林幕群，彭顯剛，林利祥，鄭偉欽

(1. 廣東電網(wǎng)有限責(zé)任公司汕頭供電局，廣東 汕頭515041；2. 廣東工業(yè)大學(xué) 自動(dòng)化學(xué)院，廣東 廣州510006)

?

基于數(shù)據(jù)挖掘技術(shù)的電價(jià)執(zhí)行在線稽查模型

林幕群1,2，彭顯剛2，林利祥2，鄭偉欽2

(1. 廣東電網(wǎng)有限責(zé)任公司汕頭供電局，廣東 汕頭515041；2. 廣東工業(yè)大學(xué) 自動(dòng)化學(xué)院，廣東 廣州510006)

摘要：針對(duì)目前供電企業(yè)營(yíng)銷稽查主要依靠人工巡檢等被動(dòng)方法而無法及時(shí)發(fā)現(xiàn)電價(jià)執(zhí)行異常用戶的現(xiàn)狀，構(gòu)建了基于數(shù)據(jù)挖掘技術(shù)的電價(jià)執(zhí)行在線稽查模型。該模型以計(jì)量營(yíng)銷等海量用電數(shù)據(jù)為研究對(duì)象，首先利用K-means聚類算法構(gòu)建典型用電軌跡模塊，用以識(shí)別客戶的典型用電模式；其次，利用馬氏距離判別算法構(gòu)建電價(jià)異常辨別模塊，用以辨別電價(jià)執(zhí)行異常用戶；模型的輸出為電價(jià)執(zhí)行異常嫌疑用戶，可為電力稽查人員提供稽查的范圍及依據(jù)。利用該方法對(duì)中國(guó)南方某區(qū)域電網(wǎng)進(jìn)行電價(jià)執(zhí)行營(yíng)銷稽查，結(jié)果表明其能快速診斷電價(jià)執(zhí)行異常用戶，具有良好的實(shí)用性和可行性。下一步的研究重點(diǎn)是采用分布式計(jì)算方法來提高計(jì)算速度，以及通過調(diào)整判別閾值、增加異常判別方法來進(jìn)行輔助稽查。

關(guān)鍵詞：營(yíng)銷稽查；電價(jià)執(zhí)行；數(shù)據(jù)挖掘；聚類分析；判別分析

根據(jù)中國(guó)現(xiàn)行的電價(jià)制度，不同行業(yè)實(shí)施的電價(jià)有所不同，因此有必要保證電價(jià)執(zhí)行正確、到位，規(guī)范電價(jià)秩序，維護(hù)供用電雙方的經(jīng)濟(jì)利益。然而，根據(jù)現(xiàn)實(shí)用電檢查和用電數(shù)據(jù)分析，發(fā)現(xiàn)某地區(qū)電網(wǎng)的用電量呈增長(zhǎng)態(tài)勢(shì)，但總體平均售電單價(jià)卻有逐年逐月下降的趨勢(shì)。經(jīng)調(diào)查分析，出現(xiàn)這種異?，F(xiàn)象的主要原因是部分企業(yè)沒有正確執(zhí)行電價(jià)政策，如普通工業(yè)用電執(zhí)行稻田排灌電價(jià)、大工業(yè)用電執(zhí)行非工業(yè)電價(jià)等。電價(jià)執(zhí)行異常行為不僅給供電企業(yè)造成了電費(fèi)損失，也擾亂了正常的電價(jià)秩序，因此亟需研究有效的整治手段，及時(shí)發(fā)現(xiàn)電價(jià)執(zhí)行異?？蛻舨⒂枰约m正，以確保電價(jià)政策得到正確執(zhí)行，維護(hù)正常的電價(jià)秩序。

