中，最大需量>合同核定需量×105％；式(2)和(3)中，最大需量＝每月最大抄见最大需量行度×倍率。
本发明实施例还提供了一种客户用电行为分析系统，包括；
客户行为标签赋值单元，用于基于客户用电特征数据，确定客户用电行为指标，并结合客户属性及其数据分布情况，得到每一客户用电行为指标各自对应的指标属性并设为标签，且进一步给所有标签分别进行赋值；
客户行为聚类分析单元，用于获取待分析的客户群体及其所含每一客户在对应客户用电行为指标下的标签赋值，并采用预设的聚类算法，对该客户群体中所有客户对应的标签赋值进行聚类计算，将所得的聚类结果输出为该客户群体的客户用电行为。
其中，还包括：客户行为画像分析单元；其中，
所述客户行为画像分析单元，用于根据该客户群体的客户用电行为进行画像分析，得到该客户群体的客户用电行为的立体视觉图。
其中，所述客户用电行为指标包括合同容量、用电类型、基本电费特征、力调电费特征、电度电费特征、容量利用率、违约金特征、电价敏感度、电量电费敏感度、用户欠费特征、用户缴费特征和退补电费特征。
其中，所述合同容量的指标属性包括合同容量大、合同容量较大、合同容量中等、合同容量较小和合同容量小，且对应的标签赋值依序为1、2、3、4、5；
所述用电类型的指标属性包括工业用电、商业用电、住宅用电、农业排灌用电、农业生产用电和临时接电，且对应的标签赋值依序为1、2、3、4、5、6；
所述基本电费特征的指标属性包括平均基本电费高、平均基本电费中、平均基本电费低和无基本电费，且对应的标签赋值依序为1、2、3、4；
所述力调电费特征的指标属性包括平均力调电费高、平均力调电费中、平均力调电费低和无力调电费，且对应的标签赋值依序为1、2、3、4；
所述电度电费特征的指标属性包括平均电度电费高、平均电度电费中和平均电度电费低，且对应的标签赋值依序为1、2、3；
所述容量利用率的指标属性包括容量利用率高、容量利用率较高、容量利用率较低和容量利用率低，且对应的标签赋值依序为1、2、3、4；
所述违约金特征的指标属性包括平均违约金高、平均违约金中、平均违约金低和无违约金，且对应的标签赋值依序为1、2、3、4；
所述电价敏感度的指标属性包括电价敏感度高、电价敏感度中和电价敏感度低，且对应的标签赋值依序为1、2、3；
所述电量电费敏感度的指标属性包括电量电费敏感度高、电量电费敏感度中和电量电费敏感度低，且对应的标签赋值依序为1、2、3；
所述用户欠费特征的指标属性包括偶尔欠费、经常欠费和从未欠费，且对应的标签赋值依序为1、2、3；
所述用户缴费特征的指标属性包括平均缴费时间正常、平均缴费时间短和平均缴费时间长，且对应的标签赋值依序为1、2、3；
所述退补电费特征的指标属性包括累计政策性退补电费高、累计违约金退补电费高、累计差错退补电费高和无退补电费，且对应的标签赋值依序为1、2、3、4。
实施本发明实施例，具有如下有益效果：
本发明基于客户用电特征数据来确定客户用电行为指标，以实现全面考虑反映客户用电特征的指标进行分析，并将每一客户用电行为指标的指标属性设为标签且进一步进行赋值，通过对待分析客户群体的标签赋值进行聚类计算，能快速得到该客户群体的客户用电行为，从而简化了传统分析算法的复杂度，解决了现有技术分析结果偏差较大的问题。
附图说明
为了更清楚地说明本发明实施例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性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的一种客户用电行为分析方法的流程图；
图2为本发明实施例提供的一种客户用电行为分析系统的结构示意图。
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，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，提出的一种客户用电行为分析方法，所述方法包括以下步骤：
步骤S1、基于客户用电特征数据，确定客户用电行为指标，并结合客户属性及其数据分布情况，得到每一客户用电行为指标各自对应的指标属性并设为标签，且进一步给所有标签分别进行赋值；
步骤S2、获取待分析的客户群体及其所含每一客户在对应客户用电行为指标下的标签赋值，并采用预设的聚类算法，对该客户群体中所有客户对应的标签赋值进行聚类计算，将所得的聚类结果输出为该客户群体的客户用电行为。
