基于动态网格生成技术和k-means 算法的电力客户行为分析方法

孔繁春，王婷，李旭东

（内蒙古电力营销服务与运营管理中心，内蒙古呼和浩特 010000）

为了进一步提升电力网络的服务质量，为电力客户及用户提供智能的面向对象服务，需要研究电力客户的用户行为特征挖掘和检测技术，对改进电力网络的服务质量具有重要意义，相关的电力客户行为分析方法研究受到人们的极大关注[1]。

当前，对电力客户行为分析和联合特征检测建立在对电力客户行为的大数据融合和数据挖掘基础上，传统方法中，对电力客户行为分析的方法主要有基于模糊聚类的电力客户用电行为模式画像[2]、智能用电用户行为分析的聚类优选策略[3]以及基于时间序列建模的电力营销客户交易行为分析方法[4]等，但是其进行电力客户行为分析的收敛性不好，特征聚类性不强，导致大规模电力客户行为分析能力较弱。针对上述问题，该文提出基于动态网格生成技术和k-means 算法的电力客户行为分析方法，其创新之处在于将动态网格生成技术和k-means 算法相结合，建立电力客户行为的输出可靠性状态参数集，以提取出的电力客户行为特征为基础，实时挖掘和量化分析电力客户行为，展示了该文方法在提高电力客户行为规划分析能力方面的优越性能。

1 电力客户行为参数大数据挖掘和动态网格生成处理

1.1 电力客户行为参数大数据挖掘

首先，根据电力客户行为的确定性和非确定性特征量实现对电力客户行为的特征挖掘[5]，采样分叉树模型设计电力客户的网格分布结构，如图1 所示。

图1 电力客户的网格分布结构

根据图1 所示，结合指向性增益控制方法分析电力客户行为分布大数据的动态网格特征参数，进行总线网络控制，得到电力客户行为参数的时间窗口采样指标＜ts,te＞，结合电力客户行为的特征分布集，通过置信度区间融合聚类分析[6]，得到电力客户行为大数据分布的时间窗口函数W=te-ts，设电力客户行为特征分布间隔为Δw，将电力客户行为大数据分布的时间窗口W划分为n+1 个向量量化集，得到电力客户行为大数据分布的关联规则项：假设电力客户行为特征分量为S={s1,s2,…,sm}，进行效益度变换，得到电力客户行为参数分布的分布子序列在＜ts,te＞期间的属性聚类子集，通过电力客户行为参数的融合度采样，得到电力客户行为结构图，如图2 所示。

图2 电力客户行为结构图

其次，设电力客户行为的特征分布域为Q，采用粗糙集项估计的方法[7]，得到电力客户行为特征分布的互信息量为qi，计算电力客户行为特征分布的非空有限论域Δw，进而得到电力客户行为挖掘的检测统计量：

其中，λ为电力客户行为特征分布的加权系数。

最后，引入电力客户行为大数据分布的关联规则项，采用相对独立的随机分布序列进行参数识别，得到电力客户行为的统计量化特征，计算电力客户行为的关联时间信息分布的带宽。

根据上述分析，实现电力客户行为大数据挖掘和特征采样模型，得到电力客户行为大数据挖掘的界面如图3 所示。

图3 电力客户行为大数据挖掘界面

1.2 电力客户行为特征动态网格生成处理

采用动态网格生成技术中的分块区域网格划分方法，结合指向性增益控制方法分析电力客户行为分布大数据的动态网格特征参数，得到电力客户行为分布大数据的有限论域U′。电力客户行为分布大数据融合的网格分块特征匹配集为∫(pch-1+1,pch-1+2,…,pch)dh，将电力客户行为分布网格区域分为h个连续的网格，表示为Ph：

结合模糊子序列融合调度的方法，采用嵌入式的程序调度，构建电力客户行为分布大数据E-Learning学习模型。

进行频繁项集挖掘，得到在电力用户的可靠性行为模式下，电力客户用户行为的特征向量为x=[x1x2…xk]，以电力客户用户行为的关联节点ai进行分块区域调度，得到电力客户用户行为的属性值α。在用户行为特征的信息交换中心[8]，输出的电力客户用户行为数据大演化模型满足x⊆Sα，0 ＜α＜2，采用三元组形式表示电力客户用户行为的自相关特征分布集：

在关联约束下，得到电力客户用户行为特征聚类的Wigner-Ville 分布满足：

在Wigner-Ville 分布空间[9-11]，实现对电力客户用户行为的融合聚类和统计分析。

以此，采用分块网格融合方法，提高电力客户用户行为的检测和识别能力。

2 电力客户用户行为定量分析优化

2.1 电力客户用户行为的k均值聚类处理

结合指向性增益控制方法分析电力客户行为分布大数据的动态网格特征参数，通过动态网格生成技术，联合电力客户行为的统计量化特征量[12-13]，得到电力客户行为的融合度检测模型为：

