CN108537387A - 一种售电公司规模变化的预测方法及装置 - Google Patents
一种售电公司规模变化的预测方法及装置 Download PDFInfo
- Publication number
- CN108537387A CN108537387A CN201810342671.4A CN201810342671A CN108537387A CN 108537387 A CN108537387 A CN 108537387A CN 201810342671 A CN201810342671 A CN 201810342671A CN 108537387 A CN108537387 A CN 108537387A
- Authority
- CN
- China
- Prior art keywords
- electricity
- sale
- company
- target
- customers
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 608
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 41
- 238000012512 characterization method Methods 0.000 claims description 33
- 230000005612 types of electricity Effects 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000005303 weighing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 48
- 238000004458 analytical method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000000205 computational method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开的一种售电公司规模变化的预测方法及装置,获取目标售电公司提供的各类服务,以及所述目标售电公司的用电客户类型;调用售电公司产品特征库和用电客户特征库,根据当前预设周期内目标售电公司提供的各类服务,以及所述目标售电公司的用电客户类型,计算当前预设周期内目标售电公司的用电客户满意度;将当前预设周期内所述目标售电公司的用电客户满意度、感知质量和市场总趋势输入到售电公司规模变化预测模型中进行处理,得到下一预设周期内所述目标售电公司的投资回报率,下一预设周期内所述目标售电公司的投资回报率表示下一预设周期内所述目标售电公司的规模变化。实现了科学、准确地对售电公司规模变化的预测。
Description
技术领域
本发明涉及预测分析技术领域,更具体的,涉及一种售电公司规模变化的预测方法及装置。
背景技术
随着售电侧放开,截止2017年9月,全国进入及通过公示程序的售电企业已达2259家,完成工商注册的售电企业更数倍于此,达到8000家左右。随着未来电力市场改革的逐步演进,将对电网企业产生深远的影响,未来电网企业将会面临优质客户流失、市场份额降低、销售收入减少等方面的风险。为降低售电侧放开对电网企业的影响程度,科学规避或降低电网企业即将面临的各类风险,亟需站在电网企业层面,对未来售电公司等竞争对手在规模上的变化情况,以及客户未来用电需求上的变化情况等进行分析预测,从整体层面分析未来售电侧交易市场的供需演进形势,实现为评估市场放开程度提供数据支撑,为快速适应电力体制改革后的售电市场运营环境提供辅助决策。
由于售电侧放开时间较短,针对售电公司规模变化分析预测进行研究的结果很少。此外对于售电公司规模变化分析的技术中,数据收集的结果大多是以调查问卷的形式取得的,这就造成了这些研究的局限性,取样的样本数量有限,样本代表性略显不足,不同地区可能会有不同的调查结果。
发明内容
有鉴于此,本发明提供了一种售电公司规模变化的预测方法及装置,构建售电公司规模变化预测模型,有效克服传统方法上样本数量有限、代表性不足的缺点。
为了实现上述发明目的,本发明提供的具体技术方案如下:
一种售电公司规模变化的预测方法,包括:
获取目标售电公司提供的各类服务,以及所述目标售电公司的用电客户类型;
调用售电公司产品特征库和用电客户特征库,根据当前预设周期内目标售电公司提供的各类服务,以及所述目标售电公司的用电客户类型,计算当前预设周期内目标售电公司的用电客户满意度;
将当前预设周期内所述目标售电公司的用电客户满意度、感知质量和市场总趋势输入到售电公司规模变化预测模型中进行处理,得到下一预设周期内所述目标售电公司的投资回报率,下一预设周期内所述目标售电公司的投资回报率表示下一预设周期内所述目标售电公司的规模变化。