步骤S3、根据该客户群体的客户用电行为进行画像分析，得到该客户群体的客户用电行为的立体视觉图。
具体过程为，在步骤S1中，首先，基于海量的客户档案、缴费数据和欠费数据,综合考虑客户用电特征影响因素，经过多次梳理和业务分析数据资源维度，得到客户用电行为指标包括合同容量、用电类型、基本电费特征、力调电费特征、电度电费特征、容量利用率、违约金特征、电价敏感度、电量电费敏感度、用户欠费特征、用户缴费特征和退补电费特征，如下表1所示。
表1
其次，基于客户属性和数据分布情况，制定客户指标计算规则，并根据不同细则的特征，将客户用电行为指标的指标属性转化为具有业务意义的标签。
(a)合同容量
一般而言合同容量大的其A电量也大，容量和电量电费方面能体现出企业的用电价值是供电公司最为关注的企业型，而且在售电侧改革的背景下，这类用户是最值得争取的。
因此，该指标的指标属性包括合同容量大、合同容量较大、合同容量中等、合同容量较小和合同容量小，使得标签对应五个级别，且对应的标签赋值依序为1、2、3、4、5。
(b)用电类型
该指标的指标属性包括工业用电、商业用电、住宅用电、农业排灌用电、农业生产用电和临时接电，使得标签对应六个级别，且对应的标签赋值依序为1、2、3、4、5、6。
(c)基本电费特征
基本电费是按变压器容量计算得到或按最大需量计算得到；其中，
(c1)按变压器容量计算基本电费时，通过公式(1)来实现；
基本电费＝变压器容量×基本电价 (1)；
式(1)中，大量用电为22元/kVA，高需求用电为32元/kVA；
(c2)按最大需量计算基本电费时，通过公式(2)或(3)来实现；
基本电费＝合同核定需量×基本电价 (2)
基本电费＝(合同核定需量×基本电价)+(最大需量－合同核定需量×
105％)×基本电价×2 (3)
式(2)中，最大需量≤合同核定需量×105％；式(3)中，最大需量>合同核定需量×105％；式(2)和(3)中，最大需量＝每月最大抄见最大需量行度×倍率。
应当说明的是，用电容量达到101kVA及以上的非执行居民电价用户(有政策规定的除外)，执行两部制电价(由电度电价和基本电价两部分构成)。对用电容量101kVA及以下，接入220/380V低压用电的，按照电价政策执行单一制电价(普通类电价)。大量用电及高需求执行峰谷电价，由三部分电费组成，分别为基本电费、电量电费和功率因素调整电费。
此时，该指标的指标属性包括平均基本电费高、平均基本电费中、平均基本电费低和无基本电费，使得标签对应四个级别，且对应的标签赋值依序为1、2、3、4。
(d)力调电费特征
力调费指力调电费，是指供电公司根据客户一段时间内(如一个月或年)所使用的有无功电量来计算其平均功率因数，并据此收取的相关电费。具体通过公式为tan＝当月无功电量/当月有功电量来实现。
查功率因素调整表得：功率因数为θ，力调调整数为Y％，功率因素调整电费＝(电度电费+基本电费)×Y％。其中电度电费为不含基金附加费的电量电费，即电度电费＝电量电费-总基金附加费(总基金附加费为0.02766875元/度)
此时，该指标的指标属性包括平均力调电费高、平均力调电费中、平均力调电费低和无力调电费，且对应的标签赋值依序为1、2、3、4。
(e)电度电费特征
通过公式为电量电费＝峰期电费+平期电费+谷期电费，计算电度电费。
(d1)峰期电费
按变压器容量计算：峰期电量1＝计量点运行变压器容量和×250×7小时/24小时；
按最大需量计算：峰期电量1＝抄见需量×400×7小时/24小时；
如果峰期电量1<峰期抄见电量，峰期电费＝峰期电量1×峰期单价1+(峰期抄见电量-峰期电量1)×峰期单价2；如果峰期电量1>峰期抄见电量，峰期电费＝峰期抄见电量×峰期电量1电价。
(d2)谷期电费
按变压器容量计算：谷期电量1＝计量点运行变压器容量和×250×8小时/24小时，
按最大需量计算：谷期电量1＝抄见需量×400×8小时/24小时
如果谷期电量1<谷期抄见电量，谷期电费＝谷期电量1×谷期单价1+(谷期抄见电量-谷期电量1)×谷期单价2；如果谷期电量1>谷期抄见电量，谷期电费＝谷期抄见电量×谷期电量1电价。
(d3)平期电费
按变压器容量计算：平期电量1＝计量点运行变压器容量和×250×9小时/24小时
按最大需量计算：平期电量1＝抄见需量×400×9小时/24小时
