CN105260815A - 基于大数据的电力系统缴费渠道评价方法 - Google Patents

Abstract

基于大数据的电力系统缴费渠道评价方法，属于电力系统领域。本发明首先基于调查问卷数据，采用K-means聚类算法对用户缴费行为进行画像分析，识别出各类用户属性与各类用户缴费行为的对应关系。利用K最近邻分类算法对电力系统缴费渠道评价因素进行最邻近聚类，聚合结果作为缴费渠道评价指标，建立缴费渠道评价体系。利用模拟遗传退火算法确定缴费渠道评价指标的权重，从而形成缴费渠道评价模型。对于新的地区或新的时期，利用电力系统实际缴费数据判断缴费渠道评价模型是否适用，不适用则建立新的评价模型。本发明填补了电力系统领域的一项技术空白，实现了对电力系统缴费渠道的量化评价，为缴费渠道规划建设与改造提供了科学的决策依据。

Description

基于大数据的电力系统缴费渠道评价方法

技术领域

本发明属于电力系统领域，特别涉及一种基于大数据的电力系统缴费渠道评价方法。

背景技术

随着社会经济技术的飞速发展，用电量一直持续增长，用电客户数量和售电量也持续大幅提高，为了更好地服务广大用户，缴费渠道一直向着多样化、多元化的方向发展，如图1所示，但是不同的缴费渠道在不同程度上存在着弊端，例如营业网点布局不合理、营业窗口设置不灵活、人力资源配置不平衡、电费回收存在风险、费控协议签订缓慢等，如何利用电力营销系统的大数据实现对现有缴费渠道的量化评价，进一步为缴费渠道的建设规划和改造提供科学依据，仍属技术空白。

发明内容

针对现有的技术空白，本发明提出了一种基于大数据的电力系统缴费渠道评价方法，具体步骤如下：

步骤1、基于调查问卷获取用户属性及用户缴费行为数据，采用K-means聚类算法建立用户缴费行为画像：即确定若干个用户属性分类与若干个用户缴费行为分类之间的对应关系。

步骤1.1、通过调查问卷获取用户属性数据和用户缴费行为数据，用户属性数据包括性别、年龄、职业、文化程度，用户缴费行为数据包括缴费方式、缴费频率、取消自有营业厅之后可能采用的缴费渠道、用户认为最方便的缴费渠道；

步骤1.2、对调查问卷进行集成、清理、变更、归约，获得有效的调查问卷，利用SPSS统计分析软件形成用户属性和用户缴费行为的样本空间；

步骤1.3、利用K-means聚类算法对用户属性进行聚类分析，获得若干类用户属性；

步骤1.4、利用K-means聚类算法对用户缴费行为进行聚类分析，获得若干类用户缴费行为；

步骤1.5、利用K-means聚类算法对一类用户属性与若干类用户缴费行为分别进行聚类分析，得到若干个相近程度不同的聚类结果，其中相近程度最大的聚类结果对应的用户缴费行为类别，即为该类用户最倾向采用的缴费行为，得出该类用户属性与该类用户缴费行为的对应关系，即完成了该类用户属性的用户缴费行为画像，以此类推完成其他类用户属性的用户缴费行为画像。

步骤2、利用K最近邻分类算法对电力系统缴费渠道评价因素进行最邻近聚类，将对缴费渠道影响相似的评价因素聚为一类，聚合结果作为电力系统缴费渠道评价指标，各类评价指标形成缴费渠道评价指标体系。

步骤2.1、电力系统缴费渠道评价因素包括渠道的覆盖率、渠道的利用率、成本、工作效率、用户缴费行为画像、便捷性、客户满意度、渠道发展趋势，其中将步骤1得到的用户缴费行为画像作为用户缴费行为画像的初值，其余各因素的初值根据专家经验值确定；

步骤2.2、利用K最近邻分类算法对电力系统缴费渠道评价因素进行最邻近聚类，将对缴费渠道影响相似的评价因素聚为一类，聚合结果作为电力系统缴费渠道评价指标，各类评价指标形成缴费渠道评价指标体系。

