基于非监督算法的电力用户催收管理系统设计

针对电力营销中欠费回收问题,结合当前的计算机开发技术,提出一种基于非监督算法的催收管理系统。系统设计考虑了以下几方面：一是采用B/S架构对系统进行整体搭建,并重点对系统整体功能框架进行设计;二是引入风险识别模型,以客户历史缴费作为标签,对客户欠费的恶意程度进行识别,最后根据阈值判断该用户是否属于恶意欠费用户;三是针对恶意欠费的用户,采用语音自助播报的方式对用户电费进行催收。最后给出部分实例和恶意识别界面。结果表明,借助该算法,设置不同阈值可得到不同的恶意欠费用户,从而为当前电力用户自助催收提供了一种新的借鉴方式。     

一种用于构建用户画像的多视角融合框架

电网公司的电费敏感客户往往对由用电引发的电量、电价、电费、缴费、欠费等电力服务具有强烈反应。快速定位电费敏感客户,对降低客户投诉率、提升客户满意度、树立供电企业良好的服务形象具有重要的作用。基于电网用户数据,提出了一种用于构建用户画像的多视角融合框架,该框架能够快速、准确地识别出电费敏感客户。首先,对电网用户进行了分析研究,利用双通道对不同特性的用户分别建模预测;其次,提出了多种特征萃取方法,用于构建用户多源特征体系;最后,为了充分利用多源特征,进一步提出了基于双层Xgboost的多视角融合模型。该框架在2016CCF大数据与计算智能大赛“客户画像”竞赛中获得了F1值为0.90379(第一名)的成绩,其有效性得到了验证。     

基于大数据分析的客户电费风险预测及防控

客户既是企业最大的财富,也是风险的最大来源,拖欠电费、违约用电等行为时有发生。在交易过程中对客户信誉信息收集调查和风险评估,制定针对性的防范和服务策略,对企业具有非常重要的作用。为了降低电费回收风险,提高企业经营效益和管理手段,需要对客户进行评价分级,电力企业可以利用现有资源和数据,建立客户电费信誉信息档案,为客户提供差异化的服务,并规避风险。以营销业务应用系统中客户的海量历史用电数据为依据,再借鉴客户经理、催费员等电力人员工作经验,梳理风险用户的业务规则,并构建多维度的电费风险分析指标体系。通过机器学习的大数据分析方式对用电行为与电费风险之前的潜在关系进行研究,实现对风险用户的精准定位。     

基于聚类与逻辑回归相结合的电费风险防控

为了解决在电费回收的过程中,遇到的回收不及时、回收难度大、电费回收不全等难点,严重影响了供电企业生产的最终经营成果。本文结合各个用户在近一年的各种生产活动产生的数据,建立与用户行为相关的模型。首先采用聚类的方法,根据最终得到的簇类,对重庆地区所有用户电费回收风险的类型有大致的认知。然后采用逻辑回归模型,并且针对高压、低压居民、低压非居民三种不同类型的用户分开进行分析建模,最终得到用户电费回收风险的得分。本文针对电费风险防控业务提出一种基于概率聚类逻辑回归模型,用于实现欠费风险精细化。分析、定位客户群体,提炼、归纳、总结客户特征,实现客户细分。基于客户细分结果提供精准的差异化服务。实践证明,该模型可为电网企业客户的风险评估实用化推广提供有效支撑。     

基于改进深度信念网络的电力欠费预警研究

"先使用,后付费"的营销方式导致电网公司电费回收不到位,难以支撑正常运转和获得基本效益。为了解决电力欠费对电网公司的不利影响,论文提出电力欠费预警智能预测的研究方法。将电费回收分为时间和金额两部分,结合相应的关联指标,建立参数自适应的深度信念网络,通过深度学习和训练对电力欠费情况精准预测。实验结果表明,与BP神经网络相比,深度信念网络更能准确预测出用户电费回收的未来情况,有效辅助电力企业制定用电和电费预警策略。     

基于模糊聚类的用电客户交费渠道偏好研究

电费回收直接关系到电力公司的有序运行,而交费渠道的建设和用电客户交费渠道的偏好,直接影响电力公司的电费回收;因此做好用电客户交费渠道偏好的研究至关重要。基于黑洞熵理论和贝叶斯模型,提出了适合电力数据的黑洞熵模糊聚类模型。该模型的显著特点是能通过最大后验概率推理和迭代抽样算法求解聚类最优参数,且适用于大规模用户数据。基于黑洞熵模糊聚类对某省用电客户的实际抽样数据进行模式发现表明,电力公司自营自助交费渠道尤为值得推广,预付费交费渠道最具有潜力。     