如果平期电量1<平期抄见电量，平期电费＝平期电量1×平期单价1+(平期抄见电量-平期电量1)×平期单价2；如果平期电量1>平期抄见电量，平期电费＝平期抄见电量×平期电量1电价。
此时，该指标的指标属性包括平均电度电费高、平均电度电费中和平均电度电费低，使得标签对应三个级别，且对应的标签赋值依序为1、2、3。
(f)容量利用率
容量利用率反映了用户的运行容量利用情况。若用户运行容量利用率较低,则可建议用户申请减容，减少容量费用；若用户运行容量利用率高，则需提醒用户注意安排生产，防止因超容产生罚款。
此时，该指标的指标属性包括容量利用率高、容量利用率较高、容量利用率较低和容量利用率低，使得标签对应四个级别，且对应的标签赋值依序为1、2、3、4。
(g)违约金特征
逾期未交清电费的，供电企业可以从逾期之日起每日按电费总额的千分之一至千分之三加收违约金，自逾期之日起计算，超过30日经催交仍未交付电费的，供电企业可以按照国家规定的程序停电。
居民用户每日按欠费总额的千分之一计算。其他用户：(1)当年欠费部分，每日按欠费总额的千分之二计算；(2)跨年度欠费部分，每日按欠费总额的千分之三计算。
此时，该指标的指标属性包括平均违约金高、平均违约金中、平均违约金低和无违约金，使得标签对应四个级别，且对应的标签赋值依序为1、2、3、4；
(h)电价敏感度
根据用户查询电量电费，咨询电价的情况，评估用户电价敏感度。
此时，该指标的指标属性包括电价敏感度高、电价敏感度中和电价敏感度低，使得标签对应三个级别，且对应的标签赋值依序为1、2、3；
(i)电量电费敏感度
根据用户查询电量电费的累积情况，评估用户电量电费敏感度。
此时，该指标的指标属性包括电量电费敏感度高、电量电费敏感度中和电量电费敏感度低，使得标签对应三个级别，且对应的标签赋值依序为1、2、3；
(j)用户欠费特征
根据用户欠费统计情况，评估用户欠费水平。
此时，该指标的指标属性包括偶尔欠费、经常欠费和从未欠费，使得标签对应三个级别，且对应的标签赋值依序为1、2、3；
(k)用户缴费特征
根据用户缴费的时长，评估用户缴费行为水平。
此时，该指标的指标属性包括平均缴费时间正常、平均缴费时间短和平均缴费时间长，使得标签对应三个级别，且对应的标签赋值依序为1、2、3；
(l)退补电费特征
根据用户政策性退补电费累积情况，评估用户退补电费水平。
此时，该指标的指标属性包括累计政策性退补电费高、累计违约金退补电费高、累计差错退补电费高和无退补电费，使得标签对应四个级别，且对应的标签赋值依序为1、2、3、4。
综上，上述(a)～(l)的标签赋值情况，具体请参见下表2所示：
表2
在步骤S2中，首先，获取待分析的客户群体及其所含每一客户在对应客户用电行为指标下的标签赋值。
其次，采用预设的聚类算法，对该客户群体中所有客户对应的标签赋值进行聚类计算，将所得的聚类结果输出为该客户群体的客户用电行为。
其中，聚类算法的具体过程包括：对该客户群体中所有客户标签集向量进行相异度分析(异度可以用欧式距离度量,距离越大相异度越高)，找出相异度最大的K个用户作为并行K-Means算法聚类算法的初始聚类中心；将所有用户标签与K个聚类中心进行相似度计算，并将用户归入相似度最像的聚类中心中；所有用户标签全部分类完成后，对各类别下的所有用户联取平均值，并以此平均值更新各类别当前的聚类中心，检查当前所有聚类中心与上一次送代得到的聚类中心差值是否均小干预值；若是，则继续进行相异度分析；若是，则结束聚类算法，并所得的聚类结果输出为该客户群体的客户用电行为。
在步骤S3中，基于步骤S2中所得聚类结果，对该客户群体进行画像分析,得到该客户群体的客户用电行为的立体视觉图，使客户用电行为分析更加简洁、直观。
在一个实施例中，以某城市区局2000户工商业客户为实施例,首先对各客户标签进行统计分析。
客户标签分布特性为：(1)合同容量分布相对均衡，从小到大均有分布；(2)用电类型主要分为工业和商业；(3)容量利用率方面，大多数客户的容量利用率处于较高、高水准；(4)违约金特征：客户缴费比较及时；(5)对电价敏感度、电量电费敏感度比较高。
此时，聚类计算得到的客户用电行为，如下表3所示：
表3
如图2所示，为本发明实施例中，提供的一种客户用电行为分析系统，包括；
