考慮關聯規則技術的電力營銷數據挖掘方法

摘 要：本文針對電力營銷領域的數據挖掘問題，提出了一種基于關聯規則技術的方法。對電力消費數據進行分析和挖掘，發現了一些有價值的關聯規則，幫助電力公司更好地了解客戶需求和行為，從而制定更有效的營銷策略。通過與其他2種方法進行對比，評估了不同方法的數據挖掘指標，并發現本文方法在支持度、可信度和相關度方面具有更優越的性能。表明本文方法能夠更好地挖掘電力市場營銷數據中的關聯規則，并提供更準確的預測和決策支持。

關鍵詞：關聯規則；電力營銷；數據挖掘

中圖分類號：TM 73" 文獻標志碼：A

隨著電力市場開放和競爭加劇，電力企業面臨越來越多的挑戰和機遇。在這個競爭激烈的環境中，電力企業需要通過有效的營銷策略來提高市場競爭力和盈利能力[1]。而數據挖掘作為一種利用大數據分析和挖掘隱藏信息的技術，為電力營銷提供了有力的支持[2]。電力市場中存在大量的數據，包括用戶用電數據、用戶屬性數據、市場環境數據等。這些數據蘊含豐富的信息，幫助電力企業了解用戶需求、預測市場趨勢、優化營銷策略等[3]。然而，由于數據量龐大、數據復雜性高，如何從這些數據中提取有價值的信息成為一個挑戰。

1 電力營銷數據挖掘方法設計

1.1 電力營銷數據處理

電力市場營銷的數據包括歷史售電數據、售電量、售電時間、售電行業類別等方面。首先，為了方便數據的分析和比較，需要將不同維度的數據映射到統一的數量級中。避免不同維度數據之間的差異對分析結果的影響。為了實現這一目標，本文引入了最大-最小規范化屬性。該方法通過線性變換將原始數據映射到一個統一的區間內，通常為[0，1]或[-1，1]。保持原始數據的相對關系，同時使數據具有可比性[4]。通過最大-最小規范化屬性，將歷史售電數據、售電量、售電時間、售電行業類別等不同維度的數據映射到統一的數量級中。為后續的數據挖掘提供基礎保障，使數據之間的關系更明確、更可靠。通過統一的數量級，不同維度的數據在同一范圍內進行比較和分析，有利于挖掘更準確的關聯規則和規律，為電力公司提供更有針對性的營銷策略和決策支持。

將原始電力市場營銷數據標準化，如公式（1）所示。

（1）

式中：v'為經過處理的電力市場營銷數據；v為原始數據。

通過公式（1）將不同維度的數據映射到統一的區間內，數據之間的比較將更直觀、更可靠。在實際應用中，如果maxA和minA的波動較大，會導致標準化后的數據分布不均，從而影響后續的關聯規則挖掘效果，如公式（2）所示。

xk，i=v'（||Pk-Ti||） （2）

式中：xk，i為第k個營銷數據向量Pk在第i個屬性上的轉換結果；Pk為一次電力市場營銷中的各種數據，例如售電量、售電時間、售電行業類別等；Ti為衡量第i個屬性在整個數據集中的平均值或中心位置。

將Pk與Ti輸入轉換函數中進行數據轉換，這個轉換函數的作用是對數據進行處理，使原始數據的屬性變得更有意義和可解釋。通過數據轉換，緩解數據屬性的連續離散化問題。在原始數據中，屬性的值是連續的，這樣會給數據分析和挖掘帶來一定的困難。但是，通過轉換函數的作用，相關屬性的值具有非連續性，更有利于挖掘營銷數據的規律。具體來說，轉換函數將原始數據的屬性值映射到一個新的值域中。這個新的值域是離散的，也是更有序和有結構的。通過這個轉換，將原始數據的屬性變得更易于理解和分析。例如，原始數據中的某個屬性是銷售額，它是一個連續的數值。但是，通過轉換函數的作用，將銷售額分為不同的離散區間，例如低、中、高等級。就更好地理解和比較不同銷售額區間的數據，挖掘營銷數據中的規律和趨勢。

1.2 基于關聯規則建立電力營銷數據倉庫

在電力市場營銷數據挖掘的過程中，本文將其分為3個步驟。首先，對原始數據進行處理和整合，將來自不同渠道和部門的數據進行合并和清洗。消除數據中的噪聲和冗余，確保數據的一致性和準確性。其次，建立一個數據挖掘倉庫，將處理完的營銷數據存儲在倉庫中。數據挖掘倉庫是一個專門用于存儲和管理數據的系統，它提供了高效的數據訪問和查詢功能。通過建立數據挖掘倉庫，更方便地進行后續的數據挖掘和分析工作[5]。最后，本文引入了關聯規則算法來直接挖掘數據源。關聯規則算法是一種常用的數據挖掘技術，它發現數據中的關聯關系和規律。通過應用關聯規則算法，挖掘營銷數據中隱藏的模式和趨勢，為電力企業的決策提供有價值的信息和建議。

