在智能電網(wǎng)電力營銷發(fā)展的新向標(biāo)下,電網(wǎng)企業(yè)必須要精確定位優(yōu)質(zhì)客戶,轉(zhuǎn)變?cè)械乃季S模式,科學(xué)配置服務(wù)資源,要以普通企業(yè)的視角看待市場(chǎng)營銷。研究和分析電力用戶的行為數(shù)據(jù),精確定位用戶的需求、消費(fèi)習(xí)慣、行為趨勢(shì)和心理變化,對(duì)國家電網(wǎng)等電力企業(yè)放開售電市場(chǎng),改善國內(nèi)用戶服務(wù)質(zhì)量,提高海內(nèi)外市場(chǎng)核心競(jìng)爭力具有重要意義。本文首先對(duì)電網(wǎng)現(xiàn)有的營銷業(yè)務(wù)應(yīng)用系統(tǒng)、95598客服系統(tǒng)中積累的電力用戶行為歷史數(shù)據(jù)進(jìn)行清洗轉(zhuǎn)化等數(shù)據(jù)預(yù)處理工作,得到去除異常值和空值的規(guī)范數(shù)據(jù)集。在電力繳費(fèi)數(shù)據(jù)用戶價(jià)值分析模型缺乏的情況下,基于傳統(tǒng)RFM消費(fèi)者價(jià)值分析模型,結(jié)合電力用戶繳費(fèi)行為的特點(diǎn),構(gòu)建了 CRFMO電力繳費(fèi)用戶綜合價(jià)值評(píng)價(jià)模型,在對(duì)CRFMO特征采用最小-最大標(biāo)準(zhǔn)化處理后,基于K-means算法實(shí)現(xiàn)了此CRFMO特征價(jià)值模型的電力繳費(fèi)用戶價(jià)值分群。其次,為了優(yōu)化K-means聚類算法存在的初始聚類中心隨機(jī)的問題,本文結(jié)合DPC密度峰值算法,提出一種優(yōu)化的KD-means聚類算法,通過計(jì)算基于加權(quán)歐氏距離的相似度矩陣,得到所有樣本點(diǎn)的局部密度和高密度距離,進(jìn)而獲得簇中心選擇指數(shù),從而確定初始簇中心點(diǎn)。通過對(duì)比聚... 

【文章來源】：西安科技大學(xué)陜西省

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
英文摘要
1 緒論
    1.1 研究背景及意義
        1.1.1 課題研究背景
        1.1.2 課題研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 數(shù)據(jù)挖掘在電力行業(yè)的研究現(xiàn)狀
        1.2.2 國網(wǎng)用戶行為分析應(yīng)用研究現(xiàn)狀
    1.3 論文研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
2 相關(guān)技術(shù)與理論研究
    2.1 數(shù)據(jù)挖掘相關(guān)技術(shù)研究
        2.1.1 數(shù)據(jù)挖掘概念原理
        2.1.2 數(shù)據(jù)挖掘流程步驟
        2.1.3 數(shù)據(jù)挖掘方法任務(wù)
    2.2 聚類分析算法研究
        2.2.1 聚類分析簡述
        2.2.2 聚類分析中的距離方法
        2.2.3 聚類分析算法理論研究
        2.2.4 聚類分析算法評(píng)估標(biāo)準(zhǔn)
    2.3 本章小結(jié)
3 基于K-means的電力用戶繳費(fèi)行為分析
    3.1 電力用戶繳費(fèi)行為數(shù)據(jù)預(yù)處理
        3.1.1 數(shù)據(jù)準(zhǔn)備
        3.1.2 數(shù)據(jù)清洗轉(zhuǎn)換
    3.2 基于電力用戶價(jià)值分析的CRFMO模型構(gòu)建
        3.2.1 RFM模型介紹
        3.2.2 電力用戶價(jià)值分析CRFMO模型構(gòu)建
        3.2.3 標(biāo)準(zhǔn)化CRFMO模型的5個(gè)特征
    3.3 基于K-means聚類算法進(jìn)行用戶分群
        3.3.1 K-means聚類算法基本原理
        3.3.2 K-means聚類算法的流程
        3.3.3 K-means聚類算法的構(gòu)建
        3.3.4 聚類結(jié)果分析
    3.4 本章小結(jié)
4 基于KD-means優(yōu)化的電力用戶繳費(fèi)行為分析
    4.1 密度峰值發(fā)現(xiàn)聚類算法
        4.1.1 DPC算法概述
        4.1.2 DPC算法基本思想
    4.2 密度峰值優(yōu)化初始中心的K-means聚類算法
        4.2.1 DPC優(yōu)化初始中心
        4.2.2 優(yōu)化的KD-means聚類算法流程
        4.2.3 優(yōu)化后的聚類結(jié)果對(duì)比分析
    4.3 電力繳費(fèi)用戶價(jià)值聚類分群結(jié)果分析
    4.4 本章小結(jié)
5 電力繳費(fèi)行為數(shù)據(jù)分析系統(tǒng)實(shí)現(xiàn)
    5.1 系統(tǒng)框架總體介紹
        5.1.1 系統(tǒng)框架
        5.1.2 系統(tǒng)構(gòu)成及功能模塊
    5.2 系統(tǒng)展示
        5.2.1 電力繳費(fèi)數(shù)據(jù)系統(tǒng)平臺(tái)
        5.2.2 電力用戶分群價(jià)值分析
    5.3 本章小結(jié)
6 結(jié)論與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
附錄


