差异化密度聚类下的电力节能业务精准营销算法

李素莹

（广东电网有限责任公司 佛山供电局，广东 佛山 528000）

目前在人们的生活中已经离不开电力，电力已然成为人类生活的主要能源之一。在这样的背景下，电力信息化建设发展迅速，不断跟随社会的发展，扩展电力业务范围。在电力业务扩展的过程中，电力行业政策随着市场情况不断变化，导致电力市场竞争更加激烈，促使电力企业内部建立起完善的电力营销体系。此外，为满足社会发展，人类对电力需求增强，用电量不断增加，传统发电能源逐渐枯竭，新型发电能源还在研发当中，导致电力企业运行面临严峻挑战。因此，在电力企业中，提出电力营销体系。

基于此，相关领域学者十分重视电力企业营销体系，提出电力营销一体化模型体系，转变电力营销模式、用户角色、硬件设施，从而提高电力企业营销工作能力。在电力营销体系中，引入贝叶斯网络，挖掘营销客户数据，评估用户潜在价值，从而根据用户特点，提供电力业务。对目前电力企业营销体系进行了分析，发现电力企业营销工作存在工作效率低等工作问题，设计出掌上营销系统，提高电力企业营销工作效率。虽然上述方法取得了一定的研究成果，但存在营销电力节能业务精准度较低的问题。针对上述研究存在的问题，提出差异化密度聚类下的电力节能业务精准营销算法，引入差异化密度聚类算法，分析电力节能用户分布情况，从而根据用户具体情况，为用户提供节能业务营销服务，提高电力节能业务营销精度。

1 差异化密度聚类下的电力节能业务精准营销算法

1.1 挖掘电力用户用电数据

用户用电数据是以数据库记录的形式，存储在电力企业客户数据库中。这些数据包含姓名、用电量、地址等属性信息，并由这些属性信息，组成一个特征向量。除特征向量外，用户用电数据，还有一个特定的类别标签，与属性相对应。基于此，将电力企业客户信息数据库中，存储的电力用电数据样本向量记为(,,…,o;)，其中：o表示第个属性的字段；表示属性总数；表示电力用电数据样本类别。

根据数据属性，采用决策树算法，深入挖掘用户用电数据。构建电力用户用电数据挖掘决策树，其构建过程如下：

在电力用户数据库中，存储的单个用户数据，作为决策树构建节点，判断选择的单个用户数据是否属于同一个类别。当单个用户数据属于同一个类别时，将该数据节点，记为决策树树叶，并用该类别对单个用户数据进行标记。当单个用户数据不属于同一个类别时，标记该数据节点中最普通的类别，并计算该数据节点的信息量和信息熵，其计算公式如下：

式中：p表示第个电力用户数据样本，属于数据样本类别的概率。

根据公式计算该数据节点的信息量和信息熵的结果，挑选该数据样本分类属性，选择信息量和信息熵值最高的属性，作为该数据节点的“测试”属性节点。依据“测试”属性节点的已知值，创建一个树的分枝，并根据这些分枝划分电力用户数据。

此时，利用该用户数据节点，根据“测试”属性节点的已知值，长出带有“测试”属性的分枝，并让该用户数据节点中的“测试”属性分枝组成集合，判断集合是否为空集合。

当集合为空集合时，需要在树上增加一片树叶，并将其标记为该数据节点的最普通类。按照上述过程，构建决策树，不需要考虑该用户数据节点的后代节点。当给定节点的所有数据样本均属于类时，即完成决策树构建。

基于此次研究，构建的决策树，即可挖掘出电力企业客户数据库中存储的用户用电数据，根据这些数据，可以推断该用户是否为节能用户。

1.2 确定电力节能用户分布

将决策树算法挖掘到的电力节能用户数据，作为差异化密度聚类对象集，给定对象集的邻域Υ和领域阈值。从对象集中，选择任意对象Ψ，作为差异化密度聚类对象集的核心，寻找Ψ的所有密度可达对象。

当Ψ属于对象集的核心对象时，则差异化密度聚类算法可以找到Υ 和的簇；当Ψ属于对象集的边界点时，则Ψ的领域所包含的对象个数小于阈值，则Ψ不存在密度可达对象，此时，将Ψ标记为噪声点，记为。其差异化密度聚类如图1所示。

图1 差异化密度聚类示意图Fig. 1 Differentiated density clustering diagram

图1中，、、、、、均表示差异化密度聚类对象集的核心点，其中，、、表示密度是有连接关系的；密度直接可达；密度直接可达；密度间接可达。

依据图1的差异化密度聚类示意图，确定的电力节能用户分布步骤如下：

步骤1：遍历挖掘到的电力用户用电数据，以一维单元格为目标，组成一维密集单元格集合；

步骤2：按照数据维度，直至生成维的候选密集单元格集合H；

步骤3：判断集合H是否为空集；

步骤4：当∈∅时，结束算法，直接输出电力用户数据子空间；当∈∅时，返回步骤:1。

在空间中，聚集电力用户用电数据，确定子空间中的聚类。处理上述过程中，丢失的数据对象，并合并空间中的子簇。生成电力用户用电数据聚类描述，确保每一个类别中，至少包含一个区域集合。至此，完成电力节能用户聚类。

