K-means算法下的电力营销稽查异常数据监测分析.pdfVIP

电气技术与经济／产品与解决方案

K-means算法下的电力营销

稽查异常数据监测分析

呼梓珍

（国网富县供电公司）

摘要：电力营销数据庞大且复杂，涉及众多环节和客户，传统对异常数据的识别方法效率低

下，且难于客观判断数据的重要性和紧迫度。所以，本文依托大数据技术构建了一个针对电力营

销数据的稽查体系架构，随后，采用K-means算法对收集到的海量数据进行深入的聚类分析处

理，精确识别出异常数据，最后再进一步判断异常数据的监测等级，从而高精准检测电力营销数

据。

关键词：K-means算法；电力营销稽查；异常数据监测

0引言2电力营销数据实时监测

对电力营销异常数据的监测方法有很多，现在常2.1电力营销数据聚类算法

［1］利用K-means方法对海量的市场营销数据进行聚类

用的有基于熵值法和EDA法的异常数据监测方法，

［2］处理，能够将类似的数据点进行聚类分析，并划分为不

基于孤立森林算法的异常数据监测方法，基于t-SNE

算法的异常数据监测方法等，但这些算法都缺乏对异同的族。在进行数据处理时，要按照实际状态来挑选最

常数据严重性和紧急程度的估算，这导致处理资源在佳的集群规模、起始位置、数据属性及其分布状态。电

多个异常值之间平均分配，而不是优先分配给那些真力营销中，窃电是造成电网电能损失的一个主要原因，

正需要紧急处理的异常，造成了资源的严重浪费。本它包括技术损失和非技术性损失两大类。近年来，由客

户窃电行为导致的非技术性亏损极其突出，成为电力营

文提出的K-means借助大数据技术，引入对异常数据

［4］

销数据稽查亟待解决的突出问题。

严重性和紧急性的判断机制，可以实现对电力营销数

本文构建的电力市场营销数据监测聚类过程，如图

据更精准的监测，为电力营销稽查工作提供了技术

［3］2所示。

支持。

1电力营销数据稽查结构

依托于电网公司营销管理大数据平台，通过现代

科技手段，融入了云计算技术，实现了对电网稽查数

据的实时保存和更新。对采集的数据通过子域网传递图2电力营销数据聚类散算法流程图

到数据处理子系统，对数据结果金融融合分析，并分在该方法中，第一步要对营销数据进行预处理，它

析结果数据计算模型并计算，最后输出计算结果。电包含对数据的筛选与清洗。一是收集来自各个来源的数

力营销稽查数据架构如图1所示。据，筛选出有价值的数据并进行清洗，然后将其储存在

数据库中。二是通过建立的数据监测子系统，挑选出具

有异常特征的有价值数据。本文旨在通过对多源数据进

行规范化处理，建立多个相关的数据表格，并将它们存

入数据库，进行聚类分析。