其中，Ei、etSi表示电力客户行为的k 均值聚类的有向图特征量和频域分量，进行前置特征量约束控制的方法，得到电力客户行为的可靠性挖掘模型为：

引入自相关特征，得到电力客户行为挖掘的融合聚类结果为：

对电力客户行为输出进行模糊度控制，得到电力客户行为参数分布的有限向量分布集合表示为：

式中，f为电力客户行为挖掘和特征采集的协同过滤参数模型。

以此，采用模糊度检测结果实现电力客户行为挖掘和k 均值聚类分析，即在前置特征量约束下，采用k-means 聚类算法实现k 均值聚类的初始中心优化，从而在减少聚类样本数据的同时，提高传统k 均值聚类的效率，提高对电力客户行为可用特征的挖掘效率，使得客户行为参数分布的有限向量分布集合获取过程的迭代次数减少。

2.2 电力客户行为的量化特征分析

为了实现电力客户行为的量化特征分析，以电力客户行为参数分布的有限向量分布集合为基础，进行先验概率密度特征分析，设电力客户行为的融合模型为：

式中，β为电力客户行为用户在A、B 之间的模糊状态参数，根据对电力客户用户C 行为特征的信任权重分析，得到先验概率密度hp为电力客户用户行为的信任度评价系数[14-15]。

对其分层分布区域控制，得到电力客户行为的负荷均衡交叉调度模型，整个调度过程为：

对电力客户行为进行二阶统计特征量检测，得到分布式加速交替聚类的特征函数为：

以电力客户用户行为的信任度评价系数为判断依据，分析电力客户用户行为参数集，在安全运行约束条件下，得到电力客户用户行为的分布式区间协调控制模型。

综上分析，对提取的电力客户行为特征采用了k-means 聚类方法，实现对电力客户行为的优化挖掘和量化分析。

3 仿真分析

为了验证该方法在实现电力客户行为特征分析中的应用性能，采用Matlab进行仿真实验，在用户行为特征的信息交换中心，参考文献[8]，输出的电力客户用户行为数据大演化模型满足x⊆Sα，0 ＜α＜2，由于实验是基于分块网格进行的，因此，可在约束范围内随机设定参数，进而随机匹配分块网络，由此设置电力客户行为特征参数的分布为：α1=0.9，α2=0.024，hp=0.012 5，对电力客户行为数据采样的测试集为12 000 MB，训练子集为540 MB，电力客户行为区域耦合系数为0.24，电力客户行为参数分布的节点集合为{4,6,…,12,23,25,27}，根据上述参数设定，进行电力客户行为特征分析，得到电力客户行为数据采集结果如图4 所示，将其以网格节点分布幅值的形式表现出来。

图4 电力客户行为数据采集结果

根据图4 对电力客户行为特征的大数据采集结果，利用该文方法和文献[2]方法、文献[3]方法分别进行电力客户行为的量化分析，建立电力客户行为的输出可靠性状态参数集，实现对电力客户行为的特征聚类，得到聚类结果如图5 所示。

分析图5 得知，该文方法进行电力客户行为分析的特征聚类性较好，保证了整体收敛效果，这是因为其根据电力客户行为的确定性和非确定性特征量实现对电力客户行为的特征挖掘，提高了对电力客户行为特征的聚类分析能力。

图5 电力客户行为的特征聚类结果

测试电力客户行为分析后的电力客户的服务质量水平，如图6 所示。

图6 电力客户服务质量水平测试

分析图6 得知，通过对电力客户服务质量水平测试分析，该文方法带宽较大，服务质量较高，因为其对提取的电力客户行为特征采用k-means 聚类方法，收敛性较佳，可以在较短时间内、最大程度上挖掘客户行为特征，即优化挖掘和量化分析电力客户行为，提高了对电力客户的服务质量水平。

测试电力客户行为分析的准确率，得到对比结果如图7 所示。

图7 电力行为特征分析准确性测试

分析图7 得到，因为该文采用分块网格融合方法，提高电力客户用户行为的检测和识别能力，所以该文方法进行电力客户行为的特征分析的准确性较高，准确率最高可达0.98，解决了电力行为特征分析可靠性不高的问题[16-19]。

4 结束语

该文提出基于动态网格生成技术和k-means 算法的电力客户行为分析方法，采用k-means 聚类方法和块网格融合方法构建优化的电力客户的用户行为分析模型，收敛性、可靠性、准确性均得到保证，可以提高电力客户的量化分析能力，进一步提高了电力系统整体服务质量。