基于多源数据融合的电力用户画像构建方法研究

为提高电力用户类型分类精度及电力业务人员工作效率,提出基于多源数据融合的电力用户画像构建方法。收集电力客户缴费数据,采用灰色关联分析法,获取欠费数据与价格指数的关联度,利用电力网络多源数据集合与概率密度函数,提取用户欠费数据多源信息特征,构建电力用户多源数据融合体系,采用改进K均值聚类算法,获得电力用户总体调控簇别,评估用户信息全貌。实验结果表明,所提方法的敏感度用户类型分类精度较高,电力用户画像构建耗时较短,能够有效提高电力业务人员工作效率。     

PCA与决策树相结合的移动通信欠费预测分析

针对日趋严重的移动通信欠费问题,文章根据某地区移动客户的产品信息、呼叫行为信息(CDR)、背景资料、交欠费信息等数据,采用了主成份分析(PCA)的属性归约技术对数据进行预处理,然后使用决策树分类技术对数据分类,从而识别出新用户的欠费类型。在此基础上,进一步与双变量统计的预处理方式进行了比较。实验结果表明,使用PCA与决策树相结合的分类方式具有很好的准确率。     

数据挖掘技术在交通规费征稽中的应用

基于数据挖掘中的分类技术,通过挖掘规费征收稽查教据库中的海量数据所蕴藏的信息,分析欠费因素和行为,对可能欠费的车辆进行分类和预测,为事前提醒车主缴费和欠费追缴提供了依据.     

用AT指令实现的用电欠费短信通知系统

用电欠费短信通知能预先通知用户进行续费,为用户提供极大的方便。通过深入研究GSM移动通讯系统的AT指令,GSM短消息格式、编码方法,用VC＋＋实现一个用电欠费短信告警系统,从数据库中查找出欠费的用户并以短信方式提示用户缴纳电费。系统运行稳定．使用方便。     

基于K-均值聚类算法的大客户用电行为分析

为掌握大客户的用电习惯和用电特征、满足不断变化的客户用电需求、逐步提升大客户领域供电服务水平,本文采用K-均值聚类算法、二八定律、归一化算法等统计分析方法,运用SPSS等数学分析工具,从行业特点、客户价值、用电需求、成长性等方面刻画用电客户群体特征,挖掘大客户用电数据中的隐藏数据和潜在价值,得出五类典型的大客户用电负荷...     

基于用户消费行为的电力数据客户立体画像构建

针对现有技术中用户消费行为数据繁多,电力数据分析能力较差的问题,构建了电力数据客户立体画像系统,实现了对用户消费行为的多信息分析。设计了FCM分类算法模型,实现对电力用户消费行为数据信息立体画像原始数据信息分类,提高了数据分类能力。构建了灰色GM(1,1)模型,实现对用电行为数据信息的分析,从而提高电力数据客户立体画像分析和应用能力。试验表明,研究所提方法分类准确率达95%以上,误差在1%以下,准确度高,研究所提方法方法提高了电力用户消费行为数据信息分析能力。     

基于客户能量使用大数据的能效评价体系构建

随着电力体制改革的不断深入,为客户提供差异化能效服务已逐渐成为供电企业在营商环境中争取有利地位的重要手段。针对高压电力客户,本文以客户历史运行数据为基础,运用轮廓系数法对表征客户运营情况的抄表周期、缴费方式等5项指标进行聚类分析,将客户分为三类;而后,采用条件推断决策树法对聚类结果进行验证,以可靠筛选出潜在节能需求客户。在此基础上,针对节能需求客户,运用熵理论计算基本电费、分时电费等19项节能指标的信息增益,最终筛选出有效节能评价指标10项,进而建立了节能评价指标体系,以精准定位客户节能需求薄弱点;在此基础上,提出三级阶梯式节能服务策略,为构建服务全社会的能效服务共享平台奠定基础。最后,以某客户为例对文中所提方法进行了逐一验证。     

ELM算法在用户用电行为分析中的应用

对于非法用电行为的检测,电力企业通常采用传统的人工检查方式,而这种方式的准确率和效率往往都比较低. 提出一种将极限学习机（ELM）应用于预测存在非法用电行为用户的方法. 首先,在收集到的用户历史用电数据,对原始数据进行预处理. 然后,应用ELM算法建立异常用电行为的神经网络模型. 最后,在真实用电数据上进行实证分析,通过与随机森林算法建立的预测模型及预测结果的对比,证明提出的方法具有较高的准确率和较好的性能.     

