聚类算法在电力大客户行为分析中的实施

聚类算法在电力大客户行为分析中的实施

1 刘茹、 2 卓俊宇、 2 李杏丽、 2 魏其珺

1 国网甘肃省电力公司兰州供电公司 730000

2国网思极飞天兰州云数科技有限公司 730000

摘要：计算机和互联网的普及，使得电力部门累积了大量的数据信息，这些数据信息记录着供电企业的运行状况以及客户信息，利用大数据和云计算可以做到聚类算法，实现对大客户用电行为的分析，有利于更好地为大客户提供个性化电力服务需求，使供电企业在竞争激烈的市场环境中立于不败之地。

关键词：聚类算法；电力大客户；行为分析

引言：大客户虽然只占供电企业总数的20%，但却能够给供电企业带来80%的经济收入，因此做好对大客户行为分析，采用聚类算法，可以实现对大客户用电行为的深入分析和挖掘，有利于提取大客户用电的核心关键数据，从而使供电企业可以为大客户提供行之有效的供电方法，对推动电力企业发展有着长远的意义。

1.聚类分析概述

聚类分析属于统计学的一个分支，由于聚类分析在不同领域有着不同的地位，所以聚类分析造就了数据挖掘技术的兴起^[1]。聚类分析是通过物理或者抽象的数据对比方法，可以很好地反应数据之间的相似度，因此在聚类分析中可以将数据分出不同的小组进行对比分析。

2.聚类算法在电力大客户行为分析中的应用

2.1从需求上进行分析

对于电力企业而言，电作为电力企业的产品，因为具有其特殊性，所以通常很难做到像其他商品一样存储，所以电力资源属于“即发即用”的状态。因此电力企业如何提高电力资源的利用率，并将发电量应用到各行各业，使电力资源给电力企业带来最大的回报率，是电力企业需要重点分析研究的方向。用电大客户对电力企业而言具有十分重要的意义战略意义，可以给电力企业带来最大的经济效益，因此大力发展大客户，同时给大客户提供更好的个性化电力服务措施，是当今电力企业发展的主要方向和目标^[2]。如果电力企业在发展过程缺乏对用电大客户行为的分析，同时没有站在客户感知角度分析，很难符合最优的市场策略，从而会导致客户按照最本质的特殊性聚集成客户群，根据客户特征对大客户设计营销方案，可以更好地满足大客户的满意度，这也是聚类算法完成大客户细分复杂任务的有效技术手段。

2.2对大客户的数据探索

在对电力大客户的数据探索中，主要探索的方向有两个方面，分别是价值客户以及重要客户。电力重要客户最基本的要求是确保电力稳定性，但重要客户对电力企业的经济贡献度比较小，所以电力企业的重点关注对象是价值客户。通常情况下，价值客户主要包含第一、第二、第三产业，由于价值客户中存在很大的差异，必须要进一步细分客户，才能更好地实施精细化管理营销。在对价值客户的界定中，我们将价值客户分为四类，分别是非居民客户、供电电压高于10KV、装接容量高于500KVA、年用电量高于40万kW这四种价值客户。

2.3对大客户行为数据抽取和预测

2.3.1对大客户行为数据的抽取

在对大客户数据的抽取中，需要大量的数据源，才能实现对数据的准确分析，所以根据系统的功能需求，采集客户的基本信息和客户用电缴费信息作为相关数据源，采集客户信息的数据主要包括以下两点^[3]。首先是掌握客户的基本信息，对客户的区域、行业了解，其次是对客户缴费信息了解，了解客户每月的用电量、电费缴纳数据等信息。而在对客户数据抽取时，需要从做到以下几点，第一，在抽取客户数据信息时需要满足客户细分主体模型的追求，第二，收取的数据要具有足够的代表性，第三，在不影响业务系统性能的情况下，需要充分考虑到业务量和数量以及性能等要求，才能更好地避免对业务的影响。

2.3.2对大客户数据的预测

在对大客户数据预测处理流程如下：初始数据的获取→数据清理→数据集成和融合→数据交换→数据规约→知识评价等数据挖掘→挖掘结果。我们选取河北某电力公司2020年1月到2020年12月这个时间段的数据，采取抽样方法进行分层抽样，并选择三个供电公司作为抽取对象，抽取的样本总数为40万户。在对所选数据进行清洗时，可以做到消除噪音数据的情况，而数据清洗是一个非常复杂的过程，涉及到多个方面。因此在数据清洗阶段，需要采用统计学方面的技术检测数据中的异常值，可以确保数据的参照完整性和数据的精准性，使数据质量得到提高。将数据清洗后，有效保留的数据有19.3万条，同时经过大客户的甄别分析，选取价值客户作为研究对象，可以发现客户总数有5000户，占总用户的2.5%。

2.4数据建模和聚类结果

在数据建模时，采用DGk-mean算法，可以对数据对象进行初始化的操作，并利用K-means算法建立比较稳固的模型^[4]。在对同一组数据进行对比时候，采用和DGk-mean方法K-means随机聚类方法可以得到不同的聚类中心对比，最终的对比结果是DGk-mean算法所获得聚类中心要比K-means随机聚类中心更加精准，如表一所示。但是使用DGk-mean算法进行初始化处理后，再使用K-means的方法进行聚类，就可以得到最后的聚类模型数据，如表二所示。

表一：聚类中心点比较

表二：聚类后所得结果

为了更好地分析，方便以客户作为特征给各个簇的名称，对cluster-id进行命名，“1”代表中电量高负载客户群，“2”代表低电量高电价客户群，“3”代表高电量的成糊状那个客户群，“4”代表低电量高成长客户群，“5”代表高成长高信用客户群，“6”代表中电量低信用客户群，从而可以得到图一、图二、图三。

图一：大客户数量分布图

图二：大客户总电量分布图

图三：大客户平均用电分布图

从图一、图二、图三中可以看出，中电量高负载客户，低电量高电价客户以及高电量低成长客户是用电消费最高的客户，因此供电公司就需要根据客户的需求为客户提供不同的服务，可以确保用电大客户数量的稳定增长。

结束语：聚类算法在电力大客户的行为分析过程中，由于能够对大客户的数据信息进行深入分析，所以聚类算法在市场中具有非常大的潜力，同时在聚类算法中采用K-means和DGk-mean这两种不同的算法，能够实现对大客户数据模型的建立，使大客户数据可以变得更加细致，有利于给供电企业高层提供有效的管理决策依据。

参考文献：

[1]周春燕. 一种基于ISODATA聚类算法在车辆出行行为分析中的应用[J]. 通讯世界, 2019, v.26;No.350(07):115-117.

[2]周冰钰, 刘博, 王丹,等. 基于自组织中心K-means 算法的用户互动用电行为聚类分析[J]. 电力建设, 2019, 040(001):68-76.

[3]高莉, 彭清清, 余杰,等. 基于客户用电行为的数据挖掘算法研究[J]. 电力系统装备, 2020(1):130-131.

[4]李飞, 王鸿玺, 谭阿峰,等. 考虑用电行为分析的电力用户用电预测研究[J]. 电子测量技术, 2020, v.43;No.333(01):79-84.