“互聯網+大數據”下電力客戶精準賬單推送研究

蔣穎， 樓斐， 王慶娟， 張維， 徐家寧

(國網浙江省電力有限公司營銷服務中心， 浙江， 杭州 310014)

0 引言

現有的賬單推送包括電費賬單推送、信用卡賬單推送、支付寶賬單推送、商店的會員卡消費賬單推送等，這些電子類賬單的推送減少了紙質品的使用，也降低了派發賬單的工作量[1-3]。現階段，賬單推送在供電企業中的應用較為廣泛，因此，也有相關學者提出了相關的電力客戶賬單推送方法，如基于WPF的賬單推送管理方法[4]和云環境下賬單實時推送方法[5]。應用上述傳統方法制定的電力推送賬單，在實際應用過程中得到的反饋效果并不理想。因此，本研究在“互聯網+大數據”的背景下，設計一種新的電力客戶分層精準賬單推送方法。互聯網是一個巨大的覆蓋式網絡，該網絡將不同數據緊密聯系起來，從而形成一個一體化的數據結構，可以根據一個數據的變化得到不同的網絡信息[6]。大數據又被稱為巨量資料，具有數據多樣性強、數據密度值大、數據體量大等特點。大數據技術就是以此類數據特征為前提，實現對互聯網數據的深入分析。本研究結合互聯網與大數據，研究全新的賬單推送服務，為供電企業的創新發展提供嚴謹的技術支持，也為客戶使用電費賬單提供了便利的服務方式。

1 推送方法設計

1.1 互聯網模式下采集用電軌跡

電力客戶用電數據體量大，且隨著時間的變化不斷增加，因此，需根據用電軌跡數據對電力客戶的用電行為展開分析。用電軌跡數據是在不同時間、不同用電器下產生的用電數據變化量。圖1為不同的用電軌跡類型示意圖。

圖1 用電軌跡類型示意圖

根據圖1可以看出，在不同的時間段內，客戶用電量會有不同類型的用電軌跡，圖中的4條線段分別代表不同的用電類型。在此基礎上，根據用電數據體量大、覆蓋范圍廣的特點[7]，利用互聯網的關聯性，采集客戶用電軌跡數據。

假設每一條用電時段的用電軌跡用L來表示，則用電軌跡采集方程如下：

(1)

式中，(xi,yi)表示用電軌跡數據在ti時刻下的用電位置信息，i表示用電客戶的序號，Δt表示記錄點產生的時間間隔。但由于用電器的不同，同一時刻下的用電量也是不同的，因此再根據用電量的大小進行用電軌跡采集，結合式(1)可得用電軌跡方程為

(2)

式中，前一項為0→t時間段內可以產生n條用電量qi不同的用電軌跡[8]。根據上述分析得到電力客戶的用電軌跡，以該數據為用電客戶賬單依據進行用電信息分層。

1.2 計算數據類間距

根據上述互聯網模式下采集的用電軌跡計算不同的數據類間距，按照類間距設置不同類別的用電信息，并將其作為賬單內各個詳細數據的分層依據[9]。首先，對原始軌跡數據建立標準的K近鄰圖，需要滿足的約束條件如下：

B(Li,Lj)=max({B(Li,Ls)|Li∈D1∩Ls∈D2∩Li∈F(Ls)∩Ls∈F(Li)})

(3)

式中，Li和Lj表示2個相鄰的軌跡，B(Li,Lj)表示連接軌跡Li和Lj的節點，Ls表示其他相鄰的軌跡，F(*)表示不同用電軌跡的數據集，D1、D2分別表示2個屬性不同的衡量類[10]。在此基礎上計算數據類間距，這一過程需要考慮RI和RC 2個一致性條件，一致性條件的計算方程可用下列公式描述：

(4)

根據式(4)設計一個可以自動選取類中心的過程[11]，定義用電軌跡i的因子為σ，則

σi=ρiφi

(5)

式中，ρ表示用電軌跡數據密度，φ表示最小分化值。按照上述過程自動選取擁有最高σi值的2個節點為聚類中心，依次對其他的用電軌跡進行歸類，根據數據類間距，實現對用電信息的分層處理。

1.3 大數據分析技術構建客戶用電分析模型

根據上兩節的分析與計算，利用大數據分析技術構建電力客戶用電分析模型，對推送內容分層細化。

該模型的構建流程如下：根據各個月份的客戶用電數據軌跡確定指數平滑初始值，計算在不同平滑系數下平滑值的實際取值，并利用式(6)進行誤差分析：

(6)

式中，Δ表示誤差，n表示收費類型。根據誤差選擇最優參數α，確定初始值和平滑系數后再迭代，測算出不同月份的電力客戶用電超載量[12]。重復該步驟，收集n個超載量數據，并將其作為分析模型庫中，各個節點的強度，完成大數據分析。根據蟻群算法隨機性原則，將分析點任意分布在用電數據節點中，根據螞蟻的狀態轉移規則計算不同用電類型的數據占有率，并設置分層參數，利用式(7)更新用戶的當月用電信息：

f(i,q)=(1-ρ)f0(i,q)+Δαρ

(7)

式中，f(i,q)表示客戶i條用電軌跡下的用電量計算結果，f0(i,q)表示每月月初結轉的剩余電量[13]。在所有螞蟻完成一次回路遍歷后，利用式(7)更新當月的客戶用電信息。設置循環次數作為終止條件：如果一直未達到終止條件，則需要重復上一步；如果達到終止條件，則該算法結束。

