本發(fā)明屬于電力營銷推薦，具體為基于大數(shù)據(jù)的電力營銷推薦方法及系統(tǒng)。

背景技術(shù)：

1、隨著能源市場的競爭日益激烈和信息技術(shù)的進(jìn)步，大數(shù)據(jù)技術(shù)的日臻成熟以及廣泛運(yùn)用，在此背景下，基于大數(shù)據(jù)的電力營銷推薦方法應(yīng)運(yùn)而生，一般電力營銷推薦方法利用數(shù)據(jù)分析和機(jī)器學(xué)習(xí)技術(shù)，根據(jù)客戶的用電歷史和需求，為每個(gè)客戶提供個(gè)性化的電力套餐和服務(wù)建議。但是現(xiàn)有的適用于電力營銷推薦的方法中，存在對(duì)用戶只進(jìn)行大數(shù)據(jù)分類和未對(duì)電力營銷方案進(jìn)行結(jié)果的預(yù)測問題，導(dǎo)致電力營銷推薦方案無法滿足用戶的需求；現(xiàn)有的適用于電力營銷推薦的聚類方法中，存在內(nèi)置參數(shù)設(shè)置不當(dāng)，導(dǎo)致聚類結(jié)果的不穩(wěn)定，從而影響聚類結(jié)果質(zhì)量的問題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述情況，為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明提供了基于大數(shù)據(jù)的電力營銷推薦方法及系統(tǒng)，針對(duì)現(xiàn)有的適用于電力營銷推薦的方法中，存在對(duì)用戶只進(jìn)行大數(shù)據(jù)分類和未對(duì)電力營銷方案進(jìn)行結(jié)果的預(yù)測問題，導(dǎo)致電力營銷推薦方案無法滿足用戶的需求，本方案創(chuàng)造性地引入反饋機(jī)制和營銷策略效果預(yù)測，通過用戶反饋數(shù)據(jù)對(duì)用戶再次進(jìn)行用戶分類，并根據(jù)營銷策略效果預(yù)測的結(jié)果調(diào)整電力營銷推薦方案，提高營銷推薦的精準(zhǔn)度和有效性，從而增強(qiáng)用戶對(duì)電力產(chǎn)品和服務(wù)的認(rèn)可度和滿意度；針對(duì)現(xiàn)有的適用于電力營銷推薦的聚類方法中，存在內(nèi)置參數(shù)設(shè)置不當(dāng)，導(dǎo)致聚類結(jié)果的不穩(wěn)定，從而影響聚類結(jié)果質(zhì)量的問題，本方案采用替補(bǔ)種群、進(jìn)化因子和局部搜索改進(jìn)獲取聚類參數(shù)的算法，找到穩(wěn)定的簇變化范圍，提高用戶分類結(jié)果的準(zhǔn)確性。

2、本發(fā)明提供的基于大數(shù)據(jù)的電力營銷推薦方法及系統(tǒng)，該方法包括以下步驟：

3、步驟s1：數(shù)據(jù)采集；

4、步驟s2：數(shù)據(jù)預(yù)處理；

5、步驟s3：用戶分類；

6、步驟s4：營銷策略制定；

7、步驟s5：營銷策略效果預(yù)測；

8、步驟s6：電力營銷推薦結(jié)果。

9、進(jìn)一步地，在步驟s1中，所述數(shù)據(jù)采集，具體為從電力系統(tǒng)中，通過采集得到電力營銷原始數(shù)據(jù)；所述電力營銷原始數(shù)據(jù)，包括用戶數(shù)據(jù)、電力產(chǎn)品數(shù)據(jù)和用戶反饋數(shù)據(jù)，所述用戶數(shù)據(jù)包括產(chǎn)品用戶用電數(shù)據(jù)、用戶使用電力設(shè)備數(shù)據(jù)、用戶個(gè)人信息和用戶歷史繳費(fèi)記錄數(shù)據(jù)，所述電力產(chǎn)品數(shù)據(jù)包括電力價(jià)格套餐和相關(guān)電力設(shè)備產(chǎn)品數(shù)據(jù)，所述用戶反饋數(shù)據(jù)包括電力營銷方案選擇情況數(shù)據(jù)和用戶對(duì)電力推薦方案的滿意度數(shù)據(jù)。

10、進(jìn)一步地，在步驟s2中，所述數(shù)據(jù)預(yù)處理，用于對(duì)原始數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，具體包括以下步驟：

