基于机器学习的精准化电力营销方法与流程

本发明涉及电力营销，具体是指基于机器学习的精准化电力营销方法。

背景技术：

1、基于机器学习的精准化电力营销方法是利用机器学习技术和大数据分析及处理技术对大量的电力用户数据进行深入分析和挖掘，构建精准的电力营销模板，匹配用户的需求，制定精准化的营销策略。但传统电力营销聚类方法存在初始聚类中心选择不当导致的聚类的准确性、区分度、稳定性和有效性低的问题；传统电力营销聚类方法存在数据点与聚类中心的关联程度不准确、数据点的分配不合理导致的聚类的纯度、准确性、稳定性和可靠性低的问题；传统电力营销聚类方法存在聚类的参数难以配置的问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于机器学习的精准化电力营销方法，针对传统电力营销聚类方法存在初始聚类中心选择不当导致的聚类的准确性、区分度、稳定性和有效性低的问题，本方案通过基准特征选择和精细的数据空间划分，更准确地确定初始聚类的范围和边界，避免了随意性；明确计算空间划分初始宽度和最终宽度，使空间划分更加精确，更好地适应数据的分布特点，提升聚类的准确性和区分度；考虑了各个区域的数据特征，降低了初始聚类中心选取的盲目性，使聚类过程更加稳定和有效；针对传统电力营销聚类方法存在数据点与聚类中心的关联程度不准确、数据点的分配不合理导致的聚类的纯度、准确性、稳定性和可靠性低的问题，本方案设计距离函数，更准确地反映数据点与聚类中心的关联程度；关联度的计算使数据点的分配更加合理和精细；通过局部密度的计算更好地识别数据的分布特点，提高聚类的纯度和准确性；聚类中心更新公式综合考虑了关联度、局部密度因素，使聚类中心的调整更符合数据的实际情况，提升聚类的稳定性和可靠性；针对传统电力营销聚类方法存在聚类的参数难以配置的问题，本方案通过综合的聚类质量评估，全面考虑了稳定性、簇间和簇内差异，更加系统和客观地配置了最优簇数；设计最优引导搜索函数，使得对聚类参数的搜索更加高效，在不同阶段进行不同程度的精细探索，提高了配置最优参数组合的能力，增加了搜索的灵活性和适应性。

2、本发明采取的技术方案如下：基于机器学习的精准化电力营销方法，该方法包括以下步骤：

3、步骤s1：数据收集；

4、步骤s2：数据预处理；

5、步骤s3：选择初始聚类中心；

6、步骤s4：聚类；

7、步骤s5：优化聚类参数；

8、步骤s6：电力营销策略生成。

9、进一步地，在步骤s1中，所述数据收集是收集用户的用电数据、用电规律、客户类型数据、历史缴费数据、设备信息数据、天气相关数据、地理区域数据；所述用电数据包括月用电量、日用电量、峰谷用电量、用电时间段，所述客户类型包括居民用户、商业用户、工业用户，所述历史缴费数据包括用户的缴费时间、金额、欠费情况，所述天气相关数据包括温度、湿度，所述地理区域数据包括用户所处的地理位置、区域特点。

10、进一步地，在步骤s2中，所述数据预处理具体包括以下步骤：

11、步骤s21：数据整理，检查数据的完整性，填补缺失值，检查数据中的异常值，通过与历史数据和同类用户数据进行对比，对数据进行修正和去除，对数据进行标准化，将数据转换为统一的度量标准；

12、步骤s22：生成用电营销画像，分析用户用电模式，确定用电习惯特征，结合客户类型总结出用电特点与需求，从缴费数据提取缴费信誉信息，依据设备信息推判断电需求，结合地理区域数据分析用电差异，综合构建包含用电习惯、消费能力、信誉度、潜在需求特征的用户用电营销画像，将这个画像数据添加到特征数据中。

13、进一步地，在步骤s3中，所述选择初始聚类中心具体包括以下步骤：

14、步骤s31：基准特征选择，选择两个特征用于初始聚类中心位置的确定，找出这两个特征中的两个数据维度的最大值和最小值；

15、步骤s32：计算数据空间划分因子，表示如下：

16、；

17、其中，v表示聚类的簇数，和分别表示第一和第二维度的空间划分因子，表示取绝对值，表示取最小值；

18、步骤s33：确定空间划分初始宽度，通过空间划分因子来确定空间划分初始宽度，表示如下：

19、；

20、；

21、其中，y1表示对第一个数据维度确定的划分宽度，y2表示对第二个数据维度确定的划分宽度，表示第一个数据维度的最大值，表示第一个数据维度的最小值，表示第二个数据维度的最大值，表示第二个数据维度的最小值，a1表示第一个数据维度的调节因子，a2表示第二个数据维度的调节因子，e表示自然常数；

22、步骤s34：空间划分，基于确定好的空间划分宽度，对两个维度进行划分，直到剩下最后一块不足以划分的空间，再将该空间平均分配到已划分好的空间内，完成最后的划分，最后划分的空间宽度表示如下：

23、；

24、；

25、其中，y1f和y2f分别表示第一和第二维度空间的最终划分宽度，d1和d2分别表示第一和第二维度空间的划分区域个数；

26、步骤s35：确定初始聚类中心，先计算每个划分区域内的平均位置，再计算出整个数据空间所有数据点的整体平均位置，每个划分区域的平均位置分别与整体平均位置进行平均计算，得到每个区域对应的综合平均位置，随机选择a个综合平均位置作为初始聚类中心。

