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)的進步，大數(shù)據(jù)技術(shù)的日臻成熟以及廣泛運用，在此背景下，基于大數(shù)據(jù)的電力營銷推薦方法應運而生，一般電力營銷推薦方法利用數(shù)據(jù)分析和機器學習技術(shù)，根據(jù)客戶的用電歷史和需求，為每個客戶提供個性化的電力套餐和服務建議。但是現(xiàn)有的適用于電力營銷推薦的方法中，存在對用戶只進行大數(shù)據(jù)分類和未對電力營銷方案進行結(jié)果的預測問題，導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)設置不當，導致聚類結(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)實現(xiàn)思路

1、針對上述情況，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)，針對現(xiàn)有的適用于電力營銷推薦的方法中，存在對用戶只進行大數(shù)據(jù)分類和未對電力營銷方案進行結(jié)果的預測問題，導致電力營銷推薦方案無法滿足用戶的需求，本方案創(chuàng)造性地引入反饋機制和營銷策略效果預測，通過用戶反饋數(shù)據(jù)對用戶再次進行用戶分類，并根據(jù)營銷策略效果預測的結(jié)果調(diào)整電力營銷推薦方案，提高營銷推薦的精準度和有效性，從而增強用戶對電力產(chǎn)品和服務的認可度和滿意度；針對現(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)設置不當，導致聚類結(jié)果的不穩(wěn)定，從而影響聚類結(jié)果質(zhì)量的問題，本方案采用替補種群、進化因子和局部搜索改進獲取聚類參數(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：營銷策略效果預測；

8、步驟s6：電力營銷推薦結(jié)果。

9、進一步地，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)、用戶使用電力設備數(shù)據(jù)、用戶個人信息和用戶歷史繳費記錄數(shù)據(jù)，所述電力產(chǎn)品數(shù)據(jù)包括電力價格套餐和相關(guān)電力設備產(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)和用戶對電力推薦方案的滿意度數(shù)據(jù)。

10、進一步地，在步驟s2中，所述數(shù)據(jù)預處理，用于對原始數(shù)據(jù)進行數(shù)據(jù)預處理，具體包括以下步驟：

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

12、步驟s22：獨熱編碼轉(zhuǎn)換，用于將原始數(shù)據(jù)轉(zhuǎn)換為數(shù)字形式，具體為通過獨熱編碼法對所述電力營銷原始數(shù)據(jù)集進行編碼，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)中提取進行電力營銷推薦中用戶有效特征，具體為采用自適應特征選擇方法對電力營銷初步數(shù)據(jù)集進行特征選擇，得到特征選擇數(shù)據(jù)集；

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

15、進一步地，在步驟s3中，所述用戶分類，具體為采用聚類方法對所述用戶數(shù)據(jù)進行用戶分類，包括以下步驟：

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

17、步驟s32：對聚類參數(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個混沌序列值，初始化隨機值有y0；所用公式如下：

21、；

22、式中，表示第i個混沌序列值，表示第i+1個混沌序列值；

23、步驟s3222：混沌序列值轉(zhuǎn)換搜索個體；公式表達如下：

24、；

25、式中，表示第i個體的位置；

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

27、步驟s324：更新搜索個體位置；所用公式如下：

28、；

29、；

30、；

31、；

32、；

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

34、步驟s325:獲取進化因子；所用公式如下：

35、；

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

37、步驟s326:進行進化操作；所用公式如下：

38、；

39、；

40、；

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

42、步驟s327：替換策略：重新評估種群中所有搜索個體的適應度值，將進化后的搜索個體和原搜索個體適應度值進行比較，保留適應度值最高的搜索個體在當前種群中；當前種群中每一個搜索個體與替補種群中的相應搜索個體進行一對一適應度值比較，若當前種群中的搜索個體適應度值高與相應的替補種群中的搜索個體，則替換相應的替補種群中的搜索個體；

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

44、；

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

46、步驟s329：替換適應度值最優(yōu)個體：確定局部搜索個體的適應度值，若的適應度值優(yōu)于的適應度值，則取代替補種群中的，否則進行丟棄；fa、fb和fc與替補種群搜索個體進行適應度值比較，替補種群中更優(yōu)的搜索個體更新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，進行最優(yōu)個體位置的搜索判定，得到最優(yōu)個體位置數(shù)據(jù)設置；

