差异化密度聚类下的电力节能业务精准营销算法

摘 要：针对当前营销算法，设置用电量约束范围较广，导致电力节能业务营销精准度较低的问题，提出差异化密度聚类下的电力节能业务精准营销算法。构建用户用电数据挖掘决策树，深入挖掘用户用电数据，采用差異化密度聚类算法，划分用户电力数据，确定电力节能用户分布。从用户用电效用和供电公司收益两方面，建立营销目标函数，设置用电量约束和最小用电量约束，实现电力节能业务精准营销。实验结果表明：所提算法的用户耗电量、用电总容量和交易电量，与其实际值相差较小，能够有效提高电力节能业务营销精准度，为用户提供精准的电力节能业务。

关键词：差异化;密度聚类;电力;节能业务;精准营销

中图分类号：TP302.1 文献标识码：A 文章编号：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

目前在人们的生活中已经离不开电力，电力已然成为人类生活的主要能源之一[1]。在这样的背景下，电力信息化建设发展迅速，不断跟随社会的发展，扩展电力业务范围[2]。在电力业务扩展的过程中，电力行业政策随着市场情况不断变化，导致电力市场竞争更加激烈，促使电力企业内部建立起完善的电力营销体系[3]。此外，为满足社会发展，人类对电力需求增强，用电量不断增加，传统发电能源逐渐枯竭，新型发电能源还在研发当中，导致电力企业运行面临严峻挑战[4]。因此，在电力企业中，提出电力营销体系。

基于此，相关领域学者十分重视电力企业营销体系，提出电力营销一体化模型体系，转变电力营销模式、用户角色、硬件设施，从而提高电力企业营销工作能力[5]。在电力营销体系中，引入贝叶斯网络，挖掘营销客户数据，评估用户潜在价值，从而根据用户特点，提供电力业务[6]。对目前电力企业营销体系进行了分析，发现电力企业营销工作存在工作效率低等工作问题，设计出掌上营销系统，提高电力企业营销工作效率[7]。虽然上述方法取得了一定的研究成果，但存在营销电力节能业务精准度较低的问题。针对上述研究存在的问题，提出差异化密度聚类下的电力节能业务精准营销算法，引入差异化密度聚类算法，分析电力节能用户分布情况，从而根据用户具体情况，为用户提供节能业务营销服务，提高电力节能业务营销精度。

1 差异化密度聚类下的电力节能业务精准 营销算法

1.1 挖掘电力用户用电数据

用户用电数据是以数据库记录的形式，存储在电力企业客户数据库中。这些数据包含姓名、用电量、地址等属性信息，并由这些属性信息，组成一个特征向量[8]。除特征向量外，用户用电数据，还有一个特定的类别标签，与属性相对应[9]。基于此，将电力企业客户信息数据库中，存储的电力用电数据样本向量记为（o1，o2，…，on;c），其中：on表示第n个属性的字段;n表示属性总数;c表示电力用电数据样本类别。

根据数据属性，采用决策树算法，深入挖掘用户用电数据。构建电力用户用电数据挖掘决策树，其构建过程如下：

在电力用户数据库中，存储的单个用户数据，作为决策树构建节点N，判断选择的单个用户数据是否属于同一个类别c。当单个用户数据属于同一个类别c时，将该数据节点N，记为决策树树叶，并用该类别对单个用户数据进行标记。当单个用户数据不属于同一个类别时，标记该数据节点N中最普通的类别，并计算该数据节点N的信息量I和信息熵E，其计算公式如下：

式中：pj表示第j个电力用户数据样本，属于数据样本类别c的概率[10]。

根据公式计算该数据节点N的信息量I和信息熵E的结果，挑选该数据样本分类属性，选择信息量I和信息熵E值最高的属性，作为该数据节点的“测试”属性节点N。依据“测试”属性节点N1的已知值α，创建一个树的分枝，并根据这些分枝划分电力用户数据。

此时，利用该用户数据节点N，根据“测试”属性节点的已知值α，长出带有“测试”属性的分枝，并让该用户数据节点N中的“测试”属性分枝组成集合s，判断集合s是否为空集合。

当集合s为空集合时，需要在树上增加一片树叶，并将其标记为该数据节点N的最普通类。按照上述过程，构建决策树，不需要考虑该用户数据节点N的后代节点。当给定节点N的所有数据样本均属于c类时，即完成决策树构建。

基于此次研究，构建的决策树，即可挖掘出电力企业客户数据库中存储的用户用电数据，根据这些数据，可以推断该用户是否为节能用户。

1.2 确定电力节能用户分布

将决策树算法挖掘到的电力节能用户数据，作为差异化密度聚类对象集Ψ，给定对象集的邻域和领域阈值ε。从对象集Ψ中，选择任意对象Ψj，作为差异化密度聚类对象集Ψ的核心，寻找Ψj的所有密度可达对象。

