孔繁春,王婷,李旭東
(內(nèi)蒙古電力營(yíng)銷服務(wù)與運(yùn)營(yíng)管理中心,內(nèi)蒙古呼和浩特 010000)
為了進(jìn)一步提升電力網(wǎng)絡(luò)的服務(wù)質(zhì)量,為電力客戶及用戶提供智能的面向?qū)ο蠓?wù),需要研究電力客戶的用戶行為特征挖掘和檢測(cè)技術(shù),對(duì)改進(jìn)電力網(wǎng)絡(luò)的服務(wù)質(zhì)量具有重要意義,相關(guān)的電力客戶行為分析方法研究受到人們的極大關(guān)注[1]。
當(dāng)前,對(duì)電力客戶行為分析和聯(lián)合特征檢測(cè)建立在對(duì)電力客戶行為的大數(shù)據(jù)融合和數(shù)據(jù)挖掘基礎(chǔ)上,傳統(tǒng)方法中,對(duì)電力客戶行為分析的方法主要有基于模糊聚類的電力客戶用電行為模式畫像[2]、智能用電用戶行為分析的聚類優(yōu)選策略[3]以及基于時(shí)間序列建模的電力營(yíng)銷客戶交易行為分析方法[4]等,但是其進(jìn)行電力客戶行為分析的收斂性不好,特征聚類性不強(qiáng),導(dǎo)致大規(guī)模電力客戶行為分析能力較弱。針對(duì)上述問題,該文提出基于動(dòng)態(tài)網(wǎng)格生成技術(shù)和k-means 算法的電力客戶行為分析方法,其創(chuàng)新之處在于將動(dòng)態(tài)網(wǎng)格生成技術(shù)和k-means 算法相結(jié)合,建立電力客戶行為的輸出可靠性狀態(tài)參數(shù)集,以提取出的電力客戶行為特征為基礎(chǔ),實(shí)時(shí)挖掘和量化分析電力客戶行為,展示了該文方法在提高電力客戶行為規(guī)劃分析能力方面的優(yōu)越性能。
首先,根據(jù)電力客戶行為的確定性和非確定性特征量實(shí)現(xiàn)對(duì)電力客戶行為的特征挖掘[5],采樣分叉樹模型設(shè)計(jì)電力客戶的網(wǎng)格分布結(jié)構(gòu),如圖1 所示。
圖1 電力客戶的網(wǎng)格分布結(jié)構(gòu)
根據(jù)圖1 所示,結(jié)合指向性增益控制方法分析電力客戶行為分布大數(shù)據(jù)的動(dòng)態(tài)網(wǎng)格特征參數(shù),進(jìn)行總線網(wǎng)絡(luò)控制,得到電力客戶行為參數(shù)的時(shí)間窗口采樣指標(biāo)<ts,te>,結(jié)合電力客戶行為的特征分布集,通過置信度區(qū)間融合聚類分析[6],得到電力客戶行為大數(shù)據(jù)分布的時(shí)間窗口函數(shù)W=te-ts,設(shè)電力客戶行為特征分布間隔為Δw,將電力客戶行為大數(shù)據(jù)分布的時(shí)間窗口W劃分為n+1 個(gè)向量量化集,得到電力客戶行為大數(shù)據(jù)分布的關(guān)聯(lián)規(guī)則項(xiàng):假設(shè)電力客戶行為特征分量為S={s1,s2,…,sm},進(jìn)行效益度變換,得到電力客戶行為參數(shù)分布的分布子序列在<ts,te>期間的屬性聚類子集,通過電力客戶行為參數(shù)的融合度采樣,得到電力客戶行為結(jié)構(gòu)圖,如圖2 所示。
圖2 電力客戶行為結(jié)構(gòu)圖
其次,設(shè)電力客戶行為的特征分布域?yàn)镼,采用粗糙集項(xiàng)估計(jì)的方法[7],得到電力客戶行為特征分布的互信息量為qi,計(jì)算電力客戶行為特征分布的非空有限論域Δw,進(jìn)而得到電力客戶行為挖掘的檢測(cè)統(tǒng)計(jì)量:
其中,λ為電力客戶行為特征分布的加權(quán)系數(shù)。
最后,引入電力客戶行為大數(shù)據(jù)分布的關(guān)聯(lián)規(guī)則項(xiàng),采用相對(duì)獨(dú)立的隨機(jī)分布序列進(jìn)行參數(shù)識(shí)別,得到電力客戶行為的統(tǒng)計(jì)量化特征,計(jì)算電力客戶行為的關(guān)聯(lián)時(shí)間信息分布的帶寬。