傳統(tǒng)的電價(jià)營(yíng)銷稽查主要依靠定期巡檢、隨機(jī)抽樣等方法[1]，工作方式被動(dòng)且稽查目標(biāo)很不明確，無法及時(shí)發(fā)現(xiàn)并取締電價(jià)執(zhí)行異常用戶。隨著智能電網(wǎng)和電力大數(shù)據(jù)的發(fā)展，國(guó)內(nèi)外電力企業(yè)的信息化建設(shè)不斷加快。在中國(guó)，中國(guó)南方電網(wǎng)有限責(zé)任公司部署建設(shè) “6+1”(資產(chǎn)管理系統(tǒng)、營(yíng)銷管理系統(tǒng)、人力資源管理系統(tǒng)、財(cái)務(wù)管理系統(tǒng)、協(xié)同辦公系統(tǒng)、綜合管理系統(tǒng)以及決策支持)信息集成平臺(tái)，國(guó)家電網(wǎng)公司提出了構(gòu)建 “一型五化”(客戶導(dǎo)向型、業(yè)務(wù)集約化、管理專業(yè)化、機(jī)構(gòu)扁平化、管控實(shí)時(shí)化、服務(wù)協(xié)同化)大營(yíng)銷體系[2]。海量電力信息的集成共享與數(shù)據(jù)挖掘(data mining，DM)技術(shù)的發(fā)展，無疑給電價(jià)執(zhí)行稽查提供了新的思路，使電價(jià)稽查工作由傳統(tǒng)大海撈針式的核查轉(zhuǎn)化為在線智能稽查。通過研究、開發(fā)基于DM技術(shù)的電價(jià)執(zhí)行稽查模型，深入挖掘及分析計(jì)量營(yíng)銷大數(shù)據(jù)，可以有效地提高電力營(yíng)銷稽查的效率，減少供電企業(yè)的損失，是適應(yīng)電力系統(tǒng)大數(shù)據(jù)發(fā)展的需求和實(shí)踐的。

林幕群，等：基于數(shù)據(jù)挖掘技術(shù)的電價(jià)執(zhí)行在線稽查模型針對(duì)以上需求，本文提出了一種基于DM技術(shù)的電價(jià)執(zhí)行稽查模型，用以快速地在線定位電價(jià)執(zhí)行異常用戶。稽查模型以海量計(jì)量營(yíng)銷數(shù)據(jù)為研究對(duì)象，首先利用K-means聚類算法構(gòu)建典型用電軌跡模塊，訓(xùn)練得到代表典型用電模式的用電軌跡聚類中心；其次，利用基于馬氏距離的判別分析算法構(gòu)建電價(jià)異常辨別模塊，用于識(shí)別電價(jià)執(zhí)行異常嫌疑用戶。模型的輸出為電價(jià)執(zhí)行異常嫌疑用戶，可為電力稽查人員提供稽查的范圍及依據(jù)。

1基于DM技術(shù)的電價(jià)執(zhí)行稽查模型

基于DM技術(shù)的電價(jià)執(zhí)行稽查模型主要由數(shù)據(jù)預(yù)處理(data preprocessing，DP)模塊、典型用電軌跡聚類分析模塊和異常辨別模塊3部分組成，其構(gòu)建流程如圖1所示。

圖1　電價(jià)執(zhí)行稽查模型構(gòu)建流程

1.1DP模塊

電力大數(shù)據(jù)下的海量數(shù)據(jù)難以避免存在一些缺失，如噪聲、冗余等問題。根據(jù)垃圾輸入導(dǎo)致垃圾輸出的原理，數(shù)據(jù)的缺陷會(huì)對(duì)DM結(jié)果產(chǎn)生嚴(yán)重的影響，如造成數(shù)據(jù)質(zhì)量不高、決策制定失敗等，因此必須對(duì)數(shù)據(jù)進(jìn)行合理的預(yù)處理。據(jù)相關(guān)統(tǒng)計(jì)，知識(shí)發(fā)現(xiàn)中的DP工作量約占整個(gè)知識(shí)發(fā)現(xiàn)工作量的60%[3]，可見DP工作的重要性。DP主要包括數(shù)據(jù)選擇、數(shù)據(jù)清洗和數(shù)據(jù)變換等。

1.1.1數(shù)據(jù)選擇

數(shù)據(jù)選擇主要從相關(guān)信息系統(tǒng)選取與事務(wù)處理有關(guān)的數(shù)據(jù)信息，包括數(shù)據(jù)屬性選擇和數(shù)據(jù)提取。本文稽查模型主要從營(yíng)銷系統(tǒng)中提取用戶名、用戶編號(hào)、計(jì)量點(diǎn)編號(hào)、行業(yè)類別、變壓器容量、用電量等客戶信息，從計(jì)量自動(dòng)化系統(tǒng)中提取用戶1天24 h的負(fù)荷量、1年12個(gè)月的月電量等用電數(shù)據(jù)。

