挖掘大数据背后的差异化服务机会

国网福建电力与传统的客户用电行为分析相比,基于数据挖掘的客户用电行为分析能够提高客户行为分析的精确度,并实现对客户的用电行为进行定量化描述。     

基于用电客户群体细分的差异化用电行为特征分析

随着电网优化升级,电力客户用电行为差异化变得更为显著。通过对用电客户群体差异化用电行为进行细分管理、建立细分结构模型来提升供电企业服务质量成为发展方向。以电力大数据为依托,通过数据挖掘技术,建立满足用电客户群体细分的模型结构。首先根据用电客户群体实际运营情况,建立基于客户供电可靠性要求、客户行为、客户价值的模型评价指标,然后针对庞大的数据群体,采用K-eans聚类算法进行数据清洗预处理,获得精细化的细分数据,最后实现对用电客户的差异化评价和管理,满足“智慧能源”发展模式的需求。     

出租房客户定位分析及电费回收策略

在"租售同权"的新形势下,出租房人数将迎来新高峰。由于对于流动人口难以管理,电力公司在回收出租房电费过程中常常存在信息沟通不畅、欠费高发、投诉纠纷高发、用电不稳定、用电安全隐患大等问题,为能准确定位出租房客户并采取相对应的电费回收服务策略,规范出租房客户用电行为,基于电力公司用户用电数据,运用大数据挖掘算法定位出租房用户。首先对出租房客户的基础信息、用电行为和缴费特征进行分析,根据分析结果提炼出对出租房分析影响较大的指标作为指标集,然后通过C5.0决策树算法进行机器自学习和训练,构建出租房用户判别模型。     

基于模糊聚类的电力客户用电行为模式画像

随着电力客户数据采集频度不断提高、数据分析维度不断扩展,客户的用电行为变得更加复杂。客户标签和画像技术的发展,给客户用电行为分析带来了更直观、简洁的表现方式。论文基于海量的客户档案、负荷、电量数据,综合考虑客户用电特征、影响因素,建立了客户用电行为标签库,并采用模糊聚类算法进行客户用电模式分析,实现不同类型客户的用电行为模式画像。某地区20 000户工商业客户的用电行为模式画像分析结果表明:文中选取的用电行为标签合理有效、采用的聚类算法效果显著、客户画像精准,能够为电力公司掌握客户用电习性、挖掘客户需求、提高服务水平提供有力支撑。     

基于K-Means聚类算法的行业用电行为分析

利用数据挖掘与数理统计的相关技术,分析某省各个地区行业用电行为,进而研究各地区行业用电特征以及客户群体特征,在一定程度上指导电力营销的行业方向和地区重点,同时也能作为用电量运营监测的参考。     

基于贝叶斯网络的电力客户停电敏感度预测

精准预测停电敏感的电力客户群体,能够有效感知客户用电需求,提升客户用电满意度,助力提高电力服务水平。文中提出基于贝叶斯网络构建电力客户停电敏感度预测模型,从95598客服平台、营销业务系统、用电信息采集系统获取分析数据,结合客户基本信息、用电信息、智能电能表计量信息以及用户用电交互行为,定义客户停电敏感度数据标签,对用户的停电投诉进行分析与预测。采用K折交叉验证法对停电敏感度预测模型进行实验验证。实验表明,基于贝叶斯网络构建的电力客户停电敏感度预测模型,在停电投诉分析应用中具备较高的精准度,验证了模型的有效性。     

基于用电信息采集系统多数据融合的窃电行为定位方法

针对当前用电信息采集系统暂时无法实现分钟级数据覆盖的情况,提出了一种基于用电信息采集系统多数据融合的窃电行为研判方法,该方法通过对用户多类数据的综合分析,发现功率、电量等用电信息间的逻辑异常情况,并结合设备报送的相关异常事件,实现用电信息采集系统主站监控盲区时段的用电客户异常用电行为定位.     