客户行为标签赋值单元110，用于基于客户用电特征数据，确定客户用电行为指标，并结合客户属性及其数据分布情况，得到每一客户用电行为指标各自对应的指标属性并设为标签，且进一步给所有标签分别进行赋值；
客户行为聚类分析单元120，用于获取待分析的客户群体及其所含每一客户在对应客户用电行为指标下的标签赋值，并采用预设的聚类算法，对该客户群体中所有客户对应的标签赋值进行聚类计算，将所得的聚类结果输出为该客户群体的客户用电行为。
其中，还包括：客户行为画像分析单元130；其中，
所述客户行为画像分析单元130，用于根据该客户群体的客户用电行为进行画像分析，得到该客户群体的客户用电行为的立体视觉图。
其中，所述客户用电行为指标包括合同容量、用电类型、基本电费特征、力调电费特征、电度电费特征、容量利用率、违约金特征、电价敏感度、电量电费敏感度、用户欠费特征、用户缴费特征和退补电费特征。
其中，所述合同容量的指标属性包括合同容量大、合同容量较大、合同容量中等、合同容量较小和合同容量小，且对应的标签赋值依序为1、2、3、4、5；
所述用电类型的指标属性包括工业用电、商业用电、住宅用电、农业排灌用电、农业生产用电和临时接电，且对应的标签赋值依序为1、2、3、4、5、6；
所述基本电费特征的指标属性包括平均基本电费高、平均基本电费中、平均基本电费低和无基本电费，且对应的标签赋值依序为1、2、3、4；
所述力调电费特征的指标属性包括平均力调电费高、平均力调电费中、平均力调电费低和无力调电费，且对应的标签赋值依序为1、2、3、4；
所述电度电费特征的指标属性包括平均电度电费高、平均电度电费中和平均电度电费低，且对应的标签赋值依序为1、2、3；
所述容量利用率的指标属性包括容量利用率高、容量利用率较高、容量利用率较低和容量利用率低，且对应的标签赋值依序为1、2、3、4；
所述违约金特征的指标属性包括平均违约金高、平均违约金中、平均违约金低和无违约金，且对应的标签赋值依序为1、2、3、4；
所述电价敏感度的指标属性包括电价敏感度高、电价敏感度中和电价敏感度低，且对应的标签赋值依序为1、2、3；
所述电量电费敏感度的指标属性包括电量电费敏感度高、电量电费敏感度中和电量电费敏感度低，且对应的标签赋值依序为1、2、3；
所述用户欠费特征的指标属性包括偶尔欠费、经常欠费和从未欠费，且对应的标签赋值依序为1、2、3；
所述用户缴费特征的指标属性包括平均缴费时间正常、平均缴费时间短和平均缴费时间长，且对应的标签赋值依序为1、2、3；
所述退补电费特征的指标属性包括累计政策性退补电费高、累计违约金退补电费高、累计差错退补电费高和无退补电费，且对应的标签赋值依序为1、2、3、4。
实施本发明实施例，具有如下有益效果：
本发明基于客户用电特征数据来确定客户用电行为指标，以实现全面考虑反映客户用电特征的指标进行分析，并将每一客户用电行为指标的指标属性设为标签且进一步进行赋值，通过对待分析客户群体的标签赋值进行聚类计算，能快速得到该客户群体的客户用电行为，从而简化了传统分析算法的复杂度，解决了现有技术分析结果偏差较大的问题。
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (9)
1.一种客户用电行为分析方法，其特征在于，所述方法包括以下步骤：
基于客户用电特征数据，确定客户用电行为指标，并结合客户属性及其数据分布情况，得到每一客户用电行为指标各自对应的指标属性并设为标签，且进一步给所有标签分别进行赋值；
获取待分析的客户群体及其所含每一客户在对应客户用电行为指标下的标签赋值，并采用预设的聚类算法，对该客户群体中所有客户对应的标签赋值进行聚类计算，将所得的聚类结果输出为该客户群体的客户用电行为。
2.如权利要求1所述的客户用电行为分析方法，其特征在于，所述方法进一步包括：
根据该客户群体的客户用电行为进行画像分析，得到该客户群体的客户用电行为的立体视觉图。
3.如权利要求2所述的客户用电行为分析方法，其特征在于，所述客户用电行为指标包括合同容量、用电类型、基本电费特征、力调电费特征、电度电费特征、容量利用率、违约金特征、电价敏感度、电量电费敏感度、用户欠费特征、用户缴费特征和退补电费特征。
4.如权利要求3所述的客户用电行为分析方法，其特征在于，所述合同容量的指标属性包括合同容量大、合同容量较大、合同容量中等、合同容量较小和合同容量小，且对应的标签赋值依序为1、2、3、4、5；
