基于电力客户分群特征的停电敏感度预测算法研究

发布时间：2021-10-16 05:44

　　基于电力客户分群特征,以广东省某市级供电局全体145.2万客户为研究对象,采用决策树方法对停电敏感度预测算法进行了研究.结果表明,在测试集中,非居民及居民客户的验证集累积提升度曲线及敏感客户累积提升度曲线具有比较接近的变化趋势,这表明决策树CHAID算法模型的普适性较好,在模型中过拟合问题不存在.决策树CHAID算法模型在客户总量上有明显的差别,且在实际停电时住宅客户和非住宅客户群体间的敏感度比例也有很多差别.通过分析决策树CHAID算法模型、稀疏逻辑回归模型、 SVM支持向量机模型3种算法的预测准确率,在居民客户、非居民客户以及全体客户预测准确率中,决策树CHAID算法均高于另外两种模型. 

【文章来源】：西南师范大学学报(自然科学版). 2020,45(10)北大核心

【文章页数】：7 页

【部分图文】：

客户停电敏感度研究思路

图2为停电敏感度分析流程图, 在分析用户进行停电敏感度时, 采用决策树方法, 主要包括特征选取、 数据预处理、 停电敏感度分析模型的构建等.2.2 决策树原理

之所以使用决策树数据挖掘算法, 然后对建模字段的数据进行建模、 验证, 是由于此研究是分析并预测客户未来的行为概率. 为满足建立模型的要求, 将所采集的样本数据按45%,35%,15%随机地离散成验证集、 训练集、 测试集. 训练集用于数据建模、 模型验证, 根据验证设置、 调整和模型结果通过测试组进行测试. 在这项研究中, 以广东省某市供电局145.2万个客户为研究目标. 在此之中, 有非居民客户24.4万, 居民客户120.8万, 样本数据变量从所有客户中随机抽取, 比例为35%. 即非居民客户样本8.54万, 居民客户样本42.28万来建模数据. 数据分析的同时, 利用SAS Enterprise Miner Server软件来数据建模.3.3 模型算法

【参考文献】：
期刊论文
[1]基于逻辑回归模型的电力客户停电敏感度评分卡研究与实现[J]. 耿俊成,张小斐,袁少光,万迪明.  电力需求侧管理. 2018(03)
[2]基于机器学习技术的电力停电敏感客户标签体系[J]. 蔡丽华.  农村电气化. 2018(05)
[3]基于K-support稀疏逻辑回归的停电敏感度预测[J]. 耿俊成,张小斐,孙玉宝,吴博,周强.  计算机与现代化. 2018(04)
[4]基于停电明细数据的配电网可靠性监测与研究[J]. 盛银波,仲立军,张利庭,周子誉,龚书能.  浙江电力. 2017(12)
[5]面向大数据分析的决策树算法[J]. 张棪,曹健.  计算机科学. 2016(S1)
[6]基于数据挖掘技术的客户停电敏感度研究与应用[J]. 严宇平,吴广财.  新技术新工艺. 2015(09)
[7]基于粒子群算法的决策树SVM多分类方法研究[J]. 王道明,鲁昌华,蒋薇薇,肖明霞,李必然.  电子测量与仪器学报. 2015(04)

硕士论文
[1]配电网停电影响评估的研究与应用[D]. 梁思博.华北电力大学 2017



本文编号：3439263