基于關(guān)聯(lián)規(guī)則技術(shù)的電力市場營銷數(shù)據(jù)挖掘方法

張曦

［摘 要］常規(guī)的電力市場營銷數(shù)據(jù)挖掘方法以數(shù)據(jù)挖掘的負(fù)載均衡為主，為了平衡負(fù)載增加了大量的矢量運(yùn)算，影響了數(shù)據(jù)挖掘的效果，因此，文章設(shè)計(jì)了基于關(guān)聯(lián)規(guī)則技術(shù)的電力市場營銷數(shù)據(jù)挖掘方法。處理電力市場營銷數(shù)據(jù)，將數(shù)據(jù)進(jìn)行各個(gè)維度變換，在保持原始數(shù)據(jù)值的基礎(chǔ)上將其映射到統(tǒng)一的數(shù)量級中，為數(shù)據(jù)挖掘提供基礎(chǔ)保障。基于關(guān)聯(lián)規(guī)則計(jì)算建立電力市場營銷數(shù)據(jù)倉庫，將處理完成的營銷數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)倉庫中，剔除與電力企業(yè)決策無關(guān)的營銷數(shù)據(jù)，為電力企業(yè)提供決策支持。采用對比實(shí)驗(yàn)，驗(yàn)證了該方法的數(shù)據(jù)挖掘效果更佳，能夠應(yīng)用于電力企業(yè)營銷管理工作中。

［關(guān)鍵詞］關(guān)聯(lián)規(guī)則技術(shù)；電力市場；營銷數(shù)據(jù)；數(shù)據(jù)挖掘方法

doi：10.3969/j.issn.1673-0194.2023.19.034

［中圖分類號］F272.7；TP391.113 ［文獻(xiàn)標(biāo)識(shí)碼］A ［文章編號］1673-0194（2023）19-0113-04

0? ? ?引 言

在激烈的電力市場競爭環(huán)境中，如何占領(lǐng)電力市場成為電力企業(yè)獲得發(fā)展必須思考的關(guān)鍵問題。在此背景下，電力企業(yè)逐漸建立了與市場接軌的營銷機(jī)制，完善了電力市場營銷模式。在電力企業(yè)市場營銷的過程中，存在大量的數(shù)據(jù)，想要從大量的數(shù)據(jù)中找出對營銷決策有意義的數(shù)據(jù)，就需要采用營銷數(shù)據(jù)挖掘方法。針對此類問題，研究人員設(shè)計(jì)了多種方法。其中，基于耦合度量的電力市場營銷數(shù)據(jù)挖掘方法，與基于Tex-RCNN的電力市場營銷數(shù)據(jù)挖掘方法的應(yīng)用較為廣泛。

基于耦合度量的電力市場營銷數(shù)據(jù)挖掘方法，主要是利用K-tras分割聚類算法，將電力市場營銷數(shù)據(jù)進(jìn)行聚類更新，將最優(yōu)決策數(shù)據(jù)分類到同一個(gè)數(shù)據(jù)集中，通過數(shù)據(jù)挖掘模型不斷更新量化營銷數(shù)據(jù)，從而提升數(shù)據(jù)挖掘效率［1］。基于Tex-RCNN的電力市場營銷數(shù)據(jù)挖掘方法，主要是利用Tex-RCNN的雙層感知結(jié)構(gòu)，將電力營銷數(shù)據(jù)進(jìn)行數(shù)值偏移量分析，獲取電力市場營銷表征參數(shù)，通過建立決策識(shí)別模型，將營銷數(shù)據(jù)進(jìn)行精準(zhǔn)挖掘［2］。以上兩種方法均能夠進(jìn)行電力市場營銷數(shù)據(jù)挖掘，但是受到K-tras分割聚類與Tex-RCNN的感知結(jié)構(gòu)的影響，數(shù)據(jù)挖掘過程中存在大量的運(yùn)算過程，數(shù)據(jù)挖掘的相關(guān)性較低，影響挖掘精準(zhǔn)度［3］。因此，本文利用關(guān)聯(lián)規(guī)則技術(shù)，設(shè)計(jì)了電力市場營銷數(shù)據(jù)挖掘方法。