所述用电类型的指标属性包括工业用电、商业用电、住宅用电、农业排灌用电、农业生产用电和临时接电，且对应的标签赋值依序为1、2、3、4、5、6；
所述基本电费特征的指标属性包括平均基本电费高、平均基本电费中、平均基本电费低和无基本电费，且对应的标签赋值依序为1、2、3、4；
所述力调电费特征的指标属性包括平均力调电费高、平均力调电费中、平均力调电费低和无力调电费，且对应的标签赋值依序为1、2、3、4；
所述电度电费特征的指标属性包括平均电度电费高、平均电度电费中和平均电度电费低，且对应的标签赋值依序为1、2、3；
所述容量利用率的指标属性包括容量利用率高、容量利用率较高、容量利用率较低和容量利用率低，且对应的标签赋值依序为1、2、3、4；
所述违约金特征的指标属性包括平均违约金高、平均违约金中、平均违约金低和无违约金，且对应的标签赋值依序为1、2、3、4；
所述电价敏感度的指标属性包括电价敏感度高、电价敏感度中和电价敏感度低，且对应的标签赋值依序为1、2、3；
所述电量电费敏感度的指标属性包括电量电费敏感度高、电量电费敏感度中和电量电费敏感度低，且对应的标签赋值依序为1、2、3；
所述用户欠费特征的指标属性包括偶尔欠费、经常欠费和从未欠费，且对应的标签赋值依序为1、2、3；
所述用户缴费特征的指标属性包括平均缴费时间正常、平均缴费时间短和平均缴费时间长，且对应的标签赋值依序为1、2、3；
所述退补电费特征的指标属性包括累计政策性退补电费高、累计违约金退补电费高、累计差错退补电费高和无退补电费，且对应的标签赋值依序为1、2、3、4。
5.如权利要求4所述的客户用电行为分析方法，其特征在于，所述基本电费特征中基本电费是按变压器容量计算得到或按最大需量计算得到；其中，
按变压器容量计算基本电费时，通过公式(1)来实现；
基本电费＝变压器容量×基本电价(1)；
按最大需量计算基本电费时，通过公式(2)或(3)来实现；
基本电费＝合同核定需量×基本电价(2)
基本电费＝(合同核定需量×基本电价)+(最大需量－合同核定需量×105％)×基本电价×2(3)
式(2)中，最大需量≤合同核定需量×105％；式(3)中，最大需量>合同核定需量×105％；式(2)和(3)中，最大需量＝每月最大抄见最大需量行度×倍率。
6.一种客户用电行为分析系统，其特征在于，包括；
客户行为标签赋值单元，用于基于客户用电特征数据，确定客户用电行为指标，并结合客户属性及其数据分布情况，得到每一客户用电行为指标各自对应的指标属性并设为标签，且进一步给所有标签分别进行赋值；
客户行为聚类分析单元，用于获取待分析的客户群体及其所含每一客户在对应客户用电行为指标下的标签赋值，并采用预设的聚类算法，对该客户群体中所有客户对应的标签赋值进行聚类计算，将所得的聚类结果输出为该客户群体的客户用电行为。
7.如权利要求6所述的客户用电行为分析系统，其特征在于，还包括：客户行为画像分析单元；其中，
所述客户行为画像分析单元，用于根据该客户群体的客户用电行为进行画像分析，得到该客户群体的客户用电行为的立体视觉图。
8.如权利要求7所述的客户用电行为分析系统，其特征在于，所述客户用电行为指标包括合同容量、用电类型、基本电费特征、力调电费特征、电度电费特征、容量利用率、违约金特征、电价敏感度、电量电费敏感度、用户欠费特征、用户缴费特征和退补电费特征。
9.如权利要求8所述的客户用电行为分析系统，其特征在于，所述合同容量的指标属性包括合同容量大、合同容量较大、合同容量中等、合同容量较小和合同容量小，且对应的标签赋值依序为1、2、3、4、5；
所述用电类型的指标属性包括工业用电、商业用电、住宅用电、农业排灌用电、农业生产用电和临时接电，且对应的标签赋值依序为1、2、3、4、5、6；
所述基本电费特征的指标属性包括平均基本电费高、平均基本电费中、平均基本电费低和无基本电费，且对应的标签赋值依序为1、2、3、4；
所述力调电费特征的指标属性包括平均力调电费高、平均力调电费中、平均力调电费低和无力调电费，且对应的标签赋值依序为1、2、3、4；
所述电度电费特征的指标属性包括平均电度电费高、平均电度电费中和平均电度电费低，且对应的标签赋值依序为1、2、3；
所述容量利用率的指标属性包括容量利用率高、容量利用率较高、容量利用率较低和容量利用率低，且对应的标签赋值依序为1、2、3、4；
所述违约金特征的指标属性包括平均违约金高、平均违约金中、平均违约金低和无违约金，且对应的标签赋值依序为1、2、3、4；
