摘要：本文研究了一种面向农村电网营销服务渠道的改进粒子群算法并验证其挖掘结果适应性。引入收敛因子的改进PSO算法并非单纯从粒子群数据迭代收敛效率上高于传统PSO算法，其实际的数据应用端表现也显著优于后者。其中表现在对优势用户和问题用户的数据特征提取方面，改进PSO算法表现出较强的数据挖掘结果可用性。
关键词：改进粒子群算法；农电营销；优势用户；窃电用户；故障特征数据
农电服务渠道主要包括线下营业厅、邮储银行、超市网点，以及线上的网上国网、支付宝、微信等渠道，农电用户包括农村地区的居民用电、家庭农场及规模种植户用电、养殖户用电、村办企业用电、灌溉用电等。因为农村地区的用电用户分布范围较广，单用户用电量较少，所以关键用户的用电量是农电系统的主要利润来源。农电服务过程中，优选出优势用户并对其用电特征进行分析，同时优化智能服务渠道，以提升用电市场的营销效率。
1改进粒子群算法在农电营销渠道优化中的应用
粒子群算法又称作PSO算法，是利用模型化的粒子在数学投影空间中的移动过程对数据进行归类分析的常用算法。农电用户的GIS地理坐标、电表户ID、历史用电量记录等数据，构成农电营销渠道数据的基础。GIS地理坐标指在地球地理信息数据库（GIS）上对用户的电表安装位置进行标记的数据，包括其经纬度坐标（一般采用GB2000坐标系）。对上述数据进行分析，可以得到其粒子群的基函数如公式（1）：Xi（t＋1）＝Xi（t）＋Vi（t＋1）（1）式（1）中：Xi（t）为第i个输入数据在第t个变化周期内的表现；Vi（t）为第i个输入数据在第t个变化周期内的修正系数，如公式（2）：Vi（t＋1）＝wVi（t）＋c1r1（pi－Xi）＋c2r2（p0－X0）（2）式（2）中：w代表粒子移动速度，也控制着迭代效率，当w=0.4时，粒子迭代效率最高；此时设定迭代条件如公式（3）：f（x）＝100（x12－x02）＋（1＋x12－2x1）（3）当式（3）中条件满足时，认为数据迭代已经完成。不同w值时的PSO算法收敛曲线如图1所示。图1中，使用常规PSO算法的条件下，粒子群的收敛过程在不同w值的驱动下并不稳定，且因为对农电用户数字化模型的构建过程无法从逻辑上确认w值的营销学含义，所以需要对PSO算法进行进一步优化，以实现更高的数据收敛效率。本文方案是在其中加入收敛因子的方式对PSO算法进行强制收敛，加速其收敛过程，增加模型的统计学稳定性。图2中2~3次迭代后，数据基本实现收敛，较图1中10次左右迭代才发生完全收敛的效果进行比对，改进算法的计算效率显著提升。
2改进粒子群算法的实际应用效果分析
在农电营销渠道数据的分析需求目标下，发现需要重点服务的优势用户，即拥有稳定大负荷的用电用户，以及发现出现用电问题的用电用户，包括窃电用户和电表故障用户等，均是该分析过程的目标。所以使用上述改进粒子群算法，以某县区农电公司实际服务的2.8万户农电用户在2018年1月至2019年12月的实际用电量数据为基础数据进行试分析，分析平台为构建在MySQL数据库平台上的Python数据分析软件。
2.1优势用户筛选效果
传统优势用户的筛选方法是利用Excel软件对用户用电数据求取均值，然后对均值进行倒序排序，选出用电负荷最高的前100名用户；传统PSO算法是利用上述公式（1）（2）（3）描述的粒子群算法，对优势用电用户进行筛选，最终获得充分迭代收敛后的高负荷用户数据群；改进PSO算法是指使用上述加速收敛因子后的数据分析算法。比较项目中最小负荷是指2年考察期内选入优势用户的用电负荷最小用户的平均用电负荷，平均负荷指2年考察期内选入优势用户的全部用户的平均用电负荷；标准偏差率指计算平均负荷时的标准偏差率计算结果。详见表1。表1中，传统PSO算法和改进PSO算法的数据筛选效率均高于传统的排序法获得的数据量。其核心原因为PSO算法在计算过程中几乎不丢失用户特征信息，而排序法在求取用户用电均值时，会丢失大量的用户用电细节信息。而改进PSO算法较传统PSO算法主要有以下特征：①后者筛选用户量远小于前者，标志其筛选容忍度更低；②入选用户的最小负荷和平均负荷远大于前者，标志着其选入用户的用电负荷更高；③标准偏差率更小，标志着其入选用户的特异化特征不明显。
2.2问题用户筛选效果
电力营销数据分析过程中，发现窃电及电表故障，是保障供需双方合法利益、提升服务效率和企业窗口形象、实现更高的电力大营销管理效能的有效途径。特别是有效区分窃电行为和电表故障，可以有效避免电力营销过程影响农电公司形象的重要分析需求点。如表2所示的发现量指数据分析中发现窃电行为和电表故障的例数，发现周期指数据分析中窃电行为或电表故障发生后，数据分析结果展现出明确数据特征的时间，单位为月。表2问题用户筛选效果表2中改进PSO算法对窃电行为和电表故障的发现量显著高于传统PSO算法，其中对窃电行为的发现量达到1.5倍，电表故障的发现量达到2.3倍，且改进PSO算法的发现周期显著短于传统PSO算法。
3结论
引入收敛因子的改进PSO算法并非单纯从粒子群数据迭代收敛效率上高于传统PSO算法，其实际的数据应用端表现也显著优于后者。其中表现在对优势用户和问题用户的数据特征提取方面，改进PSO算法表现出较强的数据挖掘结果可用性。同时，与传统的基于Excel软件系统的数据排序法相比，传统PSO算法和改进PSO算法均表达出数据适应性。
作者：高嘉伟 刘滨 韩峰 翟雨茜 贾嘉 单位：国网天津市电力公司营销服务中心