基于态势感知的电网停电用户敏感度及投诉预测

在电网停电用户敏感度及投诉预测中,由于预测结果不准确影响了电网公司的精准化服务,因而设计一种基于态势感知的电网停电用户敏感度及投诉预测方法。通过SAS软件中的Enterprise Miner workstation模块和Enterprise Guide模块采集电网停电用户敏感度及投诉相关数据,具体包括停电敏感用户标签数据、故障处理数据、停电事件数据、客户通话数据、95598工单数据。对挖掘数据实施缺失数据处理、异常数据处理以及告警误报漏报数据处理等预处理。基于态势感知技术与随机森林算法构建电网停电用户敏感度及投诉预测模型,实现用户对于停电的敏感度及投诉预测。利用该方法对某地区电网实施用户关于停电的敏感度及投诉预测,测试该方法的预测性能。测试结果表明该方法有着高于90%的查准率、查全率,F测度数据值较高,AUC面积较大,数据灵敏度始终大于97%,说明设计方法有着优越的电网停电用户敏感度及投诉预测性能。     

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

针对当前基于逻辑回归模型的客户敏感度分析模型输出结果复杂、不易理解与应用的问题,提出了一种基于逻辑回归模型的电力客户停电敏感度评分卡实施方法。从电网公司营销业务系统、95598系统提取客户停电敏感相关属性数据,通过信息值筛选出具有高预测力的属性;计算各属性的证据权重转换值,运用逻辑回归模型构建客户停电敏感度分析模型;基于停电敏感度分析模型的输出参数和各属性证据权重转换值,构建客户停电敏感度评分卡。以某电网公司实际数据对该方法进行了验证,取得了良好效果。     

基于随机森林的停电敏感度预测模型研究与应用

预测用电客户停电敏感程度,为供电公司优化营商环境和实施个性化停送电服务提供了数据与决策支持。融通供电公司有关业务系统,抽取用电客户停送电相关的海量数据,采用随机森林算法,基于分布式文件系统HDFS和Spark搭建大数据平台,训练停电敏感度预测模型。运用某地市供电公司近百万用电客户数据对模型校验与评估,迭代优化,结果表明模型查准率超过98%,查全率超过18%。结果用于停送电服务全流程管理,在优化计划停电安排、开展故障停电安抚、防范频繁停电投诉等场景取得了较好的效果。     

基于局部线性嵌入和深度森林算法的电力客户投诉预测模型

由于电力市场竞争日益激烈,用户对服务质量的要求不断提高,用户投诉量持续上升。在基于大数据的电力客户投诉预测模型的体系结构基础上,提出一种基于局部线性嵌入和深度森林算法的电力客户投诉预测方法。采用局部线性嵌入算法对客户投诉预测模型的输入特征向量进行降维处理,减少计算量和避免陷入局部最优解;对降维后的投诉预测特征向量进行多粒度扫描,提高其表征学习能力;基于级联森林建立深度森林算法模型,实现客户投诉预测。实际数据的仿真结果表明,与不进行降维处理及其他预测模型相比,文中所提出的预测模型可以更准确地预测客户投诉趋势,为电力企业客户投诉分析和预测提供了参考依据。     

基于多模型融合的客户投诉风险预测方法

客户服务工作作为电力企业的一项重要经营活动,不仅关系到电力客户的切身利益,也关系到电力企业的经营效益。但目前国网面对客户的能力与整个社会群体高度的维权意识和其他行业完善的服务体验相比仍处在落后水平。针对这个问题,基于大数据技术,提出了一种多模型融合的客户投诉预测模型。文章分析了客户历史诉求和停电相关数据,在特征工程中对样本集进行了特征选取和数据预处理,针对样本不平衡问题采用SMOTE方法对正样本进行过采样处理。此外,文章选用神经网络算法、随机森林算法、SVM(支持向量机)算法、Adaboost算法和朴素贝叶斯算法分别建立客户投诉预测模型,并对5种模型进行了加权融合。实验结果表明:多模型融合算法的表现比单一模型更好,模型分辨能力更优秀,预测精度更高,更适用于对客户投诉风险的预测。     

数据驱动下窃电智能分析系统的研究

随着智能电表的推广及用电信息采集系统建设的逐步完善,电网公司积累了海量用户用电数据,为大数据技术在电力领域的应用提供了基础。基于数据挖掘思想针对行业分类及用户特征,对海量的多元计量数据进行窃电用户分析,从中挖掘出窃电用户的关联性多维度特征参量,建立神经网络构建数据驱动下的窃电预测模型。系统测试验证了预测窃电值与实际窃电值有很高的吻合度,在一定程度上反映了模型预测的准确性。     