所述电价敏感度的指标属性包括电价敏感度高、电价敏感度中和电价敏感度低，且对应的标签赋值依序为1、2、3；
所述电量电费敏感度的指标属性包括电量电费敏感度高、电量电费敏感度中和电量电费敏感度低，且对应的标签赋值依序为1、2、3；
所述用户欠费特征的指标属性包括偶尔欠费、经常欠费和从未欠费，且对应的标签赋值依序为1、2、3；
所述用户缴费特征的指标属性包括平均缴费时间正常、平均缴费时间短和平均缴费时间长，且对应的标签赋值依序为1、2、3；
所述退补电费特征的指标属性包括累计政策性退补电费高、累计违约金退补电费高、累计差错退补电费高和无退补电费，且对应的标签赋值依序为1、2、3、4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111455074.0A CN114219241A (zh) | 2021-12-01 | 2021-12-01 | 一种客户用电行为分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111455074.0A CN114219241A (zh) | 2021-12-01 | 2021-12-01 | 一种客户用电行为分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114219241A true CN114219241A (zh) | 2022-03-22 |
Family
ID=80699391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111455074.0A Pending CN114219241A (zh) | 2021-12-01 | 2021-12-01 | 一种客户用电行为分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114219241A (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106296445A (zh) * | 2016-08-01 | 2017-01-04 | 国网浙江省电力公司 | 一种电力客户标签构建方法 |
| CN106651424A (zh) * | 2016-09-28 | 2017-05-10 | 国网山东省电力公司电力科学研究院 | 基于大数据技术的电力用户画像建立与分析方法 |
| CN107133652A (zh) * | 2017-05-17 | 2017-09-05 | 国网山东省电力公司烟台供电公司 | 基于K‑means聚类算法的用电客户价值评估方法及系统 |
| CN107292765A (zh) * | 2017-06-21 | 2017-10-24 | 国网辽宁省电力有限公司 | 一种基于聚类算法的用户用电行为监测方法 |
| CN107730269A (zh) * | 2017-07-21 | 2018-02-23 | 南通大学 | 一种基于行为分析的用电客户画像方法 |
| 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 |
| CN109685567A (zh) * | 2018-12-20 | 2019-04-26 | 长沙理工大学 | 一种基于卷积神经网络和模糊聚类的用电客户画像新方法 |
| CN110555782A (zh) * | 2019-07-06 | 2019-12-10 | 国网浙江省电力有限公司电力科学研究院 | 一种基于大数据的科学用电模型构建系统及方法 |
| CN110826886A (zh) * | 2019-10-29 | 2020-02-21 | 南京华盾电力信息安全测评有限公司 | 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 |
| 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 |
| CN111080367A (zh) * | 2019-12-20 | 2020-04-28 | 深圳市国电科技通信有限公司 | 一种低压用户用电状态感知的用电行为分析方法 |
