以机器学习为基础开展电力营销稽查的探析

以机器学习为基础开展电力营销稽查的探析

徐强 ,李建辉

包头供电局  内蒙古包头市  014000

摘要：为有效提高电力营销稽查的精细化管理水平，本文基于电力营销稽查现状，介绍了以机器学习为基础的电力营销稽查应用价值与具体应用步骤，以期通过应用机器能有效提高电力营销稽查效率，减少差错，提高营销现代化精益化水平。

关键词：电力营销；稽查；机器；步骤；应用

前言：学习是指在不断重复工作的过程中对本身能力的增强或改进，使下一次执行任务时的效率更高、效果更好。机器学习是融合了线性代数、概率统计、数据挖掘、人工智能等多个专业知识，研究如何让计算机等机器从数据中去学习知识，以进行归纳推测，从数据中产生模型的过程。

    开展基于机器学习的电力营销稽查研究，是为了解决稽查过程中稽查规则不明确时，进行人工二次分析需耗费人力物力较大且分析结果参差不齐的问题，旨在通过逻辑语言编程实现对分析过程的学习，深度模拟人工，推动营销稽查管控工作由规则驭动向数据驭动转变，提升稽查工作质效，助推营销精益管理。

1、电力营销稽查工作概述

    当前的电力营销稽查工作主要是将营销业务管理和执行中的风险点形成主题规则，利用规则筛查出疑似异常数据，并采用线上线下一体化检查的形式，实现对业务经营和风险情况的全面掌握，对保障正常用电客户合法权益，以及国家政策及专业标准执行到位具有十分重要的意义。

    在工作开展过程中，基于风险点形成的主题规则的完备性对异常问题查找的精准度和稽查工作开展的效率起到了决定性作用。当稽查风险点明晰、固定、可用逻辑语言精准实现时，主题规则的完备性较高，筛查疑似异常数据的准确度也较高，如计量方式为高供低计用户未计收变损、农业用户功率因数考核标准错误等风险点。

    当稽查风险点较为笼统、灵活、较难用逻辑语言实现时，利用规则筛查疑似异常数据时通常需要引入人工分析进行数据的二次筛选，通过借助营销业务系统、用电信息采集系统，以及前期稽查数据、主观经验等多维数据进行融合分析。如农业用户现场疑似高价低接风险点，根据发改价格（2013）973号文件《国家发展改革委关于调整销

售电价分类结构有关问题的通知》要求“农业生产用电价格，是指农业、林木培育和种植、畜牧业、渔业生产用电，农业灌溉用电，以及农业服务业中的农产品初加工用电的价格。”在日常稽查中，会查见一些农业用电用表下有其他属性的用电接用存在高价低接的行为。对于该风险点的分析，仅以大电量为依据进行查找，实际可能将很多正常用电的用户包含在内，需同时根据用户近期发起的业务传票、电量波动、前期是否存在此类问题、同期同类用户的变化等多维度多系统的数据进行人工二次辅助分析。

    对于此类风险点及形成的主题规则，当数据较多时，人工分析过程中会存在以下困难:(1)该项工作会耗费较大的人力物力，整体工作较为机械重复；(2)不同人员对风险点的预判和理解程度不同，分析结果参差不齐；(3)上述方法不适合优化更新。

2、基于机器学习的电力营销稽查

    针对上文提及的相关困难，文章提出基于机器学习开展电力营销稽查工作的新策略，目的是将人工进行多维数据融合分析的过程通过数学建模，转化为机器学习，借助机器学习技术对海量数据进行处理，深度模拟人工二次分析过程，并不断优化迭代，实现主题规则的完备化，进而实现对疑似问题的精准定位，逐步提升稽查效率。

2.1机器学习概述

    机器学习主要分为监督学习和无监督学习两种。

    (1)监督学习。监督学习是有先验知识的学习，将部分已有的训练集作为输入和输出，通过学习找出它们之间的映射关系。最常见的监督学习是分类问题和回归问题，分类问题对应输出为离散值，回归问题对应输出为连续值。

    (2)无监督学习。无监督学习是针对没有先验知识的学习，直接对数据进行建模，凭数据的自然特性聚集，在此种情况下，可以得到数据相应的内在规律和规则，最常用的无监督学习为聚类问题。