【參考文獻(xiàn)】：
期刊論文
[1]國家電網(wǎng)公司“三型兩網(wǎng)”的戰(zhàn)略內(nèi)涵及實(shí)施問題[J]. 杜志婕,蔡明珺,潘益?zhèn)?  科技與創(chuàng)新. 2019(21)
[2]K-Means聚類算法研究綜述[J]. 楊俊闖,趙超.  計(jì)算機(jī)工程與應(yīng)用. 2019(23)
[3]基于數(shù)據(jù)挖掘的電網(wǎng)故障關(guān)聯(lián)規(guī)則的研究[J]. 彭剛,唐松平,曾力,肖云.  計(jì)算機(jī)與數(shù)字工程. 2019(09)
[4]電網(wǎng)故障智能診斷技術(shù)研究綜述[J]. 劉仲民,呼彥喆,張?chǎng)?  南京師大學(xué)報(bào)(自然科學(xué)版). 2019(03)
[5]聚類算法綜述[J]. 章永來,周耀鑒.  計(jì)算機(jī)應(yīng)用. 2019(07)
[6]基于電力大數(shù)據(jù)的用戶用電行為分析研究綜述[J]. 辛苗苗,張延遲,解大.  電氣自動(dòng)化. 2019(01)
[7]售電側(cè)市場(chǎng)化改革開放對(duì)公司供電服務(wù)的影響[J]. 陳東,汪麗.  江西電力職業(yè)技術(shù)學(xué)院學(xué)報(bào). 2018(12)
[8]一種基于數(shù)據(jù)挖掘技術(shù)的電力負(fù)荷預(yù)測(cè)算法研究[J]. 張小軍,吳標(biāo),孫帆,徐路強(qiáng).  自動(dòng)化技術(shù)與應(yīng)用. 2018(12)
[9]微服務(wù)體系結(jié)構(gòu)實(shí)現(xiàn)框架綜述[J]. 辛園園,鈕俊,謝志軍,張開樂,毛昕怡.  計(jì)算機(jī)工程與應(yīng)用. 2018(19)
[10]面向智慧城市的電力數(shù)據(jù)挖掘多場(chǎng)景應(yīng)用[J]. 孫芊,馬建偉,李強(qiáng),楊磊.  電力系統(tǒng)及其自動(dòng)化學(xué)報(bào). 2018(08)

博士論文
[1]密度峰值聚類算法研究[D]. 杜明晶.中國礦業(yè)大學(xué) 2018

碩士論文
[1]電力系統(tǒng)數(shù)據(jù)挖掘可視化平臺(tái)的關(guān)鍵技術(shù)研究與實(shí)現(xiàn)[D]. 吳建建.鄭州大學(xué) 2016



本文編號(hào)：3203107