基于客户全视图的用电客户个性化特征挖掘系统设计

蔡嘉荣, 张远雄, 陈灏生

(1.广东电网有限责任公司, 信息中心, 广东, 广州 510300;2.广东卓维网络有限公司, 广东, 佛山 528000)

0 引言

在智慧电网和用电管理系统背景下，用电客户个性化管理可以提高用电客户个性化服务和管理能力，因此，相关的用电客户个性化特征挖掘系统设计方法研究受到人们的极大关注。

文献[1]对用电客户个性化特征挖掘建立在对用电客户个性化特征大数据分析和融合聚类基础上，提取用电客户个性化特征和信息分量，采用模糊均衡聚类分析的方法，完成用电客户个性化特征挖掘和自相关博弈分析，但是其信息融合性能不好。文献[2]建立用电客户个性化特征分析模型，通过多维参数特征重构，实现用电客户个性化特征挖掘，但其实现用电客户个性化特征挖掘的模糊度较大。

针对上述问题，本文提出基于客户全视图的用电客户个性化特征挖掘系统设计方法。通过构建用电客户个性化特征大数据分析模型和用电客户个性化特征挖掘的客户全视图分析模型，进行用电客户个性化特征挖掘，本文方法在提高用电客户个性化特征挖掘能力方面具有优越性能。

1 用电客户个性化特征大数据分析

1.1 用电客户全视图分布模型

为了实现基于客户全视图的用电客户个性化特征挖掘系统设计，首先构建用电客户个性化特征大数据分析模型，构建步骤如下。

结合电力用户的Agent服务代理实现服务参数融合，采用多元用户特征分析的方法，进行用电客户个性化融合特征提取[3-5]，融合用电客户个性化参数，得到语义异构环境下用电客户个性化特征演化特征参量为

f=m+(r(y)+s)

(1)

其中，r(y)为用电客户个性化特征参数，s为多源信息资源服务数据，将用电客户个性化特征分布参量m设为聚类中心,在主动配电网中，用电客户个性化特征的节点集合数为

(2)

用电客户个性化参数分布集是由n个样本构造成的训练集[6]，设第c个用电客户个性化类别对应的样本类别ωm为已知的，计算用电客户个性化特征样本xt和其类别属性ωt的关联性分布值。定义含n节点的主动配电网中用电客户个性化特征参数为r，得到用电客户个性化特征分布参数融合调度集为

(3)

其中，mi为第t次迭代计算后用电客户个性化节点集合，pi为第t次迭代后的分区分布式主动调度分布集，xk为用电客户个性化样本数据点。引入分布式加速交替学习的方法[7]，得到用电客户个性化参数的状态系数为

(4)

其中，ci为电客户个性化近邻点参数，以mj为近邻中心实现电客户个性化参数融合，得到用电客户个性化特征推荐，采用标准二阶锥松弛形式模型，结合电客户个性化特征挖掘的方法[8]，设电客户个性化特征向量维数为d，根据多维参数识别的方法，得到电客户个性化特征的客户全视图分布模型为

P=d+(uk+wk)

(5)

其中，uk表示电客户个性化特征的客户全视图统计特征量，wk表示模糊状态特征分布集，通过粗糙集匹配的方法，得到电客户个性化特征的客户全视图融合状态方程为

j(e)=M+(VA×uk)

(6)

其中，M为电客户个性化特征统计时间段，VA表示输电网安全运行约束条件。

1.2 用电客户个性化特征融合

采用自相关特征匹配实现用电客户个性化特征融合和聚类分析，构建用电客户个性化特征挖掘的分布式离散调度模型[9]。

设用电客户个性化特征的分布式区间协调控制的模态特征量为

(7)

根据电网储能系统充放电间的关系分布集[10]，得到电客户个性化特征的差异性分布函数为

y(x)=p(s)+fr+w

(8)

其中，p(s)为有功无功协调调度的方法，fr为联络线耦合连接，构建用电客户个性化融合关联融合特征分布集，得到分区分布式主动调度的区间耦合模型为

(9)

其中，ye表示用电客户个性化特征分量在t时刻的行为特征参数，E(a)表示有功无功协调调度的关联规则函数，E(b)表示电压幅值最小值，zt为调控功率，通过某一联络线耦合连接的方法，实现用电客户个性化特征融合。

2 用电客户个性化特征挖掘优化

基于客户全视图的用电客户个性化特征挖掘系统设计总体结构如图1所示。

图1 用电客户个性化特征挖掘系统设计总体结构图

2.1 客户全视图融合

采用客户全视图融合的方法，结合客户全视图分布模型，建立用电客户个性化特征挖掘的客户全视图分析模型[11]。

通过全局协调控制的方法，利用加速梯度方法得到客户全视图融合集合：

l=s(k)+bg+Se

(10)