1? ? ?電力市場營銷關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘方法設(shè)計(jì)

1.1? ?處理電力市場營銷數(shù)據(jù)

電力市場營銷的數(shù)據(jù)包括歷史售電數(shù)據(jù)、售電量、售電時(shí)間、售電行業(yè)類別等方面。電費(fèi)賬單是電力企業(yè)與客戶之間的溝通形式，通過采集客戶基本用電數(shù)據(jù)，完善該用戶的交易記錄、用電信息、維修記錄等數(shù)據(jù)，避免用戶數(shù)據(jù)的疏漏［4］。本文將電力市場營銷數(shù)據(jù)采集完成之后，對其進(jìn)行各個(gè)維度的數(shù)據(jù)變換，在保持原始數(shù)據(jù)值的基礎(chǔ)上，映射到統(tǒng)一的數(shù)量級中，為數(shù)據(jù)挖掘提供基礎(chǔ)保障。在市場營銷數(shù)據(jù)的事物空間中，涉及多種量綱維度的影響，數(shù)據(jù)出現(xiàn)連續(xù)離散化的情況，影響營銷數(shù)據(jù)挖掘售電規(guī)律。因此，本文引入最大—最小規(guī)范化屬性，對電力市場營銷數(shù)據(jù)進(jìn)行線性變換［5］。數(shù)據(jù)規(guī)范化處理公式如下：

式（1）中，為經(jīng)過處理的電力市場營銷數(shù)據(jù)；v為未經(jīng)過處理的原始營銷數(shù)據(jù)；minA為數(shù)據(jù)集中的最小值；maxA為數(shù)據(jù)集中的最大值［6］。在此基礎(chǔ)上，本文將連續(xù)屬性的營銷數(shù)據(jù)值進(jìn)行非線性函數(shù)轉(zhuǎn)換，公式如下：

式（2）中，xk，i為第k個(gè)數(shù)據(jù)經(jīng)過第i個(gè)屬性的轉(zhuǎn)換輸出值；Pk為第k個(gè)營銷數(shù)據(jù)向量；Ti為第i個(gè)屬性的數(shù)據(jù)中心。營銷數(shù)據(jù)的轉(zhuǎn)換函數(shù)幾何圖形表示為：

如圖1所示，在n維空間中，將Pk與Ti輸入到轉(zhuǎn)換函數(shù)中進(jìn)行數(shù)據(jù)轉(zhuǎn)換［7］。將數(shù)據(jù)轉(zhuǎn)換之后，數(shù)據(jù)屬性的連續(xù)離散化問題得以緩解，相關(guān)屬性的值并非連續(xù)性的，更有利于挖掘營銷數(shù)據(jù)的規(guī)律。

1.2? ?基于關(guān)聯(lián)規(guī)則計(jì)算建立電力市場營銷數(shù)據(jù)倉庫

本文將處理完成的營銷數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)倉庫中，剔除與電力企業(yè)決策無關(guān)的營銷數(shù)據(jù)，為電力企業(yè)提供決策保障。在電力市場營銷數(shù)據(jù)挖掘的過程中，本文從三個(gè)步驟進(jìn)行，處理整合數(shù)據(jù)、建立數(shù)據(jù)挖掘倉庫，以及引入關(guān)聯(lián)規(guī)則算法直接挖掘數(shù)據(jù)源［8］。在數(shù)據(jù)整合處理完成之后，本文將相同屬性的營銷數(shù)據(jù)集合到一個(gè)數(shù)據(jù)集合中，針對某一相同屬性整合各種營銷數(shù)據(jù)。假設(shè)I為電力市場營銷項(xiàng)目數(shù)據(jù)，D作為一個(gè)屬性的數(shù)據(jù)倉庫，則每一項(xiàng)關(guān)聯(lián)數(shù)據(jù)均滿足的條件。如果項(xiàng)目ik∈T，則數(shù)據(jù)T支持項(xiàng)目ik，則屬性A在數(shù)據(jù)倉庫D的支持度為：

