孔繁春，王婷，李旭東

（內(nèi)蒙古電力營(yíng)銷(xiāo)服務(wù)與運(yùn)營(yíng)管理中心，內(nèi)蒙古呼和浩特 010000）

為了進(jìn)一步提升電力網(wǎng)絡(luò)的服務(wù)質(zhì)量，為電力客戶及用戶提供智能的面向?qū)ο蠓?wù)，需要研究電力客戶的用戶行為特征挖掘和檢測(cè)技術(shù)，對(duì)改進(jìn)電力網(wǎng)絡(luò)的服務(wù)質(zhì)量具有重要意義，相關(guān)的電力客戶行為分析方法研究受到人們的極大關(guān)注[1]。

當(dāng)前，對(duì)電力客戶行為分析和聯(lián)合特征檢測(cè)建立在對(duì)電力客戶行為的大數(shù)據(jù)融合和數(shù)據(jù)挖掘基礎(chǔ)上，傳統(tǒng)方法中，對(duì)電力客戶行為分析的方法主要有基于模糊聚類(lèi)的電力客戶用電行為模式畫(huà)像[2]、智能用電用戶行為分析的聚類(lèi)優(yōu)選策略[3]以及基于時(shí)間序列建模的電力營(yíng)銷(xiāo)客戶交易行為分析方法[4]等，但是其進(jìn)行電力客戶行為分析的收斂性不好，特征聚類(lèi)性不強(qiáng)，導(dǎo)致大規(guī)模電力客戶行為分析能力較弱。針對(duì)上述問(wèn)題，該文提出基于動(dòng)態(tài)網(wǎng)格生成技術(shù)和k-means 算法的電力客戶行為分析方法，其創(chuàng)新之處在于將動(dòng)態(tài)網(wǎng)格生成技術(shù)和k-means 算法相結(jié)合，建立電力客戶行為的輸出可靠性狀態(tài)參數(shù)集，以提取出的電力客戶行為特征為基礎(chǔ)，實(shí)時(shí)挖掘和量化分析電力客戶行為，展示了該文方法在提高電力客戶行為規(guī)劃分析能力方面的優(yōu)越性能。

1 電力客戶行為參數(shù)大數(shù)據(jù)挖掘和動(dòng)態(tài)網(wǎng)格生成處理

1.1 電力客戶行為參數(shù)大數(shù)據(jù)挖掘

首先，根據(jù)電力客戶行為的確定性和非確定性特征量實(shí)現(xiàn)對(duì)電力客戶行為的特征挖掘[5]，采樣分叉樹(shù)模型設(shè)計(jì)電力客戶的網(wǎng)格分布結(jié)構(gòu)，如圖1 所示。

圖1 電力客戶的網(wǎng)格分布結(jié)構(gòu)

根據(jù)圖1 所示，結(jié)合指向性增益控制方法分析電力客戶行為分布大數(shù)據(jù)的動(dòng)態(tài)網(wǎng)格特征參數(shù)，進(jìn)行總線網(wǎng)絡(luò)控制，得到電力客戶行為參數(shù)的時(shí)間窗口采樣指標(biāo)＜ts,te＞，結(jié)合電力客戶行為的特征分布集，通過(guò)置信度區(qū)間融合聚類(lèi)分析[6]，得到電力客戶行為大數(shù)據(jù)分布的時(shí)間窗口函數(shù)W=te-ts，設(shè)電力客戶行為特征分布間隔為Δw，將電力客戶行為大數(shù)據(jù)分布的時(shí)間窗口W劃分為n+1 個(gè)向量量化集，得到電力客戶行為大數(shù)據(jù)分布的關(guān)聯(lián)規(guī)則項(xiàng)：假設(shè)電力客戶行為特征分量為S={s1,s2,…,sm}，進(jìn)行效益度變換，得到電力客戶行為參數(shù)分布的分布子序列在＜ts,te＞期間的屬性聚類(lèi)子集，通過(guò)電力客戶行為參數(shù)的融合度采樣，得到電力客戶行為結(jié)構(gòu)圖，如圖2 所示。

圖2 電力客戶行為結(jié)構(gòu)圖

其次，設(shè)電力客戶行為的特征分布域?yàn)镼，采用粗糙集項(xiàng)估計(jì)的方法[7]，得到電力客戶行為特征分布的互信息量為qi，計(jì)算電力客戶行為特征分布的非空有限論域Δw，進(jìn)而得到電力客戶行為挖掘的檢測(cè)統(tǒng)計(jì)量：

其中，λ為電力客戶行為特征分布的加權(quán)系數(shù)。

最后，引入電力客戶行為大數(shù)據(jù)分布的關(guān)聯(lián)規(guī)則項(xiàng)，采用相對(duì)獨(dú)立的隨機(jī)分布序列進(jìn)行參數(shù)識(shí)別，得到電力客戶行為的統(tǒng)計(jì)量化特征，計(jì)算電力客戶行為的關(guān)聯(lián)時(shí)間信息分布的帶寬。

