[发明专利]一种基于交并比密度聚类的电力客户画像方法

说明书

本发明涉及电力行业客户管理技术领域，具体涉及一种基于交并比密度聚类的电力客户画像方法。包括收集样本集，并对样本对样本集进行经缺失值处理、一致性检查、噪声检测和归一化处理；构建电力客户用电行为标签；对完成的标签进行赋值然后对其进行用电行为聚类：根据初步聚类结果计算每个类簇中所有样本的均值；利用得到的均值计算不同类簇间的相似度，得到类簇相似度矩阵，然后根据相似度将潜在的相似类簇进行合并，直到得到最终的类簇个数。本发明是一种能够为不同用电群体提供差异化服务的基于交并比密度聚类的电力客户画像方法。

技术领域

本发明涉及电力行业客户管理技术领域，具体涉及一种基于交并比密度聚类的电力客户画像方法。

背景技术

目前由于电气化水平提升以及社会信息化普及等因素，供电企业开始突显诸多弊端，使电力营销与高质量服务矛盾日益激化。客户开始对电力质量要求提高，尽管供电企业一直在提升客户满意度，但每年投诉工单仍较多。此外，电力营销系统储备了海量电力数据，但这些数据没被有效利用。如今大数据技术已成为一种趋势，不少行业已建立与大数据相关的营销体系，建立企业客户画像，帮助企业进行精准营销和信息推荐，在金融、电信、交通、医疗教育等行业已得到一些应用。国内外不少行业在营销体系中进行客户画像，实现精准营销与个性化推荐等，推动多渠道发展。随着电力体制改革深化，电力营销部门也着手电力客户画像，目的不仅在人文关怀、客户满意度上，更是对售电侧放开后的一种提前准备，因此电力营销信息化客户画像的应用研究具有深远意义。电网企业具备多年海量电力数据，数据资源储备充足。依托多数据融合、数据分析挖掘、可视化、数据存储与处理等大数据技术融合电力数据，对电力用户客户画像在技术层面已成为可能。电力营销信息化客户画像的应用研究在需求、资源和技术方面都具备了执行条件，是更好地服务用户，提高电力用户满意度的保证。

其中，在现有的密度聚类算法中，根据数据集规模的需要须定义截断距离，然而没有客观的度量标准来衡量数据集是大规模还是小规模，不同的密度度量准则和截断距离会对聚类结果造成较大影响。同时不同类别的分配策略易产生类别分配的连带错误，即一旦某一个样本分配错误，会导致后续一连串的样本分配错误。

为此，我们提出一种基于交并比密度聚类的电力客户画像方法。

发明内容

本发明的目的是提供一种基于交并比密度聚类的电力客户画像方法，以解决现有的密度聚类算法中不能根据数据集规模定义截断距离、没有客观的度量标准来衡量数据集是大规模还是小规模以及不同类别的分配策略易产生类别分配的连带错误的问题。

一种基于交并比密度聚类的电力客户画像方法，包括以下步骤：

S1：收集样本集，并对样本对样本集进行经缺失值处理、一致性检查、噪声检测和归一化处理；

S2：构建电力客户用电行为标签；

S3：对步骤S2完成的标签进行赋值然后对其进行用电行为聚类：

S4：根据步骤S3中得到的初步聚类结果计算每个类簇中所有样本的均值；

S5：利用步骤S5得到的均值计算不同类簇间的相似度，得到类簇相似度矩阵，然后根据相似度将潜在的相似类簇进行合并，直到得到最终的类簇个数。

进一步地，所述的步骤S1中，样本集为X＝(x₁，x₂，...，x_m)，其中m为样本的数量。

进一步地，所述的步骤S2中，所述的电力客户用电行为标签不止包括容量、用电类型、季节特征、温度敏感度、负荷稳定性、容量利用率、节假日用电特征、峰值特征、用电量增长与减少情况。

进一步地，所述的步骤S3中，电行为聚类步骤包括：

S3.1：计算任意两个样本x_i与x_j之间的距离d_ij，得到距离矩阵D；