基于企业—客户双向视角的用电增值套餐设计

本文以数据挖掘为切入点,以外部客户满意度与企业内部客户价值、信用、风险等演算相结合的方式对电力客户进行细分研究,针对不同细分客户类型的服务期望—感知程度,设计形式和层次丰富的用电增值套餐,满足客户多元化需求,实现电力企业精细化管理、差异化营销和个性化服务目的。     

基于大数据的电力客户行为分析体系研究及实践

随着我国电力市场的发展,供电企业紧跟数字化发展步伐加快信息系统建设,各业务系统在运行过程中积累了海量信息数据资源,利用这些数据资源进行数字化分析已经渐渐成为供电企业的重点工作。在供电企业不断地拓展分析范围,优化分析方法的过程中,大量的数据资产被盘活,巨大企业价值与社会价值逐渐显现。大数据技术的使用可体现在电力系统运行的各种环节,为电力信息的商业化利用提供有力支撑。基于大数据技术的电力客户用电行为分析能提高电力系统的运行效率,为供电企业的实际运行提供决策依据。文章分析了国内、外电力行业大数据应用的进程及现状,根据不同类型客户的用电行为建立了基于大数据技术电力客户行为分析体系,对大数据技术的实践情况进行探究,实现电力客户用电行为的深度分析,为客户提供更优质的服务体验。     

基于大数据的客户用电全生命周期标签库建设

基于大数据的客户用电全生命周期的标签库利用省级数据中台汇集SG186营销业务应用系统、用电信息采集系统、PMS2.0、配电网大数据分析应用平台等系统平台数据,通过数据挖掘方法,识别客户特征,提炼客户标签,构建客户标签库,形成客户标签应用结果分析及展示,同时向各业务系统提供标签应用,提升电网优质服务.     

基于社群特征的配电网异常用电行为分析

针对目前配电网异常用电行为精度欠佳、效率低下、人力资源耗费量大等问题,在海量用电数据中利用数据挖掘技术实现异常用电数据的精确查找与定位。通过引入社群习惯的行业季节用电水平等异常分类指标,对可能存在非技术性损耗(NTL)的配网用户进行分析和检测,利用改进粒子群LM神经网络算法建立了有效的异常用电行为的自动识别模型。实验结果表明:该模型能够有效地提取用电特征,实现对异常用户的检测,具有较强的识别能力和较高的实用性。     

高压企业客户电力信用综合评价体系及应用

传统电力信用研究和应用多以用电行为、缴费行为失信等负面评价为主,缺乏正向评价和激励应用,且仅应用在供电企业内部对客户管理和电费风险防控方面,没有在社会中跨界应用。首先借鉴企业社会信用评分指标体系的建设思想,将高压企业客户电力信用指标集中在守信能力和守信行为2个方面,设计了以大数据为支撑的高压企业客户电力信用综合评价指标体系,包含用电价值、电网互动价值、缴费行为、用电行为、服务互动行为和电力市场交易诚信六大评价维度。其次,设计了电力信用等级和信用分计算、修正评价流程,并以某省级电网近29万户高压企业客户为例,实证分析了电力信用总体情况,证明了所建立方法的科学性和规范性。最后,基于电力信用评级,设计了基于电力信用的差异化奖惩措施,对内有效防范风险、挖掘优质客户,对外实现电力信用价值输出。     

基于多维特征分析的月用电量精准预测研究

用户用电量的精准预测是智能配用电大数据应用和发展的关键之一。区别于传统的基于行业分类的预测办法,提出基于大数据挖掘技术的用户用电多维度特征识别,以及在此基础上的精准用电量预测方法。基于海量多用户用电特性,建立多维度用电特征评价指标体系。对用户用电特性空间进行聚类和分析,挖掘和识别用电模式。在不同的用电模式下,分别建立用电量时间序列预测模型,避免用电模式差异对预测算法准确性造成的不利影响。该方法适用于大数据平台的分析与处理,算例分析结果表明其相比以往方法能显著提高预测精度和稳定性。     

