基于數據挖掘的客戶電量流失預測方法

呂思蒙

客戶流失，在電力系統中稱之為客戶銷戶，即客戶因自身原因希望終止與供電企業的供用電關系而辦理銷戶手續。根據原國家電力工業部1996年發布的《供電營業規則》第三十二條和三十三條規定：客戶銷戶，須向供電企業提出申請。供電企業應按下列規定辦理：1）銷戶必須停止全部用電容量的使用；2）客戶已向供電企業結清電費；檢查用電計量完好性后，拆除接戶線和用電計量裝置；4）客戶持供電企業出具的憑證，領還電能表保證金與電費保證金；辦結上述事宜，即解除供用電關系。

電力一直以來處于壟斷地位，2015年3月中共中央、國務院印發《中共中央國務院關于進一步深化電力體制改革的若干意見》（中發[2015]9號）和《關于推進售電側改革的實施意見》，根據文件精神要求通過開展售電側改革試點，引入社會資本競爭，未來電力企業面臨社會資本對客戶市場的競爭。未來客戶可以根據電價、服務體驗等因素對供電對象進行選擇，因此電力企業需要通過現有強大的客戶基礎信息數據，對客戶流失問題開展研究，并對流失進行預測，為制定相應的服務策略爭取增量客戶市場提供決策依據，同時也能為政府機構開展經濟形勢分析提供參考。目前針對用電客戶流失的相關研究較少，往往通過人工經驗預測流失電量，沒有系統的流失電量計算方法，使得預測流失電量對預測人的經驗要求非常高，故需設計一種用電客戶流失電量預測方法，以估算客戶流失給電力企業帶來的電量。

客戶電量流失預測

本文設計的基于數據挖掘的客戶電量流失的預測方法，主要包含以下四個步驟：

（1）對用電客戶進行分類；

（2）根據步驟（1）的分類，得到每類用電客戶在預測月流失的預測客戶流失數；

（3）獲取每個用電客戶的歷史用電量，根據歷史用電量計算得出每類用電客戶在預測月的平均用電量；

（4）根據每類用電客戶在預測月的平均用電量和每類用電客戶在預測月流失的預測客戶流失數計算得出全體用電客戶在預測月的總流失電量。

其中，用戶客戶的傳統分類方法主要有：

1）按照供電區域分類。供電區域和電力市場有明顯的對應關系，把位于同一區域的客戶劃分為同類。

2）按照客戶規模分類。就是根據客戶的用電量大小、電壓等級高低、容量大小作為依據進行分類。

3）按照客戶性質分類?？蛻粜再|分類包括按產業、按行業、按負荷重要性、按耗能程度、按用電潛力分類。

4）按照電價分類。按照執行電價的對象不同可分為：居民生活、非居民照明、大工業、非普工業、商業、農業生產、其他。

5）按照信用等級分類。

6）按照經濟貢獻率分類。

但是就目前供電企業對電力客戶的細分主要存在以下問題：缺乏考慮客戶的用電行為；細分指標單一，只能從某方面反映客戶的價值；細分方法可操作性較差，分類結果不能直觀反映客戶的真實價值，無法滿足市場營銷的需要。具體說明如下：

1）缺乏考慮客戶的用電行為

一個客戶存在多種屬性及特征，主要歸納成3類：社會屬性、經濟屬性和客戶行為。對客戶進行細分的時候，企業可以根據實際需求選擇不同的屬性。

隨著智能電網建設的推進，用戶多元化需求對現有營銷方式提出新的挑戰，尤其是進入個性化的“一對一”營銷時代，更需要科學的客戶行為細分。因此，基于現有客戶服務數據資源，從電力客戶的客戶行為人手，綜合考慮客戶多方因素，對于更好的認識客戶，增強企業營銷服務和實現營銷精益化管理都具有重要意義

2）電力客戶細分指標單一

在電力客戶細分工作中目前主要采用的是定性分類方法，對定量分類方法的應用并不多見，能將兩種方法有機結合的客戶分類方法更為缺乏。事實證明，定性分類方法由于營銷人員的主觀原因和經驗所限，缺乏對客戶的全面了解，分類結果往往比較粗糙，難以發現不同類別客戶之間的區別，難以真正發揮客戶分類的作用，不利于進一步開展營銷服務和客戶開發等工作。而定量方法通常是對客戶信息進行統計和計算來對客戶進行分類，分類結果解釋性比較差。

用電信息采集系統和數據倉庫的建設完善，客戶數據將會越來越豐富和復雜，為構建結合定性和定量的細分方法提供了基礎。但對于有些復雜的數據，傳統分類方法無法精確解讀，而隨著數據挖掘技術水平的提高，有效解決了這一難題，其分類結果能很好地貼近人類的思維方式，使分類更加科學化和規范化。

3）電力客戶細分可操作性較差

目前，國內電力市場建設還不完善，對電力客戶細分的研究更多是停留在理論研究階段，脫離實際營銷市場，不能滿足現代電力市場營銷活動的需要。同時，由于分類方法過于簡單，客戶細分結果模糊、可操作性較差，不能反應電力客戶的用電行為，實際的操作意義不大。

近年來，各省市供電局陸續開展了信息采集系統的建設工作，客戶的用電數據呈爆炸式增長，為智能化客戶細分方法的研究和應用奠定了基礎?，F在應用較多的方法主要有以下幾種：