步骤3、采用模拟遗传退火算法确定评价指标体系中各评价指标的权重，建立缴费渠道评价模型，获得各缴费渠道的评价值，所述缴费渠道评价模型为先求出每项评价指标与权重的乘积，再求各乘积的和。

步骤4、利用电力系统实际缴费数据，判断缴费渠道评价模型是否适用于新的地区或新的时期，若适用，则缴费渠道评价模型继续使用，否则采用模拟遗传退火算法重新确定各评价指标的权重，确定适用于新的地区或新的时期的缴费渠道评价模型。

步骤4.1、利用电力系统实际缴费数据获得当前用电量，由新的地区或新的时期电力系统实际缴费历史数据折线图确定用电量预测值；

步骤4.2、利用用电量与缴费渠道评价值之间的比例关系，求出用电量预测值对应的缴费渠道评价值；

步骤4.3、若用电量预测值对应的缴费渠道评价值与当前用电量对应的缴费渠道评价值之差小于0.1，则继续使用当前缴费渠道评价模型，否则采用模拟遗传退火算法重新确定各评价指标的权重，返回步骤3建立新的缴费渠道评价模型。

有益效果：

本发明提出一种基于大数据的电力系统缴费渠道评价方法，首先基于调查问卷的用户属性和用户交费行为数据，采用K-means聚类算法对用户缴费行为进行画像分析，识别出各类用户属性与各类用户缴费行为的对应关系。利用K最近邻分类算法(KNN算法)对电力系统缴费渠道评价因素进行最邻近聚类，聚合结果作为缴费渠道评价指标，建立缴费渠道评价体系。利用模拟遗传退火算法确定缴费渠道评价指标的权重，从而形成缴费渠道评价模型。对于新的地区或新的时期，利用电力系统实际缴费数据判断缴费渠道评价模型是否适用，若不适用，建立新的缴费渠道评价模型。本发明填补了电力系统领域的一项技术空白，实现了对电力系统缴费渠道的量化评价，为缴费渠道规划建设与改造提供了科学的决策依据。

附图说明

图1为本发明一种实施例中的电力系统现有缴费渠道；

图2为本发明一种实施例中的采用K-means聚类算法建立用户画像流程图；

图3为本发明一种实施例中的KNN和模拟退火算法流程图；

图4为本发明一种实施例中的基于大数据的缴费渠道评价方法流程图。

具体实施方式

下面结合附图对本发明具体实施方式做详细说明。基于大数据的电力系统缴费渠道评价方法具体实施步骤如下，如图4所示：

步骤1、基于调查问卷获取用户属性及用户缴费行为数据，采用K-means聚类算法建立用户缴费行为画像：即确定若干个用户属性分类与若干个缴费行为分类之间的对应关系，如图2所示。

步骤1.1、通过调查问卷获取用户属性数据和用户缴费行为数据，用户属性数据包括性别、年龄、职业、文化程度，用户缴费行为数据包括缴费方式、缴费频率、取消自有营业厅之后可能采用的缴费渠道、用户认为最方便的缴费渠道。

步骤1.2、对调查问卷进行集成、清理、变更、归约，获得6000份有效调查问卷，利用SPSS统计分析软件形成用户属性和用户缴费行为的样本空间。

步骤1.3、利用K-means聚类算法对用户属性进行聚类分析，获得若干类用户属性。

步骤1.3.1、以调查问卷中的用户属性和用户缴费行为作为第一样本空间，从包含n个样本的数据集U中选出k个样本作为k个类的初始中心，记为为了提高聚类的精度和速度，对初始聚类中心的选取不再是随机选取，而是进行优化选取。

步骤1.3.1.1、计算数据集U中两两样本之间距离，将这些距离作为元素形成相异度矩阵D。

步骤1.3.1.2、对于数据集U中的样本x，以x为球心，以某一正数r为半径构成一个球形域，该球体中包含样本的个数作为x的密度。根据Dens(x)＝|{p|Dist(x,p)≤r,p∈U|}|，计算每一个样本的密度Dens(x_i),i＝1,2,...N，将密度大于平均密度值的样本放在集合S中，p为数据集U中任意一个样本，Dist(x,p)为样本x与样本p的距离。

