基于改進粒子群算法的智能農村營銷服務渠道優化分析

高嘉偉，劉濱，韓峰，翟雨茜，賈嘉

（國網天津市電力公司營銷服務中心，天津 300120）

農電服務渠道主要包括線下營業廳、郵儲銀行、超市網點，以及線上的網上國網、支付寶、微信等渠道，農電用戶包括農村地區的居民用電、家庭農場及規模種植戶用電、養殖戶用電、村辦企業用電、灌溉用電等。因為農村地區的用電用戶分布范圍較廣，單用戶用電量較少，所以關鍵用戶的用電量是農電系統的主要利潤來源。農電服務過程中，優選出優勢用戶并對其用電特征進行分析，同時優化智能服務渠道，以提升用電市場的營銷效率。

1 改進粒子群算法在農電營銷渠道優化中的應用

粒子群算法又稱作PSO算法，是利用模型化的粒子在數學投影空間中的移動過程對數據進行歸類分析的常用算法。農電用戶的GIS地理坐標、電表戶ID、歷史用電量記錄等數據，構成農電營銷渠道數據的基礎。GIS地理坐標指在地球地理信息數據庫（GIS）上對用戶的電表安裝位置進行標記的數據，包括其經緯度坐標（一般采用GB2000坐標系）。對上述數據進行分析，可以得到其粒子群的基函數如公式（1）：

式（1）中：Xi（t）為第i個輸入數據在第t個變化周期內的表現；Vi（t）為第i個輸入數據在第t個變化周期內的修正系數，如公式（2）：

式（2）中：w代表粒子移動速度，也控制著迭代效率，當w=0.4時，粒子迭代效率最高；此時設定迭代條件如公式（3）：

當式（3）中條件滿足時，認為數據迭代已經完成。不同w值時的PSO算法收斂曲線如圖1所示。

圖1 不同w值時的PSO算法收斂曲線

圖1中，使用常規PSO算法的條件下，粒子群的收斂過程在不同w值的驅動下并不穩定，且因為對農電用戶數字化模型的構建過程無法從邏輯上確認w值的營銷學含義，所以需要對PSO算法進行進一步優化，以實現更高的數據收斂效率。本文方案是在其中加入收斂因子的方式對PSO算法進行強制收斂，加速其收斂過程，增加模型的統計學穩定性。

收斂因子的表達式如公式（4）：

公式（4）為公式（2）的增強版，使用公式（4）取代公式（2），即在公式（2）的基礎上引入收斂因子φ，其表達式如公式（5）：

式（5）中：C 為修正系數，C=c1+c2，C＞4；

對PSO算法使用此改進策略后，其改進PSO算法的收斂曲線圖如圖2所示。

圖2 改進PSO算法的收斂曲線圖

圖2中2～3次迭代后，數據基本實現收斂，較圖1中10次左右迭代才發生完全收斂的效果進行比對，改進算法的計算效率顯著提升。

2 改進粒子群算法的實際應用效果分析

在農電營銷渠道數據的分析需求目標下，發現需要重點服務的優勢用戶，即擁有穩定大負荷的用電用戶，以及發現出現用電問題的用電用戶，包括竊電用戶和電表故障用戶等，均是該分析過程的目標。所以使用上述改進粒子群算法，以某縣區農電公司實際服務的2.8萬戶農電用戶在2018年1月至2019年12月的實際用電量數據為基礎數據進行試分析，分析平臺為構建在MySQL數據庫平臺上的Python數據分析軟件。

2.1 優勢用戶篩選效果

傳統優勢用戶的篩選方法是利用Excel軟件對用戶用電數據求取均值，然后對均值進行倒序排序，選出用電負荷最高的前100名用戶；傳統PSO算法是利用上述公式（1）（2）（3）描述的粒子群算法，對優勢用電用戶進行篩選，最終獲得充分迭代收斂后的高負荷用戶數據群；改進PSO算法是指使用上述加速收斂因子后的數據分析算法。比較項目中最小負荷是指2年考察期內選入優勢用戶的用電負荷最小用戶的平均用電負荷，平均負荷指2年考察期內選入優勢用戶的全部用戶的平均用電負荷；標準偏差率指計算平均負荷時的標準偏差率計算結果。詳見表1。

表1 優勢用戶篩選效果

表1中，傳統PSO算法和改進PSO算法的數據篩選效率均高于傳統的排序法獲得的數據量。其核心原因為PSO算法在計算過程中幾乎不丟失用戶特征信息，而排序法在求取用戶用電均值時，會丟失大量的用戶用電細節信息。而改進PSO算法較傳統PSO算法主要有以下特征：①后者篩選用戶量遠小于前者，標志其篩選容忍度更低；②入選用戶的最小負荷和平均負荷遠大于前者，標志著其選入用戶的用電負荷更高；③標準偏差率更小，標志著其入選用戶的特異化特征不明顯。

2.2 問題用戶篩選效果

電力營銷數據分析過程中，發現竊電及電表故障，是保障供需雙方合法利益、提升服務效率和企業窗口形象、實現更高的電力大營銷管理效能的有效途徑。特別是有效區分竊電行為和電表故障，可以有效避免電力營銷過程影響農電公司形象的重要分析需求點。

如表2所示的發現量指數據分析中發現竊電行為和電表故障的例數，發現周期指數據分析中竊電行為或電表故障發生后，數據分析結果展現出明確數據特征的時間，單位為月。

表2 問題用戶篩選效果

表2中改進PSO算法對竊電行為和電表故障的發現量顯著高于傳統PSO算法，其中對竊電行為的發現量達到1.5倍，電表故障的發現量達到2.3倍，且改進PSO算法的發現周期顯著短于傳統PSO算法。

3 結論

引入收斂因子的改進PSO算法并非單純從粒子群數據迭代收斂效率上高于傳統PSO算法，其實際的數據應用端表現也顯著優于后者。其中表現在對優勢用戶和問題用戶的數據特征提取方面，改進PSO算法表現出較強的數據挖掘結果可用性。同時，與傳統的基于Excel軟件系統的數據排序法相比，傳統PSO算法和改進PSO算法均表達出數據適應性。