式（3）中，為屬性A在數(shù)據(jù)倉庫D的支持度；DA為在D中挖掘出為屬性A的數(shù)據(jù)量；Dm位移D中的實(shí)際數(shù)據(jù)量。給定最小支持度閾值，若DA＞，則稱屬性A是頻繁營銷數(shù)據(jù)集。在關(guān)聯(lián)規(guī)則技術(shù)支持下，將數(shù)據(jù)倉庫D中的交易數(shù)據(jù)X、Y進(jìn)行挖掘可信度分析，公式為：

式（4）中，為規(guī)則的挖掘可信度。根據(jù)用戶的用電情況，給定最小支持度閾值與最小可信度閾值，在此框架下，得到關(guān)聯(lián)規(guī)則，如圖2所示。

如圖2所示，交易數(shù)據(jù)X、Y之間存在X^Y的關(guān)系，在支持度—可信度的框架下，關(guān)聯(lián)規(guī)則的基礎(chǔ)上，對數(shù)據(jù)倉庫中的交易數(shù)據(jù)進(jìn)行相關(guān)度分析，公式如下：

式（5）中，δ為數(shù)據(jù)倉庫中的交易數(shù)據(jù)挖掘的相關(guān)度；P為關(guān)聯(lián)系數(shù)。當(dāng)δ＞1時(shí)，數(shù)據(jù)X與數(shù)據(jù)Y存在正相關(guān)的關(guān)系；當(dāng)δ=1時(shí)，數(shù)據(jù)X與數(shù)據(jù)Y不相關(guān)；當(dāng)δ＜1時(shí)，數(shù)據(jù)X與數(shù)據(jù)Y存在負(fù)相關(guān)的關(guān)系。本文以售電量為度量，將售電量、售電價(jià)、氣溫、降水等數(shù)據(jù)作為空間屬性，形成數(shù)據(jù)倉庫。每一類別的屬性數(shù)據(jù)分類存儲(chǔ)在數(shù)據(jù)倉庫中，最大程度上提升數(shù)據(jù)挖掘效率。

2? ? ?實(shí) 驗(yàn)

為了驗(yàn)證本文設(shè)計(jì)的數(shù)據(jù)挖掘方法是否符合相關(guān)性需求，本文對上述方法進(jìn)行了實(shí)驗(yàn)分析。最終的實(shí)驗(yàn)結(jié)果則以文獻(xiàn)［1］基于耦合度量的電力市場營銷數(shù)據(jù)挖掘方法、文獻(xiàn)［2］基于Tex-RCNN的電力市場營銷數(shù)據(jù)挖掘方法，以及本文設(shè)計(jì)的基于關(guān)聯(lián)規(guī)則技術(shù)的電力市場營銷數(shù)據(jù)挖掘方法進(jìn)行對比的形式呈現(xiàn)。具體的實(shí)驗(yàn)過程以及實(shí)驗(yàn)結(jié)果如下。

2.1? ?實(shí)驗(yàn)過程

本文選取了某城市2018年至2023年所有1月份

的月售電量作為實(shí)驗(yàn)數(shù)據(jù)集，并將影響月售電量的數(shù)據(jù)選取出來，確保本次實(shí)驗(yàn)的真實(shí)性。影響月售電量的數(shù)據(jù)包括售電量、售電均價(jià)、平均氣溫、降水量等。其中，2018年1月份的售電量為3.154×107kWh，售電均價(jià)為0.334元/kWh，平均氣溫為-11.5℃，降水量為1.7mm。2019年1月份的售電量為3.895×