步骤1.3.1.3、选取集合S中密度最大的样本x作为第一个初始聚类中心点即Dens(x)＝Max{Dens(x)x∈S}，并将放于初始聚类中心点集合M中。

步骤1.3.1.4、寻找下一个初始聚类中心需要满足以下条件：

① $Dist(x,m_1^{\left(0\right)})>\mathrm{\β};$

② $m_2^{\left(0\right)}=Max\left\{Dens\left(x\right)\right|x\∈S\backslash M\}.$

其中，β取整个第一样本空间的1/k时(k为聚类的个数)，初始聚类中心选取比较准确，可以避免选到同一个类中密度相近的点。

步骤1.3.1.5、将点加入初始聚类中心点集合M，即

步骤1.3.1.6、重复步骤1.3.1.4、步骤1.3.1.5，直到找出k个初始聚类中心。

步骤1.3.2、将待分类的数据集U中的数据样本x逐个按照最小距离原则划分给k个类中的某一类j∈{1,2,...k}；其中t代表迭代次数，如果距离则x分到类中，l∈{1,2,...,k}。

步骤1.3.3、计算重新分类后的各个聚类中心：

$m_j^{(t+1)}=\frac{1}{n_j^{(t+1)}}\underset{x\∈C_j^{(t+1)}}{\Σ}x,j=1,2,\mathrm{...},k$

式中，为类中数据样本的个数。以数据样本的平均值作为新的聚类中心，可使得平方误差准则函数最小，其中m_i是所有样本的平均值，C_i为第i类。

步骤1.3.4、如果j＝1,2,...,k，则算法结束；否则，如果j∈{1,2,...,k}，则返回步骤1.3.2，进行反复迭代，完成用户属性的聚类分析。

步骤1.4、利用K-means聚类算法对用户缴费行为进行聚类分析，获得若干类用户缴费行为，具体实施步骤如步骤1.3所示。

步骤1.5、利用K-means聚类算法对一类用户属性与若干类用户缴费行为分别进行聚类分析，得到若干个相近程度不同的聚类结果，其中相近程度最大的聚类结果对应的用户缴费行为类别，即为该类用户最倾向采用的缴费行为类别，得出该类用户属性与该类用户缴费行为的对应关系，即完成了该类用户属性的用户缴费行为画像，以此类推完成其他类用户属性的用户缴费行为画像，具体实施步骤如步骤1.3所示。

步骤2、利用K最近邻分类算法对电力系统缴费渠道评价因素进行最邻近聚类，将对缴费渠道影响相似的评价因素聚为一类，聚合结果作为电力系统缴费渠道评价指标，各类评价指标形成缴费渠道评价指标体系，如图3所示。

步骤2.1、电力系统缴费渠道评价因素包括渠道的覆盖率、渠道的利用率、成本、工作效率、用户缴费行为画像、便捷性、客户满意度、渠道发展趋势，其中将步骤1得到的用户缴费行为画像作为用户缴费行为画像的初值，其余各因素的初值根据专家经验值确定。

渠道的覆盖率：指某种渠道现有数量以及占所在区域所有缴费渠道的比例。

渠道的利用率：指现有渠道的缴费笔数、交易额及营业情况。

成本：包括建设成本、运行成本及维护成本。

工作效率：指不同缴费渠道办理每笔缴费业务的平均时间，其中需要考虑到实体营业厅的排队情况、支付宝的延迟到账情况以及其他金融渠道的工作情况等。

用户缴费行为画像：即用户缴费偏好，从步骤1中得出。

便捷性：指用户缴费时所用的时间以及电费到帐时间的多少。

客户满意度：指用户对某一缴费渠道的满意程度。

渠道发展趋势：主要考量某一种渠道的利用率的变化情况，是越来越好还是越来越差。

步骤2.2、利用K最近邻分类算法对电力系统缴费渠道评价因素进行最邻近聚类，将对缴费渠道影响相似的评价因素聚为一类，聚合结果作为电力系统缴费渠道评价指标，各类评价指标形成缴费渠道评价指标体系。

