CN115730748A - 基于knn算法的电力客户行为预测方法及系统 - Google Patents
基于knn算法的电力客户行为预测方法及系统 Download PDFInfo
- Publication number
- CN115730748A CN115730748A CN202211715760.1A CN202211715760A CN115730748A CN 115730748 A CN115730748 A CN 115730748A CN 202211715760 A CN202211715760 A CN 202211715760A CN 115730748 A CN115730748 A CN 115730748A
- Authority
- CN
- China
- Prior art keywords
- behavior
- value
- coefficient
- arrearage
- power
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于KNN算法的电力客户行为预测方法及系统,涉及数据处理领域,用于解决现有的电力客户用电行为聚类分析方法并未很精确地对电力客户的行为进行分析并预测,因此使得将电力客户分类的不合理的问题;该预测方法中通过对电力客户的行为进行分析,从而获得行为系数,行为系数用于衡量电力客户在用电过程中所表现出的行为评价系数值,之后利用行为系数获得基础值,再利用基础值、算法值获得分类值,从而利用分类值将电力客户进行分类;该系统利用算法值K的设置能够按照需求将电力客户进行合理分配,能够有利于售电公司把握用电客户的用电行为特征、提高服务效率和客户满意度、降低售电公司售电风险、提高售电公司市场竞争力。
Description
技术领域
本发明涉及数据处理领域,具体涉及基于KNN算法的电力客户行为预测方法及系统。
背景技术
随着电力市场改革进程的推进,电力客户作为电力消费者有了更多的选择权,多类型售电公司的设立为电力市场释放更多活力,同时售电公司也承担着来自批零两侧的购售电压力,由于电力客户往往会选择自己熟悉的电力供应商,因此需要售电公司精准把控电力客户特征,为存量客户提供更优质的服务,同时为吸引增量客户提出更有效的服务策略。随着信息技术的发展和智能电表的普及,电力客户用电的同时产生大量用电数据,不同类型电力客户对用电敏感度不同,通过用电数据价值挖掘对电力客户进行画像,得到售电公司制定差异化服务策略的判断依据,有利于售电公司把握客户用电行为特征、提高服务效率和客户满意度、降低售电公司售电风险、提高售电公司市场竞争力。
但是目前的客户划分方法是粗放式的,只使用单一的特征属性对客户进行细分,导致客户的用电行为缺乏深入的挖掘分析,对用电客户的用电需求和用电特征掌握不够,无法指导用电需求侧管理,随着产品服务和客户需求的多样化,单一特征属性的划分方法表现出了很多不足和缺陷。
申请号为CN202110644311.1的专利公开了一种电力客户用电行为聚类分析方法及装置,方法包括:获取电力客户的用电特征数据,得到数据集;对数据集进行预处理,得到多特征序列矩阵;根据DBSCAN算法对多特征序列矩阵进行第一次聚类,确定最优聚类值;根据最优聚类值在数据集中随机选取聚类中心,并采用EM算法进行高斯混合聚类,得到聚类分析结果;输出聚类分析结果,该发明实施例通过一种联合DBSCAN和EM的高斯混合聚类进行用电行为分析,可以应用于对电力公司用电客户行为进行聚类,挖掘出客户数据中的潜在信息,根据所挖掘出的信息对不同的客户群实现更有针对性的服务,提高用户满意度,但仍然存在以下不足之处:该电力客户用电行为聚类分析方法并未很精确地对电力客户的行为进行分析并预测,因此使得将电力客户分类的不合理。
发明内容
为了克服上述的技术问题,本发明的目的在于提供基于KNN算法的电力客户行为预测方法及系统:通过数据采集模块获取电力客户的单月用电参数和欠费参数,通过数据分析模块根据用电参数获得用电系数,根据用电参数获得欠费系数,并根据用电系数、欠费系数获得行为系数,通过行为预测平台根据行为系数获得基础值,并根据基础值和算法值获得分类值,通过行为分类模块根据行为系数、分类值将电力客户进行划分,通过行为展示模块形成客户名单并进行展示,解决了现有的电力客户用电行为聚类分析方法并未很精确地对电力客户的行为进行分析并预测,因此使得将电力客户分类的不合理的问题。
本发明的目的可以通过以下技术方案实现:
基于KNN算法的电力客户行为预测系统,包括:
数据采集模块,用于获取电力客户的单月用电参数和欠费参数,并将用电参数和欠费参数发送至数据分析模块,其中,用电参数包括电量值DL、电费值DF、均偏电值PDJ,欠费参数包括欠费次QC以及欠费额QE;