1）聚類分析。聚類分析在數據挖掘技術中是一個非常重要的研究領域，是一種無監誓的、具有探索性的分類技術，它是在沒有任何先驗知識的前提下，按照一定規則將數據集劃分成不同的簇，使得同一個簇中的樣本之間的相似程度較高，而不同的簇之間的樣本之間的差異程度大。目前聚類分析在營銷分析、信息檢索、數據統計等多個領域得到了廣泛的應用。

2）人工神經網絡。人工神經網絡是模仿生物學中人體的神經網絡結構和運行原理而建立起來的一種計算模型，整個模型由一些相互聯系的神經元組成，這些神經元的功能在于處理和傳遞信息，其連接方式直接決定著信息在網絡中傳遞和信息的屬性。通過模擬人腦的學習、記憶和處理問題等方式，對神經網絡進行客戶細分方面的訓練，神經網絡就可習得客戶數據處理方法，并且根據相應細分要求，對數據進行合理分類。

3）擬合分析。采用擬合分析進行客戶細分的過程是：首先對樣本的偏好進行評估，在此基礎上將有相同或相似偏好的樣本劃分為一類。原始的擬合分析僅以表面特征為細分指標，隨后不斷地向屯、理特征過渡。相應地細分技術也從事前細分向事后細分轉移。在不斷改進之后，擬合分析成為最受歡迎的細分方法之一。

4）因素分析。因素分析是現代統計學中一種重要而實用的方法，它是多元統計分析的一個分支。因素分析是通過對指標體系內部結構及相關性的研究，借助一定的統計技術，將原始指標轉化為與之信息等價的、獨立的新指標系列，即因子集合，以此反映出事物內在關系的、固有的、決定事物本質特征的因素。

電力市場環境的復雜性決定了沒有哪一種細分方法可以適應于所有情況，在進行客戶細分前要根據細分目標選擇適合的方法。同時，市場環境與客戶樣本的不斷變化決定了不存在一勞永逸的細分方法。

經過對比分析，聚類分析中的K-means算法由于具有操作簡單、易于實現和效率高等優點，K-means算法是快速聚類法中的一種，是由麥奎因提出的，實質上該算法是基于簇中對象的平均值，為了能達到全局最優，基于劃分的聚類要求窮舉所有可能的劃分；基于該算法的客戶分類實現步驟為：（1）將n個客戶用電的歷史數據分成K個初始客戶類型，確定各初始類的中心，一般采用均值作為中心；（2）定義以樣本的個數為維度的空間里的一種距離；（3）計算某個客戶用電樣本與各中心的距離，選擇距離最小的那個中心所在的類作為該客戶用電樣本應當劃入的類；（4）重新計算失去該樣本和取得該客戶用電樣本的類的中心；（5）對其他所有客戶用電樣本都以同樣的方法來重新歸類和確定類別中心；C6）重復這一過程直至所有客戶用電樣本均不能再重新分配為止；通過k-means聚類方法能夠實現利用客戶歷史用電數據實現對電力用戶類型細分操作，算法的輸入為客戶的歷史用電數據，其輸出為客戶細分類型；本文將采用K-means算法進行客戶細分。

本文提出一種基于數據挖掘的客戶電量流失的預測方法，并針對目前客戶分類方法的不足分析，提出基于K-means算法的聚類客戶細分方法。（上接第066頁）實訓室建設必須與企業崗位需求配套，以培養學生專業技能為目的。目前，重慶公共運輸職業學院已完成城市軌道交通技術中心和鐵路綜合實訓基地建設，該實訓基地建設有150米長鋼軌線路，配套接觸網設備、車輛設備和室內外信號設備，在該實訓基地可以完成上述信號基礎實訓項目。

4.2實訓項目優化

（1）信號機點燈電路故障處理：該實訓項目需培養學生識圖和故障處理能力，能夠讀懂進站信號機、出站信號機、調車信號機、正線防護信號機等信號機室內配線，能夠理清繼電器內部組合和側面端子配線走向。通過教學，讓學生掌握點燈電路故障處理流程，形成如何快速判斷室內外故障思維，通過電壓測量，能夠解決室內斷線故障、錯線故障、混線故障等。

（2）轉轍機控制電路故障處理：該實訓項目培養學生能夠處理ZD6型、ZYJ7型、S700K型轉轍機室內外電路故障，通過電壓測量，判斷室內繼電器控制電路及室外自動開閉器、移位接觸器、安全接點等常見故障點。

（3）轉轍機設備安裝與調試：該實訓項目培養學生能夠對室外轉轍機設備定反位密貼、缺口進行調試的能力。能夠通過觀察和練習，快速判斷螺距調節距離，同時掌握室外轉轍機設備基礎結構和動作過程。

（4）繼電器組合焊線：該實訓項目要求學生能夠根據室內配線圖，對繼電器內部組合、繼電器側面端子進行焊線，在焊接線時注重焊線和配線工藝，避免配線的搭焊，同時學會常用工具使用，養成安全生產意識。

（5）進路的排列與解鎖：該實訓項目要求學生能夠熟練掌握列車進路和調車進路的排列方法，學會如何利用調車信號機兼作變更按鈕形成變更進路，同時掌握總取消、總人解、區段故障解鎖、上電解鎖、道岔單鎖、道岔封閉、引導進路等基本操作。

隨著我國城市軌道交通和高速鐵路的快速發展，軌道交通職業院校人才培養質量直接關乎企業生產效率和生產安全，因此如何培養高質量的軌道交通一線通信信號技術人才是擺在職業院校面前的重要問題。培養高質量一線操作人才，需要對實訓設備加大投入，加強行業師資培養和引進，注重實訓課程項目優化，以賽促學，不斷提升實訓課程教學水平。