基于时间窗序列的电力营销服务行为效率优化技术研究

吴松泽，陈泽涵

(海南电网有限责任公司海口供电局，海南，海口 570102)

0 引言

电力市场受市场经济影响，使电力的多种业务的融合度越来越高，目前提升电力营销服务行为效率是电力企业转型的最优途径[1]，面对当前电力企业营销观念陈旧、服务意识重视程度不够、无健全的营销措施等情况为电力企业发展增加了一定阻力[2]。为此提升电力营销服务行为效率十分关键。

针对电力企业发展现状，方正云等[3]提出基于时间序列建模的电力营销客户交易行为分析优化技术，该技术利用云模型获取电力企业营销数据并加以分析，但其在精准度方面存在欠缺，导致优化效果不佳，彭文昊等[4]提出计及用户参与不确定性的需求响应策略优化技术，该技术通过构建目标函数，对目标展开优化，当用户目标无响应时，该技术无法及时展开优化，因此具有较大缺陷。在江恩时间窗理论中[5]，时间是影响市场趋势重要因素之一，其原因在于时间可超过价位平衡且当到达特定时间时，其成交量可决定价位涨跌。

因此结合电力市场需求，研究基于时间窗序列的电力营销服务行为效率优化技术，为电力市场发展提供夯实基础。

1 电力营销服务行为效率优化技术研究

1.1 数据预处理

电力营销服务行为效率话题是指在较短时间内被用户关注度较大的话题，本文的候选字符串选择具有重复特征的有意义串，通过计算数据相邻类别重复串满足电力服务行为的多样性[6]，获取意义串，将该意义串作为初步突发特征。由于电力营销服务行为效率数据的意义串具有时间与空间的局部性特征，假设T为观察时间窗口，并将该窗口内的信息流作为优化数据集合，由D={D1，D2，…}表示，提取优化数据集合内有意义串组成窗口内信息特征空间，该空间由S表示,特征空间随着时间窗口的变化而变化[7]，特征空间变化示意图如图1所示。

图1 特征空间变化示意图

1.1.1 定义动量模型属性

测试当前电力营销服务行为话题状态是否为突发性需定义该动量模型，通过计算话题的一阶、二阶序列判断该话题是否为突发状态，其中一阶序列和二阶序列分别衡量话题突发程度指标与话题序列发展趋势[8]。

识别话题突发特征是检测话题突发性的关键步骤，基于信息特征空间S内的有意义串，使用动力学原理构建模型，定义其基本属性，依据话题在发展过程中的能量大小和变化趋势，判断该话题是否具有突发性[9]，定义特征属性步骤如下。

第一步 假设q表示特征的质量，代表特征在数据流内的重要程度，且在较长时间内该质量值不变，则特征i的质量计算公式如下：

(1)

式中，t为时间。

第二步 特征i在某一时间内随着时间动态变化的热度为位移[10]，由x表示，则值时间为t时，特征i的位移可通过下式计算：

x(t,i)=r·ft(t,i)+b·fd(t,i)+c·fu(t,i)

(2)

式中，调节参数为r、b、c，特征i在时间为t时出现的次数、含有特征i的电力营销服务行为话题出现的次数、当前电力营销服务用户数量,分别由ft(t,i)、fd(t,i)、fu(t,i)表示。

特征i在时间为t时的速度、动量和加速度可依据基本属性获取，则计算公式如下：

σ=Δx/Δt

(3)

p=m*v

(4)

α=Δv/Δt

(5)

式中，σ、p、α分别表示特征i在时间为t时的速度、动量和加速度。利用速率检测话题是否为突发信号，动量则表示该特征在某时间段内的能力大小和变化趋势，加速度为x的二阶序列表示该序列的变化趋势。

1.1.2 获取突发行为话题

对于类簇中心的动态调整，本文使用k-means聚类算法，利用该算法的简便、易计算的特点对突发话题特征集合展开归类并形成突发话题，并将电力营销服务行为话题进行特征词合并。

假设数据量为k，依据原始序列数据的最大数值和最小数值间的随机数值确定其初始化方式，对数据量进行初始化并将该数据作为簇类中心点，突发特征序列数据进行标记后，以迭代的方式获取数据量中心点，其计算步骤如下。

第一步 使用1和0标记所有点分配到k个类的系数r，属于第k个类和不属于第k个类分别标记为1和0，则aik∈{0,1}，其中1≤i≤N，1≤k≤K。

第二步 通过上一步，获取第k个类的数据样本数量，其计算公式如下：

(6)

第三步 计算最小化损失函数的目标，其计算公式如下：

(7)

第四步 利用每个点到中心点的距离计算r的系数，计算公式如下：

(8)

第五步 重新计算每个聚类中性点，计算公式如下：

(9)

重复第四步与第五步，当每个类的中心点偏离值趋近收敛后，此时的簇类即为电力营销服务行为的突发话题[11]。

1.2 离散余弦变换

将待处理数据投影到一组余弦正交基上的变换方法称为离散余弦变换，将电力营销服务行为的突发话题作为待处理数据，可有效将随着时间变化的用户数据成分分量和偶然数据分离[12-13]，变化后的数据集中程度得到大大增加，且可充分展示该数据特点。

假设用户行为采样数据X由表示，其对应的离散余弦变换矩阵由B表示，该矩阵为Y*Y的变化矩阵，其公式如下：

(10)

式中,i=j=Y。

依据式(10)可知：

(11)