11、步驟s21：數(shù)值過濾，用于對(duì)所述數(shù)值型數(shù)據(jù)進(jìn)行缺失值、異常值和重復(fù)值刪除，得到電力營銷過濾數(shù)據(jù)集；

12、步驟s22：獨(dú)熱編碼轉(zhuǎn)換，用于將原始數(shù)據(jù)轉(zhuǎn)換為數(shù)字形式，具體為通過獨(dú)熱編碼法對(duì)所述電力營銷原始數(shù)據(jù)集進(jìn)行編碼，得到電力營銷編碼數(shù)據(jù)集；

13、步驟s23：特征選擇，用于在原始數(shù)據(jù)轉(zhuǎn)中提取進(jìn)行電力營銷推薦中用戶有效特征，具體為采用自適應(yīng)特征選擇方法對(duì)電力營銷初步數(shù)據(jù)集進(jìn)行特征選擇，得到特征選擇數(shù)據(jù)集；

14、步驟s24：進(jìn)行數(shù)據(jù)預(yù)處理，具體為通過所述數(shù)值過濾、獨(dú)熱編碼轉(zhuǎn)換和特征選擇對(duì)電力營銷原始數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理，得到電力營銷初步數(shù)據(jù)集。

15、進(jìn)一步地，在步驟s3中，所述用戶分類，具體為采用聚類方法對(duì)所述用戶數(shù)據(jù)進(jìn)行用戶分類，包括以下步驟：

16、步驟s31：對(duì)用戶數(shù)據(jù)執(zhí)行dbscan聚類操作；

17、步驟s32：對(duì)聚類參數(shù)優(yōu)化，包括以下步驟：

18、步驟s321：初始化參數(shù)，種群大小n，最大迭代次數(shù)tmax，搜索下限lb和上限ub；

19、步驟s322：初始化種群，包括以下步驟：

20、步驟s3221：生成n個(gè)混沌序列值，初始化隨機(jī)值有y0；所用公式如下：

21、；

22、式中，表示第i個(gè)混沌序列值，表示第i+1個(gè)混沌序列值；

23、步驟s3222：混沌序列值轉(zhuǎn)換搜索個(gè)體；公式表達(dá)如下：

24、；

25、式中，表示第i個(gè)體的位置；

26、步驟s323：種群劃分，計(jì)算種群中個(gè)體適應(yīng)度值fi，將基于個(gè)體位置對(duì)用戶數(shù)據(jù)進(jìn)行dbscan聚類后的聚類結(jié)果輪廓系數(shù)作為個(gè)體的適應(yīng)度值；將種群中所有搜索個(gè)體的位置和適應(yīng)度值復(fù)制到替補(bǔ)種群中；將個(gè)體按適應(yīng)度值由優(yōu)至差進(jìn)行排序，定義具有適應(yīng)度最優(yōu)的個(gè)體fa及其位置xa，適應(yīng)度次優(yōu)的個(gè)體fb及其位置xb，適應(yīng)度第三優(yōu)的個(gè)體fc及其位置xc，并將其位置和適應(yīng)度值存儲(chǔ)到替補(bǔ)種群中；

27、步驟s324：更新搜索個(gè)體位置；所用公式如下：

28、；

29、；

30、；

31、；

32、；

33、式中，x1表示第i個(gè)體向fa移動(dòng)后的位置，x2表示第i個(gè)體向fb移動(dòng)后的位置，x3表示第i個(gè)體向fc移動(dòng)后的位置，表示第i個(gè)體在第t代種群中的位置，表示第i個(gè)體在第t+1代種群中的位置，r1，r2和r3表示[0,1]范圍內(nèi)的隨機(jī)性參數(shù)，是平滑項(xiàng)；t表示迭代次數(shù)；

34、步驟s325:獲取進(jìn)化因子；所用公式如下：

35、；

36、式中，表示變化后的t分布進(jìn)化因子，用于調(diào)整進(jìn)化程度的因子，表示進(jìn)化因子最小值，表示進(jìn)化因子最大值；

37、步驟s326:進(jìn)行進(jìn)化操作；所用公式如下：

38、；

39、；

40、；

41、式中，表示第i個(gè)體在第t+1代變異種群中的位置，表示第i個(gè)體在第t+1代進(jìn)化種群中的位置，pc表示變異概率，屬于設(shè)定的固定參數(shù)，表示第i個(gè)體在第t代種群中位置的適應(yīng)度值，r4表示[0,1]范圍內(nèi)的隨機(jī)性參數(shù)；

