基于大数据分析的电力客户服务需求预测

基于大数据分析的电力客户服务需求预测

吴诚,王婷云,郞楠,崔晟豪,任立国

国网客服中心北方分中心  天津市 300300

摘要：针对电力市场随机性、多变量和时变性的特点导致电力客户服务需求预测值不准确的问题，提出了一种基于大数据分析的电力客户服务需求预测方法。该方法依托于国网公司智能电网大数据及国家公开公布经济数据，从区域商业价值和区域宏观经济角度来采集数据并通过挖掘其中的关联信息，建立了电力客户的细分模型;并在客户细分模型的基础上，使用BP神经网络算法建立了电力客户的需求预测模型。

关键词：大数据;电力;服务需求;预测模型

1电力客户细分模型

本文为建立更智能的需求预测模型，首先将电力客户进行细分，再使用细分后的数据指导需求预测模型的训练。所建立的电力客户细分模型如下图所示。

1.1数据仓库构建

本文从个人用户的角度出发，通过采集其个人信息、用电行为特征等信息来分析电力客户的电力价值，并建立电力价值模型。该图依据电力服务潜在价值的排序划分电力用户区域。本文从区域商业价值和区域宏观经济两个角度来采集数据，并建立价值构成数据库。其中，区域商业价值数据库从商业实体的角度分析企业信息、商场信息和法人信息来实现数据搜索。区域宏观经济数据库则从地区物价指数、贸易数据和资产投资数据等宏观信息来分析地区的贸易活动，实现不同层次用电客户的划分。

1.2数据清洗与挖掘

由于电力客户信息存在大量的冗余信息，本文使用东方通TI-ETL软件对数据进行清洗，得到符合身份证号码设置、以民族性别作为主关键词区分客户需求，进而预测客户需求和价值，清洗后的数据便于读取与模型训练。得到可读性更强的数据后，本文根据上文建立的区域电力价值图、电力客户的影响力和用电潜力对居民信息进行集成划分。

2仿真与实验结果

本文将该市按照行政区划分为3个类别:工业区、商业区和居民区。根据居民电力用户基数大和数据繁杂的特点，本文以经济和社会行为做依据，并关联企业法人信息来反映用电客户全貌，根据缴费额度和用电量对电力客户进行划分。将电力用户划分为:居民生活用电(A类)，大工业用电(B类)，农业生产用电(C类)和商业用电(D类)，电力客户进行细分的结果如表1所示。

为验证本文所提出的改进聚类算法的有效性，比较了仅使用传统基于距离的相似性度量方法和本文所提出聚类方法的性能，结果如表2所示。从表2中可以看出，所提出的方法虽然在距离属性上的表现较差，但能明显增加样本间的相关性。

本文也测试了所提出的神经网络电力的预测精度。表3为使用某地区2008～2018年的用电数据训练预测获得的2019年电力需求误差百分比。从表3中可以看出，本文算法最大的相对误差仅6.52%，表明算法可以得到较好的预测结果，能有效地预测电力客户用电需求。从表3中还可以看出，不区分用户类别直接预测的最大误差为10.86%，表明使用电力客户细分数据后能在一定程度上提升预测精度。

结语：

本文依托从区域商业价值和区域宏观经济等角度搜集电力服务数据，并通过挖掘其中的关联信息，使用K-Means算法建立了电力客户的细分模型，将客户划分为4类。在客户细分模型的基础上，设计了BP神经网络算法来建立需求预测模型，该模型能根据清洗后的数据特征直接预测客户的需求变化情况。在Matlab平台上的仿真与测试结果表明，所提出的方法能帮助电网公司更好地理解客户行为和服务需求，制定营销策略。

参考文献:

[1]单葆国，孙祥栋，李江涛，等.经济新常态下中国电力需求增长研判[J].中国电力，2017，50(1):19－24.