分布式数据挖掘在电力客户系统中的应用

针对电力客户系统分布式数据库的结构特点,引入一种基于软代理的并行/分布式数据挖掘(parallel data mining agents,PADMA)体系结构,应用软代理实现对局部数据的存取和分析。在此基础上应用(context-based meta-learning,CML)数据挖掘实现算法,处理分布式数据库中部分数据存在异质性的挖掘问题,并提出一种基于电力客户服务系统的分布式数据挖掘体系结构及实现的新方法。     

基于不平衡电能数据的反窃电智能监测系统研究

面对电网中的窃电行为,设计一个基于不平衡电能数据的反窃电智能监测系统,完成用电负荷数据的预处理后,运用随机过采样—迭代决策树算法建立计量装置的异常监测和用户异常用电行为的智能分析数学模型,快速检测出异常用电客户,并在此基础上开发嵌入式专家分析系统,实现用户的电能数据在线监测分析,自动展示异常用电数据,定位窃电用户。     

基于电力客户投诉行为分析的差异化服务策略研究

通过理论研究及95598大数据分析,构建电力客户投诉全景化研究框架和客户投诉行为分析研究模型,提出"客户投诉行为综合特征"分级,提出基于客户投诉行为与服务事件等级双维度分级思路的客户投诉分类标准,进一步规范投诉流程,总结出基于投诉行为分析的差异化投诉服务策略集,进一步提升投诉处理质量和效率,践行国家电网公司"你用电我用心"服务理念。     

用户能效分析系统研究与应用

针对用户设备用电状况和用电需求了解还不够充分、难以开展设备用电行为分析以及提出有效的节能措施的问题,提出了有效的解决方案。扩大用电在线监测覆盖面,在线监测企业用户用能状况,为分析企业用户节能潜力打下基础;根据用电情况分析客户用电行为,生成并推送客户用能分析报告,建议用户调整用电习惯,推动企业节能业务发展;基于企业内部运行设备数据,开展用户能效诊断分析,为用户提供用能指导,降低用户用能成本。     

基于自组织中心K-means 算法的用户互动用电行为聚类分析

电力用户参与电网侧互动用电和辅助服务已成为国内外关注热点,用户互动用电行为分析是其中一项核心工作。结合自组织映射SOM神经网络和K-means聚类算法,采用一种自组织中心K-means算法用于用户互动用电行为聚类分析,能够实现更加精准识别和快速聚类。首先,对自组织中心K-means算法原理进行分析,说明其与传统聚类算法相比在用电行为聚类分析中的优势;然后,构建峰谷分时电价背景下,基于用户心理学的调节潜力指标,并分析基于负荷数据和调节潜力指标的用户互动用电行为;最后,以某电力公司管辖区域用户的日常负荷数据为研究对象,将基于自组织中心K-means算法的聚类结果与其他传统聚类方法进行对比,证明基于调节潜力指标的自组织中心K-means算法在用户互动用电行为上的精准识别和准确聚类优势。     

基于数据挖掘的工业用户用电行为分析

文中以上海市部分地区工业用户为研究对象,利用数据挖掘技术分析其用电行为。根据用户档案采集和整合用电数据,同时对数据进行修复和归一化预处理;综合考虑聚类数的确定及初始聚类中心的选择这两个因素,对K-means算法进行优化;利用优化的算法对用户负荷曲线分类并提取特征曲线,分析其用电行为典型特征,并与传统的K-means算法进行比较,同时引入相关指标检验聚类效果。结果表明,采用优化的K-means聚类算法能准确实现不同用户类型的分类识别功能,可以更加准确有效的进行用户用电行为的分析。     

基于数据挖掘技术的用电异常分析系统设计

目前用电信息采集系统的全覆盖已实现对大量用电信息和异常事件的采集和存储,但由于缺乏相应的数据挖掘工具和系统,导致数据未能得到有效利用。文章基于用电信息采集系统所获得的海量数据,采用数据挖掘技术设计了一个用电异常分析系统。文章设计了系统的功能架构和物理架构,并给出了系统的业务流程。系统通过对异常事件的智能分析,指导用电检查人员进行针对性排查,可有效提高电力系统运行的安全性,为建设坚强智能电网提供有力保障。