42、步驟s327：替換策略：重新評(píng)估種群中所有搜索個(gè)體的適應(yīng)度值，將進(jìn)化后的搜索個(gè)體和原搜索個(gè)體適應(yīng)度值進(jìn)行比較，保留適應(yīng)度值最高的搜索個(gè)體在當(dāng)前種群中；當(dāng)前種群中每一個(gè)搜索個(gè)體與替補(bǔ)種群中的相應(yīng)搜索個(gè)體進(jìn)行一對(duì)一適應(yīng)度值比較，若當(dāng)前種群中的搜索個(gè)體適應(yīng)度值高與相應(yīng)的替補(bǔ)種群中的搜索個(gè)體，則替換相應(yīng)的替補(bǔ)種群中的搜索個(gè)體；

43、步驟s328：局部搜索：選擇50%適應(yīng)度最優(yōu)的個(gè)體進(jìn)行局部搜索，并生成新的個(gè)體來替換淘汰個(gè)體；所用公式如下：

44、；

45、式中，表示局部搜索個(gè)體的位置向量，表示當(dāng)前搜索個(gè)體的位置向量，表示當(dāng)前搜索個(gè)體最近相鄰搜索個(gè)體的位置向量，表示相鄰搜索個(gè)體的位置向量的適應(yīng)度值，表示當(dāng)前搜索個(gè)體的位置向量的適應(yīng)度值，r5表示[0,1]范圍內(nèi)的隨機(jī)性參數(shù)；

46、步驟s329：替換適應(yīng)度值最優(yōu)個(gè)體：確定局部搜索個(gè)體的適應(yīng)度值，若的適應(yīng)度值優(yōu)于的適應(yīng)度值，則取代替補(bǔ)種群中的，否則進(jìn)行丟棄；fa、fb和fc與替補(bǔ)種群搜索個(gè)體進(jìn)行適應(yīng)度值比較，替補(bǔ)種群中更優(yōu)的搜索個(gè)體更新fa、fb和fc；

47、步驟s3210：搜索判定，具體為通過構(gòu)建搜索終止條件，進(jìn)行最優(yōu)個(gè)體位置的搜索判定，得到最優(yōu)個(gè)體位置數(shù)據(jù)設(shè)置；

48、所述搜索終止條件，包括閾值終止和迭代終止；

49、所述閾值終止，具體為設(shè)置適應(yīng)度閾值，當(dāng)所述個(gè)體適應(yīng)度值fi高于適應(yīng)度閾值時(shí)，超參數(shù)搜索完成；

50、所述迭代終止，具體指達(dá)到最大迭代次數(shù)時(shí)，終止迭代并獲得最優(yōu)個(gè)體位置；

51、所述最優(yōu)個(gè)體位置，包括eps參數(shù)和minpts參數(shù)；

52、步驟s33：用戶分類，使用優(yōu)化后eps和minpts參數(shù)的聚類算法對(duì)不同維度下不同用戶進(jìn)行用戶分類，得到用戶類別數(shù)據(jù)。

53、進(jìn)一步地，在步驟s4中，所述營銷策略制定，具體是基于用戶分類結(jié)果對(duì)用戶進(jìn)行個(gè)性化電力營銷策略文本制定；

54、所述個(gè)性化電力營銷策略文本內(nèi)容主要包括對(duì)用戶以電力為核心的各類產(chǎn)品和增值服務(wù)，涵蓋供電服務(wù)、節(jié)能產(chǎn)品和智能電網(wǎng)推薦方案；

55、所述個(gè)性化電力營銷策略文本制定過程具體是通過用戶分類結(jié)果選擇合適的營銷策略文本模版，將用戶個(gè)人信息和推薦方案的具體到選擇的模版中，結(jié)合用戶分類信息和填充具體內(nèi)容，生成最終個(gè)性化電力營銷策略文本。

56、進(jìn)一步地，在步驟s5中，所述營銷策略效果預(yù)測，具體是對(duì)營銷策略制定中對(duì)用戶的電力營銷推薦方案進(jìn)行效果預(yù)測，具體包括以下步驟：