根據(jù)上述分析,實(shí)現(xiàn)電力客戶行為大數(shù)據(jù)挖掘和特征采樣模型,得到電力客戶行為大數(shù)據(jù)挖掘的界面如圖3 所示。
圖3 電力客戶行為大數(shù)據(jù)挖掘界面
采用動(dòng)態(tài)網(wǎng)格生成技術(shù)中的分塊區(qū)域網(wǎng)格劃分方法,結(jié)合指向性增益控制方法分析電力客戶行為分布大數(shù)據(jù)的動(dòng)態(tài)網(wǎng)格特征參數(shù),得到電力客戶行為分布大數(shù)據(jù)的有限論域U′。電力客戶行為分布大數(shù)據(jù)融合的網(wǎng)格分塊特征匹配集為∫(pch-1+1,pch-1+2,…,pch)dh,將電力客戶行為分布網(wǎng)格區(qū)域分為h個(gè)連續(xù)的網(wǎng)格,表示為Ph:
結(jié)合模糊子序列融合調(diào)度的方法,采用嵌入式的程序調(diào)度,構(gòu)建電力客戶行為分布大數(shù)據(jù)E-Learning學(xué)習(xí)模型。
進(jìn)行頻繁項(xiàng)集挖掘,得到在電力用戶的可靠性行為模式下,電力客戶用戶行為的特征向量為x=[x1x2…xk],以電力客戶用戶行為的關(guān)聯(lián)節(jié)點(diǎn)ai進(jìn)行分塊區(qū)域調(diào)度,得到電力客戶用戶行為的屬性值α。在用戶行為特征的信息交換中心[8],輸出的電力客戶用戶行為數(shù)據(jù)大演化模型滿足x?Sα,0 <α<2,采用三元組形式表示電力客戶用戶行為的自相關(guān)特征分布集:
在關(guān)聯(lián)約束下,得到電力客戶用戶行為特征聚類的Wigner-Ville 分布滿足:
在Wigner-Ville 分布空間[9-11],實(shí)現(xiàn)對(duì)電力客戶用戶行為的融合聚類和統(tǒng)計(jì)分析。
以此,采用分塊網(wǎng)格融合方法,提高電力客戶用戶行為的檢測(cè)和識(shí)別能力。
結(jié)合指向性增益控制方法分析電力客戶行為分布大數(shù)據(jù)的動(dòng)態(tài)網(wǎng)格特征參數(shù),通過動(dòng)態(tài)網(wǎng)格生成技術(shù),聯(lián)合電力客戶行為的統(tǒng)計(jì)量化特征量[12-13],得到電力客戶行為的融合度檢測(cè)模型為:
其中,Ei、etSi表示電力客戶行為的k 均值聚類的有向圖特征量和頻域分量,進(jìn)行前置特征量約束控制的方法,得到電力客戶行為的可靠性挖掘模型為:
引入自相關(guān)特征,得到電力客戶行為挖掘的融合聚類結(jié)果為:
對(duì)電力客戶行為輸出進(jìn)行模糊度控制,得到電力客戶行為參數(shù)分布的有限向量分布集合表示為:
式中,f為電力客戶行為挖掘和特征采集的協(xié)同過濾參數(shù)模型。
以此,采用模糊度檢測(cè)結(jié)果實(shí)現(xiàn)電力客戶行為挖掘和k 均值聚類分析,即在前置特征量約束下,采用k-means 聚類算法實(shí)現(xiàn)k 均值聚類的初始中心優(yōu)化,從而在減少聚類樣本數(shù)據(jù)的同時(shí),提高傳統(tǒng)k 均值聚類的效率,提高對(duì)電力客戶行為可用特征的挖掘效率,使得客戶行為參數(shù)分布的有限向量分布集合獲取過程的迭代次數(shù)減少。
為了實(shí)現(xiàn)電力客戶行為的量化特征分析,以電力客戶行為參數(shù)分布的有限向量分布集合為基礎(chǔ),進(jìn)行先驗(yàn)概率密度特征分析,設(shè)電力客戶行為的融合模型為:
式中,β為電力客戶行為用戶在A、B 之間的模糊狀態(tài)參數(shù),根據(jù)對(duì)電力客戶用戶C 行為特征的信任權(quán)重分析,得到先驗(yàn)概率密度hp為電力客戶用戶行為的信任度評(píng)價(jià)系數(shù)[14-15]。
對(duì)其分層分布區(qū)域控制,得到電力客戶行為的負(fù)荷均衡交叉調(diào)度模型,整個(gè)調(diào)度過程為:
對(duì)電力客戶行為進(jìn)行二階統(tǒng)計(jì)特征量檢測(cè),得到分布式加速交替聚類的特征函數(shù)為:
以電力客戶用戶行為的信任度評(píng)價(jià)系數(shù)為判斷依據(jù),分析電力客戶用戶行為參數(shù)集,在安全運(yùn)行約束條件下,得到電力客戶用戶行為的分布式區(qū)間協(xié)調(diào)控制模型。
綜上分析,對(duì)提取的電力客戶行為特征采用了k-means 聚類方法,實(shí)現(xiàn)對(duì)電力客戶行為的優(yōu)化挖掘和量化分析。
為了驗(yàn)證該方法在實(shí)現(xiàn)電力客戶行為特征分析中的應(yīng)用性能,采用Matlab進(jìn)行仿真實(shí)驗(yàn),在用戶行為特征的信息交換中心,參考文獻(xiàn)[8],輸出的電力客戶用戶行為數(shù)據(jù)大演化模型滿足x?Sα,0 <α<2,由于實(shí)驗(yàn)是基于分塊網(wǎng)格進(jìn)行的,因此,可在約束范圍內(nèi)隨機(jī)設(shè)定參數(shù),進(jìn)而隨機(jī)匹配分塊網(wǎng)絡(luò),由此設(shè)置電力客戶行為特征參數(shù)的分布為:α1=0.9,α2=0.024,hp=0.012 5,對(duì)電力客戶行為數(shù)據(jù)采樣的測(cè)試集為12 000 MB,訓(xùn)練子集為540 MB,電力客戶行為區(qū)域耦合系數(shù)為0.24,電力客戶行為參數(shù)分布的節(jié)點(diǎn)集合為{4,6,…,12,23,25,27},根據(jù)上述參數(shù)設(shè)定,進(jìn)行電力客戶行為特征分析,得到電力客戶行為數(shù)據(jù)采集結(jié)果如圖4 所示,將其以網(wǎng)格節(jié)點(diǎn)分布幅值的形式表現(xiàn)出來。
圖4 電力客戶行為數(shù)據(jù)采集結(jié)果
根據(jù)圖4 對(duì)電力客戶行為特征的大數(shù)據(jù)采集結(jié)果,利用該文方法和文獻(xiàn)[2]方法、文獻(xiàn)[3]方法分別進(jìn)行電力客戶行為的量化分析,建立電力客戶行為的輸出可靠性狀態(tài)參數(shù)集,實(shí)現(xiàn)對(duì)電力客戶行為的特征聚類,得到聚類結(jié)果如圖5 所示。
分析圖5 得知,該文方法進(jìn)行電力客戶行為分析的特征聚類性較好,保證了整體收斂效果,這是因?yàn)槠涓鶕?jù)電力客戶行為的確定性和非確定性特征量實(shí)現(xiàn)對(duì)電力客戶行為的特征挖掘,提高了對(duì)電力客戶行為特征的聚類分析能力。
圖5 電力客戶行為的特征聚類結(jié)果
測(cè)試電力客戶行為分析后的電力客戶的服務(wù)質(zhì)量水平,如圖6 所示。
圖6 電力客戶服務(wù)質(zhì)量水平測(cè)試
分析圖6 得知,通過對(duì)電力客戶服務(wù)質(zhì)量水平測(cè)試分析,該文方法帶寬較大,服務(wù)質(zhì)量較高,因?yàn)槠鋵?duì)提取的電力客戶行為特征采用k-means 聚類方法,收斂性較佳,可以在較短時(shí)間內(nèi)、最大程度上挖掘客戶行為特征,即優(yōu)化挖掘和量化分析電力客戶行為,提高了對(duì)電力客戶的服務(wù)質(zhì)量水平。
測(cè)試電力客戶行為分析的準(zhǔn)確率,得到對(duì)比結(jié)果如圖7 所示。
圖7 電力行為特征分析準(zhǔn)確性測(cè)試
分析圖7 得到,因?yàn)樵撐牟捎梅謮K網(wǎng)格融合方法,提高電力客戶用戶行為的檢測(cè)和識(shí)別能力,所以該文方法進(jìn)行電力客戶行為的特征分析的準(zhǔn)確性較高,準(zhǔn)確率最高可達(dá)0.98,解決了電力行為特征分析可靠性不高的問題[16-19]。
該文提出基于動(dòng)態(tài)網(wǎng)格生成技術(shù)和k-means 算法的電力客戶行為分析方法,采用k-means 聚類方法和塊網(wǎng)格融合方法構(gòu)建優(yōu)化的電力客戶的用戶行為分析模型,收斂性、可靠性、準(zhǔn)確性均得到保證,可以提高電力客戶的量化分析能力,進(jìn)一步提高了電力系統(tǒng)整體服務(wù)質(zhì)量。