步骤2.2.1、以所要分析的所有评价因素作为第二样本空间R，先随机选取10％的数据作为初始训练集：X＝{x₁,x₂,...,x_n},x_i∈R，相应的类为Y＝{y₁,y₂,...,y_m},m≤n，其余90％数据作为测试集。

步骤2.2.2、设x_i是来自y_i类的第i个训练样本，N_yi是每类的训练样本个数，O^yi是y_i类的中心样本，通过下式计算：

步骤2.2.3、定义y_i类中每一个样本x_i到中心样本O^yi的距离为：d(x_i,O^yi)＝||x_i-O^yi||，如果d(x_i,O^yi)≤ε(其中ε是事先设定好的最大偏差值)，则将x_i聚类到y_i类中；否则，将x_i与其他非y_i类中的中心样本进行距离计算，并重复步骤2.2.2、步骤2.2.3直至将所有的指标均聚类完毕，获得缴费渠道评价指标。

步骤2.2.4、为了验证某单个样本被聚到某个类的合理性，用个体轮廓系数S进行评价，S越大表示聚类越合理，轮廓系数S的表达式为：

其中个体轮廓系数：

$S_i=\frac{b\left(i\right)-a\left(i\right)}{max\[a\left(i\right),b\left(i\right)\]}$

$a\left(i\right)=\frac{1}{n_{y_i}}\underset{i,j\∈y_i}{\Σ}d(i,j)$

$b\left(i\right)={\min }_{q,q\∉y_i}\[\frac{1}{n_{yi}}\underset{i\∈y_i,j\∈y_i}{\Σ}d(i,j)\]$

n表示样本总数，假设样本x_i被聚到y_i类，a(i)表示样本x_i和同属于y_i类的其他所有样本之间的平均距离，b(i)表示样本x_i和非y_i类的各个类中所有样本的平均距离的最小值，max()和min()分别代表最大值函数和最小值函数，n_yi代表y_i类的个数，q表示不属于y_i类的样本。

步骤3、采用模拟遗传退火算法确定评价指标体系中各评价指标的权重，建立缴费渠道评价模型，获得各缴费渠道的评价值，所述缴费渠道评价模型为先求出每项评价指标与权重的乘积，再求各乘积的和。

步骤3.1、初始化：根据专家经验值初步给定第三样本空间中每一个指标的参数变化范围，在这个范围内随机选择一个初始权重值m₀，并计算相应的目标函数值E(m₀)。

步骤3.2、对当前权重值进行扰动，产生一个新的值m，计算相应的目标函数值E(m)，得到ΔE＝E(m)-E(m₀)。

步骤3.3、若ΔE＜0，则新权重m被接受；若ΔE＞0，则新权重m按概率进行接受，T为给定的时间。当权重被接受时，置m₀＝m，E(m₀)＝E(m)。

步骤3.4、在给定的时间T内下，重复一定次数的扰动和接收过程，即重复步骤3.2、步骤3.3。

步骤3.5、缓慢降低给定时间T值。

步骤3.6、重复步骤3.2-步骤3.5，直至收敛条件满足为止，最终得到最优的权重参数，建立缴费渠道评价模型y＝a₁x₁+a₂x₂+…+a_nx_n，其中x_i表示经KNN算法聚类后形成的评价体系中的评价指标，a_i表示对应相应指标的权重，是经过多次模拟遗传退火算法迭代得到的最优值，y表示某一渠道最终的评价值。针对不同地区、不同的决策者及不同的需求，x_i、a_i可不同。

步骤4、利用电力系统实际缴费数据，判断缴费渠道评价模型是否适用于新的地区或新的时期，若适用，则缴费渠道评价模型继续使用，否则采用模拟遗传退火算法重新确定各评价指标的权重，确定适用于新的地区或新的时期的缴费渠道评价模型。

步骤4.1、利用电力系统实际缴费数据获得当前用电量，由新的地区或新的时期电力系统实际缴费历史数据折线图确定用电量预测值。

步骤4.2、利用用电量与缴费渠道评价值之间的比例关系，求出用电量预测值对应的缴费渠道评价值。

用电量与缴费渠道评价值之间的比例关系为：

步骤4.3、若用电量预测值对应的缴费渠道评价值与当前用电量对应的缴费渠道评价值之差小于0.1，则继续使用当前缴费渠道评价模型，否则采用模拟遗传退火算法重新确定各评价指标的权重，返回步骤3建立新的缴费渠道评价模型。