当Ψj属于对象集Ψ的核心对象时，则差异化密度聚类算法可以找到和ε的簇;当Ψj属于对象集Ψ的边界点时，则Ψj的领域所包含的对象个数小于阈值ε，则Ψj不存在密度可达对象，此时，将Ψj标记为噪声点，记为S [11]。其差异化密度聚类如图1所示。

图1中，O0、O1、O2、q0、q1、q2均表示差异化密度聚类对象集Ψ的核心点，其中，O0、O1、O2表示密度是有连接关系的;q1密度直接可达q0;q2密度直接可达q1;q2密度间接可达q0[12]。

依据图1的差异化密度聚类示意图，确定的电力节能用户分布步骤如下：

步骤1：遍历挖掘到的电力用户用电数据，以一维单元格为目标，组成一维密集单元格集合H1;

步骤2：按照数据维度，直至生成维的候选密集单元格集合Hk+1;

步骤3：判断集合Hk+1是否为空集;

步骤4：当时，结束算法，直接输出电力用户数据子空间;当时，返回步骤：1。

在空间中，聚集电力用户用电数据，确定子空间中的聚类。处理上述过程中，丢失的数据对象，并合并空间中的子簇。生成电力用户用电数据聚类描述，确保每一个类别中，至少包含一个区域集合[13]。至此，完成电力节能用户聚类。

根据此次研究设计的聚类过程，得到的电力节能用户分布情况，为非电力节能用户提供电力节能业务。

1.3 精准营销电力节能业务

依据此次研究，确定的精准营销对象，建立电力节能业务精准营销目标函数，需要将其分为用户用电效益和供电公司收益，分别建立营销目标函数，其中，用户用电效益函数U（x，y）为：

式中：x表示用户的用电量;β>0表示目标函数的参数;w>0表示目标函数约束[14]。

相比用户用电效益函数，供电企业函数包含较广，且受用户用电量制约，基于此，建立的供电公司供电收益目标函数如下式所示：

式中：t表示时间;xm（t）表示m位用户在时刻t时的用电量;D（t）表示电力企业销售商购买的电量;表示电力企业供电收益;d表示1 d;M表示用户总数量;m∈M，表示用户任意数量; m（t）表示位用户在时刻t时购电的电价;（t）表示电力企业销售商购买的电价;X表示用户对电能的需求量;wm（t）表示m位用户在时刻t时的约束[15]。

针对此次研究建立的目标函数，所设置的目标函数约束w，將其分为用电量约束和最小用电量约束，如下式所示：

式中：表示m位用户在时刻t时的最小用电量;A表示1 d中所需要的最小电量;表示m位用户在时刻t时的最大用电量[16]。

综合上述计算过程，所建立的电力节能业务精准营销算法流程如下：①初始化电力用户，挖掘电力用户用电数据;②划分电力用户用电数据，选择用户中的非节能用户;③采用差异化密度聚类，划分用户中的非节能用户分布情况;④根据此次研究建立的目标函数，计算用户是否满足用电节能业务条件;⑤记录每位用户的适应个体数值，寻找最佳最优用电节能业务对应用户，并判断该用户是否满足式（4）所示的约束条件;⑥当满足约束条件时，终止循环，输出最优用户;当不满足约束条件时，则返回④继续循环。通过上述步骤，实现电力节能业务精准营销。

2 实验分析

为了验证差异化密度聚类下的电力节能业务精准营销算法的有效性，在Inter Core i5-3470 处理器、8.0 GB内存、32位Windows7操作系统下运行。选择文献[6]和文献[7]两组当前营销算法，以对比实验的方式，采用电力节能业务，作为此次实验研究对象。在Matlab 2010b算法仿真软件上，运行3组营销算法，对比验证此次研究的电力节能业务精准营销算法，为用户提供电力节能业务精准程度。

2.1 实验准备

根据此次实验选择的3组营销算法，所设计的营销算法在仿真软件上运行环境如图2所示。

基于此次实验设置的营销算法运行环境，采用如图3所示的某市24 h的用电量，作为此次实验数据。

根据此次实验选择的实验数据，从该市中选择12位用户，作为此次实验自变量。采用3组营销算法，根据图3所示的某市24 h用电量数据，划分12位用户耗电量、用电总容量、交易电量3个类别，并与12位用户的实际类别相对比，验证此次研究的营销算法，为用户提供电力节能业务精准程度。