    由于营销稽查工作关注的是营销业务管理和执行中的风险点，在进行机器学习前，当某一风险点前期有进行机内分析并经现场核验的结果，该部分数据可作为训练集，所分析的数据自然被区分为正常、异常两种或正常、异常、存疑等多种情况，此时基于机器学习开展电力营销稽查就是一个分类问题，可以利用分类算法来解决。当某一风险点实际并无明显的先验知识可循，希望通过数据之间的规律来进行预警和分类，此时基于机器学习开展电力营销稽查就是一个聚类问题，可以利用聚类算法来解决。

2.2基于机器学习的电力营销稽查应用价值

    基于机器学习技术开展电力营销稽查具有重要的应用价值，具体体现在以下方面。

    (1)提升稽查能力。对较为笼统、灵活、较难用逻辑语言实现的稽查风险点进行智慧管控，有助于提升稽查对业务风险的预警能力，强化稽查对业务执行规范的管控能力。

    (2)实现提质增效。替代原本机械重复的人工分析工作，节约人力资源成本，提高工作效率，实现管理效益提升。

    (3)推进技术创新。通过机器学习，深入挖掘数据价值，发挥数据要素的放大、叠加、倍增效应，实现数据应用创新，推进技术创新，增强企业核心竞争力。

3、基于机器学习的电力营销稽查实现步骤

    基于机器学习的电力营销稽查是在确定所分析业务风险点的所属问题类型后，并进行前期的数据选取、处理后，利用相应算法进行数据分析及验证的过程。由于在实际工作中，前期进行机内分析并经现场核验结果的情况居多，文章将以分类问题算法阐述该过程的具体实现步骤。

3.1数据选取

    结合所需处理的主题风险点，确定其对应主题规则及人工二次分析过程中所涉及的字段，上述字段即为基于对应主题的指标值，并以此选取对应指标满足后续分析要求的具体数据。

3.2数据处理

    为了确保后续训练测试的准确性，需对相应指标的数据进行数据填充、剔除异常值、归一化处理等操作。数据填充是指对缺失部分的数据采用插值法等方式进行填补，保证数据的稳定性和完备性；异常值为数据中的噪声，可以采用滤波的方法对原始数据进行去噪平滑处理；归一化处理则是针对数据量纲不同，将数据转换或统一成0到1之间的离散或连续值，使不同客户的数据在数据矩阵中具有相同的地位，防止权重失衡的情况出现。当筛选的指标之间存在藕合关系时，可以引入主成分分析法进行解藕，保证相应指标的独立性。

3.3数据训练

    将已有的数据分为训练集和测试集。对于训练集，利用相应的分类问题算法进行优化迭代，将获得的对训练集合中具有最好辨识效果所对应的算法参数输出。为了保证训练结果的普适性，也可以采用多次算法参数的均值作为最后的结果参数。现有的分类问题算法主要包括KNN、决策树、支持向量机、贝叶斯、逻辑回归和神经网络等。

3.4数据验证

    基于训练集获得的算法参数，利用测试集合进行验证，结合准确率、召回率、F1值等综合判断辨识结果的准确性。当该参数在对测试集合中的异常数据也具有较好的辨识结果时，可以说明该算法参数的有效性。

4、结束语

营销稽查是电力营销工作中规范业务流程、纠正工作差错、查处异常行为的重要手段。在当前的稽查工作中，对复杂场景的处理，需要耗费较多资源进行二次分析。针对此问题，文章基于算法的应用价值，提出了将机器学习应用到营销稽查工作的新思路。针对复杂、灵活的稽查风险点，确定其分析指标，结合机器学习算法，制定异常用户辨识步骤。在后续的研究中，将选取实际工作中的典型应用场景，对算法的实用性和有效性进行案例验证，逐步实现利用数据对复杂场景的还原，精准查找疑似异常用户，提升营销精益化、数字化管理水平。

参考文献：

【1】周华.电力营销稽查对提高电力营销效率的影响【J】.现代企业. 2021,(10)：68-70.

作者简介：徐强，1966年1月出生，男，山东省烟台市人，大学，二级工程师，高工，1999年12月毕业于哈尔滨师范大学，研究方向：电力稽查。