基于关联规则技术的电力市场营销数据挖掘方法

张曦

［摘 要］常规的电力市场营销数据挖掘方法以数据挖掘的负载均衡为主，为了平衡负载增加了大量的矢量运算，影响了数据挖掘的效果，因此，文章设计了基于关联规则技术的电力市场营销数据挖掘方法。处理电力市场营销数据，将数据进行各个维度变换，在保持原始数据值的基础上将其映射到统一的数量级中，为数据挖掘提供基础保障。基于关联规则计算建立电力市场营销数据仓库，将处理完成的营销数据存储在数据仓库中，剔除与电力企业决策无关的营销数据，为电力企业提供决策支持。采用对比实验，验证了该方法的数据挖掘效果更佳，能够应用于电力企业营销管理工作中。

［关键词］关联规则技术；电力市场；营销数据；数据挖掘方法

doi：10.3969/j.issn.1673-0194.2023.19.034

［中图分类号］F272.7；TP391.113 ［文献标识码］A ［文章编号］1673-0194（2023）19-0113-04

0     引 言

在激烈的电力市场竞争环境中，如何占领电力市场成为电力企业获得发展必须思考的关键问题。在此背景下，电力企业逐渐建立了与市场接轨的营销机制，完善了电力市场营销模式。在电力企业市场营销的过程中，存在大量的数据，想要从大量的数据中找出对营销决策有意义的数据，就需要采用营销数据挖掘方法。针对此类问题，研究人员设计了多种方法。其中，基于耦合度量的电力市场营销数据挖掘方法，与基于Tex-RCNN的电力市场营销数据挖掘方法的应用较为广泛。

基于耦合度量的电力市场营销数据挖掘方法，主要是利用K-tras分割聚类算法，将电力市场营销数据进行聚类更新，将最优决策数据分类到同一个数据集中，通过数据挖掘模型不断更新量化营销数据，从而提升数据挖掘效率［1］。基于Tex-RCNN的电力市场营销数据挖掘方法，主要是利用Tex-RCNN的双层感知结构，将电力营销数据进行数值偏移量分析，获取电力市场营销表征参数，通过建立决策识别模型，将营销数据进行精准挖掘［2］。以上两种方法均能够进行电力市场营销数据挖掘，但是受到K-tras分割聚类与Tex-RCNN的感知结构的影响，数据挖掘过程中存在大量的运算过程，数据挖掘的相关性较低，影响挖掘精准度［3］。因此，本文利用关联规则技术，设计了电力市场营销数据挖掘方法。

1     电力市场营销关联规则数据挖掘方法设计

1.1   处理电力市场营销数据

电力市场营销的数据包括历史售电数据、售电量、售电时间、售电行业类别等方面。电费账单是电力企业与客户之间的沟通形式，通过采集客户基本用电数据，完善该用户的交易记录、用电信息、维修记录等数据，避免用户数据的疏漏［4］。本文将电力市场营销数据采集完成之后，对其进行各个维度的数据变换，在保持原始数据值的基础上，映射到统一的数量级中，为数据挖掘提供基础保障。在市场营销数据的事物空间中，涉及多种量纲维度的影响，数据出现连续离散化的情况，影响营销数据挖掘售电规律。因此，本文引入最大—最小规范化属性，对电力市场营销数据进行线性变换［5］。数据规范化处理公式如下：

式（1）中，为经过處理的电力市场营销数据；v为未经过处理的原始营销数据；minA为数据集中的最小值；maxA为数据集中的最大值［6］。在此基础上，本文将连续属性的营销数据值进行非线性函数转换，公式如下：

式（2）中，xk，i为第k个数据经过第i个属性的转换输出值；Pk为第k个营销数据向量；Ti为第i个属性的数据中心。营销数据的转换函数几何图形表示为：

如图1所示，在n维空间中，将Pk与Ti输入到转换函数中进行数据转换［7］。将数据转换之后，数据属性的连续离散化问题得以缓解，相关属性的值并非连续性的，更有利于挖掘营销数据的规律。