支持度是數據挖掘中一個重要的概念，它用于衡量一個項集在數據集中出現的頻率。在這種情況下，通過計算支持度來衡量屬性A在數據倉庫D中的重要性和普遍性。具體來說，通過以下步驟計算屬性A的支持度。1）遍歷數據倉庫D中的每一條數據T。2）針對每一條數據T，檢查是否存在項目ik屬于T。3）如果項目ik屬于T，那么計數器加一，表示該數據T支持項目ik。4）繼續遍歷數據倉庫D中的所有數據，重復步驟2和3。5）計算支持度的值，即支持項目ik的數據T的數量除以數據倉庫D中的總數據量，如公式（3）所示。

（3）

式中：SP（A）為屬性A在數據倉庫D中的支持度；DA為在數據倉庫D中挖掘出的屬性A的數據量；Dm為數據倉庫D中的實際數據量。

支持度是用來衡量一個項集在數據集中出現的頻率的指標。具體來說，通過以下步驟計算屬性A的支持度Sp（A）。1）統計數據倉庫D中包含屬性A的數據量，即DA。2）計算數據倉庫D中的實際數據量，即Dm。3）將DA除以Dm，得到屬性A的支持度SP（A）。

首先，識別屬性A在數據倉庫D中的頻繁項集，即屬性A與其他屬性之間的頻繁關聯關系。通過計算支持度，確定哪些屬性組合在數據集中出現的頻率超過了預先設定的支持度閾值。這些頻繁項集幫助了解數據之間的關聯性和規律性。其次，基于頻繁項集，利用關聯規則技術挖掘數據倉庫D中的關聯規則。關聯規則幫助發現不同屬性之間的潛在關聯關系，從而為決策提供有價值的信息。針對每一個關聯規則，計算其置信度，即規則的發生概率。置信度的計算方法是將規則的支持度除以條件的支持度。最后，為了篩選具有較高置信度的關聯規則，設置一個最小置信度閾值。只有當關聯規則的置信度超過這個閾值時，才被認為是具有較高置信度的規則。分析篩選的關聯規則，了解交易數據X和Y之間的關聯性和相關性，如公式（4）所示。

（4）

公式（4）中的可信度指標用于衡量規則XY的可信程度，即在條件X發生的情況下，結論Y發生的概率，根據用戶的用電情況，給定最小支持度閾值和最小可信度閾值來進行數據挖掘和分析。了解交易數據X和Y之間的相關性和關聯性。通過關聯規則的條件和結論來推斷X和Y之間的關系，如公式（5）所示。

（5）

式中：δ為數據倉庫中的交易數據挖掘的相關度；P為關聯系數。

當δ的值大于1時，X和Y之間的相關度較高，它們的變化趨勢是一致的。當X增加時，Y也會增加。當δ的值等于1時，X和Y之間沒有明顯的相關性，它們的變化趨勢相互獨立，一個變量的變化不會對另一個變量產生影響。當δ的值小于1時，X和Y之間成負相關，它們的變化趨勢是相反的，當X增加時，Y會減少。

根據售電量、售電價、氣溫、降水等數據的屬性類型進行分類存儲，使相關的數據在存儲結構上更緊湊、更有序。當進行數據挖掘任務時，根據需要直接訪問特定類型的數據，不需要遍歷整個數據倉庫。這樣不僅提高了數據訪問的效率，也減少了數據搜索的復雜度和耗時，從而節省了時間和資源。此外，分類存儲還有助于數據挖掘算法的優化和加速。當數據被按照屬性類別進行歸類存儲后，更容易地對特定類型的數據進行分析和處理。數據挖掘算法針對不同屬性類別的數據特點進行優化，提高算法的執行效率和準確性。

本節設計的電力營銷數據挖掘方法通過最大-最小規范化和關聯規則算法，為后續的試驗分析奠定了基礎。這些方法將更深入地理解電力市場營銷數據中的潛在模式，從而提高決策的有效性。

2 試驗分析

2.1 試驗過程

在本試驗中，利用第一部分設計的最大-最小規范化方法處理了電力營銷數據。經過處理的數據被輸入關聯規則算法中，結果顯示支持度和可信度顯著提高。

2.1.1 數據收集與預處理

收集電力市場營銷相關的數據，包括歷史售電數據、售電量、售電時間、售電行業類別、氣溫、降水量等。對收集的數據進行清洗和整合，消除噪聲和冗余，確保數據的一致性和準確性。通過最大-最小規范化方法將不同維度的數據映射到統一的數量級，以便于后續分析。

