“互联网+大数据”下电力客户精准账单推送研究

蒋颖， 楼斐， 王庆娟， 张维， 徐家宁

(国网浙江省电力有限公司营销服务中心， 浙江， 杭州 310014)

0 引言

现有的账单推送包括电费账单推送、信用卡账单推送、支付宝账单推送、商店的会员卡消费账单推送等，这些电子类账单的推送减少了纸质品的使用，也降低了派发账单的工作量[1-3]。现阶段，账单推送在供电企业中的应用较为广泛，因此，也有相关学者提出了相关的电力客户账单推送方法，如基于WPF的账单推送管理方法[4]和云环境下账单实时推送方法[5]。应用上述传统方法制定的电力推送账单，在实际应用过程中得到的反馈效果并不理想。因此，本研究在“互联网+大数据”的背景下，设计一种新的电力客户分层精准账单推送方法。互联网是一个巨大的覆盖式网络，该网络将不同数据紧密联系起来，从而形成一个一体化的数据结构，可以根据一个数据的变化得到不同的网络信息[6]。大数据又被称为巨量资料，具有数据多样性强、数据密度值大、数据体量大等特点。大数据技术就是以此类数据特征为前提，实现对互联网数据的深入分析。本研究结合互联网与大数据，研究全新的账单推送服务，为供电企业的创新发展提供严谨的技术支持，也为客户使用电费账单提供了便利的服务方式。

1 推送方法设计

1.1 互联网模式下采集用电轨迹

电力客户用电数据体量大，且随着时间的变化不断增加，因此，需根据用电轨迹数据对电力客户的用电行为展开分析。用电轨迹数据是在不同时间、不同用电器下产生的用电数据变化量。图1为不同的用电轨迹类型示意图。

图1 用电轨迹类型示意图

根据图1可以看出，在不同的时间段内，客户用电量会有不同类型的用电轨迹，图中的4条线段分别代表不同的用电类型。在此基础上，根据用电数据体量大、覆盖范围广的特点[7]，利用互联网的关联性，采集客户用电轨迹数据。

假设每一条用电时段的用电轨迹用L来表示，则用电轨迹采集方程如下：

(1)

式中，(xi,yi)表示用电轨迹数据在ti时刻下的用电位置信息，i表示用电客户的序号，Δt表示记录点产生的时间间隔。但由于用电器的不同，同一时刻下的用电量也是不同的，因此再根据用电量的大小进行用电轨迹采集，结合式(1)可得用电轨迹方程为

(2)

式中，前一项为0→t时间段内可以产生n条用电量qi不同的用电轨迹[8]。根据上述分析得到电力客户的用电轨迹，以该数据为用电客户账单依据进行用电信息分层。

1.2 计算数据类间距

根据上述互联网模式下采集的用电轨迹计算不同的数据类间距，按照类间距设置不同类别的用电信息，并将其作为账单内各个详细数据的分层依据[9]。首先，对原始轨迹数据建立标准的K近邻图，需要满足的约束条件如下：

B(Li,Lj)=max({B(Li,Ls)|Li∈D1∩Ls∈D2∩Li∈F(Ls)∩Ls∈F(Li)})

(3)

式中，Li和Lj表示2个相邻的轨迹，B(Li,Lj)表示连接轨迹Li和Lj的节点，Ls表示其他相邻的轨迹，F(*)表示不同用电轨迹的数据集，D1、D2分别表示2个属性不同的衡量类[10]。在此基础上计算数据类间距，这一过程需要考虑RI和RC 2个一致性条件，一致性条件的计算方程可用下列公式描述：

(4)

根据式(4)设计一个可以自动选取类中心的过程[11]，定义用电轨迹i的因子为σ，则

σi=ρiφi

(5)

式中，ρ表示用电轨迹数据密度，φ表示最小分化值。按照上述过程自动选取拥有最高σi值的2个节点为聚类中心，依次对其他的用电轨迹进行归类，根据数据类间距，实现对用电信息的分层处理。

1.3 大数据分析技术构建客户用电分析模型

根据上两节的分析与计算，利用大数据分析技术构建电力客户用电分析模型，对推送内容分层细化。

该模型的构建流程如下：根据各个月份的客户用电数据轨迹确定指数平滑初始值，计算在不同平滑系数下平滑值的实际取值，并利用式(6)进行误差分析：

(6)

式中，Δ表示误差，n表示收费类型。根据误差选择最优参数α，确定初始值和平滑系数后再迭代，测算出不同月份的电力客户用电超载量[12]。重复该步骤，收集n个超载量数据，并将其作为分析模型库中，各个节点的强度，完成大数据分析。根据蚁群算法随机性原则，将分析点任意分布在用电数据节点中，根据蚂蚁的状态转移规则计算不同用电类型的数据占有率，并设置分层参数，利用式(7)更新用户的当月用电信息：

f(i,q)=(1-ρ)f0(i,q)+Δαρ

(7)

式中，f(i,q)表示客户i条用电轨迹下的用电量计算结果，f0(i,q)表示每月月初结转的剩余电量[13]。在所有蚂蚁完成一次回路遍历后，利用式(7)更新当月的客户用电信息。设置循环次数作为终止条件：如果一直未达到终止条件，则需要重复上一步；如果达到终止条件，则该算法结束。