根据此次研究设计的聚类过程，得到的电力节能用户分布情况，为非电力节能用户提供电力节能业务。

1.3 精准营销电力节能业务

依据此次研究，确定的精准营销对象，建立电力节能业务精准营销目标函数，需要将其分为用户用电效益和供电公司收益，分别建立营销目标函数，其中，用户用电效益函数(,)为：

式中：表示用户的用电量；＞0表示目标函数的参数；＞0表示目标函数约束。

相比用户用电效益函数，供电企业函数包含较广，且受用户用电量制约，基于此，建立的供电公司供电收益目标函数如下式所示：

式中：表示时间；x()表示位用户在时刻时的用电量；()表示电力企业销售商购买的电量；$表示电力企业供电收益；表示1 d；表示用户总数量；∈，表示用户任意数量； $()表示位用户在时刻时购电的电价； ￥()表示电力企业销售商购买的电价；表示用户对电能的需求量；w()表示位用户在时刻时的约束。

针对此次研究建立的目标函数，所设置的目标函数约束，将其分为用电量约束和最小用电量约束，如下式所示：

综合上述计算过程，所建立的电力节能业务精准营销算法流程如下：①初始化电力用户，挖掘电力用户用电数据；②划分电力用户用电数据，选择用户中的非节能用户；③采用差异化密度聚类，划分用户中的非节能用户分布情况；④根据此次研究建立的目标函数，计算用户是否满足用电节能业务条件；⑤记录每位用户的适应个体数值，寻找最佳最优用电节能业务对应用户，并判断该用户是否满足式（4）所示的约束条件；⑥当满足约束条件时，终止循环，输出最优用户；当不满足约束条件时，则返回④继续循环。通过上述步骤，实现电力节能业务精准营销。

2 实验分析

为了验证差异化密度聚类下的电力节能业务精准营销算法的有效性，在Inter Core i5-3470 处理器、8.0 GB内存、32位Windows7操作系统下运行。选择文献[6]和文献[7]两组当前营销算法，以对比实验的方式，采用电力节能业务，作为此次实验研究对象。在Matlab 2010b算法仿真软件上，运行3组营销算法，对比验证此次研究的电力节能业务精准营销算法，为用户提供电力节能业务精准程度。

2.1 实验准备

根据此次实验选择的3组营销算法，所设计的营销算法在仿真软件上运行环境如图2所示。

图2 算法运行环境Fig. 2 Running environment of the algorithm

基于此次实验设置的营销算法运行环境，采用如图3所示的某市24 h的用电量，作为此次实验数据。

图3 某市24 h用电量Fig.3 24 h electricity consumption in a city

根据此次实验选择的实验数据，从该市中选择12位用户，作为此次实验自变量。采用3组营销算法，根据图3所示的某市24 h用电量数据，划分12位用户耗电量、用电总容量、交易电量3个类别，并与12位用户的实际类别相对比，验证此次研究的营销算法，为用户提供电力节能业务精准程度。

2.2 实验结果

2.2.1 第1组实验结果

采用3组营销算法，划分12位用户耗电量结果，如表1所示。

从表1中可以看出，文献[7]算法划分12位用户耗电量结果，与用户实际耗电量平均相差178 kW·h，产生的差值最大；文献[6]算法划分12位用户耗电量结果，与用户实际耗电量平均相差59 kW·h，产生的差值次之；而所提算法划分12位用户耗电量结果，与用户实际耗电量平均相差2 kW·h，较两组当前算法分别少57 kW·h和176 kW·h，产生的差值最小。由此可知，所提算法的用户耗电量与实际耗电量较为相符，可以为用户提供精准的电力节能业务。

表1 用户耗电量Tab. 1 Power consumption of users

2.2.2 第2组实验结果

采用3组营销算法，划分12位用户用电总容量结果，如表2所示。

表2 用户用电总容量Tab.2 Total electricity capacity of users

由表2可知，文献[7]算法划分12位用户用电总容量结果，与用户实际用电总容量平均相差347 kW，产生的差值最大；文献[6]算法划分12位用户户用电总容量结果，与用户实际用电总容量平均相差265 kW，产生的差值偏大；所提算法划分12位用户用电总容量结果，与用户实际用电总容量平均相差3 kW，较2组当前算法分别少262 kW和344 kW，产生的差值最小。由此可知，所提算法的用户用电总容量与实际用户用电总容量相近，可以为用户提供精准的电力节能业务。2.2.3 第3组实验结果采用3组营销算法，划分12位用户交易电量结果，如表3所示。

表3 用户交易电量Tab.3 User trading power

由表3可知，文献[7]算法划分12位用户交易电量结果，与用户实际交易电量平均相差146 kW，产生的差值最大；文献[6]算法划分12位用户交易电量结果，与用户实际交易电量平均相差134 kW，产生的差值偏大；所提算法划分12位用户交易电量结果，与用户实际交易电量平均相差1.4 kW，较两组当前算法分别小144.6 kW和132.6 kW，产生的差值最小。由此可知，所提算法的用户交易电量与实际交易电量较为接近，可以为用户提供精准的电力节能业务。

3 结语

此次研究差异化密度聚类下的电力节能业务精准营销算法，通过构建用户用电数据挖掘决策树，在挖掘到的电力用户用电数据基础上，充分利用差异化密度聚类算法，划分电力用户用电数据，确定电力节能用户分布。通过建立营销目标函数，设置最小用电量约束，提高电力节能业务营销精准度。