2.1.2 數據存儲與分類

將處理后的數據存儲到數據挖掘倉庫中，并根據屬性類型進行分類存儲，例如分別存儲售電量、售電價、氣溫、降水量等數據，提高數據訪問的效率，減少數據搜索的復雜度。

2.1.3 頻繁項集挖掘

采用關聯規則算法，對存儲在數據倉庫中的數據進行頻繁項集挖掘。通過公式（3）、公式（4）識別屬性A在數據倉庫D中的頻繁項集。

2.1.4 關聯規則生成

基于頻繁項集，利用關聯規則技術挖掘數據倉庫D中的關聯規則。通過設置最小置信度閾值，篩選具有較高置信度的關聯規則。利用相關度指標公式（5）分析屬性之間的關系。

試驗數據見表1。售電量在過去幾年呈波動的趨勢，2019年和2023年的售電量較高，分別為3.895×107kWh和4.005×107kWh，而2020年的售電量最低為3.026×107kWh。售電均價也存在波動，2023年的售電均價最高為0.420元/kWh，而2018年的售電均價最低為0.334元/kWh。平均氣溫在不同年份之間有所變化，2022年的平均氣溫最高為-7.3℃，而2019年的平均氣溫最低為-12.9℃。降水量也有所波動，2019年的降水量最高為25.3mm，而2020年的降水量最低為0.7mm。

2.2 試驗結果

本文將最小支持度閾值設定為0.160，最小可信度閾值設定為0.348，最小相關度閾值設定為0.875。首先，參考文獻[1]中基于耦合度量的電力市場營銷數據挖掘方法的數據挖掘指標，該方法主要通過耦合度量來評估不同變量之間的關聯程度，從而發現潛在的數據挖掘指標。耦合度量是一種有效的數據分析工具，幫助揭示數據之間的內在關系，進而為電力市場營銷提供更準確的數據挖掘指標。通過這種方法，研究人員更好地理解市場中的數據變化趨勢，從而制定更有效的市場營銷策略和決策。其次，參考文獻[2]中基于Tex-RCNN的電力市場營銷數據挖掘方法的數據挖掘指標。Tex-RCNN是一種基于深度學習的文本識別模型，通過結合卷積神經網絡和循環神經網絡的特點，能夠有效地識別和提取文本信息。在電力市場營銷數據挖掘中，Tex-RCNN用于識別和分析市場中的文本數據，從而發現潛在的數據挖掘指標。通過Tex-RCNN模型，研究人員更準確地理解市場中的文本信息，挖掘隱藏在其中的有價值的數據特征，為電力市場營銷決策提供更精準的指導和支持。最后，設計基于關聯規則技術的電力市場營銷數據挖掘方法，并確定了相應的數據挖掘指標。

試驗結果見表2，試驗結果表明，通過應用最大-最小規范化和關聯規則算法不僅提高了數據的可比性，還挖掘了更可靠的關聯規則。這些發現與第一部分提出的理論預期一致，進一步驗證了所設計方法的合理性和有效性。3種方法在強關聯規則的挖掘中都取得了一定的成果，但本文方法在某些關聯規則的挖掘上表現更優秀。數據挖掘指標包括支持度、可信度和相關度，本文方法在這些指標上的表現也有一定的優勢，特別是在可信度和相關度方面。首先，在支持度方面，本文方法的支持度值相對較高，分別為0.243、0.268、0.162和0.235。相比之下，文獻[1]和文獻[2]的支持度值較低。這表明本文方法能夠更好地捕捉數據集中的頻繁項集，具有更好的覆蓋能力。其次，在可信度方面，本文方法的可信度值也相對較高，分別為0.368、0.432、0.667和0.785。相比之下，文獻[1]和文獻[2]的可信度值較低。這表明本文方法的關聯規則更可靠，具有更高的實際應用價值。最后，在相關度方面，本文方法的相關度值也相對較高，分別為0.962、0.978、0.982和0.996。相比之下，文獻[1]和文獻[2]的相關度值較低。這表明本文方法能夠更準確地衡量關聯規則之間的相關性，有助于發現更具有實際意義的關聯規則。本文方法在支持度、可信度和相關度方面具有較高的數值，性能比文獻[1]和文獻[2]的方法更高。本文方法能夠更好地挖掘電力市場營銷數據中的關聯規則，并提供更準確的預測和決策支持。因此，本文方法在電力市場營銷數據挖掘中具有較高的應用價值。

3 結語

本文方法能夠更好地挖掘電力市場營銷數據中的關聯規則，為電力市場決策提供更準確、更有效的數據支持。然而，本文還存在一些局限性，例如數據集的選擇和方法的適用性等方面。因此，未來的研究需要進一步改進本文方法，擴大數據集的規模，并探索其他數據挖掘技術的應用。本文為電力營銷數據挖掘領域的研究提供了有益的探索和啟示，對電力市場的發展和決策具有一定的指導意義。

參考文獻

[1]張雷.數據集成技術在電力營銷數據分析系統中的應用[J].數碼設計，2023（21）：94-96.

[2]鄧麗娟，郭健，黃河滔.基于區塊鏈技術的電力營銷數據遠距離共享方法[J].電力系統裝備，2023（1）：163-165.

[3]曹璇，張光昊，邱漢強.X電力公司營銷數據聚類分析及其營銷策略研究[J].電氣技術與經濟，2022（6）：3.

[4]唐可，王佩貝.基于區塊鏈技術的電力營銷數據遠程共享系統研究[J].信息與電腦，2023，35（17）：124-126.

[5]張艷麗，孫志杰，牛任愷，等.基于數據集成技術的電力營銷數據分析系統設計[J].電子設計工程，2022（15）：30.