至此利用基于大數據分析的蟻群算法得到當月的客戶用電實際數據，實現對客戶用電分析模型的構建。將該模型應用到電力用戶分層賬單推送中，用來統計用電客戶的用電量信息、用電超載量信息、超載程度信息，并根據這些信息，按照日期給出不同的用電量統計結果，從而實現對推送賬單的內容細化。

1.4 自適應調度算法推送賬單

根據電分析模型對客戶用電的分析，采用自適應調度算法推送賬單。已知賬單推送的實時性，可以利用平均耽誤時間T來計算。當T值越小時，賬單推送的實時性就越高[14]。用電客戶賬單的實時性計算式為

(8)

假設推送賬單耗費的流量為W，耗費的電量為Q，則流量值消耗值和電量消耗值計算式如：

(9)

式中，fi表示第i個推送賬單需要的單位流量，t′表示用電客戶的智能設備用電量，從初始電量下降到δ值時所需要的時間[15]。根據上述計算結果，按照推送客戶數量或推送次數計算損耗流量和電量的平均值。推送賬單的過程不只是考慮上述條件，還要將網絡的穩定性考慮進去，如月初是各個軟件或單位給出電子賬單的時間，因此網絡用戶會在月初時，增加對網絡的使用。大量的客戶端與賬單容易造成網絡異常，因此推送賬單時網絡穩定性的評估值需達到式(10)的計算結果：

(10)

式中，Z表示網絡穩定性評估結果，wi表示某一時段i下的網絡穩定性。根據上述數據，將基于客戶用電分析模型設計的用電賬單，推送給各個用電客戶，至此在“互聯網+大數據”技術下實現對電力客戶賬單的分層精準推送。

2 測試與分析

為驗證本研究提出的電力客戶分層精準賬單推送方法的實際應用性能，設計如下對比分析測試。將本文方法與傳統的基于WPF的賬單推送管理方法、云環境下賬單實時推送方法進行對比，分析應用不同方法后電力客戶賬單推送效果的差異。

對某城市中入住率較高的A小區、B小區、C小區和D小區試運行電力客戶賬單推送工作。歷史數據顯示上述4個小區居民用電量較為穩定。表1為4個小區住戶用電的基本信息。

表1 測試對象基本信息

表1的調查結果顯示，4個待測試小區的青年入住率較高，對于電子類信息較為熟悉，因此大多數住戶會選擇更加便利的賬單推送服務。

現將本文方法作為實驗組，將傳統的基于WPF的賬單推送管理方法作為對照1組，將傳統的云環境下賬單實時推送方法作為對照2組，分別利用3種方法推送同一用戶的電力賬單信息。經過10個月的測試后，統計4個小區的賬單訂閱數量。

但由于測試人員操作不當，造成B小區的訂閱數據混亂，重新提取數據會拖延測試進度，因此將B小區的實驗數據剔除，以A小區、C小區和D小區為實驗測試對象，分析訂閱結果。圖2為應用不同方法后，A、C、D小區居民的電力賬單訂閱結果。

(a) 實驗組測試結果

(b) 對照1組測試結果

(c) 對照2組測試結果

根據圖2中3組圖像中的曲線走勢可知：在應用賬單推送服務的10個月中，實驗組中3個小區中電力賬單的訂閱人數呈現不斷增加的態勢，3個小區的平均賬單訂閱客戶數達到了1 244戶；而2種傳統的推送服務并沒有得到3個小區大多數住戶的青睞，2個對照組的平均賬單訂閱客戶數分別為438戶、329戶。結合表1中的數據可知，3個小區的青年入住率均超過了75%，理論上電子類賬單的使用應該備受喜愛，但2個對照組的統計結果卻并不理想。由此可見，與2種傳統方法相比，本文方法具有更好的應用效果和更高的受眾度。

在上述研究的基礎上，統計3個小區住戶對不同推送方法的滿意度。統計過程采用隨機走訪調查的方式，各小區受訪戶數均為100戶，調查指標為“滿意”“一般”“不滿意”，將選擇“滿意”的戶數與總受訪戶數的比值作為滿意度結果，結果如表2所示。

表2 推送服務滿意度調查結果 單位：%

表2中的結果顯示，3個小區中用戶對本文方法滿意度較高，平均值為65.08%，而對2個對照組的滿意度相對偏低。

為了使測試結果更具有說服力度，對比3種賬單推送方法下某小區住戶的電力賬單，以2019年9月的用電量為查看對象，結果如圖3所示。

圖3 推送賬單頁面對比

根據圖3可知：實驗組中的賬單頁面表明說明了客戶每一個月的用電量，并利用曲線圖展開詳細說明該電力客戶賬單的具體信息；而對照1組只能推送當月客戶的用電，對照2組推送了每個月的客戶用電，但沒有詳細說明用電階級。根據賬單頁面分析可知，對照組中的賬單內容單一、數據沒有細化，而實驗組能夠將用電數據細化到月份。由此可以論證，本文利用“互聯網+大數據”設計的電力客戶分層精準賬單推送方法更有效。

3 總結

近幾年，互聯網技術飛速發展，本研究結合互聯網和大數據技術，設計了一種電力客戶分層精準賬單推送方法。該方法通過細化賬單內容，解決了傳統賬單推送內容單一的問題，提高了用電客戶對賬單推送的滿意度，也提升用電客戶對電力賬單的訂閱量。然而本文方法僅對推送內容的分層和精確程度進行了分析，沒有詳細說明推送平臺或推送軟件的推送模式，因此，今后的研究將從這一方面入手，進一步對本文方法展開優化研究。