基于電力客戶分群特征,以廣東省某市級(jí)供電局全體145.2萬(wàn)客戶為研究對(duì)象,采用決策樹(shù)方法對(duì)停電敏感度預(yù)測(cè)算法進(jìn)行了研究.結(jié)果表明,在測(cè)試集中,非居民及居民客戶的驗(yàn)證集累積提升度曲線及敏感客戶累積提升度曲線具有比較接近的變化趨勢(shì),這表明決策樹(shù)CHAID算法模型的普適性較好,在模型中過(guò)擬合問(wèn)題不存在.決策樹(shù)CHAID算法模型在客戶總量上有明顯的差別,且在實(shí)際停電時(shí)住宅客戶和非住宅客戶群體間的敏感度比例也有很多差別.通過(guò)分析決策樹(shù)CHAID算法模型、稀疏邏輯回歸模型、 SVM支持向量機(jī)模型3種算法的預(yù)測(cè)準(zhǔn)確率,在居民客戶、非居民客戶以及全體客戶預(yù)測(cè)準(zhǔn)確率中,決策樹(shù)CHAID算法均高于另外兩種模型. 

【文章來(lái)源】：西南師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,45(10)北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

客戶停電敏感度研究思路

圖2為停電敏感度分析流程圖, 在分析用戶進(jìn)行停電敏感度時(shí), 采用決策樹(shù)方法, 主要包括特征選取、 數(shù)據(jù)預(yù)處理、 停電敏感度分析模型的構(gòu)建等.2.2 決策樹(shù)原理

之所以使用決策樹(shù)數(shù)據(jù)挖掘算法, 然后對(duì)建模字段的數(shù)據(jù)進(jìn)行建模、 驗(yàn)證, 是由于此研究是分析并預(yù)測(cè)客戶未來(lái)的行為概率. 為滿足建立模型的要求, 將所采集的樣本數(shù)據(jù)按45%,35%,15%隨機(jī)地離散成驗(yàn)證集、 訓(xùn)練集、 測(cè)試集. 訓(xùn)練集用于數(shù)據(jù)建模、 模型驗(yàn)證, 根據(jù)驗(yàn)證設(shè)置、 調(diào)整和模型結(jié)果通過(guò)測(cè)試組進(jìn)行測(cè)試. 在這項(xiàng)研究中, 以廣東省某市供電局145.2萬(wàn)個(gè)客戶為研究目標(biāo). 在此之中, 有非居民客戶24.4萬(wàn), 居民客戶120.8萬(wàn), 樣本數(shù)據(jù)變量從所有客戶中隨機(jī)抽取, 比例為35%. 即非居民客戶樣本8.54萬(wàn), 居民客戶樣本42.28萬(wàn)來(lái)建模數(shù)據(jù). 數(shù)據(jù)分析的同時(shí), 利用SAS Enterprise Miner Server軟件來(lái)數(shù)據(jù)建模.3.3 模型算法

【參考文獻(xiàn)】：
期刊論文
[1]基于邏輯回歸模型的電力客戶停電敏感度評(píng)分卡研究與實(shí)現(xiàn)[J]. 耿俊成,張小斐,袁少光,萬(wàn)迪明.  電力需求側(cè)管理. 2018(03)
[2]基于機(jī)器學(xué)習(xí)技術(shù)的電力停電敏感客戶標(biāo)簽體系[J]. 蔡麗華.  農(nóng)村電氣化. 2018(05)
[3]基于K-support稀疏邏輯回歸的停電敏感度預(yù)測(cè)[J]. 耿俊成,張小斐,孫玉寶,吳博,周強(qiáng).  計(jì)算機(jī)與現(xiàn)代化. 2018(04)
[4]基于停電明細(xì)數(shù)據(jù)的配電網(wǎng)可靠性監(jiān)測(cè)與研究[J]. 盛銀波,仲立軍,張利庭,周子譽(yù),龔書(shū)能.  浙江電力. 2017(12)
[5]面向大數(shù)據(jù)分析的決策樹(shù)算法[J]. 張棪,曹健.  計(jì)算機(jī)科學(xué). 2016(S1)
[6]基于數(shù)據(jù)挖掘技術(shù)的客戶停電敏感度研究與應(yīng)用[J]. 嚴(yán)宇平,吳廣財(cái).  新技術(shù)新工藝. 2015(09)
[7]基于粒子群算法的決策樹(shù)SVM多分類方法研究[J]. 王道明,魯昌華,蔣薇薇,肖明霞,李必然.  電子測(cè)量與儀器學(xué)報(bào). 2015(04)

碩士論文
[1]配電網(wǎng)停電影響評(píng)估的研究與應(yīng)用[D]. 梁思博.華北電力大學(xué) 2017



本文編號(hào)：3439263