1.1.2數(shù)據(jù)清理

數(shù)據(jù)清理主要包括數(shù)據(jù)缺失值處理和去噪平滑處理等。

1.1.2.1缺失值處理

本文采用三次樣條插值法處理用電數(shù)據(jù)中的缺失值。該方法是在已有基準(zhǔn)數(shù)據(jù)可靠的前提下，通過構(gòu)造多項(xiàng)式平滑地估算基準(zhǔn)數(shù)據(jù)之間其他點(diǎn)的函數(shù)值，具有計(jì)算簡(jiǎn)便、數(shù)值穩(wěn)定性好和插值曲線光滑性高的優(yōu)點(diǎn)[4]。

設(shè)函數(shù)f(x)=y在區(qū)間[a，b]上有n+1個(gè)等距采樣點(diǎn)，且在采樣點(diǎn)xi上的值為Pi(xi，yi)(i=0，1，…，n)。若函數(shù)S(x)滿足S(xi)=yi，S″(x)在區(qū)間[a，b]上連續(xù)可導(dǎo)，S(x)在每個(gè)子區(qū)間[xi，xi+1]上為三次多項(xiàng)式，則稱S(x)為函數(shù)f(x)在區(qū)間[a，b]上的三次樣條插值函數(shù)。

記f(x)在x=xi處的一階導(dǎo)數(shù)f′(xi)=mi、二階導(dǎo)數(shù)f″(xi)=Mi，每個(gè)小區(qū)間[xi-1，xi]上，f(x)都是二階連續(xù)可導(dǎo)的，則有

其中

hi=xi-xi-1.

對(duì)f″(xi)進(jìn)行二次積分，得到三次樣條表達(dá)式：

(1)

利用式(1)可計(jì)算出每一尺度上的構(gòu)造函數(shù)，從而求得插補(bǔ)值，實(shí)現(xiàn)填補(bǔ)缺失的目的。

1.1.2.2噪聲處理

客戶用電數(shù)據(jù)中往往存在噪聲，導(dǎo)致用電負(fù)荷曲線不平滑，影響DM的效果，故需要對(duì)噪聲進(jìn)行適當(dāng)?shù)念A(yù)處理?，F(xiàn)實(shí)中多數(shù)噪聲可以近似為高斯分布的白噪聲，因此本文采用高斯濾波的方法對(duì)客戶用電軌跡曲線的原始數(shù)據(jù)進(jìn)行去噪平滑處理。

高斯濾波法利用高斯核函數(shù)選擇權(quán)值，對(duì)負(fù)荷曲線進(jìn)行平滑濾波。高斯核函數(shù)

式中σ為高斯核函數(shù)的寬度參數(shù)。

1.1.3數(shù)據(jù)變換

數(shù)據(jù)變換的目的是將數(shù)據(jù)轉(zhuǎn)換或統(tǒng)一成適合于DM的形式，本文主要對(duì)數(shù)據(jù)進(jìn)行規(guī)范化處理，其目的在于使不同客戶的用電數(shù)據(jù)在數(shù)據(jù)矩陣中具有相同的地位，以防止具有較大初始值域的屬性與具有較小初始值域的屬性相比權(quán)重過大。設(shè)Zmax和Zmin分別為屬性向量Z的最小值和最大值，可將Z值規(guī)范化到區(qū)間[Z1，Z2]，即

1.2典型用電軌跡聚類分析模塊

常用的聚類方法有：劃分聚類方法，包括 K-means和K-medoids等算法；層次聚類方法，可分為凝聚算法和分裂算法；密度聚類算法，主要包括基于密度聚類算法(density-based spatial clustering of application with noise，DBSCAN)、基于密度排序聚類算法(ordering points to identify the clustering structure，OPTICS)和基于核密度函數(shù)聚類算法(density-based clustering，DENCLUE)；基于網(wǎng)格的方法，如基于網(wǎng)格的多分辨率聚類算法(statistical information grid，STING)；基于模型的自組織神經(jīng)網(wǎng)絡(luò)算法(self-organizing feature map, SOM)等。其中，K-means聚類分析法是目前應(yīng)用最為廣泛的一種算法，由McQueen于1967年提出，具有原理簡(jiǎn)單、計(jì)算快速的優(yōu)點(diǎn)，尤其對(duì)于數(shù)值屬性的數(shù)據(jù)，能較好地體現(xiàn)聚類在幾何和統(tǒng)計(jì)學(xué)上的意義[5]。

本文采用 K-means 算法對(duì)典型用電軌跡進(jìn)行聚類識(shí)別，使每一類的用電軌跡特征都是聚合的，且類與類之間能很好地區(qū)別開來。K-means 算法的基本思想是將大量高維數(shù)據(jù)以k為參數(shù)，根據(jù)數(shù)據(jù)特征劃分為k簇，以使聚類簇內(nèi)具有較高的相似度，而簇與簇之間相似度較低，最后提取聚類簇的中心作為該簇內(nèi)對(duì)象的代表。其具體計(jì)算方法如下：

a)在客戶用電軌跡的數(shù)據(jù)空間中，聚類的對(duì)象為客戶24 h的電量或12個(gè)月用電量數(shù)據(jù)。隨機(jī)選取k個(gè)對(duì)象作為k簇的初始平均值(或簇中心)，由此初步確定分類簇中心的數(shù)量和初始分布狀態(tài)。

b)計(jì)算剩余的用電客戶樣本與各簇中心的距離，并按照距離最近原則，將對(duì)象分配給相應(yīng)的簇中心。計(jì)算聚類對(duì)象間距時(shí)，采用歐氏距離作為度量指標(biāo)。第i個(gè)用電客戶樣本與第j個(gè)簇中心的歐氏距離

式中：di為第i個(gè)用電客戶樣本的電量數(shù)據(jù)，di=[di1，di2，…，dic，…，diT]，T為用電數(shù)據(jù)的時(shí)間維度，在本文的稽查模型中，T可選為12或24；bj為第j個(gè)簇中心的電量數(shù)據(jù)，j∈[1，k]；di,c為第i個(gè)用電客戶樣本的第c個(gè)電量數(shù)據(jù)；bj,c為第j個(gè)簇中心的第c個(gè)電量數(shù)據(jù)。

c)重新計(jì)算每個(gè)簇的平均值，作為新的聚類簇中心。

d)重復(fù)進(jìn)行步驟b)和步驟c)，直至k個(gè)簇中心不再發(fā)生變化或平方誤差準(zhǔn)則函數(shù)收斂。平方誤差準(zhǔn)則函數(shù)可表示為

1.3異常辨別模塊

判別分析方法是多元統(tǒng)計(jì)分析方法的一個(gè)分支，它是在已知研究對(duì)象分類的基礎(chǔ)上，依據(jù)樣本的數(shù)據(jù)特征建立判別函數(shù)，然后用判別函數(shù)確定研究對(duì)象屬于哪一類[6]。其中，馬氏距離判別法是一種有效的計(jì)算樣本集間相似度的方法，具有考慮特征量間的相關(guān)性且不受特征量尺度影響的優(yōu)點(diǎn)[7]。本文采用馬氏距離判別算法辨別待稽查樣本與典型用電軌跡之間的相似度，若待查樣本與某典型用電軌跡的馬氏距離小于設(shè)定閾值，則判定其屬于該類電價(jià)類型；反之，若待查樣本與各類典型用電軌跡的馬氏距離均大于設(shè)定閾值，說明其用電行為與同類別正常用戶相差較大，懷疑為電價(jià)執(zhí)行異常用戶。

(2)

假設(shè)有兩類典型用電軌跡D1和D2，其數(shù)學(xué)期望分別為μ1、μ2，協(xié)方差分別為Σ1、Σ2，分布分別為F1(μ1,Σ1)和F2(μ2,Σ2)，當(dāng)需要判斷X屬于哪種類型時(shí)，可以通過計(jì)算X到兩個(gè)類中心的距離D(X,D1)和D(X,D2)來判別。

X到D1和D2的馬氏距離平方差

d2(x-μ1)-d2(x-μ2)=-2W(x)，

(3)

式中W(x)為距離判別函數(shù)。

由式(2)、式(3)可求得上述判別問題的判別函數(shù)

顯然，在P維平面上，W(x)=0把P維空間分為兩部分，由此可得到馬氏距離下的判別規(guī)則為：

式中G1、G2分別為P維空間中第1類和第2類樣本集合。

因此，當(dāng)求得判別函數(shù)W(x)≥0時(shí)，可判別樣本X屬于D1類，否則屬于D2類。

2實(shí)例分析

2.1樣本數(shù)據(jù)提取

從某供電局計(jì)量自動(dòng)化系統(tǒng)和營(yíng)銷系統(tǒng)中提取2013年1月至2014年12月稻田排灌客戶的月電量數(shù)據(jù)進(jìn)行建模分析，其中，選取2013年1—12月3 518戶電價(jià)正?？蛻舻臄?shù)據(jù)進(jìn)行建模，提取2014年1—12月電價(jià)正?？蛻? 400戶和已確認(rèn)異?？蛻?0戶的用電數(shù)據(jù)用于模型驗(yàn)證。表1列出了模型構(gòu)建、模型驗(yàn)證的數(shù)據(jù)樣本信息。

表1數(shù)據(jù)樣本信息

樣本用途時(shí)間范圍用電客戶數(shù)量用電數(shù)據(jù)數(shù)量模型構(gòu)建2013-01-01—2013-12-31351842216模型驗(yàn)證2014-01-01—2014-12-31146024000

2.2樣本DP

采用三次樣條插值法對(duì)缺失值進(jìn)行填補(bǔ)，采用高斯濾波法對(duì)異常值進(jìn)行平滑處理。DP前后的樣本信息見表2。

表2DP前后樣本信息

樣本用途客戶數(shù)DP前DP后用電數(shù)據(jù)量DP前DP后聚類分析351826884221632256判別分析200013372400016044

2.3典型用電軌跡聚類結(jié)果

將DP后的2 688戶用電客戶的月電量數(shù)據(jù)輸入典型用電軌跡聚類模塊中進(jìn)行聚類分析，聚類后模型將所有用戶分為6類，各類典型用電軌跡的聚類簇如圖2所示。

圖2　典型用電軌跡聚類結(jié)果

2.4電價(jià)異常辨別結(jié)果分析

將DP后的2014年1 337戶用電客戶的用電數(shù)據(jù)輸入異常辨別模塊進(jìn)行判別驗(yàn)證，判別稽查的結(jié)果：實(shí)際電價(jià)異常用戶數(shù)60，模型診斷異常用戶數(shù)102(其中實(shí)際異常匹配用戶數(shù)55，不匹配用戶數(shù)47)，電價(jià)診斷異常查出率91.67%。由此可看出，異常嫌疑用戶數(shù)為102，其中47戶為模型誤判或?qū)嶋H異常但未被查出，可以通過現(xiàn)場(chǎng)核查加以證實(shí)?？傮w而言，智能稽查模型具有較高的診斷精度，能為營(yíng)銷工作人員提供稽查的范圍和依據(jù)，從而有效提高電力營(yíng)銷稽查工作的效率。

3結(jié)束語(yǔ)

本文針對(duì)目前供電企業(yè)營(yíng)銷稽查主要依靠人工定期巡檢等被動(dòng)方法，無法及時(shí)發(fā)現(xiàn)并取締電價(jià)執(zhí)行異常用戶的現(xiàn)狀，提出了基于聚類分析算法和距離判別算法的電價(jià)執(zhí)行在線稽查模型。該模型利用DM技術(shù)對(duì)計(jì)量自動(dòng)化、營(yíng)銷等相關(guān)信息系統(tǒng)的海量數(shù)據(jù)進(jìn)行深入挖掘與分析，以提高電價(jià)執(zhí)行規(guī)范在線稽查的針對(duì)性、準(zhǔn)確性和工作效率。實(shí)測(cè)結(jié)果證明，該稽查模型對(duì)電價(jià)異?？蛻艟哂休^高的識(shí)別率，能夠?yàn)楣╇娖髽I(yè)電價(jià)執(zhí)行稽查提供高效、智能的技術(shù)手段，具有廣闊的應(yīng)用前景和推廣價(jià)值。

在本文研究的基礎(chǔ)上，下一步可以通過調(diào)整判別閾值或增加其他異常判別方法加以輔助稽查，以進(jìn)一步提升稽查模型的準(zhǔn)確性；同時(shí)，為了適應(yīng)未來更大量的DM分析，可以研究采用分布式計(jì)算方法來提高計(jì)算速度。

參考文獻(xiàn)：

[1] 劉小淵, 莊華松. 電力營(yíng)銷稽查管理中存在的問題及策略探究[J]. 中國(guó)高新技術(shù)企業(yè),2014(31): 162-163.

LIU Xiaoyuan, ZHUANG Huasong. Existing Problems in Electric Power Marketing Inspection and Management and Strategy Discussion [J]. China High Technolgy Enterprises, 2014(31): 162-163.

[2] 許其國(guó). “一型五化”構(gòu)建大營(yíng)銷[J]. 中國(guó)電力企業(yè)管理,2014 (8): 63-64.

[3] HAN J, KAMBER M, PEI J. Data Mining: Concepts and Techniques[M]. Leiden：Elsevier, 2012:703.

[4] 趙鴻圖, 劉云. 基于三次樣條插值的小波模極大值去噪算法[J]. 計(jì)算機(jī)工程與設(shè)計(jì),2014,35(8): 2965-2968.

ZHAO Hongtu,LIU Yun. Denoising Algorithm of Wavelet Modulus Maximum Based on Cubic Spline Interpolation[J]. Computer Engineering and Design,2014,35(8):2965-2968.

[5] 周翔, 王豐華, 傅堅(jiān), 等. 基于混沌理論和K-means聚類的有載分接開關(guān)機(jī)械狀態(tài)監(jiān)測(cè)[J]. 中國(guó)電機(jī)工程學(xué)報(bào),2015,35(6): 1541-1548.

ZHOU Xiang,WANG Fenghua,FU Jian,et al. Mechanical Condition Monitoring of On-load Tap Changers Based on Chaos Theory and K-means Clustering Method[J]. Proceedings of the CSEE,2015,35(6):1541-1548.

[6] 朱乾龍, 韓平平, 丁明, 等. 基于聚類-判別分析的風(fēng)電場(chǎng)概率等值建模研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào),2014,34(28): 4770-4780.

ZHU Qianlong,HAN Pingping,DING Ming,et al. Probabilistic Equivalent Model for Wind Farms Based on Clustering-discriminant Analysis[J].Proceedings of the CSEE,2014,34(28):4770-4780.

[7] 肖先勇, 崔燦, 汪洋, 等. 電壓暫降分類特征可比性、相關(guān)性及馬氏距離分類法[J]. 中國(guó)電機(jī)工程學(xué)報(bào),2015,35(6):1299-1305.

XIAO Xianyong,CUI Can,WANG Yang,et al. Comparability and Relevance of Voltage Sag Classifying Features and Classification Methods Based on Mahalanobis Distance[J]. Proceedings of the CSEE,2015,35(6):1299-1305.

林幕群(1980)，女，廣東汕頭人。工程師，工程碩士，主要從事電力營(yíng)銷稽查、電力營(yíng)銷信息化工作。

彭顯剛(1964)，男，湖北武漢人。副教授，工學(xué)碩士，主要研究方向?yàn)殡娏ο到y(tǒng)優(yōu)化運(yùn)行與控制、營(yíng)銷與配電信息化等。

林利祥(1990)，男，廣東揭陽(yáng)人。在讀碩士研究生，主要研究方向?yàn)殡娏ο到y(tǒng)運(yùn)行分析與控制、電力數(shù)據(jù)挖掘及應(yīng)用。

(編輯李麗娟)

Online Inspection Model for Electricity Price Implementation Based on Data

Mining Technology

LIN Muqun1,2, PENG Xiangang2, LIN Lixiang2, ZHENG Weiqin2

(1. Shantou Power Supply Bureau of Guangdong Power Grid Co., Ltd., Shantou, Guangdong 515041, China; 2. School of Automation, Guangdong University of Technology, Guangzhou, Guangdong 510006, China)

Abstract：In allusion to the situation that marketing inspection of power supply enterprises mostly depends on some passive methods such as manual inspection, which may cause a problem of being unable to discover abnormal electricity price implementation customers, this paper introduces construction of online inspection model for electricity price implementation based on data mining technology. Taking mass power data such as measurement marketing as research objects, this model firstly uses K-means clustering algorithm to construct electricity tracking module for identifying typical electricity mode. Secondly, it uses Mahalanobis distance discriminant analysis algorithm to establish abnormal electricity price distinguish module for identifying abnormal electricity price implementation customers. Outputs of the model are regarded as suspected abnormal customers, which may provide inspection range and basis for power inspectors. This method is used for marketing inspection on electricity price implementation in some Chinese southern region and results indicate that it is able to rapidly diagnose abnormal electricity price implementation customers which means good practicability and feasibility of this method. Next research key points are using distributed computing methods to improve computing speed and carry on assistant inspection by using adjusting distinguishing thresholds and increasing distinguishing method for identifying abnormalities.

Key words：marketing inspection; electricity price implementation; data mining; clustering analysis; discriminant analysis

作者簡(jiǎn)介：

中圖分類號(hào)：F407.61

文獻(xiàn)標(biāo)志碼：B

文章編號(hào)：1007-290X(2016)01-0108-05

doi:10.3969/j.issn.1007-290X.2016.01.021

基金項(xiàng)目：中國(guó)南方電網(wǎng)有限責(zé)任公司科技項(xiàng)目(K-GD2014-0609)

收稿日期：2015-06-12修回日期：2015-09-23