根據(jù)上述分析，實(shí)現(xiàn)電力客戶行為大數(shù)據(jù)挖掘和特征采樣模型，得到電力客戶行為大數(shù)據(jù)挖掘的界面如圖3 所示。

圖3 電力客戶行為大數(shù)據(jù)挖掘界面

1.2 電力客戶行為特征動(dòng)態(tài)網(wǎng)格生成處理

采用動(dòng)態(tài)網(wǎng)格生成技術(shù)中的分塊區(qū)域網(wǎng)格劃分方法，結(jié)合指向性增益控制方法分析電力客戶行為分布大數(shù)據(jù)的動(dòng)態(tài)網(wǎng)格特征參數(shù)，得到電力客戶行為分布大數(shù)據(jù)的有限論域U′。電力客戶行為分布大數(shù)據(jù)融合的網(wǎng)格分塊特征匹配集為∫(pch-1+1,pch-1+2,…,pch)dh，將電力客戶行為分布網(wǎng)格區(qū)域分為h個(gè)連續(xù)的網(wǎng)格，表示為Ph：

結(jié)合模糊子序列融合調(diào)度的方法，采用嵌入式的程序調(diào)度，構(gòu)建電力客戶行為分布大數(shù)據(jù)E-Learning學(xué)習(xí)模型。

進(jìn)行頻繁項(xiàng)集挖掘，得到在電力用戶的可靠性行為模式下，電力客戶用戶行為的特征向量為x=[x1x2…xk]，以電力客戶用戶行為的關(guān)聯(lián)節(jié)點(diǎn)ai進(jìn)行分塊區(qū)域調(diào)度，得到電力客戶用戶行為的屬性值α。在用戶行為特征的信息交換中心[8]，輸出的電力客戶用戶行為數(shù)據(jù)大演化模型滿足x?Sα，0 ＜α＜2，采用三元組形式表示電力客戶用戶行為的自相關(guān)特征分布集：

在關(guān)聯(lián)約束下，得到電力客戶用戶行為特征聚類(lèi)的Wigner-Ville 分布滿足：

在Wigner-Ville 分布空間[9-11]，實(shí)現(xiàn)對(duì)電力客戶用戶行為的融合聚類(lèi)和統(tǒng)計(jì)分析。

以此，采用分塊網(wǎng)格融合方法，提高電力客戶用戶行為的檢測(cè)和識(shí)別能力。

2 電力客戶用戶行為定量分析優(yōu)化

2.1 電力客戶用戶行為的k均值聚類(lèi)處理

結(jié)合指向性增益控制方法分析電力客戶行為分布大數(shù)據(jù)的動(dòng)態(tài)網(wǎng)格特征參數(shù)，通過(guò)動(dòng)態(tài)網(wǎng)格生成技術(shù)，聯(lián)合電力客戶行為的統(tǒng)計(jì)量化特征量[12-13]，得到電力客戶行為的融合度檢測(cè)模型為：

其中，Ei、etSi表示電力客戶行為的k 均值聚類(lèi)的有向圖特征量和頻域分量，進(jìn)行前置特征量約束控制的方法，得到電力客戶行為的可靠性挖掘模型為：

引入自相關(guān)特征，得到電力客戶行為挖掘的融合聚類(lèi)結(jié)果為：

對(duì)電力客戶行為輸出進(jìn)行模糊度控制，得到電力客戶行為參數(shù)分布的有限向量分布集合表示為：

式中，f為電力客戶行為挖掘和特征采集的協(xié)同過(guò)濾參數(shù)模型。

以此，采用模糊度檢測(cè)結(jié)果實(shí)現(xiàn)電力客戶行為挖掘和k 均值聚類(lèi)分析，即在前置特征量約束下，采用k-means 聚類(lèi)算法實(shí)現(xiàn)k 均值聚類(lèi)的初始中心優(yōu)化，從而在減少聚類(lèi)樣本數(shù)據(jù)的同時(shí)，提高傳統(tǒng)k 均值聚類(lèi)的效率，提高對(duì)電力客戶行為可用特征的挖掘效率，使得客戶行為參數(shù)分布的有限向量分布集合獲取過(guò)程的迭代次數(shù)減少。

2.2 電力客戶行為的量化特征分析

為了實(shí)現(xiàn)電力客戶行為的量化特征分析，以電力客戶行為參數(shù)分布的有限向量分布集合為基礎(chǔ)，進(jìn)行先驗(yàn)概率密度特征分析，設(shè)電力客戶行為的融合模型為：

式中，β為電力客戶行為用戶在A、B 之間的模糊狀態(tài)參數(shù)，根據(jù)對(duì)電力客戶用戶C 行為特征的信任權(quán)重分析，得到先驗(yàn)概率密度hp為電力客戶用戶行為的信任度評(píng)價(jià)系數(shù)[14-15]。