数据分析模块,用于根据用电参数获得用电系数YX,根据用电参数获得欠费系数QX,并根据用电系数YX、欠费系数QX获得行为系数XX,并将行为系数XX发送至行为预测平台;
行为预测平台,用于根据行为系数XX获得基础值JC,还用于设置算法值K,并根据基础值JC和算法值K获得分类值FL,并将行为系数XX、分类值FL发送至行为分类模块;
行为分类模块,用于根据行为系数XX、分类值FL将电力客户划分为一级客户、二级客户,并将一级客户、二级客户发送至行为展示模块;
行为展示模块,用于根据一级客户、二级客户以及行为系数XX形成一级客户名单和二级客户名单,并进行展示。
作为本发明进一步的方案:所述数据采集模块获取用电参数和欠费参数的具体过程如下:
获取电力客户单月用电总量和单月用电总费用,并将其分别标记为电量值DL和电费值DF;
获取电力客户每小时用电量并将其标记为时电量SDi,i=1、……、24;
将所有时电量SDi求和并求取平均值,并将平均值标记为均时电量SDJ;
获取单月所有偏电值PD,求和并求取平均值,并将平均值标记为均偏电值PDJ;
获取电力客户用电过程中总计欠费时长和欠费总数额并将其标记为欠费次QC和欠费额QE;
将电量值DL、电费值DF、均偏电值PDJ、欠费次QC以及欠费额QE发送至数据分析模块。
作为本发明进一步的方案:所述数据分析模块获得行为系数XX的具体过程如下:
接收到电量值DL、电费值DF以及均偏电值PDJ后将三者代入公式得到用电系数YX,其中,s1、s2、s3分别为电量值DL、电费值DF以及均偏电值PDJ的预设权重系数,且s1+s2+s3=1,取s1=0.33,s2=0.29,s3=0.38;
将行为系数XX发送至行为预测平台。
作为本发明进一步的方案:所述行为预测平台获得分类值FL的具体过程如下:
将行为系数XX按照从大到小的顺序进行排序,若中间位置只存在一个行为系数XX,则将该行为系数XX标记为基础值JC,若中间位置只存在一个行为系数XX,则将该行为系数XX标记为基础值JC;
获取预设的算法值K;
获取基础值JC和算法值K的乘积并将其标记为分类值FL,将行为系数XX、分类值FL发送至行为分类模块。
作为本发明进一步的方案:所述行为分类模块将电力客户进行划分的具体过程如下:
将行为系数XX和分类值FL进行比较:
若行为系数XX>分类值FL,则将行为系数XX所对应的电力客户标记为一级客户;
若行为系数XX≤分类值FL,则将行为系数XX所对应的电力客户标记为二级客户;
将一级客户、二级客户发送至行为展示模块。
基于KNN算法的电力客户行为预测方法,包括以下步骤:
步骤一:数据采集模块获取电力客户单月用电总量和单月用电总费用,并将其分别标记为电量值DL和电费值DF;
步骤二:数据采集模块获取电力客户每小时用电量并将其标记为时电量SDi,i=1、……、24;
步骤三:数据采集模块将所有时电量SDi求和并求取平均值,并将平均值标记为均时电量SDJ;
步骤五:数据采集模块获取单月所有偏电值PD,求和并求取平均值,并将平均值标记为均偏电值PDJ;
步骤六:数据采集模块获取电力客户用电过程中总计欠费时长和欠费总数额并将其标记为欠费次QC和欠费额QE;
步骤七:数据采集模块将电量值DL、电费值DF、均偏电值PDJ、欠费次QC以及欠费额QE发送至数据分析模块;
步骤八:数据分析模块接收到电量值DL、电费值DF以及均偏电值PDJ后将三者代入公式得到用电系数YX,其中,s1、s2、s3分别为电量值DL、电费值DF以及均偏电值PDJ的预设权重系数,且s1+s2+s3=1,取s1=0.33,s2=0.29,s3=0.38;
步骤十一:数据分析模块将行为系数XX发送至行为预测平台;
步骤十二:行为预测平台将行为系数XX按照从大到小的顺序进行排序,若中间位置只存在一个行为系数XX,则将该行为系数XX标记为基础值JC,若中间位置只存在一个行为系数XX,则将该行为系数XX标记为基础值JC;
步骤十三:行为预测平台获取预设的算法值K;
步骤十四:行为预测平台获取基础值JC和算法值K的乘积并将其标记为分类值FL,将行为系数XX、分类值FL发送至行为分类模块;
步骤十五:行为分类模块将行为系数XX和分类值FL进行比较:
若行为系数XX>分类值FL,则将行为系数XX所对应的电力客户标记为一级客户;
若行为系数XX≤分类值FL,则将行为系数XX所对应的电力客户标记为二级客户;
步骤十六:行为分类模块将一级客户、二级客户发送至行为展示模块;
步骤十七:行为展示模块接收到一级客户、二级客户后按照行为系数XX从大到小的顺序进行排列,分别形成一级客户名单和二级客户名单,并进行展示。
本发明的有益效果:
本发明的基于KNN算法的电力客户行为预测方法及系统,通过数据采集模块获取电力客户的单月用电参数和欠费参数,通过数据分析模块根据用电参数获得用电系数,根据用电参数获得欠费系数,并根据用电系数、欠费系数获得行为系数,通过行为预测平台根据行为系数获得基础值,并根据基础值和算法值获得分类值,通过行为分类模块根据行为系数、分类值将电力客户进行划分,通过行为展示模块形成客户名单并进行展示;该预测方法中通过对电力客户的行为进行分析,从而获得行为系数,行为系数用于衡量电力客户在用电过程中所表现出的行为评价系数值,行为系数越大表示电力客户的用电情况越优先,需要对其进行特别关注,之后利用行为系数获得基础值,再自行设置算法值,通过二者的综合处理得到分类值,从而利用分类值将电力客户进行分类;该系统利用算法值K的设置能够按照需求将电力客户进行合理分配,能够有利于售电公司把握用电客户的用电行为特征、提高服务效率和客户满意度、降低售电公司售电风险、提高售电公司市场竞争力。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明中基于KNN算法的电力客户行为预测系统的结构框图。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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它实施例,都属于本发明保护的范围。
实施例1:
请参阅图1所示,本实施例为基于KNN算法的电力客户行为预测系统,包括数据采集模块、数据分析模块、行为预测平台、行为分类模块以及行为展示模块:
其中,所述数据采集模块用于获取电力客户的单月用电参数和欠费参数,并将用电参数和欠费参数发送至数据分析模块,其中,用电参数包括电量值DL、电费值DF、均偏电值PDJ,欠费参数包括欠费次QC以及欠费额QE;
其中,所述数据分析模块用于根据用电参数获得用电系数YX,根据用电参数获得欠费系数QX,并根据用电系数YX、欠费系数QX获得行为系数XX,并将行为系数XX发送至行为预测平台;
其中,所述行为预测平台用于根据行为系数XX获得基础值JC,还用于设置算法值K,并根据基础值JC和算法值K获得分类值FL,并将行为系数XX、分类值FL发送至行为分类模块;
其中,所述行为分类模块用于根据行为系数XX、分类值FL将电力客户划分为一级客户、二级客户,并将一级客户、二级客户发送至行为展示模块;
其中,所述行为展示模块用于根据一级客户、二级客户以及行为系数XX形成一级客户名单和二级客户名单,并进行展示。
实施例2:
请参阅图1所示,本实施例为基于KNN算法的电力客户行为预测方法,包括以下步骤:
步骤一:数据采集模块获取电力客户单月用电总量和单月用电总费用,并将其分别标记为电量值DL和电费值DF;
步骤二:数据采集模块获取电力客户每小时用电量并将其标记为时电量SDi,i=1、……、24;
步骤三:数据采集模块将所有时电量SDi求和并求取平均值,并将平均值标记为均时电量SDJ;
步骤五:数据采集模块获取单月所有偏电值PD,求和并求取平均值,并将平均值标记为均偏电值PDJ;
步骤六:数据采集模块获取电力客户用电过程中总计欠费时长和欠费总数额并将其标记为欠费次QC和欠费额QE;
步骤七:数据采集模块将电量值DL、电费值DF、均偏电值PDJ、欠费次QC以及欠费额QE发送至数据分析模块;
步骤八:数据分析模块接收到电量值DL、电费值DF以及均偏电值PDJ后将三者代入公式得到用电系数YX,其中,s1、s2、s3分别为电量值DL、电费值DF以及均偏电值PDJ的预设权重系数,且s1+s2+s3=1,取s1=0.33,s2=0.29,s3=0.38;
步骤十一:数据分析模块将行为系数XX发送至行为预测平台;
步骤十二:行为预测平台将行为系数XX按照从大到小的顺序进行排序,若中间位置只存在一个行为系数XX,则将该行为系数XX标记为基础值JC,若中间位置只存在一个行为系数XX,则将该行为系数XX标记为基础值JC;
步骤十三:行为预测平台获取预设的算法值K;
步骤十四:行为预测平台获取基础值JC和算法值K的乘积并将其标记为分类值FL,将行为系数XX、分类值FL发送至行为分类模块;
步骤十五:行为分类模块将行为系数XX和分类值FL进行比较:
若行为系数XX>分类值FL,则将行为系数XX所对应的电力客户标记为一级客户;
若行为系数XX≤分类值FL,则将行为系数XX所对应的电力客户标记为二级客户;
步骤十六:行为分类模块将一级客户、二级客户发送至行为展示模块;
步骤十七:行为展示模块接收到一级客户、二级客户后按照行为系数XX从大到小的顺序进行排列,分别形成一级客户名单和二级客户名单,并进行展示。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (6)
1.基于KNN算法的电力客户行为预测系统,其特征在于,包括:
数据采集模块,用于获取电力客户的单月用电参数和欠费参数,并将用电参数和欠费参数发送至数据分析模块,其中,用电参数包括电量值、电费值、均偏电值,欠费参数包括欠费次以及欠费额;
