新电改背景下电力大客户服务策略推荐模型研究

新电改背景下电力大客户服务策略推荐模型研究

张梅英, ,钟小丽

广东电网有限责任公司茂名供电局，525000

摘要：随着市场经济的发展，电力市场出现了新的变化，通过挖掘数据来实现电力市场的精确营销，可以促进电力公司和用户之间的联系，提高用户对电能的感知，满足用户对电能的需求。本文将会积极梳理、整合、拓展新的业务策略，提高供电公司为不同用户的不同需求制定相应的业务策略，从而促进新电改背景下的电力大客户服务策略模型的构建。

关键词：新电改；电力大客户；服务策略

引言：随着电力体制的改革，售电侧的开放，电力市场的竞争格局和市场体制逐渐向多买多卖、多层次发展，在建立市场户售电的过程中，供电公司的销售卖点不再局限于单一的能源供给，而上升为个性化的营销和为不同的顾客提供增值服务，从而获得更大的市场份额，从而提升公司的盈利水平，从而在激烈的市场竞争中提升自己的竞争力。

一、以客户需求为导向的策略清单

开展以电力客户需求为主的问卷调查，根据用户的不同需求，对电力客户进行详细的分类，针对不同的客户需求制定了研究策略清单，以保障供电工作人员为不同的用户提供个性化的服务，根据不同的客户的需求，制定出相应的营销服务，并对其进行评价。以战略表的整理结果为核心，开展各种业务服务.将顾客的需求与服务的评价结果相结合，将单个的服务从服务的流程、是否按照标准化的标准来执行，将服务的方法、具体所实施的措施等方面进行比较、归纳和总结，依据总结内容，提出未来的工作重点和改进方向，并完善改进电力大客户服务策略，包括策略的编号、名称、说明、级别等，以此作为建立电力大客户服务模型的参考依据。

二、推荐演算方法以及演算思路

（一）演算方法-随机森林法

随机森林是一种新兴的机器学习方法。传统的机器学习模式是神经网络，已经发展了超过50年。神经网络的预测精度高，但需要大量的计算量。上世纪80年代 Breiman等人（Breiman et al.1984）开发了分类树的演算法，其运算量大大减少。布瑞曼2001年将分类树合并为一种随机森林（Breiman 2001 a)，在使用变量（列）和使用数据（行）时，产生许多分类树，并对其结果进行汇总。

随机森林法是一种非常完善的计算机计算技术，它可以对数据进行恢复和分类，同时还可以利用它来进行数据的降维，在数据丢失、异常数据的处理中，起到了很好的作用。同时，随机森林的计算方法也是一种有效的整合学习方式，它的实质就是把大量的低效率模型聚集在一起，形成一个有效的模型。在这种计算中，可以生成大量的决策树，当基于某种属性来评价一个新的物体时，每个决策树都会给出一种合理的选择方法，并通过投票来决定，谁的投票最多，谁就是胜利者，这就是随机森林的最终决定。若要解决数据恢复问题，则随机森林的最终结果将是所有决策树输出的平均值。

由于其准确率高、使用方便等特点，因此它是当前最受欢迎的一种机器学习方法。本论文主要探讨了利用随机森林算法建立服务策略推荐模型。

（二）构建思维

利用电力大客户的特性资料采集与分析为基础，充分参考了服务策略整理清单，选取了一些经过培训的样本，进行测试，电力市场的专家们会对顾客策略选择的样本进行分析，并发现顾客特性的样本和策略的关系，从而建立一个模型培训的数据库。

采用人工与算法相结合的方法，对顾客的属性和策略表进行清理与整理，在此基础上，运用随机森林算法对不同类型的顾客属性进行机器学习，建立顾客属性特征和战略匹配模型，并通过模型对测试样品的服务策略进行预测，评价其准确性。服务策略推荐模型构建思路图如下：

（三）电力大客户服务策略模型搭建

（1）客户标本的选取

为确保样本顾客的基础资料是全面和高效的参照顾客评价与需求整理的结论，可以选择数量较大的客户作为范本，对顾客的属性、需求、价值等数据进行了初步的整理，以保证模型的建立和准确的服务战略。

（2）选定服务策略

根据服务策略清单的整理和样本顾客的样本选择，再结合样本顾客的特性和实际需要，，对样本顾客的服务战略匹配进行测试，发现顾客的属性和服务策略的匹配，从而帮助样本库的形成，为客户服务战略制定提供数据参考。

（3）数据的处理

数据的处理分为两个阶段：样本的选择和统一的数据规范化。

1. 依据客户的性质特征进行选取

样本客户的属性特征选择,其最主要目的就是通过选取可以对训练数据进行分类的属性特点,以此提高机器学习的有效性。如果使用属性特征进行分析,其结论往往和随机分析的结论相同,因此也可以说明该特征并没有分类的能力,从理论上来讲,删除这些特征对决策树的精度并没有产生什么负面影响,反而对训练模型的推广起着很好的促进作用。随机森林提供了二个方式:对平均精度降低和平均不纯净值的数量进行删减。以及通过对属性特征的精确化,其实质就是通过改变属性值的顺序,来计算各属性属性值对模型精度的影响。然后，对模型精度的影响进行了测试。在非关键性变量的基础上，属性值的次序不会对模型的精度产生很大的影响，但是重要的变量次序的变化对于模型的精度有很大的影响。

2. 数据标准化的统一处理

在实践中，由于各变量的量纲不同，其数量级差别很大，因此，在进行综合统计时，各变量的权重也会有所不同。因此，要消除变量的量纲、变量自身变异及数值大小等因素的影响，通过进行无量纲化方法处理，把它们转换成无量纲的纯粹数值，以进行判断和统计。对数据进行统一的规范化处理，其本质是简化了计算方式，也就是说，用一种特殊的方式，将一个有量纲的表达式，转化为一个无量纲的公式，从而形成一个标准的数值。经过对标本数据库的数据处理，可以更加高效为客户服务策略模型的建立提供合理、有效的依据。

结束语：本文运用了随机森林中的机器学习方法,将服务决策清单的整理结果和历史数据进行了分类与整合,并通过选取了电力大客户样本,形成了对一个业务策略模式的精准化推荐,并运用该模式对培训样本的业务决策过程进行了测试,以适应电力大客户的差异化需求。同时，该技术还能及时更新服务策略中的建议内容，使其能够准确地向用户提供准确的服务，从而为电力市场的创新和改善服务模式提供有力的支持。

参考文献：

[1]陈新崛,吴飞,孔月萍,庞芹,李洁莹,韩琳.售电侧放开背景下电力大客户需求识别研究[J].电力需求侧管理,2019,21(02):66-70.

[2]刘芯滔. 电力大客户电能信息采集监测系统的设计与应用[D].西安电子科技大学,2017.