| CN111553720A (zh) * | 2019-12-10 | 2020-08-18 | 北京理工大学 | 基于改进k-means算法的用户用电行为分析方法 |
| CN111784204A (zh) * | 2020-07-28 | 2020-10-16 | 南方电网能源发展研究院有限责任公司 | 一种基于用户用电行为画像的优质用户挖掘方法及系统 |
| CN112102003A (zh) * | 2020-09-18 | 2020-12-18 | 国网辽宁省电力有限公司电力科学研究院 | 基于大数据平台用电客户核心资源管理系统及方法 |
-
2021
- 2021-12-01 CN CN202111455074.0A patent/CN114219241A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106296445A (zh) * | 2016-08-01 | 2017-01-04 | 国网浙江省电力公司 | 一种电力客户标签构建方法 |
| CN106651424A (zh) * | 2016-09-28 | 2017-05-10 | 国网山东省电力公司电力科学研究院 | 基于大数据技术的电力用户画像建立与分析方法 |
| CN107133652A (zh) * | 2017-05-17 | 2017-09-05 | 国网山东省电力公司烟台供电公司 | 基于K‑means聚类算法的用电客户价值评估方法及系统 |
| CN107292765A (zh) * | 2017-06-21 | 2017-10-24 | 国网辽宁省电力有限公司 | 一种基于聚类算法的用户用电行为监测方法 |
| CN107730269A (zh) * | 2017-07-21 | 2018-02-23 | 南通大学 | 一种基于行为分析的用电客户画像方法 |
| CN109685567A (zh) * | 2018-12-20 | 2019-04-26 | 长沙理工大学 | 一种基于卷积神经网络和模糊聚类的用电客户画像新方法 |
| 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 |
| CN110555782A (zh) * | 2019-07-06 | 2019-12-10 | 国网浙江省电力有限公司电力科学研究院 | 一种基于大数据的科学用电模型构建系统及方法 |
| CN110826886A (zh) * | 2019-10-29 | 2020-02-21 | 南京华盾电力信息安全测评有限公司 | 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 |
| CN111553720A (zh) * | 2019-12-10 | 2020-08-18 | 北京理工大学 | 基于改进k-means算法的用户用电行为分析方法 |
| 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 |
| CN111080367A (zh) * | 2019-12-20 | 2020-04-28 | 深圳市国电科技通信有限公司 | 一种低压用户用电状态感知的用电行为分析方法 |
| CN111784204A (zh) * | 2020-07-28 | 2020-10-16 | 南方电网能源发展研究院有限责任公司 | 一种基于用户用电行为画像的优质用户挖掘方法及系统 |
| CN112102003A (zh) * | 2020-09-18 | 2020-12-18 | 国网辽宁省电力有限公司电力科学研究院 | 基于大数据平台用电客户核心资源管理系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王成亮，等: "基于模糊聚类的电力客户用电行为模式画像", 《电测与仪表》, 25 September 2018 (2018-09-25), pages 77 - 81 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wilson | Nonlinear pricing | |