對(duì)其分層分布區(qū)域控制，得到電力客戶行為的負(fù)荷均衡交叉調(diào)度模型，整個(gè)調(diào)度過(guò)程為：

對(duì)電力客戶行為進(jìn)行二階統(tǒng)計(jì)特征量檢測(cè)，得到分布式加速交替聚類(lèi)的特征函數(shù)為：

以電力客戶用戶行為的信任度評(píng)價(jià)系數(shù)為判斷依據(jù)，分析電力客戶用戶行為參數(shù)集，在安全運(yùn)行約束條件下，得到電力客戶用戶行為的分布式區(qū)間協(xié)調(diào)控制模型。

綜上分析，對(duì)提取的電力客戶行為特征采用了k-means 聚類(lèi)方法，實(shí)現(xiàn)對(duì)電力客戶行為的優(yōu)化挖掘和量化分析。

3 仿真分析

為了驗(yàn)證該方法在實(shí)現(xiàn)電力客戶行為特征分析中的應(yīng)用性能，采用Matlab進(jìn)行仿真實(shí)驗(yàn)，在用戶行為特征的信息交換中心，參考文獻(xiàn)[8]，輸出的電力客戶用戶行為數(shù)據(jù)大演化模型滿足x?Sα，0 ＜α＜2，由于實(shí)驗(yàn)是基于分塊網(wǎng)格進(jìn)行的，因此，可在約束范圍內(nèi)隨機(jī)設(shè)定參數(shù)，進(jìn)而隨機(jī)匹配分塊網(wǎng)絡(luò)，由此設(shè)置電力客戶行為特征參數(shù)的分布為：α1=0.9，α2=0.024，hp=0.012 5，對(duì)電力客戶行為數(shù)據(jù)采樣的測(cè)試集為12 000 MB，訓(xùn)練子集為540 MB，電力客戶行為區(qū)域耦合系數(shù)為0.24，電力客戶行為參數(shù)分布的節(jié)點(diǎn)集合為{4,6,…,12,23,25,27}，根據(jù)上述參數(shù)設(shè)定，進(jìn)行電力客戶行為特征分析，得到電力客戶行為數(shù)據(jù)采集結(jié)果如圖4 所示，將其以網(wǎng)格節(jié)點(diǎn)分布幅值的形式表現(xiàn)出來(lái)。

圖4 電力客戶行為數(shù)據(jù)采集結(jié)果

根據(jù)圖4 對(duì)電力客戶行為特征的大數(shù)據(jù)采集結(jié)果，利用該文方法和文獻(xiàn)[2]方法、文獻(xiàn)[3]方法分別進(jìn)行電力客戶行為的量化分析，建立電力客戶行為的輸出可靠性狀態(tài)參數(shù)集，實(shí)現(xiàn)對(duì)電力客戶行為的特征聚類(lèi)，得到聚類(lèi)結(jié)果如圖5 所示。

分析圖5 得知，該文方法進(jìn)行電力客戶行為分析的特征聚類(lèi)性較好，保證了整體收斂效果，這是因?yàn)槠涓鶕?jù)電力客戶行為的確定性和非確定性特征量實(shí)現(xiàn)對(duì)電力客戶行為的特征挖掘，提高了對(duì)電力客戶行為特征的聚類(lèi)分析能力。

圖5 電力客戶行為的特征聚類(lèi)結(jié)果

測(cè)試電力客戶行為分析后的電力客戶的服務(wù)質(zhì)量水平，如圖6 所示。

圖6 電力客戶服務(wù)質(zhì)量水平測(cè)試

分析圖6 得知，通過(guò)對(duì)電力客戶服務(wù)質(zhì)量水平測(cè)試分析，該文方法帶寬較大，服務(wù)質(zhì)量較高，因?yàn)槠鋵?duì)提取的電力客戶行為特征采用k-means 聚類(lèi)方法，收斂性較佳，可以在較短時(shí)間內(nèi)、最大程度上挖掘客戶行為特征，即優(yōu)化挖掘和量化分析電力客戶行為，提高了對(duì)電力客戶的服務(wù)質(zhì)量水平。

測(cè)試電力客戶行為分析的準(zhǔn)確率，得到對(duì)比結(jié)果如圖7 所示。

圖7 電力行為特征分析準(zhǔn)確性測(cè)試

分析圖7 得到，因?yàn)樵撐牟捎梅謮K網(wǎng)格融合方法，提高電力客戶用戶行為的檢測(cè)和識(shí)別能力，所以該文方法進(jìn)行電力客戶行為的特征分析的準(zhǔn)確性較高，準(zhǔn)確率最高可達(dá)0.98，解決了電力行為特征分析可靠性不高的問(wèn)題[16-19]。

4 結(jié)束語(yǔ)

該文提出基于動(dòng)態(tài)網(wǎng)格生成技術(shù)和k-means 算法的電力客戶行為分析方法，采用k-means 聚類(lèi)方法和塊網(wǎng)格融合方法構(gòu)建優(yōu)化的電力客戶的用戶行為分析模型，收斂性、可靠性、準(zhǔn)確性均得到保證，可以提高電力客戶的量化分析能力，進(jìn)一步提高了電力系統(tǒng)整體服務(wù)質(zhì)量。