数据分析模块,用于根据用电参数获得用电系数,根据用电参数获得欠费系数,并根据用电系数、欠费系数获得行为系数,并将行为系数发送至行为预测平台;
行为预测平台,用于根据行为系数获得基础值,还用于设置算法值,并根据基础值和算法值获得分类值,并将行为系数、分类值发送至行为分类模块;
行为分类模块,用于根据行为系数、分类值将电力客户划分为一级客户、二级客户,并将一级客户、二级客户发送至行为展示模块;
行为展示模块,用于根据一级客户、二级客户以及行为系数形成一级客户名单和二级客户名单,并进行展示。
2.根据权利要求1所述的基于KNN算法的电力客户行为预测系统,其特征在于,所述数据采集模块获取用电参数和欠费参数的具体过程如下:
获取电力客户单月用电总量和单月用电总费用,并将其分别标记为电量值和电费值;
获取电力客户每小时用电量并将其标记为时电量;
将所有时电量求和并求取平均值,并将平均值标记为均时电量;
将时电量、均时电量经过分析得到偏电值;
获取单月所有偏电值,求和并求取平均值,并将平均值标记为均偏电值;
获取电力客户用电过程中总计欠费时长和欠费总数额并将其标记为欠费次和欠费额;
将电量值、电费值、均偏电值、欠费次以及欠费额发送至数据分析模块。
3.根据权利要求1所述的基于KNN算法的电力客户行为预测系统,其特征在于,所述数据分析模块获得行为系数的具体过程如下:
接收到电量值、电费值以及均偏电值后将三者经过分析得到用电系数;
接收到欠费次以及欠费额后将二者经过分析得到欠费系数;
将用电系数、欠费系数经过分析得到行为系数;
将行为系数发送至行为预测平台。
4.根据权利要求1所述的基于KNN算法的电力客户行为预测系统,其特征在于,所述行为预测平台获得分类值的具体过程如下:
将行为系数按照从大到小的顺序进行排序,若中间位置只存在一个行为系数,则将该行为系数标记为基础值,若中间位置只存在一个行为系数,则将该行为系数标记为基础值;
获取预设的算法值;
获取基础值和算法值的乘积并将其标记为分类值,将行为系数、分类值发送至行为分类模块。
5.根据权利要求1所述的基于KNN算法的电力客户行为预测系统,其特征在于,所述行为分类模块将电力客户进行划分的具体过程如下:
将行为系数和分类值进行比较:
若行为系数>分类值,则将行为系数所对应的电力客户标记为一级客户;
若行为系数≤分类值,则将行为系数所对应的电力客户标记为二级客户;
将一级客户、二级客户发送至行为展示模块。
6.基于KNN算法的电力客户行为预测方法,其特征在于,包括以下步骤:
步骤一:数据采集模块获取电力客户单月用电总量和单月用电总费用,并将其分别标记为电量值和电费值;
步骤二:数据采集模块获取电力客户每小时用电量并将其标记为时电量;
步骤三:数据采集模块将所有时电量求和并求取平均值,并将平均值标记为均时电量;
步骤四:数据采集模块将时电量、均时电量经过分析得到偏电值;
步骤五:数据采集模块获取单月所有偏电值,求和并求取平均值,并将平均值标记为均偏电值;
步骤六:数据采集模块获取电力客户用电过程中总计欠费时长和欠费总数额并将其标记为欠费次和欠费额;
步骤七:数据采集模块将电量值、电费值、均偏电值、欠费次以及欠费额发送至数据分析模块;
步骤八:数据分析模块接收到电量值、电费值以及均偏电值后将三者经过分析得到用电系数;
步骤九:数据分析模块接收到欠费次以及欠费额后将二者经过分析得到欠费系数;
步骤十:数据分析模块将用电系数、欠费系数经过分析得到行为系数;
步骤十一:数据分析模块将行为系数发送至行为预测平台;
步骤十二:行为预测平台将行为系数按照从大到小的顺序进行排序,若中间位置只存在一个行为系数,则将该行为系数标记为基础值,若中间位置只存在一个行为系数,则将该行为系数标记为基础值;
步骤十三:行为预测平台获取预设的算法值;
步骤十四:行为预测平台获取基础值和算法值的乘积并将其标记为分类值,将行为系数、分类值发送至行为分类模块;
步骤十五:行为分类模块将行为系数和分类值进行比较:
若行为系数>分类值,则将行为系数所对应的电力客户标记为一级客户;
若行为系数≤分类值,则将行为系数所对应的电力客户标记为二级客户;
步骤十六:行为分类模块将一级客户、二级客户发送至行为展示模块;
步骤十七:行为展示模块接收到一级客户、二级客户后按照行为系数从大到小的顺序进行排列,分别形成一级客户名单和二级客户名单,并进行展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211715760.1A CN115730748B (zh) | 2022-12-30 | 2022-12-30 | 基于knn算法的电力客户行为预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211715760.1A CN115730748B (zh) | 2022-12-30 | 2022-12-30 | 基于knn算法的电力客户行为预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115730748A true CN115730748A (zh) | 2023-03-03 |