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，具體為設置適應度閾值，當所述個體適應度值fi高于適應度閾值時，超參數(shù)搜索完成；

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

51、所述最優(yōu)個體位置，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)的聚類算法對不同維度下不同用戶進行用戶分類，得到用戶類別數(shù)據(jù)。

53、進一步地，在步驟s4中，所述營銷策略制定，具體是基于用戶分類結(jié)果對用戶進行個性化電力營銷策略文本制定；

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

55、所述個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，生成最終個性化電力營銷策略文本。

56、進一步地，在步驟s5中，所述營銷策略效果預測，具體是對營銷策略制定中對用戶的電力營銷推薦方案進行效果預測，具體包括以下步驟：

57、步驟s51：建立營銷策略效果預測模型，包括以下步驟：

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

59、步驟s512：遺忘門計算過程，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表示是上一時刻隱藏狀態(tài)；wxf和whf表示對應遺忘門的權(quán)重矩陣；bf表示遺忘門的偏置項參數(shù)；σ表示sigmoid函數(shù)；

62、步驟s513：輸入門計算過程，所用公式如下：

63、；

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

65、步驟s514：計算新細胞單元狀態(tài)候選值，所用公式如下：

66、；

67、式中，wxc和whc表示對應細胞單元狀態(tài)權(quán)重矩陣；bc表示細胞單元狀態(tài)的偏置項參數(shù)；

68、步驟s515：細胞單元狀態(tài)更新過程，所用公式表示如下：

69、；

70、式中，ct表示是當前時刻細胞單元狀態(tài)；ct-1表示是上一時刻細胞單元狀態(tài)；

71、步驟s516：輸出門計算過程，所用公式如下：

72、；

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

74、步驟s517：隱藏狀態(tài)計算過程，所用公式如下：

75、；

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

77、步驟s518：得到當前時刻預測結(jié)果，所用公式如下：

78、；

79、式中，bv表示預測值的偏置項參數(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)中的每個文本段表示為向量，分別得到歷史文本特征數(shù)據(jù)和實時文本特征數(shù)據(jù)；

81、步驟s53：模型訓練，具體包括以下步驟：

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

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

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

85、進一步地，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測結(jié)果進行電力營銷推薦，若符合預測結(jié)果，則通過電話和短信的方式向用戶推薦電力營銷方案，若不符合預測結(jié)果，則根據(jù)用戶反饋數(shù)據(jù)重新對用戶進行用戶分類；

87、步驟s62：推薦方案優(yōu)化，具體為用戶對電力推薦方案的明確反饋，對用戶分類進行精準劃分，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，提高個性化推薦的準確性和效果。

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)預處理模塊；

90、所述數(shù)據(jù)預處理模塊接收數(shù)據(jù)采集模塊發(fā)送的電力營銷原始數(shù)據(jù)，并對所述電力營銷原始數(shù)據(jù)進行數(shù)據(jù)預處理，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)預處理模塊發(fā)送的電力營銷初步數(shù)據(jù)，并對所述用戶數(shù)據(jù)進行用戶分類，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)果進行個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測模塊；

93、所述營銷策略效果預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，并對營銷策略制定中用戶的電力營銷推薦方案進行效果預測，得到營銷策略效果預測結(jié)果，并將所述營銷策略效果預測結(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測模塊發(fā)送的營銷策略效果預測結(jié)果，并對用戶進行個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，存在對用戶只進行大數(shù)據(jù)分類和未對電力營銷方案進行結(jié)果的預測問題，導致電力營銷推薦方案無法滿足用戶的需求，本方案創(chuàng)造性地引入反饋機制和營銷策略效果預測，通過用戶反饋數(shù)據(jù)對用戶再次進行用戶分類，并根據(jù)營銷策略效果預測的結(jié)果調(diào)整電力營銷推薦方案，提高營銷推薦的精準度和有效性，從而增強用戶對電力產(chǎn)品和服務的認可度和滿意度。

97、（2）針對現(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)設置不當，導致聚類結(jié)果的不穩(wěn)定，從而影響聚類結(jié)果質(zhì)量的問題，本方案采用替補種群、進化因子和局部搜索改進獲取聚類參數(shù)的算法，找到穩(wěn)定的簇變化范圍，提高用戶分類結(jié)果的準確性。