1.2   基于关联规则计算建立电力市场营销数据仓库

本文将处理完成的营销数据存储在数据仓库中，剔除与电力企业决策无关的营销数据，为电力企业提供决策保障。在电力市场营销数据挖掘的过程中，本文从三个步骤进行，处理整合数据、建立数据挖掘仓库，以及引入关联规则算法直接挖掘数据源［8］。在数据整合处理完成之后，本文将相同属性的营销数据集合到一个数据集合中，针对某一相同属性整合各种营销数据。假设I为电力市场营销项目数据，D作为一个属性的数据仓库，则每一项关联数据均满足的条件。如果项目ik∈T，则数据T支持项目ik，则属性A在数据仓库D的支持度为：

式（3）中，为属性A在数据仓库D的支持度；DA为在D中挖掘出为属性A的数据量；Dm位移D中的实际数据量。给定最小支持度阈值，若DA＞，则称属性A是频繁营销数据集。在关联规则技术支持下，将数据仓库D中的交易数据X、Y进行挖掘可信度分析，公式为：

式（4）中，为规则的挖掘可信度。根据用户的用电情况，给定最小支持度阈值与最小可信度阈值，在此框架下，得到关联规则，如图2所示。

如图2所示，交易数据X、Y之间存在X^Y的关系，在支持度—可信度的框架下，关联规则的基础上，对数据仓库中的交易数据进行相关度分析，公式如下：

式（5）中，δ为数据仓库中的交易数据挖掘的相关度；P为关联系数。当δ＞1时，数据X与数据Y存在正相关的关系；当δ=1时，数据X与数据Y不相关；当δ＜1时，数据X与数据Y存在负相关的关系。本文以售电量为度量，将售电量、售电价、气温、降水等数据作为空间属性，形成数据仓库。每一类别的属性数据分类存储在数据仓库中，最大程度上提升数据挖掘效率。

2     实 验

为了验证本文设计的数据挖掘方法是否符合相关性需求，本文对上述方法进行了实验分析。最终的实验结果则以文献［1］基于耦合度量的电力市场营销数据挖掘方法、文献［2］基于Tex-RCNN的电力市场营销数据挖掘方法，以及本文设计的基于关联规则技术的电力市场营销数据挖掘方法进行对比的形式呈现。具体的实验过程以及实验结果如下。

2.1   实验过程

本文选取了某城市2018年至2023年所有1月份

的月售电量作为实验数据集，并将影响月售电量的数据选取出来，确保本次实验的真实性。影响月售电量的数据包括售电量、售电均价、平均气温、降水量等。其中，2018年1月份的售电量为3.154×107kWh，售电均价为0.334元/kWh，平均气温为-11.5℃，降水量为1.7mm。2019年1月份的售电量为3.895×

107kWh，售电均价为0.362元/kWh，平均气温为-12.9℃，降水量为25.3mm。2020年1月份的售电量为3.026×107kWh，售电均价为0.361元/kWh，平均气温为-12.5℃，降水量为0.7mm。2021年1月份的售电量为3.450×107kWh，售电均价为0.386元/kWh，平均气温为-12.0℃，降水量为0.9mm。2022年1月份的售电量为3.627×107kWh，售电均价为0.377元/kWh，平均气温为-7.3℃，降水量为3.8mm。2023年1月份的售电量为4.005×107kWh，售电均价为0.420元/kWh，平均气温为-11.8℃，降水量为1.4mm。将原始数据经过概化处理，得到FP-tree的频繁项集合，如图3所示。

如图3所示，E、P、T、R表示的是售电量、售电均价、平均气温、降水量等概化数据，每个数据集均存在5种概化等级，分别为低水平、中低水平、中等水平、中高水平、高水平。将概化数据输入数据挖掘模型中，得到各自概化数据的等级水平，并设定相关规则，对电力市场近5年的营销数据进行分析。