| Tommasi | The consequences of price instability on search markets: Toward understanding the effects of inflation | |
| Sen et al. | A stochastic programming approach to power portfolio optimization | |
| CN111126776A (zh) | 一种基于逻辑回归算法的电费风险防控模型构建方法 | |
| US20060064366A1 (en) | Method and cash trust for financing and operating a business project | |
| CN112182091A (zh) | 多源数据整合方法、系统、存储介质和电子装置 | |
| CN112258067A (zh) | 基于高斯混合模型聚类算法的低压用户缴费行为分类方法 | |
| CN114219241A (zh) | 一种客户用电行为分析方法及系统 | |
| Bishop et al. | The Price of Power: Comparative Electricity Costs across Provinces | |
| Alt | Energy utility rate setting | |
| CN113191807B (zh) | 一种天然气客户评级系统及方法 | |
| JP2008293107A (ja) | 公共料金請求管理システム | |
| CN105203838B (zh) | 一种电量采集系统 | |
| Pratt et al. | DSO+ T: Valuation Methodology and Economic Metrics (DSO+ T Study: Volume 4) | |
| Yu et al. | Transmission use charges including reliability costs | |
| Li et al. | Design and Implementation of an Adaptive Market Evolution Retail Settlement Model | |
| Morgan et al. | New uses for an old tool: using cost of service studies to design rates in today’s electric utility service world | |
| Molzahn et al. | An empirical investigation of speculation in the MISO financial transmission rights auction market | |
| Baiden | The Electricity Tariff and Utility Performance: Evidence from Ghana, Uganda, and Namibia Electricity Market | |
| CN116563042A (zh) | 电力行业一种基于机组场站的财务共享分析系统 | |
| CN113554454A (zh) | 一种大数据用电力售卖系统及其设备 | |
| Harnett et al. | Three modes of energy cost analysis: then-current, base-year, and perpetual-constant dollar | |
| CN113626535A (zh) | 一种供电台区用电特征分析的方法及装置 | |
| Sander | Price of energy | |
| Loeb et al. | Cost-plus-fixed-fee contracts with payment ceilings: impact on commercial markets and indirect cost recoveries |
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 |