基于用户消费行为的电力数据客户立体画像构建

王小强，周珂宇

(国网重庆铜梁供电公司，重庆 402560)

随着移动互联技术、人工智能等现代信息技术的飞速发展，如何实现智慧用电管理系统中电力客户的优化管理就成为电力企业亟待解决的技术问题。现有技术对电力用户数据信息感知能力比较差，信息处理效率较差，数据灵活利用能力比较差。

针对上述技术问题，文献[1]方法在电力大数据的基础上，实现客户立体画像的构建，该技术应用“互联网+”战略技术，提高了电网企业对数据信息的分析能力，但是当数据信息维度较多的情况下，就显得无能为力，数据分析能力较差。针对文献[1]方法的不足，文献[2]方法基于多维类别特征识别和角点标识构建了智慧用电管理系统中电力客户立体画像，通过采用空间特征域分类方法实现用户画像信息分类处理，利用多尺度逐层分析方法进行模糊电力客户画像的精准定位。这种方法虽然提高了客户立体画像的用电类别特征量应用能力，降低了立体画像的误差修复水平，但是对于立体画像数据信息的分类能力，仍旧显得捉襟见肘。

客户立体画像能够反映电力用户各种用电信息特征，通过构建立体画像能够直观显示用户用电情况等。通过画像数据特征提取，实现对电力用户消费行为的分析[3]，进而提高用户画像分析能力，对提高电力数据信息的掌控与应用有很大帮助。电力数据客户立体画像系统整体架构设计如图1所示。

图1 电力数据客户立体画像系统整体架构设计

电力数据客户立体画像系统主要包括电力用户数据层、电力用户数据融合层、数据标签抽取层、数据标签分析层和标签画像应用层。研究所提方法通过构建立体画像，将电力用户消费的宏观行为转换为微观数据进行分析，用多维度、多业务、多指标、多特征的数据信息构成电力用户特征的信息标签库，在电力用户数据层能够实现不同用电信息的获取，在电力用户数据融合层实现不同数据信息的融合[4，5]。在数据标签抽取层对不同维度和种类的电力用户数据信息进行数据信息特征提取，通过构建电力分析模型，实现对不同电力用户消费行为数据的分析，分析结果通过标签画像应用层输出，以显示用户的用电情况，对用户消费行为进行全方面的把控。

2.1 立体画像的构建方法

研究所提方法通过标签构建实现对不同用户消费行为的标识，然后通过聚类算法实现对不同电力行为数据标签的抽取、标记、分析和应用，提取出不同客户群体具有的用电特征[6]，从而实现不同用电群体的差异化服务。客户用电标签信息如表1所示。

基于上述属性描述，下面是通过示例性描述标签标记的数据信息，如图2所示。

图2 标签信息示意图

不局限于上述几种形式的标签，也可以采用其他标签表示其他含义。通过这种标签定义，再对标签进行数值化信息处理，比如将不同的标签命名为xi等多种形式[7]。由于标签种类繁多，在对标签进行计算、分析和数据挖掘时，研究所提方法采用FCM聚类算法实现对不同数据信息的分类。流程示意图如图3所示。

图3 FCM聚类算法流程示意图

假设电力用户消费行为数据信息为N，数据信息的维度为D,则电力用户消费行为数据信息样本可以记作为:

(1)

则可以将原始电力用户消费行为数据信息划分为不同的小类，通过电力用户消费行为数据信息数据集合C={c1,…,ci,…,cK}表示。原始电力用户消费行为数据信息的样本j隶属于第i个聚类子集的概数记作为uij，则FCM可以设定以下目标函数：

(2)

(3)

(4)

为了提高对电力用户消费行为数据信息的分类精度，需要对隶属度系数和聚类中心函数反复进行数据求导，则输出的迭代公式可以表示为:

(5)

(6)

经过反复迭代计算，最终输出目标数据信息。当需要进行进一步的计算时，则返回初始步骤，重新启动聚类中心，对隶属度函数和聚类中心函数再次进行求导计算[11]，直到FCM函数满足收敛条件为止，即输出目标函数达到最大迭代次数或目标函数小于预设值，停止数据计算，最终实现数据的分类。

2.2 灰色GM(1,1)模型用电行为分析方法

对电力用户消费行为数据信息进行标签分类后，对电力用户消费行为进行分析。研究所提方法通过构建GM(1,1)模型，最终实现对用电行为的数据分析[12-13]。假设输入的用电行为分析数据信息序列设定为：

(7)

然后对输入的数据序列进行一阶累加[14-16]，则输出的电力用户消费行为数据信息序列可以为：

(8)