CN115730748B CN115730748B (zh) | 2023-06-23 |
Family
ID=85301893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211715760.1A Active CN115730748B (zh) | 2022-12-30 | 2022-12-30 | 基于knn算法的电力客户行为预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115730748B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150112044A (ko) * | 2014-03-24 | 2015-10-07 | 창신정보통신(주) | 출입 정보를 활용한 에너지 차등 관리 시스템 및 에너지 차등 관리 장치 |
CN106251049A (zh) * | 2016-07-25 | 2016-12-21 | 国网浙江省电力公司宁波供电公司 | 一种大数据的电费风险模型构建方法 |
CN112184489A (zh) * | 2020-09-30 | 2021-01-05 | 深圳供电局有限公司 | 一种电力用户分群管理系统及方法 |
CN112184484A (zh) * | 2020-09-30 | 2021-01-05 | 深圳供电局有限公司 | 一种电力用户差异化服务方法及系统 |
KR20210069455A (ko) * | 2019-12-03 | 2021-06-11 | 주식회사 에이치에너지 | 클러스터링 기반 예측적 ess 충방전 운용 시스템 및 방법 |
CN113450142A (zh) * | 2021-06-09 | 2021-09-28 | 重庆锦禹云能源科技有限公司 | 一种电力客户用电行为聚类分析方法及装置 |
CN113837545A (zh) * | 2021-08-25 | 2021-12-24 | 广西电网有限责任公司 | 一种具有实时监控服务质量的电力客服系统 |
-
2022
- 2022-12-30 CN CN202211715760.1A patent/CN115730748B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150112044A (ko) * | 2014-03-24 | 2015-10-07 | 창신정보통신(주) | 출입 정보를 활용한 에너지 차등 관리 시스템 및 에너지 차등 관리 장치 |
CN106251049A (zh) * | 2016-07-25 | 2016-12-21 | 国网浙江省电力公司宁波供电公司 | 一种大数据的电费风险模型构建方法 |
KR20210069455A (ko) * | 2019-12-03 | 2021-06-11 | 주식회사 에이치에너지 | 클러스터링 기반 예측적 ess 충방전 운용 시스템 및 방법 |
CN112184489A (zh) * | 2020-09-30 | 2021-01-05 | 深圳供电局有限公司 | 一种电力用户分群管理系统及方法 |
CN112184484A (zh) * | 2020-09-30 | 2021-01-05 | 深圳供电局有限公司 | 一种电力用户差异化服务方法及系统 |
CN113450142A (zh) * | 2021-06-09 | 2021-09-28 | 重庆锦禹云能源科技有限公司 | 一种电力客户用电行为聚类分析方法及装置 |
CN113837545A (zh) * | 2021-08-25 | 2021-12-24 | 广西电网有限责任公司 | 一种具有实时监控服务质量的电力客服系统 |
Non-Patent Citations (3)
Title |
---|
SÉRGIO RAMOS 等: "Data mining techniques for electricity customer characterization", 《PROCEDIA COMPUTER SCIENCE》, pages 475 - 488 * |