Claims (4)

1.基于大数据的电力系统缴费渠道评价方法，其特征在于：包括以下步骤：

步骤1、基于调查问卷获取用户属性及用户缴费行为数据，采用K-means聚类算法建立用户缴费行为画像：即确定若干类用户属性与若干类用户缴费行为之间的对应关系；

步骤2、利用K最近邻分类算法对电力系统缴费渠道评价因素进行最邻近聚类，将对缴费渠道影响相似的评价因素聚为一类，聚合结果作为电力系统缴费渠道评价指标，各类评价指标形成缴费渠道评价指标体系；

步骤3、采用模拟遗传退火算法确定评价指标体系中各评价指标的权重，建立缴费渠道评价模型，获得各缴费渠道的评价值，所述缴费渠道评价模型为先求出每项评价指标与权重的乘积，再求各乘积的和；

步骤4、利用电力系统实际缴费数据，判断缴费渠道评价模型是否适用于新的地区或新的时期，若适用，则缴费渠道评价模型继续使用，否则采用模拟遗传退火算法重新确定各评价指标的权重，确定适用于新的地区或新的时期的缴费渠道评价模型。

2.根据权利要求1所述基于大数据的电力系统缴费渠道评价方法，其特征在于：所述步骤1具体步骤如下：

步骤1.1、通过调查问卷获取用户属性数据和用户缴费行为数据，用户属性数据包括性别、年龄、职业、文化程度，用户缴费行为数据包括缴费方式、缴费频率、取消自有营业厅之后可能采用的缴费渠道、用户认为最方便的缴费渠道；

步骤1.2、对调查问卷进行集成、清理、变更、归约，获得有效的调查问卷，利用SPSS统计分析软件形成用户属性和用户缴费行为的样本空间；

步骤1.3、利用K-means聚类算法对用户属性进行聚类分析，获得若干类用户属性；

步骤1.4、利用K-means聚类算法对用户缴费行为进行聚类分析，获得若干类用户缴费行为；

步骤1.5、利用K-means聚类算法对一类用户属性与若干类用户缴费行为分别进行聚类分析，得到若干个相近程度不同的聚类结果，其中相近程度最大的聚类结果对应的用户缴费行为类别，即为该类用户最倾向采用的缴费行为，得出该类用户属性与该类用户缴费行为的对应关系，即完成了该类用户属性的用户缴费行为画像，以此类推完成其他类用户属性的用户缴费行为画像。

3.根据权利要求1所述基于大数据的电力系统缴费渠道评价方法，其特征在于：所述步骤2具体步骤如下：

步骤2.1、电力系统缴费渠道评价因素包括渠道的覆盖率、渠道的利用率、成本、工作效率、用户缴费行为画像、便捷性、客户满意度、渠道发展趋势，其中将步骤1得到的用户缴费行为画像作为用户缴费行为画像的初值，其余各因素的初值根据专家经验值确定；

步骤2.2、利用K最近邻分类算法对电力系统缴费渠道评价因素进行最邻近聚类，将对缴费渠道影响相似的评价因素聚为一类，聚合结果作为电力系统缴费渠道评价指标，各类评价指标形成缴费渠道评价指标体系。

4.根据权利要求1所述基于大数据的电力系统缴费渠道评价方法，其特征在于：所述步骤4具体步骤如下：

步骤4.1、利用电力系统实际缴费数据获得当前用电量，由新的地区或新的时期电力系统实际缴费历史数据折线图确定用电量预测值；

步骤4.2、利用用电量与缴费渠道评价值之间的比例关系，求出用电量预测值对应的缴费渠道评价值；

步骤4.3、若用电量预测值对应的缴费渠道评价值与当前用电量对应的缴费渠道评价值之差小于0.1，则继续使用当前缴费渠道评价模型，否则采用模拟遗传退火算法重新确定各评价指标的权重，返回步骤3建立新的缴费渠道评价模型。