[发明专利]电力客户价值评价方法

说明书

技术领域

本发明涉及电力客户价值评价领域，更具体地，涉及电力客户价值评价方法。

背景技术

目前，电力客户价值评价方法的主要思路为：首先，建立电力客户价值评价的指标体系；其次，对各个指标赋权重；最后，对客户价值分类。关于电力客户价值评价的指标体系，国际上有一些零散的研究，理论上并未明确给出完整的指标体系，也缺乏讨论确定客户价值评价指标体系的方法。现有分析获取的电力客户的数据限于客户的一些基础信息，并且并非所有的客户联络记录都被完整记录，因此所产生的分析结果并不精确，其所能反应的问题也十分有限。现有的对电力客户的评价主要是基于售电量、售电收入、欠费记录等的直观的数据，无法根据一定的筛选标准确定目标客户群，评价指标不系统科学。分析方法比较简单，缺少对客户的深度分析，难以挖掘大客户的价值，为客户提供差异化、个性化服务。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷，提供电力客户价值评价方法，本方法计算指标的权重，提出一种改进的PCA聚类算法对电力客户价值进行分类，为供电企业制定差异化服务策略提供辅助支撑。

为解决上述技术问题，本发明采用的技术方案是：电力客户价值评价方法，其特征在于，包括有以下步骤：

S1：将电力客户价值评价指标体系中的原始数据设为矩阵X∈R^n×d；

S2：步骤S1完成后，令B∈R^d×d，且B＝X'X；

S3：步骤S2完成后，计算出矩阵B的特征值和特征向量，得出最大特征值对应的特征向量V；

S4：步骤S3完成后，令C＝X·V，则C∈R^n×1；

S5：步骤S4完成后，对1维列向量C进行聚类，再对应到原始数据，得出原始数据的聚类结果，原始数据对象X_i被划分到第j类中，当且仅当向量C的第i行被划分到第j类。

本发明提供的算法既具有PCA即主成分分析的降维的特点，又避免了 K-means算法聚类结果不稳定的缺点，同时又具有K-means算法的高效性与简洁性等优点，因此该算法适合处理大规模高维度数据。

在步骤S5中，采用以下方法对1维列向量C进行聚类计算，

S51：应用初始聚类中心算法来选取K个初始聚类中心；

S52：步骤S51完成后，计算所有数据对象与聚类中心的距离，同时将数据对象分配到最近的类中；

S53：步骤S52完成后，重新计算每个聚类中所有数据对象的平均值，作为新的聚类中心；

S54：步骤S53完成后，循环步骤S52到步骤S53，实现前后两次迭代得到的每个聚类中心点相同。

本发明中，采用的初始聚类中心算法的具体步骤如下，

S01：数据集X有n个数据对象，聚类的类数为k，计算其中最小的数据对象min(X)，计算X中所有数据对象到min(X)的距离Dis1,Dis2,...,Disn,根据此距离升序排列所有数据对象；

S02：步骤S01完成后，将第1+(i-1)(n-2)/(k-1),i＝1,...,k项数据对象设为对应类的初始成员；

S03：步骤S02完成后，对尚未分配的数据对象计算其与每个类中初始成员的距离，同时将数据对象归入到距离最小的类中，计算每个类中所有数据对象的平均值，即为初始中心点。

本发明提供电力客户价值评价方法，无需随机选取初始中心点，使得聚类结果更加的稳定和可靠，同时该算法有结合PCA即主成分分析的思想，具有降维的作用，使算法运行效率较高，因此该算法适合于处理大规模高维度的数据。

附图说明

图1是本发明在一个实施例中方法流程示意图。

具体实施方式

附图仅用于示例性说明，不能理解为对本发明的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本发明的限制。

实施例1：

如图1所示，本发明提供电力客户价值评价方法，包括有以下步骤，

S1：将电力客户价值评价指标体系中的原始数据设为矩阵X∈R^n×d；

S2：步骤S1完成后，令B∈R^d×d，且B＝X'X；

S3：步骤S2完成后，计算出矩阵B的特征值和特征向量，得出最大特征值对应的特征向量V；