摘 要：針對(duì)當(dāng)前營(yíng)銷(xiāo)算法，設(shè)置用電量約束范圍較廣，導(dǎo)致電力節(jié)能業(yè)務(wù)營(yíng)銷(xiāo)精準(zhǔn)度較低的問(wèn)題，提出差異化密度聚類(lèi)下的電力節(jié)能業(yè)務(wù)精準(zhǔn)營(yíng)銷(xiāo)算法。構(gòu)建用戶(hù)用電數(shù)據(jù)挖掘決策樹(shù)，深入挖掘用戶(hù)用電數(shù)據(jù)，采用差異化密度聚類(lèi)算法，劃分用戶(hù)電力數(shù)據(jù)，確定電力節(jié)能用戶(hù)分布。從用戶(hù)用電效用和供電公司收益兩方面，建立營(yíng)銷(xiāo)目標(biāo)函數(shù)，設(shè)置用電量約束和最小用電量約束，實(shí)現(xiàn)電力節(jié)能業(yè)務(wù)精準(zhǔn)營(yíng)銷(xiāo)。實(shí)驗(yàn)結(jié)果表明：所提算法的用戶(hù)耗電量、用電總?cè)萘亢徒灰纂娏浚c其實(shí)際值相差較小，能夠有效提高電力節(jié)能業(yè)務(wù)營(yíng)銷(xiāo)精準(zhǔn)度，為用戶(hù)提供精準(zhǔn)的電力節(jié)能業(yè)務(wù)。

關(guān)鍵詞：差異化;密度聚類(lèi);電力;節(jié)能業(yè)務(wù);精準(zhǔn)營(yíng)銷(xiāo)

中圖分類(lèi)號(hào)：TP302.1 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1001-5922（2022）05-0112-05

Power energy saving business precision marketing algorithm based on differentiated density clustering

Abstract： Aiming at the problem that the current marketing algorithm sets a wide range of power consumption constraints， which leads to the low accuracy of power energy-saving business marketing， a power energy-saving business precision marketing algorithm based on differentiated density clustering is proposed. The decision tree of user electricity data mining is constructed， and the user electricity data is deeply mined. The differentiated density clustering algorithm is used to divide the user electricity data and determine the distribution of power energy-saving users. From the two aspects of user’s electricity utility and power supply company’s income， the marketing objective function is established， and the electricity consumption constraints and minimum electricity consumption constraints are set to realize the precise marketing of power energy-saving business. Experimental results show that the proposed algorithm can effectively improve the marketing accuracy of power saving business and provide accurate power saving business for users.

Key words： differentiation;density clustering;electricity;energy-saving business;precision marketing

目前在人們的生活中已經(jīng)離不開(kāi)電力，電力已然成為人類(lèi)生活的主要能源之一[1]。在這樣的背景下，電力信息化建設(shè)發(fā)展迅速，不斷跟隨社會(huì)的發(fā)展，擴(kuò)展電力業(yè)務(wù)范圍[2]。在電力業(yè)務(wù)擴(kuò)展的過(guò)程中，電力行業(yè)政策隨著市場(chǎng)情況不斷變化，導(dǎo)致電力市場(chǎng)競(jìng)爭(zhēng)更加激烈，促使電力企業(yè)內(nèi)部建立起完善的電力營(yíng)銷(xiāo)體系[3]。此外，為滿(mǎn)足社會(huì)發(fā)展，人類(lèi)對(duì)電力需求增強(qiáng)，用電量不斷增加，傳統(tǒng)發(fā)電能源逐漸枯竭，新型發(fā)電能源還在研發(fā)當(dāng)中，導(dǎo)致電力企業(yè)運(yùn)行面臨嚴(yán)峻挑戰(zhàn)[4]。因此，在電力企業(yè)中，提出電力營(yíng)銷(xiāo)體系。

基于此，相關(guān)領(lǐng)域?qū)W者十分重視電力企業(yè)營(yíng)銷(xiāo)體系，提出電力營(yíng)銷(xiāo)一體化模型體系，轉(zhuǎn)變電力營(yíng)銷(xiāo)模式、用戶(hù)角色、硬件設(shè)施，從而提高電力企業(yè)營(yíng)銷(xiāo)工作能力[5]。在電力營(yíng)銷(xiāo)體系中，引入貝葉斯網(wǎng)絡(luò)，挖掘營(yíng)銷(xiāo)客戶(hù)數(shù)據(jù)，評(píng)估用戶(hù)潛在價(jià)值，從而根據(jù)用戶(hù)特點(diǎn)，提供電力業(yè)務(wù)[6]。對(duì)目前電力企業(yè)營(yíng)銷(xiāo)體系進(jìn)行了分析，發(fā)現(xiàn)電力企業(yè)營(yíng)銷(xiāo)工作存在工作效率低等工作問(wèn)題，設(shè)計(jì)出掌上營(yíng)銷(xiāo)系統(tǒng)，提高電力企業(yè)營(yíng)銷(xiāo)工作效率[7]。雖然上述方法取得了一定的研究成果，但存在營(yíng)銷(xiāo)電力節(jié)能業(yè)務(wù)精準(zhǔn)度較低的問(wèn)題。針對(duì)上述研究存在的問(wèn)題，提出差異化密度聚類(lèi)下的電力節(jié)能業(yè)務(wù)精準(zhǔn)營(yíng)銷(xiāo)算法，引入差異化密度聚類(lèi)算法，分析電力節(jié)能用戶(hù)分布情況，從而根據(jù)用戶(hù)具體情況，為用戶(hù)提供節(jié)能業(yè)務(wù)營(yíng)銷(xiāo)服務(wù)，提高電力節(jié)能業(yè)務(wù)營(yíng)銷(xiāo)精度。

1 差異化密度聚類(lèi)下的電力節(jié)能業(yè)務(wù)精準(zhǔn) 營(yíng)銷(xiāo)算法

1.1 挖掘電力用戶(hù)用電數(shù)據(jù)

用戶(hù)用電數(shù)據(jù)是以數(shù)據(jù)庫(kù)記錄的形式，存儲(chǔ)在電力企業(yè)客戶(hù)數(shù)據(jù)庫(kù)中。這些數(shù)據(jù)包含姓名、用電量、地址等屬性信息，并由這些屬性信息，組成一個(gè)特征向量[8]。除特征向量外，用戶(hù)用電數(shù)據(jù)，還有一個(gè)特定的類(lèi)別標(biāo)簽，與屬性相對(duì)應(yīng)[9]?；诖?，將電力企業(yè)客戶(hù)信息數(shù)據(jù)庫(kù)中，存儲(chǔ)的電力用電數(shù)據(jù)樣本向量記為（o1，o2，…，on;c），其中：on表示第n個(gè)屬性的字段;n表示屬性總數(shù);c表示電力用電數(shù)據(jù)樣本類(lèi)別。

根據(jù)數(shù)據(jù)屬性，采用決策樹(shù)算法，深入挖掘用戶(hù)用電數(shù)據(jù)。構(gòu)建電力用戶(hù)用電數(shù)據(jù)挖掘決策樹(shù)，其構(gòu)建過(guò)程如下：

在電力用戶(hù)數(shù)據(jù)庫(kù)中，存儲(chǔ)的單個(gè)用戶(hù)數(shù)據(jù)，作為決策樹(shù)構(gòu)建節(jié)點(diǎn)N，判斷選擇的單個(gè)用戶(hù)數(shù)據(jù)是否屬于同一個(gè)類(lèi)別c。當(dāng)單個(gè)用戶(hù)數(shù)據(jù)屬于同一個(gè)類(lèi)別c時(shí)，將該數(shù)據(jù)節(jié)點(diǎn)N，記為決策樹(shù)樹(shù)葉，并用該類(lèi)別對(duì)單個(gè)用戶(hù)數(shù)據(jù)進(jìn)行標(biāo)記。當(dāng)單個(gè)用戶(hù)數(shù)據(jù)不屬于同一個(gè)類(lèi)別時(shí)，標(biāo)記該數(shù)據(jù)節(jié)點(diǎn)N中最普通的類(lèi)別，并計(jì)算該數(shù)據(jù)節(jié)點(diǎn)N的信息量I和信息熵E，其計(jì)算公式如下：

式中：pj表示第j個(gè)電力用戶(hù)數(shù)據(jù)樣本，屬于數(shù)據(jù)樣本類(lèi)別c的概率[10]。

根據(jù)公式計(jì)算該數(shù)據(jù)節(jié)點(diǎn)N的信息量I和信息熵E的結(jié)果，挑選該數(shù)據(jù)樣本分類(lèi)屬性，選擇信息量I和信息熵E值最高的屬性，作為該數(shù)據(jù)節(jié)點(diǎn)的“測(cè)試”屬性節(jié)點(diǎn)N。依據(jù)“測(cè)試”屬性節(jié)點(diǎn)N1的已知值α，創(chuàng)建一個(gè)樹(shù)的分枝，并根據(jù)這些分枝劃分電力用戶(hù)數(shù)據(jù)。

此時(shí)，利用該用戶(hù)數(shù)據(jù)節(jié)點(diǎn)N，根據(jù)“測(cè)試”屬性節(jié)點(diǎn)的已知值α，長(zhǎng)出帶有“測(cè)試”屬性的分枝，并讓該用戶(hù)數(shù)據(jù)節(jié)點(diǎn)N中的“測(cè)試”屬性分枝組成集合s，判斷集合s是否為空集合。

當(dāng)集合s為空集合時(shí)，需要在樹(shù)上增加一片樹(shù)葉，并將其標(biāo)記為該數(shù)據(jù)節(jié)點(diǎn)N的最普通類(lèi)。按照上述過(guò)程，構(gòu)建決策樹(shù)，不需要考慮該用戶(hù)數(shù)據(jù)節(jié)點(diǎn)N的后代節(jié)點(diǎn)。當(dāng)給定節(jié)點(diǎn)N的所有數(shù)據(jù)樣本均屬于c類(lèi)時(shí)，即完成決策樹(shù)構(gòu)建。

基于此次研究，構(gòu)建的決策樹(shù)，即可挖掘出電力企業(yè)客戶(hù)數(shù)據(jù)庫(kù)中存儲(chǔ)的用戶(hù)用電數(shù)據(jù)，根據(jù)這些數(shù)據(jù)，可以推斷該用戶(hù)是否為節(jié)能用戶(hù)。

1.2 確定電力節(jié)能用戶(hù)分布

將決策樹(shù)算法挖掘到的電力節(jié)能用戶(hù)數(shù)據(jù)，作為差異化密度聚類(lèi)對(duì)象集Ψ，給定對(duì)象集的鄰域和領(lǐng)域閾值ε。從對(duì)象集Ψ中，選擇任意對(duì)象Ψj，作為差異化密度聚類(lèi)對(duì)象集Ψ的核心，尋找Ψj的所有密度可達(dá)對(duì)象。

當(dāng)Ψj屬于對(duì)象集Ψ的核心對(duì)象時(shí)，則差異化密度聚類(lèi)算法可以找到和ε的簇;當(dāng)Ψj屬于對(duì)象集Ψ的邊界點(diǎn)時(shí)，則Ψj的領(lǐng)域所包含的對(duì)象個(gè)數(shù)小于閾值ε，則Ψj不存在密度可達(dá)對(duì)象，此時(shí)，將Ψj標(biāo)記為噪聲點(diǎn)，記為S [11]。其差異化密度聚類(lèi)如圖1所示。

圖1中，O0、O1、O2、q0、q1、q2均表示差異化密度聚類(lèi)對(duì)象集Ψ的核心點(diǎn)，其中，O0、O1、O2表示密度是有連接關(guān)系的;q1密度直接可達(dá)q0;q2密度直接可達(dá)q1;q2密度間接可達(dá)q0[12]。

依據(jù)圖1的差異化密度聚類(lèi)示意圖，確定的電力節(jié)能用戶(hù)分布步驟如下：

步驟1：遍歷挖掘到的電力用戶(hù)用電數(shù)據(jù)，以一維單元格為目標(biāo)，組成一維密集單元格集合H1;

步驟2：按照數(shù)據(jù)維度，直至生成維的候選密集單元格集合Hk+1;

步驟3：判斷集合Hk+1是否為空集;

步驟4：當(dāng)時(shí)，結(jié)束算法，直接輸出電力用戶(hù)數(shù)據(jù)子空間;當(dāng)時(shí)，返回步驟：1。

在空間中，聚集電力用戶(hù)用電數(shù)據(jù)，確定子空間中的聚類(lèi)。處理上述過(guò)程中，丟失的數(shù)據(jù)對(duì)象，并合并空間中的子簇。生成電力用戶(hù)用電數(shù)據(jù)聚類(lèi)描述，確保每一個(gè)類(lèi)別中，至少包含一個(gè)區(qū)域集合[13]。至此，完成電力節(jié)能用戶(hù)聚類(lèi)。

根據(jù)此次研究設(shè)計(jì)的聚類(lèi)過(guò)程，得到的電力節(jié)能用戶(hù)分布情況，為非電力節(jié)能用戶(hù)提供電力節(jié)能業(yè)務(wù)。

1.3 精準(zhǔn)營(yíng)銷(xiāo)電力節(jié)能業(yè)務(wù)

依據(jù)此次研究，確定的精準(zhǔn)營(yíng)銷(xiāo)對(duì)象，建立電力節(jié)能業(yè)務(wù)精準(zhǔn)營(yíng)銷(xiāo)目標(biāo)函數(shù)，需要將其分為用戶(hù)用電效益和供電公司收益，分別建立營(yíng)銷(xiāo)目標(biāo)函數(shù)，其中，用戶(hù)用電效益函數(shù)U（x，y）為：

式中：x表示用戶(hù)的用電量;β>0表示目標(biāo)函數(shù)的參數(shù);w>0表示目標(biāo)函數(shù)約束[14]。

相比用戶(hù)用電效益函數(shù)，供電企業(yè)函數(shù)包含較廣，且受用戶(hù)用電量制約，基于此，建立的供電公司供電收益目標(biāo)函數(shù)如下式所示：

式中：t表示時(shí)間;xm（t）表示m位用戶(hù)在時(shí)刻t時(shí)的用電量;D（t）表示電力企業(yè)銷(xiāo)售商購(gòu)買(mǎi)的電量;表示電力企業(yè)供電收益;d表示1 d;M表示用戶(hù)總數(shù)量;m∈M，表示用戶(hù)任意數(shù)量; m（t）表示位用戶(hù)在時(shí)刻t時(shí)購(gòu)電的電價(jià);（t）表示電力企業(yè)銷(xiāo)售商購(gòu)買(mǎi)的電價(jià);X表示用戶(hù)對(duì)電能的需求量;wm（t）表示m位用戶(hù)在時(shí)刻t時(shí)的約束[15]。

針對(duì)此次研究建立的目標(biāo)函數(shù)，所設(shè)置的目標(biāo)函數(shù)約束w，將其分為用電量約束和最小用電量約束，如下式所示：

式中：表示m位用戶(hù)在時(shí)刻t時(shí)的最小用電量;A表示1 d中所需要的最小電量;表示m位用戶(hù)在時(shí)刻t時(shí)的最大用電量[16]。

綜合上述計(jì)算過(guò)程，所建立的電力節(jié)能業(yè)務(wù)精準(zhǔn)營(yíng)銷(xiāo)算法流程如下：①初始化電力用戶(hù)，挖掘電力用戶(hù)用電數(shù)據(jù);②劃分電力用戶(hù)用電數(shù)據(jù)，選擇用戶(hù)中的非節(jié)能用戶(hù);③采用差異化密度聚類(lèi)，劃分用戶(hù)中的非節(jié)能用戶(hù)分布情況;④根據(jù)此次研究建立的目標(biāo)函數(shù)，計(jì)算用戶(hù)是否滿(mǎn)足用電節(jié)能業(yè)務(wù)條件;⑤記錄每位用戶(hù)的適應(yīng)個(gè)體數(shù)值，尋找最佳最優(yōu)用電節(jié)能業(yè)務(wù)對(duì)應(yīng)用戶(hù)，并判斷該用戶(hù)是否滿(mǎn)足式（4）所示的約束條件;⑥當(dāng)滿(mǎn)足約束條件時(shí)，終止循環(huán)，輸出最優(yōu)用戶(hù);當(dāng)不滿(mǎn)足約束條件時(shí)，則返回④繼續(xù)循環(huán)。通過(guò)上述步驟，實(shí)現(xiàn)電力節(jié)能業(yè)務(wù)精準(zhǔn)營(yíng)銷(xiāo)。

2 實(shí)驗(yàn)分析

為了驗(yàn)證差異化密度聚類(lèi)下的電力節(jié)能業(yè)務(wù)精準(zhǔn)營(yíng)銷(xiāo)算法的有效性，在Inter Core i5-3470 處理器、8.0 GB內(nèi)存、32位Windows7操作系統(tǒng)下運(yùn)行。選擇文獻(xiàn)[6]和文獻(xiàn)[7]兩組當(dāng)前營(yíng)銷(xiāo)算法，以對(duì)比實(shí)驗(yàn)的方式，采用電力節(jié)能業(yè)務(wù)，作為此次實(shí)驗(yàn)研究對(duì)象。在Matlab 2010b算法仿真軟件上，運(yùn)行3組營(yíng)銷(xiāo)算法，對(duì)比驗(yàn)證此次研究的電力節(jié)能業(yè)務(wù)精準(zhǔn)營(yíng)銷(xiāo)算法，為用戶(hù)提供電力節(jié)能業(yè)務(wù)精準(zhǔn)程度。

2.1 實(shí)驗(yàn)準(zhǔn)備

根據(jù)此次實(shí)驗(yàn)選擇的3組營(yíng)銷(xiāo)算法，所設(shè)計(jì)的營(yíng)銷(xiāo)算法在仿真軟件上運(yùn)行環(huán)境如圖2所示。

基于此次實(shí)驗(yàn)設(shè)置的營(yíng)銷(xiāo)算法運(yùn)行環(huán)境，采用如圖3所示的某市24 h的用電量，作為此次實(shí)驗(yàn)數(shù)據(jù)。

根據(jù)此次實(shí)驗(yàn)選擇的實(shí)驗(yàn)數(shù)據(jù)，從該市中選擇12位用戶(hù)，作為此次實(shí)驗(yàn)自變量。采用3組營(yíng)銷(xiāo)算法，根據(jù)圖3所示的某市24 h用電量數(shù)據(jù)，劃分12位用戶(hù)耗電量、用電總?cè)萘俊⒔灰纂娏?個(gè)類(lèi)別，并與12位用戶(hù)的實(shí)際類(lèi)別相對(duì)比，驗(yàn)證此次研究的營(yíng)銷(xiāo)算法，為用戶(hù)提供電力節(jié)能業(yè)務(wù)精準(zhǔn)程度。

2.2 實(shí)驗(yàn)結(jié)果

2.2.1 第1組實(shí)驗(yàn)結(jié)果

采用3組營(yíng)銷(xiāo)算法，劃分12位用戶(hù)耗電量結(jié)果，如表1所示。

從表1中可以看出，文獻(xiàn)[7]算法劃分12位用戶(hù)耗電量結(jié)果，與用戶(hù)實(shí)際耗電量平均相差178 kW·h，產(chǎn)生的差值最大;文獻(xiàn)[6]算法劃分12位用戶(hù)耗電量結(jié)果，與用戶(hù)實(shí)際耗電量平均相差59 kW·h，產(chǎn)生的差值次之;而所提算法劃分12位用戶(hù)耗電量結(jié)果，與用戶(hù)實(shí)際耗電量平均相差2 kW·h，較兩組當(dāng)前算法分別少57 kW·h和176 kW·h，產(chǎn)生的差值最小。由此可知，所提算法的用戶(hù)耗電量與實(shí)際耗電量較為相符，可以為用戶(hù)提供精準(zhǔn)的電力節(jié)能業(yè)務(wù)。

2.2.2 第2組實(shí)驗(yàn)結(jié)果

采用3組營(yíng)銷(xiāo)算法，劃分12位用戶(hù)用電總?cè)萘拷Y(jié)果，如表2所示。

由表2可知，文獻(xiàn)[7]算法劃分12位用戶(hù)用電總?cè)萘拷Y(jié)果，與用戶(hù)實(shí)際用電總?cè)萘科骄嗖?47 kW，產(chǎn)生的差值最大;文獻(xiàn)[6]算法劃分12位用戶(hù)戶(hù)用電總?cè)萘拷Y(jié)果，與用戶(hù)實(shí)際用電總?cè)萘科骄嗖?65 kW，產(chǎn)生的差值偏大;所提算法劃分12位用戶(hù)用電總?cè)萘拷Y(jié)果，與用戶(hù)實(shí)際用電總?cè)萘科骄嗖? kW，較2組當(dāng)前算法分別少262 kW和344 kW，產(chǎn)生的差值最小。由此可知，所提算法的用戶(hù)用電總?cè)萘颗c實(shí)際用戶(hù)用電總?cè)萘肯嘟?，可以為用?hù)提供精準(zhǔn)的電力節(jié)能業(yè)務(wù)。

2.2.3 第3組實(shí)驗(yàn)結(jié)果

采用3組營(yíng)銷(xiāo)算法，劃分12位用戶(hù)交易電量結(jié)果，如表3所示。

由表3可知，文獻(xiàn)[7]算法劃分12位用戶(hù)交易電量結(jié)果，與用戶(hù)實(shí)際交易電量平均相差146 kW，產(chǎn)生的差值最大;文獻(xiàn)[6]算法劃分12位用戶(hù)交易電量結(jié)果，與用戶(hù)實(shí)際交易電量平均相差134 kW，產(chǎn)生的差值偏大;所提算法劃分12位用戶(hù)交易電量結(jié)果，與用戶(hù)實(shí)際交易電量平均相差1.4 kW，較兩組當(dāng)前算法分別小144.6 kW和132.6 kW，產(chǎn)生的差值最小。由此可知，所提算法的用戶(hù)交易電量與實(shí)際交易電量較為接近，可以為用戶(hù)提供精準(zhǔn)的電力節(jié)能業(yè)務(wù)。

3 結(jié)語(yǔ)

此次研究差異化密度聚類(lèi)下的電力節(jié)能業(yè)務(wù)精準(zhǔn)營(yíng)銷(xiāo)算法，通過(guò)構(gòu)建用戶(hù)用電數(shù)據(jù)挖掘決策樹(shù)，在挖掘到的電力用戶(hù)用電數(shù)據(jù)基礎(chǔ)上，充分利用差異化密度聚類(lèi)算法，劃分電力用戶(hù)用電數(shù)據(jù)，確定電力節(jié)能用戶(hù)分布。通過(guò)建立營(yíng)銷(xiāo)目標(biāo)函數(shù)，設(shè)置最小用電量約束，提高電力節(jié)能業(yè)務(wù)營(yíng)銷(xiāo)精準(zhǔn)度。

【參考文獻(xiàn)】

[1]葛一統(tǒng)，向鋒銘，余桂華，等.大數(shù)據(jù)背景下的電力營(yíng)銷(xiāo)信息化建設(shè)研究[J].華電技術(shù)，2021，43（1）76-82.

[2]洪華偉，蔡榮彥，朱玲玲，等.基于數(shù)據(jù)挖掘技術(shù)的電力營(yíng)銷(xiāo)分析系統(tǒng)設(shè)計(jì)研究[J].電子設(shè)計(jì)工程，2021，29（7）86-89，94.

[3]彭啟慧，宣士斌，高卿.分布的自動(dòng)閾值密度峰值聚類(lèi)算法[J].計(jì)算機(jī)工程與應(yīng)用，2021，57（5）：71-78.

[4]王芙銀，張德生，張曉.結(jié)合鯨魚(yú)優(yōu)化算法的自適應(yīng)密度峰值聚類(lèi)算法[J].計(jì)算機(jī)工程與應(yīng)用，2021，57（3）94-102.

[5]張凌，田珂，張巍，等.智能電網(wǎng)環(huán)境下電力營(yíng)銷(xiāo)管理系統(tǒng)的優(yōu)化設(shè)計(jì)[J].計(jì)算技術(shù)與自動(dòng)化，2020，39（4）138-141.

[6]龐偉林，宋才華，鄧乾.以貝葉斯網(wǎng)絡(luò)為基礎(chǔ)的決策分析系統(tǒng)在電力營(yíng)銷(xiāo)中的應(yīng)用研究[J].微型電腦應(yīng)用，2020，36（1）123-126.

[7]唐永剛.電力客戶(hù)現(xiàn)場(chǎng)服務(wù)掌上營(yíng)銷(xiāo)系統(tǒng)的應(yīng)用[J].黑龍江科學(xué)，2020，11（6）128-129.

[8]李鵬鵬，施聚輝，姜朝明，等.基于極限學(xué)習(xí)機(jī)的居民負(fù)荷預(yù)測(cè)及其在電力營(yíng)銷(xiāo)中的應(yīng)用[J].信息與電腦（理論版），2020，32（23）：9-11.

[9]陳菁.大數(shù)據(jù)平臺(tái)下的電力營(yíng)銷(xiāo)信息化建設(shè)探析[J].數(shù)字技術(shù)與應(yīng)用，2020，38（4）231，233.

[10]魏強(qiáng).電力營(yíng)銷(xiāo)中用電信息采集系統(tǒng)的建設(shè)[J].通信電源技術(shù)，2020，37（5）：143-145.

[11]?楊帆，孫藝珍，袁微微，等.數(shù)字化技術(shù)在電力營(yíng)銷(xiāo)的應(yīng)用[J].集成電路應(yīng)用，2019，36（11）：90-91.

[12]?張偉，張善鵬，高源，等.以經(jīng)典SSH架構(gòu)為基礎(chǔ)的電力營(yíng)銷(xiāo)服務(wù)系統(tǒng)設(shè)計(jì)研究[J].自動(dòng)化技術(shù)與應(yīng)用，2019，38（10）：162-165.

[13]柳鈺琪，郝明輝.電力營(yíng)銷(xiāo)市場(chǎng)的特點(diǎn)及營(yíng)銷(xiāo)策略[J].黑龍江科學(xué)，2019，10（24）：144-145.

[14]郭薇.淺析新形勢(shì)下如何做好電力企業(yè)電力營(yíng)銷(xiāo)及優(yōu)質(zhì)服務(wù)[J].價(jià)值工程，2019，38（20）：86-88.

[15]張慧琦，張婉琳，王海濤.市場(chǎng)經(jīng)濟(jì)條件下電力市場(chǎng)的營(yíng)銷(xiāo)策略[J].黑龍江科學(xué)，2019，10（22）：124-125.

[16]吳偉杰.遠(yuǎn)程用電檢查技術(shù)在電力營(yíng)銷(xiāo)的應(yīng)用[J].集成電路應(yīng)用，2019，36（12）：92-93.

收稿日期：2021-06-18;修回日期：2022-04-13

作者簡(jiǎn)介：李素瑩（1990-），女，本科，工程師，主要從事電力營(yíng)銷(xiāo)大客戶(hù)數(shù)據(jù)服務(wù)方面工作。

基金項(xiàng)目：廣東電網(wǎng)有限責(zé)任公司佛山供電局資金資助項(xiàng)目（項(xiàng)目編號(hào)：030600KK52190266）。