基于動態網格生成技術和k-means 算法的電力客戶行為分析方法

孔繁春，王婷，李旭東

（內蒙古電力營銷服務與運營管理中心，內蒙古呼和浩特 010000）

為了進一步提升電力網絡的服務質量，為電力客戶及用戶提供智能的面向對象服務，需要研究電力客戶的用戶行為特征挖掘和檢測技術，對改進電力網絡的服務質量具有重要意義，相關的電力客戶行為分析方法研究受到人們的極大關注[1]。

當前，對電力客戶行為分析和聯合特征檢測建立在對電力客戶行為的大數據融合和數據挖掘基礎上，傳統方法中，對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選策略[3]以及基于時間序列建模的電力營銷客戶交易行為分析方法[4]等，但是其進行電力客戶行為分析的收斂性不好，特征聚類性不強，導致大規模電力客戶行為分析能力較弱。針對上述問題，該文提出基于動態網格生成技術和k-means 算法的電力客戶行為分析方法，其創新之處在于將動態網格生成技術和k-means 算法相結合，建立電力客戶行為的輸出可靠性狀態參數集，以提取出的電力客戶行為特征為基礎，實時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劃分析能力方面的優越性能。

1 電力客戶行為參數大數據挖掘和動態網格生成處理

1.1 電力客戶行為參數大數據挖掘

首先，根據電力客戶行為的確定性和非確定性特征量實現對電力客戶行為的特征挖掘[5]，采樣分叉樹模型設計電力客戶的網格分布結構，如圖1 所示。

圖1 電力客戶的網格分布結構

根據圖1 所示，結合指向性增益控制方法分析電力客戶行為分布大數據的動態網格特征參數，進行總線網絡控制，得到電力客戶行為參數的時間窗口采樣指標＜ts,te＞，結合電力客戶行為的特征分布集，通過置信度區間融合聚類分析[6]，得到電力客戶行為大數據分布的時間窗口函數W=te-ts，設電力客戶行為特征分布間隔為Δw，將電力客戶行為大數據分布的時間窗口W劃分為n+1 個向量量化集，得到電力客戶行為大數據分布的關聯規則項：假設電力客戶行為特征分量為S={s1,s2,…,sm}，進行效益度變換，得到電力客戶行為參數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的融合度采樣，得到電力客戶行為結構圖，如圖2 所示。

圖2 電力客戶行為結構圖

其次，設電力客戶行為的特征分布域為Q，采用粗糙集項估計的方法[7]，得到電力客戶行為特征分布的互信息量為qi，計算電力客戶行為特征分布的非空有限論域Δw，進而得到電力客戶行為挖掘的檢測統計量：

其中，λ為電力客戶行為特征分布的加權系數。

最后，引入電力客戶行為大數據分布的關聯規則項，采用相對獨立的隨機分布序列進行參數識別，得到電力客戶行為的統計量化特征，計算電力客戶行為的關聯時間信息分布的帶寬。

根據上述分析，實現電力客戶行為大數據挖掘和特征采樣模型，得到電力客戶行為大數據挖掘的界面如圖3 所示。

圖3 電力客戶行為大數據挖掘界面

1.2 電力客戶行為特征動態網格生成處理

采用動態網格生成技術中的分塊區域網格劃分方法，結合指向性增益控制方法分析電力客戶行為分布大數據的動態網格特征參數，得到電力客戶行為分布大數據的有限論域U′。電力客戶行為分布大數據融合的網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格區域分為h個連續的網格，表示為Ph：

結合模糊子序列融合調度的方法，采用嵌入式的程序調度，構建電力客戶行為分布大數據E-Learning學習模型。

進行頻繁項集挖掘，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聯節點ai進行分塊區域調度，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據大演化模型滿足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特征分布集：

在關聯約束下，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]，實現對電力客戶用戶行為的融合聚類和統計分析。

以此，采用分塊網格融合方法，提高電力客戶用戶行為的檢測和識別能力。

2 電力客戶用戶行為定量分析優化

2.1 電力客戶用戶行為的k均值聚類處理

結合指向性增益控制方法分析電力客戶行為分布大數據的動態網格特征參數，通過動態網格生成技術，聯合電力客戶行為的統計量化特征量[12-13]，得到電力客戶行為的融合度檢測模型為：