基于支持向量机的海量电力数据智能分类方法

针对电力公司海量数据分类问题,提出一种改进的k-means数据分类方法。在k-means算法的基础上,应用PCA对k-means算法进行降维处理,用canopy算法优化最佳簇集数、初始聚类中心。然后,应用改进的k-means算法对居民用户用电进行聚类;最后以该聚类结果为基础,建立LSTM预测模型。通过LSTM预测模型对某小区90户居民用电数据进行仿真实验,并对比分析了传统聚类、改进聚类和不适用聚类下LSTM三种模型的预测结果。结果表明,未使用任何聚类算法构建的LSTM模型在进行电力负荷预测时,预测结果的精度最低;应用改进的k-means算法构建的LSTM模型预测结果精度最佳。     

基于改进的并行K-Means算法的电力负荷聚类研究

电力企业通常根据电力负荷数据,采用传统的K-Means算法对客户进行划分,而这种方法最大的缺陷就是必须由用户手动指定聚类簇数。提出了一种将Canopy算法和K-Means算法结合应用于负荷聚类的方法,无需手动指定聚类簇数。收集到的用户历史用电数据,使用并行计算框架MapReduce对原始数据进行预处理。应用Canopy和K-Means算法建立自动负荷聚类模型。在真实用电数据上进行实证分析,通过使用Silhouette指标对结果进行评估,证明提出的方法更加稳定和具有广泛的适用性。     

基于正则化矩阵分解的用户用电行为分析

针对细粒度、多类别的用户用电行为分析问题,提出了基于地理信息正则化矩阵分解的居民用户用电行为分析算法,探索用户用电的群体特点,为个性化的、更优的电力调度提供决策支持依据。该模型首先基于矩阵分解理论将用户映射到能表征其用电行为特点的潜在特征空间,然后采用k-means聚类算法在潜在特征空间上实现用电用户群的细分聚类。特别地引入了地理信息作为矩阵分解的正则化因子,使得学习到的潜在特征空间不仅满足用户群特征的正交,而且使得地理位置相近的用户在潜在特征空间的映射也相近,与真实物理空间保持一致。将所提方法应用于中新天津生态城智能电网采集到的真实居民用电数据分析挖掘任务中。实验结果表明,与基准的向量空间模型（VSM）和非负矩阵分解（NMF）算法相比,所提方法能够取得更好的用户细分聚类结果,挖掘出一定的用户群体用电模式,有助于辅助智能电网提升经营和服务水平。     

Privacy-aware electricity scheduling for home energy management system

In the context of smart grid, home energy management system (HEMS) needs to collect the fine-grained energy consumption data through smart meters. However, the fine-grained data contain the electricity consumption patterns of consumers, which can induce serious privacy issues. In order to protect the electric privacy of consumers, a privacy-aware electricity scheduling strategy for HEMS is proposed in this paper. Firstly, the basic scheduling model of HEMS is presented, and the basic scheduling objective is to minimize the electricity payment while satisfy the daily power demands of consumers. On this basis, a privacy-aware optimal scheduling model adopting rechargeable batteries is established, and the introduction of preference factor enables consumers to make a tradeoff between the total operation cost and privacy security. The electric privacy protection performance is measured by coefficient of determination and the number of features. Besides, the operation cost of batteries is also considered in the modeling process, and the influence battery capacity has on the performance of privacy protection is discussed. Simulation results show that the proposed method is effective and has strong practical application value.     

智能电能表应用安全性研究

电能表是测量电路中消耗电能的仪表,是供电企业和电力用户进行电能贸易结算的计量器具,也是《计量法》规定实施强制检定的计量器具。因此,确保电能表安全、正确、可靠是电能表使用的前提。本文分析了传统电能表在安全使用上的局限,总结了智能电能表在防攻击方面的措施,着重提出了一种基于混合加密的智能电能表数据信息安全交互方案,并进行了相关的分析比较,从比较结果可以看出,采用众多防攻击措施的智能表在应用的安全性上得到极大的提高。     

Smart consumer load balancing: state of the art and an empirical evaluation in the Spanish electricity market

The basis of an efficient functioning of a power grid is an accurate balancing of the electricity demand of all the consumers at any instant with supply. Nowadays, this task involves only the grid operator and retail electricity providers. One of the facets of the Smart Grid vision is that consumers may have a more active role in the problem of balancing demand with supply. With the deployment of intelligent information and communication technologies in domestic environments, homes are becoming smarter and able to play a more active role in the management of energy. We use the term Smart Consumer Load Balancing to refer to algorithms that are run by energy management systems of homes in order to optimise the electricity consumption, to minimise costs and/or meet supply constraints. In this work, we analyse different approaches to Smart Consumer Load Balancing based on (distributed) artificial intelligence. We also put forward a new model of Smart Consumer Load Balancing, where consumers actively participate in the balancing of demand with supply by forming groups that agree on a joint demand profile to be contracted in the market with the mediation of an aggregator. We specify the business model as well as the optimisation model for load balancing, showing the economic benefits for the consumers in a realistic scenario based on the Spanish electricity market.