肖乃慎 等: "大数据背景下的电网客户用电行为分析系统设计", 《 电子设计工程》, vol. 24, no. 17, pages 61 - 64 * |
陈俐冰;何容;邱林;王颖;孙天昊;: "电力客服中心用户行为分析研究与实现", 计算机技术与发展, no. 02, pages 116 - 124 * |
Also Published As
Publication number | Publication date |
---|---|
CN115730748B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107895283B (zh) | 一种基于时间序列分解的商家客流量大数据预测方法 | |
Cecere et al. | Technological pervasiveness and variety of innovators in Green ICT: A patent-based analysis | |
Jota et al. | Building load management using cluster and statistical analyses | |
CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
Seifert et al. | Identifying excesses and deficits in Chinese industrial productivity (1953–1990): a weighted data envelopment analysis approach | |
CN110689279B (zh) | 一种居民用电安全隐患的分析方法 | |
CN104680261A (zh) | 基于重点大客户负荷曲线聚类的电力负荷运行控制方法 | |
Gerbec et al. | An approach to customers daily load profile determination | |
CN108022043A (zh) | 一种异常用电行为的识别方法、装置及中央服务器 | |
US20160364807A1 (en) | Electric power business profit and loss calculation system and electric power business profit and loss calculation method | |
CN108280541A (zh) | 基于随机森林和决策树的客户服务策略制定方法、装置 | |
CN106713677A (zh) | 一种电力客户服务中心呼入话务量的预测方法 | |
CN108428055B (zh) | 一种考虑负荷纵向特性的负荷聚类方法 | |
CN110739686A (zh) | 一种基于总表异常分析的台区线损治理方法及系统 | |
CN110427418A (zh) | 一种基于客户能源价值指标体系的客户分析分群方法 | |
CN108154311A (zh) | 基于随机森林和决策树的优质客户识别方法及装置 | |
CN111626614A (zh) | 一种基于电费回收的用户分类方法 | |
US20030120370A1 (en) | Electric power consumer data analyzing method | |
CN110378510B (zh) | 一种基于时间序列和层次聚合的配网物资需求预测方法 | |
CN106600146A (zh) | 一种电费回收风险评价方法和装置 | |
Pessanha et al. | Combining statistical clustering techniques and exploratory data analysis to compute typical daily load profiles-Application to the expansion and operational planning in Brazil | |
Agarwal et al. | A model for residential adoption of photovoltaic systems | |
Chicco et al. | A review of concepts and techniques for emergent customer categorisation | |
CN115730748A (zh) | 基于knn算法的电力客户行为预测方法及系统 | |
CN117371947A (zh) | 一种建设项目信息化管理方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |