李素瑩

（廣東電網(wǎng)有限責任公司 佛山供電局，廣東 佛山 528000）

目前在人們的生活中已經(jīng)離不開電力，電力已然成為人類生活的主要能源之一。在這樣的背景下，電力信息化建設發(fā)展迅速，不斷跟隨社會的發(fā)展，擴展電力業(yè)務范圍。在電力業(yè)務擴展的過程中，電力行業(yè)政策隨著市場情況不斷變化，導致電力市場競爭更加激烈，促使電力企業(yè)內(nèi)部建立起完善的電力營銷體系。此外，為滿足社會發(fā)展，人類對電力需求增強，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)當中，導致電力企業(yè)運行面臨嚴峻挑戰(zhàn)。因此，在電力企業(yè)中，提出電力營銷體系。

基于此，相關(guān)領(lǐng)域?qū)W者十分重視電力企業(yè)營銷體系，提出電力營銷一體化模型體系，轉(zhuǎn)變電力營銷模式、用戶角色、硬件設施，從而提高電力企業(yè)營銷工作能力。在電力營銷體系中，引入貝葉斯網(wǎng)絡，挖掘營銷客戶數(shù)據(jù)，評估用戶潛在價值，從而根據(jù)用戶特點，提供電力業(yè)務。對目前電力企業(yè)營銷體系進行了分析，發(fā)現(xiàn)電力企業(yè)營銷工作存在工作效率低等工作問題，設計出掌上營銷系統(tǒng)，提高電力企業(yè)營銷工作效率。雖然上述方法取得了一定的研究成果，但存在營銷電力節(jié)能業(yè)務精準度較低的問題。針對上述研究存在的問題，提出差異化密度聚類下的電力節(jié)能業(yè)務精準營銷算法，引入差異化密度聚類算法，分析電力節(jié)能用戶分布情況，從而根據(jù)用戶具體情況，為用戶提供節(jié)能業(yè)務營銷服務，提高電力節(jié)能業(yè)務營銷精度。

1 差異化密度聚類下的電力節(jié)能業(yè)務精準營銷算法

1.1 挖掘電力用戶用電數(shù)據(jù)

用戶用電數(shù)據(jù)是以數(shù)據(jù)庫記錄的形式，存儲在電力企業(yè)客戶數(shù)據(jù)庫中。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，組成一個特征向量。除特征向量外，用戶用電數(shù)據(jù)，還有一個特定的類別標簽，與屬性相對應?；诖?，將電力企業(yè)客戶信息數(shù)據(jù)庫中，存儲的電力用電數(shù)據(jù)樣本向量記為(,,…,o;)，其中：o表示第個屬性的字段；表示屬性總數(shù)；表示電力用電數(shù)據(jù)樣本類別。

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

在電力用戶數(shù)據(jù)庫中，存儲的單個用戶數(shù)據(jù)，作為決策樹構(gòu)建節(jié)點，判斷選擇的單個用戶數(shù)據(jù)是否屬于同一個類別。當單個用戶數(shù)據(jù)屬于同一個類別時，將該數(shù)據(jù)節(jié)點，記為決策樹樹葉，并用該類別對單個用戶數(shù)據(jù)進行標記。當單個用戶數(shù)據(jù)不屬于同一個類別時，標記該數(shù)據(jù)節(jié)點中最普通的類別，并計算該數(shù)據(jù)節(jié)點的信息量和信息熵，其計算公式如下：

式中：p表示第個電力用戶數(shù)據(jù)樣本，屬于數(shù)據(jù)樣本類別的概率。

根據(jù)公式計算該數(shù)據(jù)節(jié)點的信息量和信息熵的結(jié)果，挑選該數(shù)據(jù)樣本分類屬性，選擇信息量和信息熵值最高的屬性，作為該數(shù)據(jù)節(jié)點的“測試”屬性節(jié)點。依據(jù)“測試”屬性節(jié)點的已知值，創(chuàng)建一個樹的分枝，并根據(jù)這些分枝劃分電力用戶數(shù)據(jù)。

此時，利用該用戶數(shù)據(jù)節(jié)點，根據(jù)“測試”屬性節(jié)點的已知值，長出帶有“測試”屬性的分枝，并讓該用戶數(shù)據(jù)節(jié)點中的“測試”屬性分枝組成集合，判斷集合是否為空集合。

當集合為空集合時，需要在樹上增加一片樹葉，并將其標記為該數(shù)據(jù)節(jié)點的最普通類。按照上述過程，構(gòu)建決策樹，不需要考慮該用戶數(shù)據(jù)節(jié)點的后代節(jié)點。當給定節(jié)點的所有數(shù)據(jù)樣本均屬于類時，即完成決策樹構(gòu)建。

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

1.2 確定電力節(jié)能用戶分布

將決策樹算法挖掘到的電力節(jié)能用戶數(shù)據(jù)，作為差異化密度聚類對象集，給定對象集的鄰域Υ和領(lǐng)域閾值。從對象集中，選擇任意對象Ψ，作為差異化密度聚類對象集的核心，尋找Ψ的所有密度可達對象。

當Ψ屬于對象集的核心對象時，則差異化密度聚類算法可以找到Υ 和的簇；當Ψ屬于對象集的邊界點時，則Ψ的領(lǐng)域所包含的對象個數(shù)小于閾值，則Ψ不存在密度可達對象，此時，將Ψ標記為噪聲點，記為。其差異化密度聚類如圖1所示。

圖1 差異化密度聚類示意圖Fig. 1 Differentiated density clustering diagram

圖1中，、、、、、均表示差異化密度聚類對象集的核心點，其中，、、表示密度是有連接關(guān)系的；密度直接可達；密度直接可達；密度間接可達。

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

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

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H；

步驟3：判斷集合H是否為空集；

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

在空間中，聚集電力用戶用電數(shù)據(jù)，確定子空間中的聚類。處理上述過程中，丟失的數(shù)據(jù)對象，并合并空間中的子簇。生成電力用戶用電數(shù)據(jù)聚類描述，確保每一個類別中，至少包含一個區(qū)域集合。至此，完成電力節(jié)能用戶聚類。

根據(jù)此次研究設計的聚類過程，得到的電力節(jié)能用戶分布情況，為非電力節(jié)能用戶提供電力節(jié)能業(yè)務。

1.3 精準營銷電力節(jié)能業(yè)務

依據(jù)此次研究，確定的精準營銷對象，建立電力節(jié)能業(yè)務精準營銷目標函數(shù)，需要將其分為用戶用電效益和供電公司收益，分別建立營銷目標函數(shù)，其中，用戶用電效益函數(shù)(,)為：

式中：表示用戶的用電量；＞0表示目標函數(shù)的參數(shù)；＞0表示目標函數(shù)約束。

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

式中：表示時間；x()表示位用戶在時刻時的用電量；()表示電力企業(yè)銷售商購買的電量；$表示電力企業(yè)供電收益；表示1 d；表示用戶總數(shù)量；∈，表示用戶任意數(shù)量； $()表示位用戶在時刻時購電的電價； ￥()表示電力企業(yè)銷售商購買的電價；表示用戶對電能的需求量；w()表示位用戶在時刻時的約束。

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

綜合上述計算過程，所建立的電力節(jié)能業(yè)務精準營銷算法流程如下：①初始化電力用戶，挖掘電力用戶用電數(shù)據(jù)；②劃分電力用戶用電數(shù)據(jù)，選擇用戶中的非節(jié)能用戶；③采用差異化密度聚類，劃分用戶中的非節(jié)能用戶分布情況；④根據(jù)此次研究建立的目標函數(shù)，計算用戶是否滿足用電節(jié)能業(yè)務條件；⑤記錄每位用戶的適應個體數(shù)值，尋找最佳最優(yōu)用電節(jié)能業(yè)務對應用戶，并判斷該用戶是否滿足式（4）所示的約束條件；⑥當滿足約束條件時，終止循環(huán)，輸出最優(yōu)用戶；當不滿足約束條件時，則返回④繼續(xù)循環(huán)。通過上述步驟，實現(xiàn)電力節(jié)能業(yè)務精準營銷。

2 實驗分析

為了驗證差異化密度聚類下的電力節(jié)能業(yè)務精準營銷算法的有效性，在Inter Core i5-3470 處理器、8.0 GB內(nèi)存、32位Windows7操作系統(tǒng)下運行。選擇文獻[6]和文獻[7]兩組當前營銷算法，以對比實驗的方式，采用電力節(jié)能業(yè)務，作為此次實驗研究對象。在Matlab 2010b算法仿真軟件上，運行3組營銷算法，對比驗證此次研究的電力節(jié)能業(yè)務精準營銷算法，為用戶提供電力節(jié)能業(yè)務精準程度。

2.1 實驗準備

根據(jù)此次實驗選擇的3組營銷算法，所設計的營銷算法在仿真軟件上運行環(huán)境如圖2所示。

圖2 算法運行環(huán)境Fig. 2 Running environment of the algorithm

基于此次實驗設置的營銷算法運行環(huán)境，采用如圖3所示的某市24 h的用電量，作為此次實驗數(shù)據(jù)。

圖3 某市24 h用電量Fig.3 24 h electricity consumption in a city

根據(jù)此次實驗選擇的實驗數(shù)據(jù)，從該市中選擇12位用戶，作為此次實驗自變量。采用3組營銷算法，根據(jù)圖3所示的某市24 h用電量數(shù)據(jù)，劃分12位用戶耗電量、用電總?cè)萘俊⒔灰纂娏?個類別，并與12位用戶的實際類別相對比，驗證此次研究的營銷算法，為用戶提供電力節(jié)能業(yè)務精準程度。

2.2 實驗結(jié)果

2.2.1 第1組實驗結(jié)果

采用3組營銷算法，劃分12位用戶耗電量結(jié)果，如表1所示。

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

表1 用戶耗電量Tab. 1 Power consumption of users

2.2.2 第2組實驗結(jié)果

采用3組營銷算法，劃分12位用戶用電總?cè)萘拷Y(jié)果，如表2所示。

表2 用戶用電總?cè)萘縏ab.2 Total electricity capacity of users

由表2可知，文獻[7]算法劃分12位用戶用電總?cè)萘拷Y(jié)果，與用戶實際用電總?cè)萘科骄嗖?47 kW，產(chǎn)生的差值最大；文獻[6]算法劃分12位用戶戶用電總?cè)萘拷Y(jié)果，與用戶實際用電總?cè)萘科骄嗖?65 kW，產(chǎn)生的差值偏大；所提算法劃分12位用戶用電總?cè)萘拷Y(jié)果，與用戶實際用電總?cè)萘科骄嗖? kW，較2組當前算法分別少262 kW和344 kW，產(chǎn)生的差值最小。由此可知，所提算法的用戶用電總?cè)萘颗c實際用戶用電總?cè)萘肯嘟?，可以為用戶提供精準的電力?jié)能業(yè)務。2.2.3 第3組實驗結(jié)果采用3組營銷算法，劃分12位用戶交易電量結(jié)果，如表3所示。

表3 用戶交易電量Tab.3 User trading power

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

3 結(jié)語

此次研究差異化密度聚類下的電力節(jié)能業(yè)務精準營銷算法，通過構(gòu)建用戶用電數(shù)據(jù)挖掘決策樹，在挖掘到的電力用戶用電數(shù)據(jù)基礎上，充分利用差異化密度聚類算法，劃分電力用戶用電數(shù)據(jù)，確定電力節(jié)能用戶分布。通過建立營銷目標函數(shù)，設置最小用電量約束，提高電力節(jié)能業(yè)務營銷精準度。