电力用户画像构建方法

2018-04-23 16:30:01 《互联网+智慧售电》  点击量: 评论 (0)
电力用户标签体系,描述了电力用户的基本类型特征,反映了用户用电模式和用电需求宏观差异的原因;描述了电力用户用电行为基本特征,体现了用户用电行为的微观差异,是提供个性化用电服务的基础。

电力用户标签体系

标签是人为规定的高度精练的特征标识,电力用户主要以家庭为单位定义属性标签,如:家庭人口数量标签,3人等;住房区域标签,金水区等。标签呈现出两个重要特征:①语义化,人们能很方便地理解每个标签含义,这也使得用户画像模型具备实际意义,能够较好地满足业务需求,如判断用户偏好;②短文本,每个标签通常只表示一种含义,标签本身无需再做过多文本分析等预处理工作,这为利用机器提取标准化信息提供了便利。

如图7-2所示,电力用户标签体系主要包括两个类别:一是社会属性,包括基础属性、人口状况、房屋状况、热源类型等,描述了电力用户的基本类型特征,反映了用户用电模式和用电需求宏观差异的原因;二是用电行为,包括负荷模式、用电设施、信用等级、需求响应,描述了电力用户用电行为基本特征,体现了用户用电行为的微观差异,是提供个性化用电服务的基础。

电力用户画像构建方法

图7-2 用户画像标签体系

数据源分析

构建电力用户画像是为了还原用户信息,数据来源于所有用户相关的数据。对于电力用户相关数据,采用封闭性的分类方式,有助于后续不断枚举并迭代补充遗漏的信息维度,避免架构上对每一层分类没有考虑完整,造成维度遗漏留下扩展性隐患。

本书将用户数据划分为静态信息数据、动态信息数据两大类。静态数据指用户相对稳定的信息,如图7-3所示,主要包括:用户人口、房屋、地域、所属社区、工业用户所属行业、经济指标等社会属性信息,反映了用户的用能类型;热源、用电器、新能源动力等负荷属性信息,反映了用户的用能潜力;购电渠道、信用等级、消费周期等商业属性,反映了用户能源消费能力。动态数据指用户不断变化的行为信息,主要包括:负荷曲线、负荷控制等用电行为数据,反映了用户在用电时间、用电量、用电模式等方面的动态信息,有助于实现短期和长期负荷预测,帮助售电主体向用户推荐优化的用电套餐等;浏览、支付于、订购、发表等互联网行为数据,反映了用户在互联网环境下的用电相关数据,比如用户通过互联网浏览历史和当前负荷数据、获取售电主体的电价和需求响应套餐信息、通过第三方支付缴纳电费、订购合同能源等增值服务、通过互联网远程控制家用电器的通断等。

电力用户画像构建方法

图7-3 电力用户画像数据源

用户画像建模与大数据分析方法

如图7-4所示,基于大数据的电力用户画像分析系统及其建模方法和过程主要包括:

(1)数据源系统。用户画像分析系统的数据源主要包括:数据类系统,来自于用电物联网系统的用电数据、用电器的用电状态、新能源的设备设施运行参数、智能电网供用电参数等;互联网渠道系统,主要指用户通过互联网平台进行用电相关行为的静态和动态数据,包括用户在售电平台上的购售电行为数据、支付数据和社交关系数据;第三方数据主要指从政府、行业组织等获取的公有数据,体现了自然环境、经济指标和社会发展等内容。

电力用户画像构建方法

图7-4 用户画像大数据建模分析系统

(2)数据中转系统。数据中转系统通过数据交换子系统和外联应用网关,实现数据文件、日志文件、实时数据及第三方数据集成融合,为大数据分析平台提供数据输入。

(3)大数据平台。基于大数据分析技术,对互联网用电相关的用户数据进行预处理、建模分析和可视化。

标签建模

标签建模是电力用户画像的关键环节,如图7-5所示,目标是根据用户的属性和用电行为为其打上标签,并计算标签的权重。主要过程包括:

电力用户画像构建方法

图7-5 用户画像标签建模方法

(1)数据统计。利用大数据平台对用户各种静态和动态用户数据进行统计分析,为用户赋予事实标签。比如某用户可以定义标签为“三之家、普通住宅、12—14点用电高峰、无违约行为”等

(2)建模分析。标签建模主要涉及静态标签和动态标签,前者为用户静态数据形成的标签,包括用户社会属性、经济环境等;后者为用户动态数据经过建模分析形成的标签,包括用户需求响应潜力、增值服务应用偏好、互联网行为偏好等。标签建模的过程,一是建立标签识别模型;二是计算标签权重。以用户互联网阅读用电报告的行为为例,用户画像的数据模型,可概括为用户标识+时间+行为类型+接触点(网址+内容),表示某用户因为在什么时间什么地点做了什么事,并形成标签。其中,不同行为类型,对于接触点的内容产生的标签信息,具有不同的权重,如浏览用电报告时点击的“电价套餐”和购电时点击的“电价套餐”具有不同的意义,前者权重定义为1,后者则可以定义为5。用户标签的权重可能随时间的增加而衰减,因此定义权重的衰减因子r,行为类型决定了权重,阅读内容决定了标签,进一步标签权重w可定义为式中:

w=r*wb

式中:wb为行为权重。

通过标签的建模分析可以为用户赋予包含标签的权重的模型标签,形成用户兴趣爱好、渠道偏好、用电偏好、活跃度、关联关系、满意度、信用风向等级等动态标签。

(3)预测模型。通过对用户静态、动态标签的定义与建模分析,利用数据挖掘和智能算法预测用户流失概率、近期用电需求、需求响应敏感程度、违约概率等预测性的标签,支撑能源互联网各市场主体实现面向用户的精准消费。

大云网官方微信售电那点事儿

责任编辑:蒋桂云

免责声明:本文仅代表作者个人观点,与本站无关。其原创性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容。
我要收藏
个赞