57、步驟s51：建立營銷策略效果預(yù)測模型，包括以下步驟：

58、步驟s511：初始化模型參數(shù)，設(shè)置模型隱藏單元數(shù)量、輸入向量維度、輸出向量維度和訓(xùn)練迭代次數(shù)；

59、步驟s512：遺忘門計(jì)算過程，所用公式如下：

60、；

61、式中，ft表示遺忘門的輸出；xt表示是輸入數(shù)據(jù)；ht-1表示是上一時(shí)刻隱藏狀態(tài)；wxf和whf表示對(duì)應(yīng)遺忘門的權(quán)重矩陣；bf表示遺忘門的偏置項(xiàng)參數(shù)；σ表示sigmoid函數(shù)；

62、步驟s513：輸入門計(jì)算過程，所用公式如下：

63、；

64、式中，it表示輸入門的輸出；wxi和whi表示對(duì)應(yīng)輸入門權(quán)重矩陣；bi表示輸入門的偏置項(xiàng)參數(shù)；

65、步驟s514：計(jì)算新細(xì)胞單元狀態(tài)候選值，所用公式如下：

66、；

67、式中，wxc和whc表示對(duì)應(yīng)細(xì)胞單元狀態(tài)權(quán)重矩陣；bc表示細(xì)胞單元狀態(tài)的偏置項(xiàng)參數(shù)；

68、步驟s515：細(xì)胞單元狀態(tài)更新過程，所用公式表示如下：

69、；

70、式中，ct表示是當(dāng)前時(shí)刻細(xì)胞單元狀態(tài)；ct-1表示是上一時(shí)刻細(xì)胞單元狀態(tài)；

71、步驟s516：輸出門計(jì)算過程，所用公式如下：

72、；

73、式中，ot表示輸出門的輸出；wxo和who表示是對(duì)應(yīng)輸出門權(quán)重矩陣；bo表示輸出門的偏置項(xiàng)參數(shù)；

74、步驟s517：隱藏狀態(tài)計(jì)算過程，所用公式如下：

75、；

76、式中，tanh表示是雙曲正切函數(shù)；ht表示當(dāng)前時(shí)刻的隱藏狀態(tài)；

77、步驟s518：得到當(dāng)前時(shí)刻預(yù)測結(jié)果，所用公式如下：

78、；

79、式中，bv表示預(yù)測值的偏置項(xiàng)參數(shù)；

80、步驟s52：文本數(shù)據(jù)清洗，具體為分別將用戶反饋數(shù)據(jù)中電力營銷方案選擇情況數(shù)據(jù)和營銷策略制定方案內(nèi)容的文本型數(shù)據(jù)中的每個(gè)文本段表示為向量，分別得到歷史文本特征數(shù)據(jù)和實(shí)時(shí)文本特征數(shù)據(jù)；

81、步驟s53：模型訓(xùn)練，具體包括以下步驟：

82、步驟s531：數(shù)據(jù)標(biāo)簽標(biāo)注，具體為將用戶反饋數(shù)據(jù)中用戶對(duì)電力推薦方案的滿意度數(shù)據(jù)分為兩種標(biāo)簽，即推薦滿意和推薦不滿意；

83、步驟s532：效果預(yù)測模型訓(xùn)練，具體為使用所述歷史文本特征數(shù)據(jù)對(duì)營銷策略效果預(yù)測模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的效果預(yù)測模型；

84、步驟s54：營銷策略效果預(yù)測，具體是將所述實(shí)時(shí)文本特征數(shù)據(jù)作為訓(xùn)練后的效果預(yù)測模型的輸入數(shù)據(jù)，得到營銷策略效果預(yù)測結(jié)果。

85、進(jìn)一步地，在步驟s6中，所述電力營銷推薦結(jié)果，具體是用戶對(duì)電力推薦方案的反饋，具體包括以下步驟：

86、步驟s61：電力營銷推薦，具體是通過營銷策略效果預(yù)測結(jié)果進(jìn)行電力營銷推薦，若符合預(yù)測結(jié)果，則通過電話和短信的方式向用戶推薦電力營銷方案，若不符合預(yù)測結(jié)果，則根據(jù)用戶反饋數(shù)據(jù)重新對(duì)用戶進(jìn)行用戶分類；

87、步驟s62：推薦方案優(yōu)化，具體為用戶對(duì)電力推薦方案的明確反饋，對(duì)用戶分類進(jìn)行精準(zhǔn)劃分，持續(xù)調(diào)整用戶分類結(jié)果并優(yōu)化電力營銷推薦方案，提高個(gè)性化推薦的準(zhǔn)確性和效果。

