[发明专利]基于数据挖掘的电力客户的综合评级的方法

说明书

技术领域

本发明涉及电力技术领域，尤其涉及一种基于数据挖掘的电力客户的综合评级的方法。

背景技术

随着电力体制的不断深化改革，电力客户的群体越来越多，越来越复杂，客户的信用度也不尽相同，电力企业急需一个评价方法来对客户信用进行评判。

传统的信用评价体系中用户特征命名定义缺乏营销专业定义，计算方法不透明，特征太少无法真实反映用户的各种独特行为，缺少计算未来趋势走向的用户特征，在对特定用户群体进行计算的时候方法较为简单，在对高关联的用户特征属性进行处理的时候效果较差，用户界限过于模糊很难融入到营销业务中，从而对营销部门的指导帮助很小。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于数据挖掘的电力客户的综合评级的方法，以解决现有技术信用评价体系中用户特征命名定义缺乏营销专业定义，计算方法不透明，特征太少无法真实反映用户的各种独特行为，缺少计算未来趋势走向的用户特征，在对特定用户群体进行计算的时候方法较为简单，在对高关联的用户特征属性进行处理的时候效果较差，用户界限过于模糊很难融入到营销业务中，从而对营销部门的指导帮助很小等技术问题。

本发明所采用的技术方案是：

基于数据挖掘的电力客户综合信用评级的方法，它包括以下步骤：

步骤一：数据采集：采集电力营销系统数据、计量自动化系统数据、95598系统数据、天气数据和国家统计局月度数据；

步骤二：对数据进行预处理，使用拉格朗日插值对缺失数据进行补缺，对相关数据因子进行提取和降维；

步骤三：使用基因表达式编程算法对降维后数据因子中的时序统计因子、核分布因子、多维运算因子等进行自动提取、组合变化、构造成新的数据因子；

步骤四：整理客户相关特征，构建基于卷积神经网络的客户未来用电量，未来欠费，客户违约和客户窃电的预测模型，对客户未来行为进行预测判断；

步骤五：整理客户三级指标，总结客户数据，使用多重线性回归模型训练客户商业信用、安全信用、行为法律信用、经济法律信用二级指标权重模型，最后使用多重线性回归模型对客户信用一级指标模型进行训练，计算信用评分，划分信用等级。

步骤二中对相应数据因子进行提取的方法包括皮尔逊相关系数检测法，对数据因子降维的方法包括K-均值聚类算法，主成分分析法和PCA降维法。

步骤三中新数据因子的构造方法还包括粒子群编程算法和退火算法。

步骤四中对客户的相关特征的整理，整理内容包括：客户用电趋势、经营情况、欠费情况、违约情况、窃电情况、用电分布情况、用电周期情况和影响用电特征。

步骤五中客户的三级指标包括：历史用电、历史欠费、历史窃电情况、未来用电、未来欠费和未来窃电情况。

所述步骤五中信用评分是根据用户一二三级指标的权重算出，再根据分数进行信用等级划分。

本发明的有益效果是：

本发明通过采集丰富全面的数据来源，保证了信用评级的结果全面客观有效。

本发明舍弃了现有技术直接使用提取后的数据因子进行建模的方式，选择将提取出来的数据因子通过基因表达式编程算法来进行组合变化，构造新的数据因子，新数据因子在构建模型和训练模型的过程中效果更加显著。

本发明使用基因表达式编程的系统效率要高于原有的遗传算法系统的效率。

提高了高关联用户特征属性处理的效果，对客户未来趋势进行了有效的预判，对特定客户群体进行了区分。在整个过程中有效的加入了业务人员对数据的理解。

本发明提出的卷积神经网络和多重线性回归算法，并加上业务人员提供经过客观整理的数据，更加科学、可靠、综合的对电力客户的信用等级进行评价划分，避免原有方法数据单一、片面的问题。从而为电力企业降低经营风险；解决了现有技术信用评价体系中用户特征命名定义缺乏营销专业定义，计算方法不透明，特征太少无法真实反映用户的各种独特行为，缺少计算未来趋势走向的用户特征，在对特定用户群体进行计算的时候方法较为简单，在对高关联的用户特征属性进行处理的时候效果较差，用户界限过于模糊很难融入到营销业务中，从而对营销部门的指导帮助很小等技术问题。

附图说明

图1为本发明方法流程示意图。

具体实施方式

本发明（见图1）所述步骤包括：

步骤一：采集电力营销系统数据，计量自动化系统数据，95598系统数据，天气数据，国家统计局月度相关数据。