107kWh，售電均價(jià)為0.362元/kWh，平均氣溫為-12.9℃，降水量為25.3mm。2020年1月份的售電量為3.026×107kWh，售電均價(jià)為0.361元/kWh，平均氣溫為-12.5℃，降水量為0.7mm。2021年1月份的售電量為3.450×107kWh，售電均價(jià)為0.386元/kWh，平均氣溫為-12.0℃，降水量為0.9mm。2022年1月份的售電量為3.627×107kWh，售電均價(jià)為0.377元/kWh，平均氣溫為-7.3℃，降水量為3.8mm。2023年1月份的售電量為4.005×107kWh，售電均價(jià)為0.420元/kWh，平均氣溫為-11.8℃，降水量為1.4mm。將原始數(shù)據(jù)經(jīng)過概化處理，得到FP-tree的頻繁項(xiàng)集合，如圖3所示。

如圖3所示，E、P、T、R表示的是售電量、售電均價(jià)、平均氣溫、降水量等概化數(shù)據(jù)，每個(gè)數(shù)據(jù)集均存在5種概化等級，分別為低水平、中低水平、中等水平、中高水平、高水平。將概化數(shù)據(jù)輸入數(shù)據(jù)挖掘模型中，得到各自概化數(shù)據(jù)的等級水平，并設(shè)定相關(guān)規(guī)則，對電力市場近5年的營銷數(shù)據(jù)進(jìn)行分析。

2.2? ?實(shí)驗(yàn)結(jié)果

在上述實(shí)驗(yàn)條件下，本文隨機(jī)選取出多種強(qiáng)關(guān)聯(lián)規(guī)則，每種規(guī)則的支持度、可信度、相關(guān)度不同。本文將最小支持度閾值設(shè)定為0.155，最小可信度閾值設(shè)定為0.350，最小相關(guān)度閾值設(shè)定為0.850。在其他條件均一致的情況下，將文獻(xiàn)［1］基于耦合度量的電力市場營銷數(shù)據(jù)挖掘方法的數(shù)據(jù)挖掘指標(biāo)、文獻(xiàn)［2］基于Tex-RCNN的電力市場營銷數(shù)據(jù)挖掘方法的數(shù)據(jù)挖掘指標(biāo)，以及本文設(shè)計(jì)的基于關(guān)聯(lián)規(guī)則技術(shù)的電力市場營銷數(shù)據(jù)挖掘方法的數(shù)據(jù)挖掘指標(biāo)進(jìn)行對比。實(shí)驗(yàn)結(jié)果如表1所示。

如表1所示，P1表示低水平售電均價(jià)；T2表示中低水平平均氣溫；R3表示中等水平降水量；R4表示中高水平降水量；E5表示高水平售電量。本次實(shí)驗(yàn)建立了4種規(guī)則，分別為規(guī)則①：{P1}?{E5}，規(guī)則②：{T2}?{E1}，規(guī)則③：{R3}?{E2}，規(guī)則④：{P1，R4}?{E5}。其中，規(guī)則①的最小支持度閾值為0.155，最小可信度閾值為0.350；規(guī)則②的最小支持度閾值為0.160，最小可信度閾值為0.350；規(guī)則③的最小支持度閾值為0.155，最小可信度閾值為0.250；規(guī)則④的最小支持度閾值為0.160，最小可信度閾值為0.300。在數(shù)據(jù)挖掘的過程中，超過最小閾值，才能確保數(shù)據(jù)挖掘的有效性。