L=BX

(12)

其中,变换向量L=(l1,l2,…,ln)，则有：

(13)

1.3 电力营销服务行为效率优化

本文利用反向传播神经网络算法对电力营销服务行为效率展开优化，利用其建立目标函数，获取实际输出值与期望输出值的误差均方值，依据误差均方值最小原则建立目标函数的凹解集合，通过梯度下降方法计算极小值点[14]。假设反向传播神经网络的隐单元为Vj(j=1,2,…,j0)，与其相连的前向输入单元和后向输出单元分别由ξk(k=1,2,…,K)、Oi(i=1,2,…,I0)表示，输入单元到隐单元的配置权重系数由wjk表示，从隐单元到输出单元的配置权重系数由Wij表示，则权重系数矩阵为ω={W,w}，输入类型使用上角标τ，τ=1,2,…,P区分，g1、g2则表示激活函数，该函数可实现不同隐含层之间的连续过渡。

当确定输入模式为μ时，隐单元j的输入计算公式如下：

(14)

后向输出计算公式如下：

(15)

单元i的前向输入计算公式如下：

(16)

将激活函数整合后可得：

(17)

则单个单元目标的误差函数计算公式如下：

(18)

单元i的总误差均方计算公式如下：

(19)

式中，梯度的负方向为优化迭代权重调整方向，则从隐单元到输出单元的梯度变化计算公式如下：

(20)

(21)

ωnew=ωold+Δω

(22)

通过上述计算流程，综合考虑实际建模难度与运算代价[15]，使用2个隐含层结构进行实际配置，利用反向传播神经网络的神经元上层和下层的全连接方式建立其映射路径，从而获取最终电力营销服务行为效率优化结果。

2 实验分析

将某电力企业2015～2020年电力营销服务行为数据共8 000条数据作为研究样本，测试本文技术实际使用性能。以符合度作为衡量数据预处理能力指标，分别使用本文技术、文献[3]技术和文献[4]技术对8 000条数据展开预处理，绘制电力营销服务行为话题序列，结果如图2所示。其中，文献[3]技术代表基于时间序列建模的电力营销客户交易行为分析优化技术，文献[4]技术代表计及用户参与不确定性的需求响应策略优化技术。

图2 3种技术数据预处理能力

分析图2可知，随着数据量的增加，数据预处理的符合度也随之下降，其中本文技术的数据预处理符合度从数据量为1 000条开始，其符合度始终保持在0.98左右，随着数据量的增加其符合度下降幅度微乎其微，而文献[3]与文献[4]技术数据预处理的符合度随着数据量的增加下降幅度较大，且符合度曲线均出现不同程度的波动，表示文献[3]与文献[4]技术数据预处理能力较脆弱，综合分析可知，本文技术具有优越的数据预处理能力。

取8 000条数据样本，分析分别使用3种技术对数据样本进行余弦变换后的波动特征，以随机二折交叉的方法抽取每次训练样本数据的一半作为训练数据集，剩余的数据作为测试数据集，对比3种技术处理的训练数据集合和测试数据集的精确度、虚警比例和漏检比率。

表1 训练数据集与测试数据集对比结果

分析表1可知，本文技术在分析训练数据集与测试数据集时，其平均精确度、虚警比例和漏检比率分别为96.12%、0.68%、0.72%，较文献[3]技术和文献[4]技术均较高，因此，本文技术具有较高分析电力营销服务行为能力。

分别使用3种技术对8 000组数据实施优化，对比3种技术优化消耗时间，结果如图3所示。

分析图3可知，随着数据量的增加，优化消耗时间也随之增加，其中文献[4]技术在数据量为1 000～2 000时，优化耗时低于本文技术与文献[3]技术，当数据量超过2 000个后，其优化耗时曲线超过本文技术并呈现迅速上升趋势，文献[3]技术优化耗时始终较高，而本文技术的优化耗时曲线上升趋势较平缓，当数据量为8 000个时，本文技术优化耗时最低仅为3.8 min，由此可知，本文技术在优化耗时方面具有较高优势。

图3 3种技术优化消耗时间对比

以销售变现时间和人均业务量为指标，测试3种技术优化能力，结果如图4所示。

(a) 销售变现时间对比

分析图4(a)可知，使用本文技术优化后，该企业的销售变现实际明显降低，在优化后的第60个月时，与实际销售变现天数相差65 d，且相较文献[3]技术和文献[4]技术优化后的销售变现天数分别降低58 d和43 d；分析图4(b)可知，使用本文技术优化后，在60个月内该企业的人均业务量平均值始终保持在19个左右，而文献[3]技术与文献[4]技术优化后的人均业务量分别为16个和13个，远低于本文技术优化后的人均业务量，综合分析可知，使用本文技术对该企业电力营销服务行为效率进行优化后，其销售变现时间明显变短，人均业务量更高，该技术具有较强优化能力。

3 总结

本文将时间窗序列引入到优化电力营销服务行为效率中，研究基于时间窗序列的电力营销服务行为效率优化技术，为推动电力行业发展提供有力支撑。实验结果表明：本文技术的数据预处理能力，从数据量为1 000条开始，其符合度始终保持在0.98左右，数据预处理能力较强；对比训练数据集合测试数据集，其平均精确度为96.12%，漏检率为0.72%，数据分析能力强；优化后的销售变现时间较短且人均业务量较高，优化能力卓越。