[发明专利]一种基于改进AP和K‑means聚类的电力大用户细分方法

说明书

技术领域

本发明涉及一种基于改进AP和改进K-means结合的电力大用户聚类算法，属于电力系统分析与计算领域。

技术背景

随着电力市场改革的不断深入，电力大用户在电力市场中的地位日益突出，通过对大用户细分，供电公司可以进一步了解大用户，确定电力大用户群体，识别有价值的大用户行为和价值特征，从而开发有针对性的服务措施和差异化的营销策略，在有效控制资源分配成本时显著提高供电企业服务水平[1]。本发明研究提出的电力大用户群体主要是指电力行业工业用户，其用电量大，对于供电可靠性要求高，消耗的电费成本高。

电力大用户的用电量占据了供电公司售电量的绝大部分，是供电企业售电利润的最主要来源。电力大用户的价值以及发展潜力是供电企业制定决策和服务措施的有力依据。已有文献所提出的大用户细分指标大都旨在将用户分为工业、商业等用户类型，而不是为企业的决策寻找依据。而针对服务措施提出的细分指标则主要针对用户的现有价值，并未对用户近期和长期的发展趋势进行分析。对大用户进行定性分析是企业宏观上对大用户进行个分类的一种方法，它根据决策者的判断来对大用户进行分析，并没有严格的论证过程，决断结果片面主观，容易造成较大的决策偏差。定量分析方法则是应用智能算法根据用户属性特征值将用户进行聚类。应用经典的K-means算法对大用户进行聚类，难以确定聚类数k，对孤立点敏感，并基于梯度下降搜索时容易陷入局部最优，凝聚层次聚类算法当数据规模较大时，时间复杂度和空间复杂度很高，难以应用，遗传算法引入K-means聚类，容易出现过早收敛的现象，在K-means的基础上引入PSO，精度较低，容易发散。传统的聚类算法总是随机选择初始中心，然后进行迭代调整，直到不再发生明显的变化，这种聚类的结果往往会受到初始聚类点选择的影响。与传统聚类方法相比，对于大规模数据集，AP是一种快速、有效的聚类方法。比起传统的聚类算法，它有很多优势，不需要事先指定聚类的个数，对初值的选取不敏感，对距离矩阵的对称性没有要求等，是一种确定性的聚类算法，多次独立运行的聚类结果一般都十分稳定。

现有研究所提出的现有价值的细分指标没有体现大用户的未来发展潜力，本发明在这些指标的基础上从两个角度提出了基于大用户未来发展潜力的细分指标，不仅能分析大用户的现有价值也能帮助供电企业分析大用户未来为供电企业带来的价值。基于提出的细分指标采用AP和K-means聚类算法对大用户进行细分，引入的算法解决了K-means算法需提前确定聚类数目以及初始聚类中心的缺点，同时也解决了容易陷入局部最优以及过早收敛的问题。分析结果可为供电企业提供分析依据以及差异化服务的决策依据，使电力大用户为供电企业创造更多的价值。

发明内容

发明目的：改善经典的K-means算法难以确定聚类数k，对孤立点敏感，并基于梯度下降搜索时容易陷入局部最优等缺点。

技术方案：本发明为实现上述目的，采用如下技术方案：

一种基于改进AP和K-means聚类的电力客户细分方法，包括以下步骤：

步骤001：输入经过预处理以后的用电量、信用得分、用电增长率等数据；

步骤002：利用改进后的AP算法求得聚类数目K以及聚类中心；

步骤003：将AP聚类所得的聚类数目K和初始聚类中心作为K-means聚类的初始值；

步骤004：根据距离最近的原则确定第一次的聚类结果，即依次计算各个点距初始聚类中心的距离，并基于距离重新分配簇；

步骤005：重新确定聚类中心，重新计算每个聚类的均值并确定新的聚类中心点；

步骤006：根据终止条件判断是否终止聚类，若终止则输出结果，否则转向第四步重新迭代计算；

步骤007：输出K个聚类集合。

输入经过预处理后的电力大用户的月用电量总量、客户历史信用得分以及用电量增长率，其中用电量分增长率包含两个内容：分别为环比增长率和同比增长率；本发明所提出的电力大用户信用采用大用户信用得分来进行表征，信用得分是供电企业运用数理统计方法以及数据挖掘技术，首先通过对大用户的基础信息，通过对大用户的用电情况、合同履约情况、安全用电情况以及电费缴纳这四个指标的大量历史碎片化数据进行系统性地清洗与分析，挖掘数据中蕴藏的行为模式以及信用特征，捕捉历史信息和信用表现之间的关系，通过对规范化后的数据进行加权平均处理，最后得到一个总的信用得分值，以该信用得分来综合评估大用户历史行为上的信用表现，在一定程度上可以作为对用户当前价值的判断，也可以作为大用户未来信用表现的预测，其中：