在其他條件均一致的情況下，使用文獻(xiàn)［1］基于耦合度量的電力市場營銷數(shù)據(jù)挖掘方法之后，數(shù)據(jù)挖掘指標(biāo)的支持度、可信度、相關(guān)度均偏低，存在低于最小閾值的情況，使數(shù)據(jù)挖掘的關(guān)聯(lián)性降低，影響電力市場營銷的下一步?jīng)Q策。使用文獻(xiàn)［2］基于Tex-RCNN的電力市場營銷數(shù)據(jù)挖掘方法之后，數(shù)據(jù)挖掘指標(biāo)的支持度、可信度、相關(guān)度較之文獻(xiàn)［1］方法均有所提升，且數(shù)據(jù)挖掘相關(guān)指標(biāo)較為穩(wěn)定。但是，使用該方法之后，在規(guī)則②、規(guī)則④仍存在低于最小閾值的情況，需對其進(jìn)一步處理。而使用本文設(shè)計(jì)的基于關(guān)聯(lián)規(guī)則技術(shù)的電力市場營銷數(shù)據(jù)挖掘方法之后，數(shù)據(jù)挖掘的相關(guān)指標(biāo)均較高，支持度、可信度、相關(guān)度均超過了最小閾值水平，可以滿足數(shù)據(jù)挖掘需求，為電力市場營銷決策提供基礎(chǔ)數(shù)據(jù)支撐。

3? ? ?結(jié)束語

綜上所述，電力市場是電力營銷的基礎(chǔ)，企業(yè)迫切需要轉(zhuǎn)變營銷思路，以高效、便民、提升終端能源占用率為目的，引導(dǎo)電力消費(fèi)、刺激電力消費(fèi)。電力企業(yè)在市場營銷過程中產(chǎn)生了大量的數(shù)據(jù)，在電力企業(yè)的發(fā)展過程中，歷史營銷數(shù)據(jù)能夠?yàn)楹罄m(xù)營銷決策提供支持。因此，本文結(jié)合關(guān)聯(lián)規(guī)則技術(shù)，設(shè)計(jì)了電力市場營銷數(shù)據(jù)挖掘方法。從數(shù)據(jù)處理、數(shù)據(jù)挖掘、數(shù)據(jù)倉庫等方面，對電力市場營銷數(shù)據(jù)進(jìn)行規(guī)范化挖掘，為電力企業(yè)提供下一步?jīng)Q策的基礎(chǔ)條件，確保電力企業(yè)的長遠(yuǎn)發(fā)展。

主要參考文獻(xiàn)

［1］蔡燕萍.基于耦合度量的負(fù)載平衡大數(shù)據(jù)聚類挖掘方法［J］.蘭州文理學(xué)院學(xué)報(bào)（自然科學(xué)版），2023，37（2）：40-44.

［2］覃浩，劉振華，蘇立偉，等.基于Tex-RCNN的電力營銷語音服務(wù)用戶意圖識(shí)別模型［J］.微型電腦應(yīng)用，2022，38（12）：93-97.

［3］牛任愷，張鑫磊，王玉君，等.基于數(shù)據(jù)挖掘的電力營銷稽查業(yè)務(wù)監(jiān)管系統(tǒng)［J］.吉林大學(xué)學(xué)報(bào)（信息科學(xué)版），2022，40（1）：103-110.

［4］曹喜如，梁錦灝，全威龍，等.基于KH Coder文本數(shù)據(jù)挖掘中日農(nóng)業(yè)經(jīng)濟(jì)發(fā)展特點(diǎn)對比［J］.山西農(nóng)經(jīng)，2023（5）：37-39.

［5］蕭展輝，鄒文景，鄧麗娟，等.電力營銷客戶服務(wù)中臺(tái)數(shù)據(jù)傳輸安全自動(dòng)監(jiān)測技術(shù)［J］.自動(dòng)化與儀器儀表，2022（10）：111-114，119.

［6］劉翠玲，胡聰，王鵬，等.基于營銷大數(shù)據(jù)的電力客戶多維度信用評價(jià)模型研究［J］.西南大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，44（6）：198-208.

［7］蘇立偉，劉振華，蘇華權(quán)，等.基于數(shù)據(jù)負(fù)荷序列聚類的配電網(wǎng)電力營銷實(shí)時(shí)信息系統(tǒng)測試［J］.電網(wǎng)與清潔能源，2021，37（12）：64-69，80.

［8］張悅，田秀霞，顏赟成，等.一種基于分級策略的電力營銷大數(shù)據(jù)訪問控制方案［J］.華東師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2021（5）：169-184.

［收稿日期］2023-05-24