2.2 实验结果

2.2.1 第1组实验结果

采用3组营销算法，划分12位用户耗电量结果，如表1所示。

从表1中可以看出，文献[7]算法划分12位用户耗电量结果，与用户实际耗电量平均相差178 kW·h，产生的差值最大;文献[6]算法划分12位用户耗电量结果，与用户实际耗电量平均相差59 kW·h，产生的差值次之;而所提算法划分12位用户耗电量结果，与用户实际耗电量平均相差2 kW·h，较两组当前算法分别少57 kW·h和176 kW·h，产生的差值最小。由此可知，所提算法的用户耗电量与实际耗电量较为相符，可以为用户提供精准的电力节能业务。

2.2.2 第2组实验结果

采用3组营销算法，划分12位用户用电总容量结果，如表2所示。

由表2可知，文献[7]算法划分12位用户用电总容量结果，与用户实际用电总容量平均相差347 kW，产生的差值最大;文献[6]算法划分12位用户户用电总容量结果，与用户实际用电总容量平均相差265 kW，产生的差值偏大;所提算法划分12位用户用电总容量结果，与用户实际用电总容量平均相差3 kW，较2组当前算法分别少262 kW和344 kW，产生的差值最小。由此可知，所提算法的用户用电总容量与实际用户用电总容量相近，可以为用户提供精准的电力节能业务。

2.2.3 第3组实验结果

采用3组营销算法，划分12位用户交易电量结果，如表3所示。

由表3可知，文献[7]算法划分12位用户交易电量结果，与用户实际交易电量平均相差146 kW，产生的差值最大;文献[6]算法划分12位用户交易电量结果，与用户实际交易电量平均相差134 kW，产生的差值偏大;所提算法划分12位用户交易电量结果，与用户实际交易电量平均相差1.4 kW，较两组当前算法分别小144.6 kW和132.6 kW，产生的差值最小。由此可知，所提算法的用户交易电量与实际交易电量较为接近，可以为用户提供精准的电力节能业务。

3 结语

此次研究差异化密度聚类下的电力节能业务精准营销算法，通过构建用户用电数据挖掘决策树，在挖掘到的电力用户用电数据基础上，充分利用差异化密度聚类算法，划分电力用户用电数据，确定电力节能用户分布。通过建立营销目标函数，设置最小用电量约束，提高电力节能业务营销精准度。

【参考文献】

[1]葛一统，向锋铭，余桂华，等.大数据背景下的电力营销信息化建设研究[J].华电技术，2021，43（1）76-82.

[2]洪华伟，蔡荣彦，朱玲玲，等.基于数据挖掘技术的电力营销分析系统设计研究[J].电子设计工程，2021，29（7）86-89，94.

[3]彭启慧，宣士斌，高卿.分布的自动阈值密度峰值聚类算法[J].计算机工程与应用，2021，57（5）：71-78.

[4]王芙银，张德生，张晓.结合鲸鱼优化算法的自适应密度峰值聚类算法[J].计算机工程与应用，2021，57（3）94-102.

[5]张凌，田珂，张巍，等.智能电网环境下电力营销管理系统的优化设计[J].计算技术与自动化，2020，39（4）138-141.

[6]庞伟林，宋才华，邓乾.以贝叶斯网络为基础的决策分析系统在电力营销中的应用研究[J].微型电脑应用，2020，36（1）123-126.

[7]唐永刚.电力客户现场服务掌上营销系统的应用[J].黑龙江科学，2020，11（6）128-129.

[8]李鹏鹏，施聚辉，姜朝明，等.基于极限学习机的居民负荷预測及其在电力营销中的应用[J].信息与电脑（理论版），2020，32（23）：9-11.

[9]陈菁.大数据平台下的电力营销信息化建设探析[J].数字技术与应用，2020，38（4）231，233.

[10]魏强.电力营销中用电信息采集系统的建设[J].通信电源技术，2020，37（5）：143-145.

[11] 杨帆，孙艺珍，袁微微，等.数字化技术在电力营销的应用[J].集成电路应用，2019，36（11）：90-91.

[12] 张伟，张善鹏，高源，等.以经典SSH架构为基础的电力营销服务系统设计研究[J].自动化技术与应用，2019，38（10）：162-165.

[13]柳钰琪，郝明辉.电力营销市场的特点及营销策略[J].黑龙江科学，2019，10（24）：144-145.

[14]郭薇.浅析新形势下如何做好电力企业电力营销及优质服务[J].价值工程，2019，38（20）：86-88.

[15]张慧琦，张婉琳，王海涛.市场经济条件下电力市场的营销策略[J].黑龙江科学，2019，10（22）：124-125.

[16]吴伟杰.远程用电检查技术在电力营销的应用[J].集成电路应用，2019，36（12）：92-93.

收稿日期：2021-06-18;修回日期：2022-04-13

作者简介：李素莹（1990-），女，本科，工程师，主要从事电力营销大客户数据服务方面工作。

基金项目：广东电网有限责任公司佛山供电局资金资助项目（项目编号：030600KK52190266）。