[发明专利]一种基于机器学习的电能替代潜在客户预测方法

权利要求书

1.一种基于机器学习的电能替代潜在客户预测方法，其特征在于实施步骤包括：

1)输入待预测用户的p项用户特征指标；

2)将待预测用户的p项用户特征指标进行主成分分析得到的a项综合指标；

3)将a项综合指标输入神经网络识别模型确定待预测用户对应的电能替代方式，所述神经网络识别模型预先经过训练样本集训练建立了a项综合指标、指定的b项电能替代方式之间的映射关系，所述训练样本集包含用户样本的a项综合指标及其标记的电能替代方式，且所述a项综合指标为用户样本的p项用户特征指标进行主成分分析得到；

步骤2)中将待预测用户的p项用户特征指标进行主成分分析得到的a项综合指标具体是指将待预测用户的p项用户特征指标分别输入预设的a个综合指标函数进行主成分分析计算，共得到a项综合指标；所述综合指标函数的确定步骤包括：

2.1)输入n个用户样本数据，每一个用户样本数据包括p项用户特征指标，构建n行p列的数据矩阵A；

2.2)将数据矩阵A中的各项用户特征指标数据进行标准化；

2.3)针对标准化后的数据矩阵A，计算其中任意两个用户特征指标之间的相关系数，将所有的相关系数构成p行p列的相关系数矩阵B，其中p为用户特征指标数量；

2.4)通过相关系数矩阵B求解式(1)所示相关系数矩阵特征方程的特征根，共得到p个特征根，其中p为用户特征指标数量；

|λ_pE-B|＝0 (1)

式(1)中，λ_p表示特征值，E表示单位矩阵，B表示相关系数矩阵；

2.5)分别计算p个特征值的方差贡献率以及累积方差贡献率；

2.6)根据所述相关系数矩阵特征方程，确定每一个特征根对应一个特征向量L_g，L_g＝{l_g1,l_g2,…,l_gp}，g＝1,2,…,p，其中p为用户特征指标数量；针对标准化后的数据矩阵A，将标准化后的数据矩阵A中的各项用户特征指标数据根据式(2)转换为主成分；

F_g＝l_g1R₁+l_g2R₂+…+l_gpR_p (2)

式(2)中，F_g表示第g项主成分，L_g＝{l_g1,l_g2,…,l_gp}为第g个特征根λ_g对应的特征向量，R₁～R_p分别为标准化后的数据矩阵A中的第1～p列变量，p为用户特征指标数量；

2.7)根据累积方差贡献率大于或等于预设阈值、主成分的特征值大于1两项原则选择确定选取的主成分数量a，选取a个综合指标；将a个综合指标作为综合主因子、p个特征根作为公共因子，得到包含任意的第i个综合主因子在第j个公共因子上的载荷的初始载荷矩阵，所述初始载荷矩阵包括a个综合指标及其对应p项用户特征指标的取值；

2.8)将初始载荷矩阵进行正交旋转得到主成分因子旋转荷载矩阵，所述主成分因子旋转荷载矩阵包括a个综合指标及其对应p项用户特征指标的取值；

2.9)针对主成分因子旋转荷载矩阵中的每一个综合指标，将该综合指标对应p项用户特征指标的取值作为权重进行线性加权求和，分别得到a个综合指标的综合指标函数。

2.根据权利要求1所述的基于机器学习的电能替代潜在客户预测方法，其特征在于，步骤1)中的p项用户特征指标包括国内生产总值A1、产品产量A2、煤炭能源消耗A3、耗油量A4、天然气的能源消耗A5共五项用户特征指标。

3.根据权利要求1所述的基于机器学习的电能替代潜在客户预测方法，其特征在于，步骤3)中的电能替代方式包括电力替换油A、无电能替代潜力或潜力很小B、电力替换煤C、电力替换天然气D一共四种电能替代方式。