对输入的电力用户消费行为数据信息进行融合，则融合输出的电力用户消费行为数据信息函数可以为：

(9)

由于电力用户消费行为数据信息中x(1)输出为一阶均值，将任何一个电力用户消费行为数据信息序列值记作为xi，通过线性关系表示为：

(10)

其中k≥3。然后再对电力用户消费行为数据信息的线性方程求微分，则输出函数可以为：

(11)

这样就可以求出a和u的值，在求值过程中，启动最小二乘法，则输出的公式可以为：

(12)

其中存在以下恒等式：

通过上述矩阵公式计算后，再对电力用户消费行为数据信息进行数据还原，则还原公式可以为：

(13)

(14)

其中k≥4。通过这种方式，能够实现任意时间和区域下对电力用户消费行为数据信息的精准预测，提高了对电力用户消费行为数据信息的分析能力[17-19]。

为了验证研究所提方法的技术方案，采用的硬件配置CPU为Inter Core i7-9700H，运行内存为3200 MHz 8×2 GB，硬盘大小为1 TB[20]。以某电力用户使用区域80 000户工业用户为例进行方案验证。

3.1 FCM聚类算法验证

为了提高试验效果，下面从电力客户立体画像数据库中抽取相关数据信息。数据库信息如图4所示。

图4 数据库信息示意图

然后采用Matlab软件进行数据信息仿真。抽取的数据信息标签分布如图5所示。

通过图5可以看出，电力用户消费行为数据信息分布特性可以为：预期指标相对比较集中，预期指标分布分散，用户消费类型大部分为工业用电以及商业用电，在不同时令用电下，夏冬季节对温度比较敏感，并且用电量比较多样，客户群体以工业为主，负载稳定性随着温度和时令反复变化，电量增长率随着季节不同，有所区别。通过FCM聚类算法计算后，输出如表2所示的数据信息。

表2 不同数据信息标签特征分析

通过表1可以看到，研究所提方法分类效果较为突出，下面将研究所提方法与K-Means算法进行对比。分类对比示意图如图6所示。选择4个不同数据信息的样本进行对比，假设样本1-4的数据量为1*103、1*104、1*105和1*106个，则分类对比示意图如图6所示。训练时间为8个小时。

通过图6可以看出，通过8个小时的训练，在4组不同的计算小组中，研究所提方法的方法具有突出的技术优势，准确率较高。

3.2 灰色GM(1,1)模型验证

以电能表计量出的数据为例进行说明，从电力客户立体画像数据库中提取的数据信息如图7所示。

图5 电力用户消费行为数据信息客户标签分布示意图

然后通过立体图像构建，可以得出以下数据信息分析结果，通过电压和电流数据信息为例进行说明， 如表3和表4所示。

表3 电压分析误差结果示意表

通过4个小时的测试，发现电压误差低于0.04。经过4个小时的测试，电压分析误差结果示意表如表4所示，发现电流误差低于0.05%。

表4 电流分析误差结果示意表

然后将研究所提方法与对比文献[1]方法和对比文献[2]方法对比。试验过程中，主要对误差方面进行分析。误差对比曲线图如图8所示。

图6 分类对比示意图

图7 数据提取数据信息示意图

通过100分钟的试验发现，在进行用户消费行为数据分析时，相对于对比文献[1]方法和对比文献[2]方法，研究所提方法从开始到结束都具有较高的准确度。

然后，用户再在时间上进行对比分析，假设针对相同的数据量，相对于对比文献[1]和对比文献[2]方法，比较耗时情况，对比示意图如图9所示。

图8 误差对比曲线图

图9 耗时对比时间图

在相同数据量下，相对于对比文献[1]和对比文献[2]方法，研究所提方法耗时比较短，说明研究所方法方法分析数据的能力较强，效率也高。

针对大量的电力用户数据信息，根据所提方法进行了以下技术研究：

(1)构建了一套电力数据客户立体画像系统，实现了电力用户消费行为数据信息数据提取、数据融合、数据标签设定以及数据分析全过程，将电力用户消费的宏观行为通过电力数据客户立体画像形象表示出来，提高了对电力数据客户立体画像的分析能力。

(2) 构建FCM聚类算法模型，实现不同类型标签数据信息的分类和计算，最终实现不同数据信息的输出和应用。

(3)构建灰色GM(1,1)模型，实现不同标签下的用电行为分析，提高了数据分析能力。

通过实验，研究所提方法具有突出的技术效果，为下一步技术的研究奠定了技术基础。