88、本發(fā)明采取的技術(shù)方案如下：本發(fā)明提供的基于大數(shù)據(jù)的電力營銷推薦系統(tǒng)，包括數(shù)據(jù)采集模塊、數(shù)據(jù)預(yù)處理模塊、用戶分類模塊、營銷策略制定模塊、營銷策略效果預(yù)測模塊和電力營銷推薦結(jié)果模塊；

89、所述數(shù)據(jù)采集模塊從電力系統(tǒng)中，通過采集得到電力營銷原始數(shù)據(jù)，所述電力營銷原始數(shù)據(jù)，包括用戶數(shù)據(jù)、電力產(chǎn)品數(shù)據(jù)和用戶反饋數(shù)據(jù)，并將所述電力營銷原始數(shù)據(jù)發(fā)送至數(shù)據(jù)預(yù)處理模塊；

90、所述數(shù)據(jù)預(yù)處理模塊接收數(shù)據(jù)采集模塊發(fā)送的電力營銷原始數(shù)據(jù)，并對(duì)所述電力營銷原始數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，得到電力營銷初步數(shù)據(jù)，將所述電力營銷初步數(shù)據(jù)發(fā)送至用戶分類模塊；

91、所述用戶分類模塊接收數(shù)據(jù)預(yù)處理模塊發(fā)送的電力營銷初步數(shù)據(jù)，并對(duì)所述用戶數(shù)據(jù)進(jìn)行用戶分類，得到用戶分類數(shù)據(jù)集，并將所述用戶分類數(shù)據(jù)集發(fā)送至營銷策略制定模塊；

92、所述營銷策略制定模塊接收用戶分類模塊發(fā)送的用戶分類數(shù)據(jù)集，依據(jù)用戶分類數(shù)據(jù)集中的用戶分類結(jié)果進(jìn)行個(gè)性化電力營銷策略文本制定，得到營銷策略文本內(nèi)容，并將所述營銷策略文本內(nèi)容發(fā)送至營銷策略效果預(yù)測模塊；

93、所述營銷策略效果預(yù)測模塊接收營銷策略制定模塊發(fā)送的營銷策略文本內(nèi)容，并對(duì)營銷策略制定中用戶的電力營銷推薦方案進(jìn)行效果預(yù)測，得到營銷策略效果預(yù)測結(jié)果，并將所述營銷策略效果預(yù)測結(jié)果發(fā)送至電力營銷推薦結(jié)果模塊；

94、所述電力營銷推薦結(jié)果模塊接收營銷策略效果預(yù)測模塊發(fā)送的營銷策略效果預(yù)測結(jié)果，并對(duì)用戶進(jìn)行個(gè)性化電力營銷方案推薦，得到電力營銷方案和用戶的反饋數(shù)據(jù)，并將所述用戶的反饋數(shù)據(jù)發(fā)送至數(shù)據(jù)采集模塊。

95、采用上述方案本發(fā)明取得的有益效果如下：

96、（1）針對(duì)現(xiàn)有的基于大數(shù)據(jù)的電力營銷推薦方法及系統(tǒng)中，存在對(duì)用戶只進(jìn)行大數(shù)據(jù)分類和未對(duì)電力營銷方案進(jìn)行結(jié)果的預(yù)測問題，導(dǎo)致電力營銷推薦方案無法滿足用戶的需求，本方案創(chuàng)造性地引入反饋機(jī)制和營銷策略效果預(yù)測，通過用戶反饋數(shù)據(jù)對(duì)用戶再次進(jìn)行用戶分類，并根據(jù)營銷策略效果預(yù)測的結(jié)果調(diào)整電力營銷推薦方案，提高營銷推薦的精準(zhǔn)度和有效性，從而增強(qiáng)用戶對(duì)電力產(chǎn)品和服務(wù)的認(rèn)可度和滿意度。

97、（2）針對(duì)現(xiàn)有的基于大數(shù)據(jù)的電力營銷推薦方法及系統(tǒng)中，一般聚類方法中存在內(nèi)置參數(shù)設(shè)置不當(dāng)，導(dǎo)致聚類結(jié)果的不穩(wěn)定，從而影響聚類結(jié)果質(zhì)量的問題，本方案采用替補(bǔ)種群、進(jìn)化因子和局部搜索改進(jìn)獲取聚類參數(shù)的算法，找到穩(wěn)定的簇變化范圍，提高用戶分類結(jié)果的準(zhǔn)確性。