电力用户敏感程度分析及停电投诉预测

依据电力客户的行为制定相应的服务模式是提高供电服务质量的关键,文章根据B市电力客户日常与停电后的客服数据,以配电网供电台区为单位对客户的敏感度进行分析。由于实际客服数据中特征变量较多,为了减少高维空间中的计算量,故先采用t分布随机邻域嵌入法对数据集进行降维,再采用混合高斯分布进行建模,并用期望最大值算法求解最优分类结果,将客户敏感程度分为5级。同时,客户的敏感度的提出可以提高客户停电投诉的预测准确性,选取B市近两年的17万条停电数据作为训练集,采用3种有监督机器学习方法对客户投诉的二分类预测结果进行10折交叉验证,发现决策树的预测结果明显优于其他方法,并形成并行集成学习方法,可有效提高预测准确率,有助于提升电力公司停电计划的安排和客户安抚工作辅助决策,提升客户服务质量。     

数据驱动下窃电智能分析系统的研究

近年来,随着智能电表的推广及用电信息采集系统建设的逐步完善,电网公司积累了海量用户用电数据, 为大数据技术在电力领域的应用提供了基础。文章基于数据挖掘思想,针对行业分类及用户特征,对海量的多元计量 数据进行分析,从中挖掘出窃电用户的关联性多维度特征参量,基于神经网络构建数据驱动下的窃电预测模型。实验表明该方法具有较高的工程应用价值,为窃电预测提供了一种有效的方法和途径。     

基于贝叶斯网络优化算法的采集终端故障预测系统设计与应用

针对采集终端运行存在的潜在故障风险,对其进行合理的运行状态评估,从而实现对采集终端故障的预测。采用贝叶斯网络算法建立采集终端故障预测模型,考虑到采集终端特征参数较多且关联复杂等问题,使用最大主子图分解技术对电力领域专家构建的贝叶斯网络关联图加以简化,随后采用条件独立测试与局部评分测试对关联图进行属性关联挖掘,从而使贝叶斯网络算法得以优化,全面客观地实现对在运采集终端的状态评估,提高系统预测的准确率,并以重庆市电力公司用电信息采集系统为试验平台,验证了该方法的高效性与可行性。     

基于电力大数据分析的接电成本预测模型

为提升电网的运营效率和资源利用率，提高预算及成本控制的精准度，同时帮助用户制定合理的供电方案、用电策略，推进用电服务及电力营商环境不断优化，构建基于电力大数据分析的接电成本预测模型。首先，分析电力大数据中的数据类型，并采用基于MapReduce并行化处理的聚类挖掘算法，从电力系统中挖掘与接电成本相关的电力大数据，获取聚类结果。其次，通过时间序列分析法构建接电总成本预测模型，并通过多元回归方法构建接电成本影响因素预测模型，经模型预测后，获取最佳接电成本预测结果。最后，经实验验证：该模型可精准预测企业用户接入时产生的接电成本，还能够有效预测不同设备价格、不同电压等级下的接电成本变化。     

基于改进熵值法的客户停电敏感度识别方法研究

面对售电市场的放开,为提升电网企业的竞争力,客户需求得到了高度重视。停电问题是影响客户感知的首要因素。对客户停电敏感度的识别,是对客户开展精准服务的重要条件之一。提高客户停电敏感度的识别精度,是提高客户服务水平的关键。提出一种提高停电敏感度模型精度的方法,基于客户信息、行为等多维度指标,在传统熵值法基础上,利用自适应线性神经元算法修正权重,将无监督学习转化为半监督学习,提升权重赋值科学性。     

天津城市配电网智能互动抢修服务系统设计与开发

研究了配电网抢修业务流程,提出了基于信息集成的停电研判模型与实时在线抢修指挥相结合的系统设计方案,开发了天津城市配电网智能互动抢修服务系统。系统通过信息交互总线与营配调相关业务系统应用集成,实现了以生产和抢修指挥为应用核心,以停电管理、抢修指挥、统计分析及可视化监视等为主要应用功能的业务支撑体系。系统与95598呼叫中心停电抢修业务流程对接,利用基于配用电一体化网络模型的停电研判分析,对缩短故障停电时间、提升抢修效率效果显著。     