至此利用基于大数据分析的蚁群算法得到当月的客户用电实际数据，实现对客户用电分析模型的构建。将该模型应用到电力用户分层账单推送中，用来统计用电客户的用电量信息、用电超载量信息、超载程度信息，并根据这些信息，按照日期给出不同的用电量统计结果，从而实现对推送账单的内容细化。

1.4 自适应调度算法推送账单

根据电分析模型对客户用电的分析，采用自适应调度算法推送账单。已知账单推送的实时性，可以利用平均耽误时间T来计算。当T值越小时，账单推送的实时性就越高[14]。用电客户账单的实时性计算式为

(8)

假设推送账单耗费的流量为W，耗费的电量为Q，则流量值消耗值和电量消耗值计算式如：

(9)

式中，fi表示第i个推送账单需要的单位流量，t′表示用电客户的智能设备用电量，从初始电量下降到δ值时所需要的时间[15]。根据上述计算结果，按照推送客户数量或推送次数计算损耗流量和电量的平均值。推送账单的过程不只是考虑上述条件，还要将网络的稳定性考虑进去，如月初是各个软件或单位给出电子账单的时间，因此网络用户会在月初时，增加对网络的使用。大量的客户端与账单容易造成网络异常，因此推送账单时网络稳定性的评估值需达到式(10)的计算结果：

(10)

式中，Z表示网络稳定性评估结果，wi表示某一时段i下的网络稳定性。根据上述数据，将基于客户用电分析模型设计的用电账单，推送给各个用电客户，至此在“互联网+大数据”技术下实现对电力客户账单的分层精准推送。

2 测试与分析

为验证本研究提出的电力客户分层精准账单推送方法的实际应用性能，设计如下对比分析测试。将本文方法与传统的基于WPF的账单推送管理方法、云环境下账单实时推送方法进行对比，分析应用不同方法后电力客户账单推送效果的差异。

对某城市中入住率较高的A小区、B小区、C小区和D小区试运行电力客户账单推送工作。历史数据显示上述4个小区居民用电量较为稳定。表1为4个小区住户用电的基本信息。

表1 测试对象基本信息

表1的调查结果显示，4个待测试小区的青年入住率较高，对于电子类信息较为熟悉，因此大多数住户会选择更加便利的账单推送服务。

现将本文方法作为实验组，将传统的基于WPF的账单推送管理方法作为对照1组，将传统的云环境下账单实时推送方法作为对照2组，分别利用3种方法推送同一用户的电力账单信息。经过10个月的测试后，统计4个小区的账单订阅数量。

但由于测试人员操作不当，造成B小区的订阅数据混乱，重新提取数据会拖延测试进度，因此将B小区的实验数据剔除，以A小区、C小区和D小区为实验测试对象，分析订阅结果。图2为应用不同方法后，A、C、D小区居民的电力账单订阅结果。

(a) 实验组测试结果

(b) 对照1组测试结果

(c) 对照2组测试结果

根据图2中3组图像中的曲线走势可知：在应用账单推送服务的10个月中，实验组中3个小区中电力账单的订阅人数呈现不断增加的态势，3个小区的平均账单订阅客户数达到了1 244户；而2种传统的推送服务并没有得到3个小区大多数住户的青睐，2个对照组的平均账单订阅客户数分别为438户、329户。结合表1中的数据可知，3个小区的青年入住率均超过了75%，理论上电子类账单的使用应该备受喜爱，但2个对照组的统计结果却并不理想。由此可见，与2种传统方法相比，本文方法具有更好的应用效果和更高的受众度。

在上述研究的基础上，统计3个小区住户对不同推送方法的满意度。统计过程采用随机走访调查的方式，各小区受访户数均为100户，调查指标为“满意”“一般”“不满意”，将选择“满意”的户数与总受访户数的比值作为满意度结果，结果如表2所示。

表2 推送服务满意度调查结果 单位：%

表2中的结果显示，3个小区中用户对本文方法满意度较高，平均值为65.08%，而对2个对照组的满意度相对偏低。

为了使测试结果更具有说服力度，对比3种账单推送方法下某小区住户的电力账单，以2019年9月的用电量为查看对象，结果如图3所示。

图3 推送账单页面对比

根据图3可知：实验组中的账单页面表明说明了客户每一个月的用电量，并利用曲线图展开详细说明该电力客户账单的具体信息；而对照1组只能推送当月客户的用电，对照2组推送了每个月的客户用电，但没有详细说明用电阶级。根据账单页面分析可知，对照组中的账单内容单一、数据没有细化，而实验组能够将用电数据细化到月份。由此可以论证，本文利用“互联网+大数据”设计的电力客户分层精准账单推送方法更有效。

3 总结

近几年，互联网技术飞速发展，本研究结合互联网和大数据技术，设计了一种电力客户分层精准账单推送方法。该方法通过细化账单内容，解决了传统账单推送内容单一的问题，提高了用电客户对账单推送的满意度，也提升用电客户对电力账单的订阅量。然而本文方法仅对推送内容的分层和精确程度进行了分析，没有详细说明推送平台或推送软件的推送模式，因此，今后的研究将从这一方面入手，进一步对本文方法展开优化研究。