27、进一步地，在步骤s4中，所述聚类具体包括以下步骤：

28、步骤s41：设计距离函数，表示如下：

29、；

30、其中，i表示数据点的索引，j表示聚类中心的索引，表示数据点i的位置，表示聚类中心j的位置，表示数据点i到聚类中心j的距离，表示数据点i最近的数据点离聚类中心j最近的数据点的欧氏距离，表示数据点i离最近数据点的欧氏距离，表示聚类中心j离最近数据点的欧氏距离，表示数据点i与聚类中心j之间欧氏距离的平方；

31、步骤s42：计算关联度，表示如下：

32、；

33、其中，k表示聚类中心的索引，表示数据点i与聚类中心j之间的关联度，表示聚类中心的个数，表示数据点i的位置和聚类中心j的位置的距离，表示数据点i的位置和聚类中心k的位置的距离，w表示调节因子；

34、步骤s43：分配数据点，计算出每个数据点与每个聚类中心的关联度，将数据点分配到关联度最高的簇中；

35、步骤s44：计算局部密度，表示如下：

36、；

37、其中，表示数据点i的局部密度，表示局部区域宽度因子，表示数据点i最近的个数据点的集合，sl表示u个数据点集合中数据点的索引，表示u个数据点集合中的数据点sl的位置，表示属于符号，表示数据点i到数据点sl的欧氏距离；

38、步骤s45：去除噪声数据点，设定数据点与聚类中心的关联度阈值以及数据点的局部密度阈值，当存在一个数据点与聚类中心的关联度和数据点的局部密度都小于阈值，则将该数据点去除；

39、步骤s46：聚类中心更新，表示如下：

40、；

41、其中，表示更新之后的聚类中心，g表示以聚类中心j为中心聚成的簇的数据点的数量，e表示自然常数，表示平滑因子；

42、步骤s47：聚类，重复执行步骤s43-s46，直到聚类结果不再发生变化。

43、进一步地，在步骤s5中，所述优化聚类参数具体包括以下步骤：

44、步骤s51：确定优化参数，包括聚类簇数、调节因子和平滑因子；

45、步骤s52：聚类质量评估，表示如下：

46、；

47、其中，v表示聚类的簇数，表示聚类簇数为v时的聚类质量，表示质量评估权重，stab(v)表示聚类簇数为v时的聚类稳定性，它是聚类过程中两个数据点被分到同一个簇的最大次数，表示簇间平方和，表示簇内平方和，表示数据点总数；

48、步骤s53：确定聚类簇数，在簇数的取值范围内，选取聚类质量最高的簇数作为最终的聚类簇数；

49、步骤s54：构建参数搜索空间，在确定好聚类簇数的背景下，构建调节因子和平滑因子的参数搜索空间；

50、步骤s55：设计搜索引导因子，在搜索次数增加的过程中减小搜索的步长，寻求细致的探索，表示如下：

51、；

52、其中，t表示参数搜索次数，t表示最大参数搜索次数，表示第t+1次参数搜索时的搜索引导因子，e表示自然常数；

53、步骤s56：设计随机最优引导搜索函数，表示如下：

54、；

55、其中，表示第t+1次参数搜索时通过随机最优引导搜索函数搜索到的参数位置，表示第t次参数搜索时通过随机最优引导搜索函数搜索到的参数位置，表示此时适应度最高的参数位置，表示初始搜索集群的位置的平均值，r1表示0到1之间的随机数；

56、步骤s57：聚类参数搜索，设定参数适应度合格值，通过随机最优引导搜索函数进行参数搜索，计算搜索到的参数适应度，如果存在高于合格值的参数，将参数设置为优化参数输出；如果到达最大参数搜索次数，重新进行搜索；否则搜索次数加一，进行下一次搜索。

57、进一步地，在步骤s6中，所述电力营销策略生成是通过将用户的数据进行聚类处理，聚类完毕之后获取用户同簇的用电特征数据和用电营销画像，根据用电特征数据和用电营销画像生成出对应用户的用电营销策略，进行精准化电力营销，同时收集反馈数据更新到聚类的簇中，持续丰富和完善簇。

58、采用上述方案本发明取得的有益效果如下：

59、（1）针对传统电力营销聚类方法存在初始聚类中心选择不当导致的聚类的准确性、区分度、稳定性和有效性低的问题，本方案通过基准特征选择和精细的数据空间划分，更准确地确定初始聚类的范围和边界，避免了随意性；明确计算空间划分初始宽度和最终宽度，使空间划分更加精确，更好地适应数据的分布特点，提升聚类的准确性和区分度；考虑了各个区域的数据特征，降低了初始聚类中心选取的盲目性，使聚类过程更加稳定和有效。

60、（2）针对传统电力营销聚类方法存在数据点与聚类中心的关联程度不准确、数据点的分配不合理导致的聚类的纯度、准确性、稳定性和可靠性低的问题，本方案设计距离函数，更准确地反映数据点与聚类中心的关联程度；关联度的计算使数据点的分配更加合理和精细；通过局部密度的计算更好地识别数据的分布特点，提高聚类的纯度和准确性；聚类中心更新公式综合考虑了关联度、局部密度因素，使聚类中心的调整更符合数据的实际情况，提升聚类的稳定性和可靠性。

61、（3）针对传统电力营销聚类方法存在聚类的参数难以配置的问题，本方案通过综合的聚类质量评估，全面考虑了稳定性、簇间和簇内差异，更加系统和客观地配置了最优簇数；设计最优引导搜索函数，使得对聚类参数的搜索更加高效，在不同阶段进行不同程度的精细探索，提高了配置最优参数组合的能力，增加了搜索的灵活性和适应性。