综合停电管理在供电企业客户服务中的应用

为了帮助供电企业客户服务中心在停电、复电过程中及时获取相关信息,根据客户服务与停电管理内在业务紧密关联的特点,构建综合停电信息管理平台,按照停电、复电过程的业务类型进行归类,将停电所涉及的信息整合到综合停电信息平台,供客户服务中心的客服人员检索和查询。通过改造业务流程及构建综合停电信息管理平台,提高了解决客户停电诉求问题的及时性,提升了客户服务水平。     

基于GE Smallworld GIS的停电分析系统研究

本文提出了基于GE Smallworld GIS的停电分析系统,它是建立和维护从变电站至用户馈线连通性模型的工具.该系统可对配电网有关信息进行地理聚焦定位,可在GIS视图中进行停电范围分析和模拟停电分析,是配电网操作人员的一个决策支持工具.在综合环境中它可与企业的其它信息系统相互作用,是配网综合停电管理系统成功设计和实施的关键.研究的结果表明,该系统有很好实用价值,在停电管理方面的性能非常好.     

基于负荷数据分析的用户侧用电感知与失电影响评估方法研究

提出一种基于调度侧配电网负荷数据分析进行负荷性质辨识与用户侧用电感知、失电影响评估的方法。利用调度自动化系统中的负荷数据,首先通过基于时间序列趋势的模糊C均值聚类方法求解馈线负荷曲线与典型负荷曲线的隶属度,判断馈线负荷性质;然后利用用户侧多维系统中历史数据,通过基于用电量积分的概率谱方法,分析线路负荷异常波动对应的用户侧实际用电感知及故障影响。实际案例分析表明:该方法能够根据调度侧负荷数据分析,正确辨识配电线路的负荷性质,精准评估用户侧失电影响,建立配网运行数据与客户用电感知之间的实时映射,辅助配网调控人员根据用户需求开展方式调整与故障处置。     

配电网用户感知停电事故严重性分析及可靠性评估

可靠性评估对于指导配电网规划设计具有重要意义。传统配电网可靠性评估主要从系统侧供电的角度,建立评估指标体系并进行分析,较少考虑停电发生时用户侧的用能需求差异,忽视了不同用户对于同一停电事故严重性的差异化感知,进而造成了传统可靠性指标不能完全准确反映停电事件对于不同用户在不同时段的差异化影响。为解决上述问题,首先,提出了用户感知可靠性的概念,并提出了一种用户对停电事故严重性感知的量化方法,以分析不同用户对停电事故的严重性感知程度及停电容忍程度;然后,分别从用户侧和系统侧提出了一系列基于用户感知的配电网可靠性评估新指标,建立了相应指标体系,并围绕该体系对配电网系统的可靠性评估开展了研究;最后,运用IEEE-RBTS标准算例对所提出的方法、指标进行了计算验证,证明了其可行性及正确性;并通过与传统可靠性指标的对比分析,体现了用户感知可靠性指标相较于传统评估指标的客观优势。     

配网故障快速复电系统建设及应用

文章提出了一种实现配网故障快速复电的信息系统模型。该信息系统模型以营配一体化平台为基础,集成了计量自动化、配网自动化、调度自动化、客服等系统的信息,实现了故障监控、报障过滤、故障预判、指挥调度、智能分析、移动作业等功能,为故障快速响应、沟通和复电提供信息支持。经过在深圳供电局有限公司1年多的应用证明,该系统在提升故障管理水平、减少用户故障停电时间和提高客户服务水平方面发挥了重要作用。     

面向不平衡数据的配电网故障停电预测方法

配电网故障停电事件会严重影响正常的社会经济生活。因此,迫切需要有效的配电网故障停电预测方法。采用人工智能方法分析配电网故障停电数据,发现存在配电网故障停电次数较少和引发配电网故障停电的原因分布不均等数据不平衡情况。为了及时、准确地预测配电网故障停电情况,从数据集质量和防止过拟合两方面入手改进故障停电预测模型。首先,设计了基于聚类的对抗神经网络来增强数据集质量。其次,构造了基于随机代价敏感卷积神经网络(RandomCost-CNN)的故障停电预测模型。RandomCost-CNN预测算法中采用有放回随机抽样思想设计了损失函数的随机选择策略,用以解决常规代价敏感过度拟合少数类(故障停电类)而使得大量多数类(正常类)被误报的问题,既保证少数类具有较好召回率与精确度,同时又提高了模型的泛化性能。实验证明所提方法能有效预测配电网故障停电事件发生概率,在配电网运维管理中能够发挥较好的预警作用。