2.2   实验结果

在上述实验条件下，本文随机选取出多种强关联规则，每种规则的支持度、可信度、相关度不同。本文将最小支持度阈值设定为0.155，最小可信度阈值设定为0.350，最小相关度阈值设定为0.850。在其他条件均一致的情况下，将文献［1］基于耦合度量的电力市场营销数据挖掘方法的数据挖掘指标、文献［2］基于Tex-RCNN的电力市场营销数据挖掘方法的数据挖掘指标，以及本文设计的基于关联规则技术的电力市场营销数据挖掘方法的数据挖掘指标进行对比。实验结果如表1所示。

如表1所示，P1表示低水平售电均价；T2表示中低水平平均气温；R3表示中等水平降水量；R4表示中高水平降水量；E5表示高水平售电量。本次实验建立了4种规则，分别为规则①：{P1}?{E5}，规则②：{T2}?{E1}，规则③：{R3}?{E2}，规则④：{P1，R4}?{E5}。其中，规则①的最小支持度阈值为0.155，最小可信度阈值为0.350；规则②的最小支持度阈值为0.160，最小可信度阈值为0.350；规则③的最小支持度阈值为0.155，最小可信度阈值为0.250；规则④的最小支持度阈值为0.160，最小可信度阈值为0.300。在数据挖掘的过程中，超过最小阈值，才能确保数据挖掘的有效性。

在其他条件均一致的情况下，使用文献［1］基于耦合度量的电力市场营销数据挖掘方法之后，数据挖掘指标的支持度、可信度、相关度均偏低，存在低于最小阈值的情況，使数据挖掘的关联性降低，影响电力市场营销的下一步决策。使用文献［2］基于Tex-RCNN的电力市场营销数据挖掘方法之后，数据挖掘指标的支持度、可信度、相关度较之文献［1］方法均有所提升，且数据挖掘相关指标较为稳定。但是，使用该方法之后，在规则②、规则④仍存在低于最小阈值的情况，需对其进一步处理。而使用本文设计的基于关联规则技术的电力市场营销数据挖掘方法之后，数据挖掘的相关指标均较高，支持度、可信度、相关度均超过了最小阈值水平，可以满足数据挖掘需求，为电力市场营销决策提供基础数据支撑。

3     结束语

综上所述，电力市场是电力营销的基础，企业迫切需要转变营销思路，以高效、便民、提升终端能源占用率为目的，引导电力消费、刺激电力消费。电力企业在市场营销过程中产生了大量的数据，在电力企业的发展过程中，历史营销数据能够为后续营销决策提供支持。因此，本文结合关联规则技术，设计了电力市场营销数据挖掘方法。从数据处理、数据挖掘、数据仓库等方面，对电力市场营销数据进行规范化挖掘，为电力企业提供下一步决策的基础条件，确保电力企业的长远发展。

主要参考文献

［1］蔡燕萍.基于耦合度量的负载平衡大数据聚类挖掘方法［J］.兰州文理学院学报（自然科学版），2023，37（2）：40-44.

［2］覃浩，刘振华，苏立伟，等.基于Tex-RCNN的电力营销语音服务用户意图识别模型［J］.微型电脑应用，2022，38（12）：93-97.

［3］牛任恺，张鑫磊，王玉君，等.基于数据挖掘的电力营销稽查业务监管系统［J］.吉林大学学报（信息科学版），2022，40（1）：103-110.

［4］曹喜如，梁锦灏，全威龙，等.基于KH Coder文本数据挖掘中日农业经济发展特点对比［J］.山西农经，2023（5）：37-39.

［5］萧展辉，邹文景，邓丽娟，等.电力营销客户服务中台数据传输安全自动监测技术［J］.自动化与仪器仪表，2022（10）：111-114，119.

［6］刘翠玲，胡聪，王鹏，等.基于营销大数据的电力客户多维度信用评价模型研究［J］.西南大学学报（自然科学版），2022，44（6）：198-208.

［7］苏立伟，刘振华，苏华权，等.基于数据负荷序列聚类的配电网电力营销实时信息系统测试［J］.电网与清洁能源，2021，37（12）：64-69，80.

［8］张悦，田秀霞，颜赟成，等.一种基于分级策略的电力营销大数据访问控制方案［J］.华东师范大学学报（自然科学版），2021（5）：169-184.

［收稿日期］2023-05-24