其中，s(k)为相邻区域耦合支路数据，bg为全局协调控制的方法参数，可以得到中心协调器的客户全视图分布模型为k(x)|gcd(h(x),xn-1)，参考值替换相邻区域的分布函数为

(11)

采用多个子区域并行求解的方法，其中，h(x)为客户全视图融合的跟踪参数，q是一个时滞相关变量，利用分解协调原理，得到客户全视图融合的边界装填变量为x=(x1,…,xm)T∈GF(2n)m，即由A生的2n维网格结构模型，得到用电客户个性化特征挖掘的相似度，用电客户个性化特征挖掘的校验矩阵为

f(v)=w(z)+b(k)+I(t)

(12)

其中，w(z)为n维的单位矩阵参数，b(k)为客户全视图融合的方法数值，得到特征挖掘的检测统计量为V×UT=0，式(12)表示异构多核平台的模糊指向性聚类融合中心，建立大数据信息处理模型，结合客户全视图挖掘[12]，得到模糊状态参数为

(13)

采用客户全视图融合的方法，得到有限分布域G(q)，根据上述分析，实现用电客户的个性化特征检测和挖掘[13]。

2.2 用电客户个性化特征挖掘输出

采用多个子区域并行求解的方法，建立用电客户个性化特征挖掘输出模型[14]。

设异构多核状态下的客户全视图分布矩阵表示为

(14)

(15)

其中，di为用电客户个性化特征挖掘的局部分量，在局部子区域分布区间内，得到客户全视图融合矩阵Mj+1，利用加速梯度，得到相似度分布矩阵为L和Q，输出期望值分别为

L=pi+di+e，Q=L+(di+w(z))

(16)

进行用电客户个性化特征挖掘的客户全视图分析，实现用电客户个性化特征挖掘，得到挖掘输出q：

(17)

其中，S(N)为器法和极限推理的参数，根据多分类器法和极限推理的方法，实现用电客户个性化特征挖掘后的信息存储，系统实现流程如图2所示。

图2 系统实现流程

3 仿真测试分析

为了验证本文方法在实现用电客户个性化特征挖掘的性能，在嵌入式B/S构架体系下实现用电客户个性化特征挖掘的仿真测试，采用MATLAB工具实现用电客户个性化特征挖掘的算法设计，操作系统都采用多级目录结构，提取某地级市电力公司的电力客户缴费数据、收集供应商合同物资种类和历史用电量信息，输入MATLAB工具中，整合为用电客户个性化输出电流峰值检测曲线如图3所示。

图3 用电客户个性化输出电流峰值检测曲线

以图3的用电客户个性化输出电流峰值输出为样本，实现客户全视图融合处理,本文方法对用电客户的个性化特征挖掘的精度性较高，测试峰值增值曲线如图4所示。

图4 用电客户个性化特征输出峰值曲线

分析图4得知，只有本文方法出现3次输出峰值，说明本文方法可以对峰A、峰B和峰C进行跟踪，采用该方法实现用电客户个性化特征挖掘的峰值曲线跟踪性能较高，因为本文方法采用客户全视图融合的方法，结合客户全视图分布模型，建立用电客户个性化特征挖掘的客户全视图分析模型，提升用电客户个性化特征挖掘的可靠性，其输出峰值曲线跟踪效果较强。

测试用电客户个性化特征挖掘的精度，得到对比结果见表1。

表1 用电客户个性化特征挖掘精度测试

分析表1得知，本文方法对用电客户个性化特征挖掘的精度较高，这是因为本文方法将用电客户全视图分布模型和用电客户个性化特征挖掘输出模型相结合，根据挖掘系统设计总体结构，实现用电客户的个性化特征检测和挖掘，个性化特征挖掘精度得到保证。

4 总结

为了提高用电客户个性化服务水平，本文提出基于客户全视图的用电客户个性化特征挖掘系统设计方法。结合电力用户的Agent服务代理实现服务参数融合，采用多元用户特征分析的方法，实现用电客户个性化融合特征提取，构建用电客户个性化特征挖掘的分布式离散调度模型，采用客户全视图融合的方法，结合异构多核平台融合模型，建立用电客户个性化特征挖掘的客户全视图分析模型，利用多分类器法和极限推理的方法，实现用电客户个性化特征挖掘后的信息存储。分析得知，本文方法对用电客户个性化特征挖掘的精度较高，曲线跟踪性能较好。