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：

引入自相關特征，得到電力客戶行為挖掘的融合聚類結果為：

對電力客戶行為輸出進行模糊度控制，得到電力客戶行為參數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同過濾參數模型。

以此，采用模糊度檢測結果實現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 聚類算法實現k 均值聚類的初始中心優化，從而在減少聚類樣本數據的同時，提高傳統k 均值聚類的效率，提高對電力客戶行為可用特征的挖掘效率，使得客戶行為參數分布的有限向量分布集合獲取過程的迭代次數減少。

2.2 電力客戶行為的量化特征分析

為了實現電力客戶行為的量化特征分析，以電力客戶行為參數分布的有限向量分布集合為基礎，進行先驗概率密度特征分析，設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 之間的模糊狀態參數，根據對電力客戶用戶C 行為特征的信任權重分析，得到先驗概率密度hp為電力客戶用戶行為的信任度評價系數[14-15]。

對其分層分布區域控制，得到電力客戶行為的負荷均衡交叉調度模型，整個調度過程為：

對電力客戶行為進行二階統計特征量檢測，得到分布式加速交替聚類的特征函數為：

以電力客戶用戶行為的信任度評價系數為判斷依據，分析電力客戶用戶行為參數集，在安全運行約束條件下，得到電力客戶用戶行為的分布式區間協調控制模型。

綜上分析，對提取的電力客戶行為特征采用了k-means 聚類方法，實現對電力客戶行為的優化挖掘和量化分析。

3 仿真分析

為了驗證該方法在實現電力客戶行為特征分析中的應用性能，采用Matlab進行仿真實驗，在用戶行為特征的信息交換中心，參考文獻[8]，輸出的電力客戶用戶行為數據大演化模型滿足x?Sα，0 ＜α＜2，由于實驗是基于分塊網格進行的，因此，可在約束范圍內隨機設定參數，進而隨機匹配分塊網絡，由此設置電力客戶行為特征參數的分布為：α1=0.9，α2=0.024，hp=0.012 5，對電力客戶行為數據采樣的測試集為12 000 MB，訓練子集為540 MB，電力客戶行為區域耦合系數為0.24，電力客戶行為參數分布的節點集合為{4,6,…,12,23,25,27}，根據上述參數設定，進行電力客戶行為特征分析，得到電力客戶行為數據采集結果如圖4 所示，將其以網格節點分布幅值的形式表現出來。

圖4 電力客戶行為數據采集結果

根據圖4 對電力客戶行為特征的大數據采集結果，利用該文方法和文獻[2]方法、文獻[3]方法分別進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參數集，實現對電力客戶行為的特征聚類，得到聚類結果如圖5 所示。

分析圖5 得知，該文方法進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，這是因為其根據電力客戶行為的確定性和非確定性特征量實現對電力客戶行為的特征挖掘，提高了對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果

測試電力客戶行為分析后的電力客戶的服務質量水平，如圖6 所示。

圖6 電力客戶服務質量水平測試

分析圖6 得知，通過對電力客戶服務質量水平測試分析，該文方法帶寬較大，服務質量較高，因為其對提取的電力客戶行為特征采用k-means 聚類方法，收斂性較佳，可以在較短時間內、最大程度上挖掘客戶行為特征，即優化挖掘和量化分析電力客戶行為，提高了對電力客戶的服務質量水平。

測試電力客戶行為分析的準確率，得到對比結果如圖7 所示。

圖7 電力行為特征分析準確性測試

分析圖7 得到，因為該文采用分塊網格融合方法，提高電力客戶用戶行為的檢測和識別能力，所以該文方法進行電力客戶行為的特征分析的準確性較高，準確率最高可達0.98，解決了電力行為特征分析可靠性不高的問題[16-19]。

4 結束語

該文提出基于動態網格生成技術和k-means 算法的電力客戶行為分析方法，采用k-means 聚類方法和塊網格融合方法構建優化的電力客戶的用戶行為分析模型，收斂性、可靠性、準確性均得到保證，可以提高電力客戶的量化分析能力，進一步提高了電力系統整體服務質量。