优选的,所述方法还包括:
根据售电公司提供的各类服务和预设多个特征因子,构建售电公司产品特征库;
根据用电客户的类型和所述预设多个特征因子,构建用电客户特征库。
优选的,所述根据售电公司提供的各类服务和预设多个特征因子,构建售电公司产品特征库,包括:
获取售电公司提供的每类服务对每个特征因子的影响权重值;
对每个所述影响权重值进行归一化处理,得到售电公司提供的每类服务的产品特征向量;
根据售电公司提供的每类服务的产品特征向量,构建售电公司产品特征库。
优选的,所述根据用电客户的类型和所述预设多个特征因子,构建用电客户特征库,包括:
获取每种类型的用电客户对每个特征因子的偏好权重值;
对每个所述偏好权重值进行归一化处理,得到每种类型的用电客户的偏好特征向量;
根据每种类型的用电客户的偏好特征向量,构建用电客户特征库。
优选的,所述调用售电公司产品特征库和用电客户特征库,根据当前预设周期内目标售电公司提供的各类服务,以及所述目标售电公司的用电客户类型,计算当前预设周期内目标售电公司的用电客户满意度,包括:
调用售电公司产品特征库,根据当前预设周期内目标售电公司提供的各类服务,获取当前预设周期内所述目标售电公司提供的每类服务的产品特征向量;
调用用电客户特征库,根据当前预设周期内所述目标售电公司的用电客户类型,获取当前预设周期内所述目标售电公司每种类型用电客户的偏好特征向量;
根据当前预设周期内所述目标售电公司提供的每类服务的产品特征向量、所述目标售电公司每种类型用电客户的偏好特征向量、所述目标售电公司每种类型用电客户对每类服务的理想期望值和实际评价值,计算当前预设周期内所述目标售电公司每种类型用电客户与所述目标售电公司每类服务之间的距离;
根据当前预设周期内所述目标售电公司每种类型用电客户与所述目标售电公司每类服务之间的距离,计算当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的服务满意度;
获取当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的转换成本值和服务惯性值,并根据服务满意度、转换成本和服务惯性的权重,分别对当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的服务满意度、转换成本值和服务惯性值进行加权求和,得到当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的满意度;
根据当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的满意度,计算当前预设周期内所述目标售电公司的用电客户满意度。
优选的,所述售电公司规模变化预测模型中包括:当前预设周期内售电公司的市场预期、感知质量、市场总趋势、以及下一预设周期内售电公司的市场预期之间的计算关系、当前预设周期内售电公司的用电客户满意度、下一预设周期内售电公司的用电客户满意度、感知质量、市场预期和市场总趋势之间的计算关系、当前预设周期内售电公司的投资回报率、下一预设周期内售电公司的投资回报率、用电客户满意度和市场总趋势之间的计算关系。
优选的,所述方法还包括:
判断下一预设周期内所述目标售电公司的投资回报率是否小于阈值;
若是,判定在下一预设周期内所述目标售电公司将会退出市场;
若否,判定在下一预设周期内所述目标售电公司将不会退出市场。
一种售电公司规模变化的预测装置,包括:
获取单元,用于获取目标售电公司提供的各类服务,以及所述目标售电公司的用电客户类型;
计算单元,用于调用售电公司产品特征库和用电客户特征库,根据当前预设周期内目标售电公司提供的各类服务,以及所述目标售电公司的用电客户类型,计算当前预设周期内目标售电公司的用电客户满意度;
处理单元,用于将当前预设周期内所述目标售电公司的用电客户满意度、感知质量和市场总趋势输入到售电公司规模变化预测模型中进行处理,得到下一预设周期内所述目标售电公司的投资回报率,下一预设周期内所述目标售电公司的投资回报率表示下一预设周期内所述目标售电公司的规模变化。
优选的,所述装置还包括:
第一构建单元,用于根据售电公司提供的各类服务和预设多个特征因子,构建售电公司产品特征库;
第二构建单元,用于根据用电客户的类型和所述预设多个特征因子,构建用电客户特征库。
优选的,所述计算单元包括:
第一获取子单元,用于调用售电公司产品特征库,根据当前预设周期内目标售电公司提供的各类服务,获取当前预设周期内所述目标售电公司提供的每类服务的产品特征向量;
第二获取子单元,用于调用用电客户特征库,根据当前预设周期内所述目标售电公司的用电客户类型,获取当前预设周期内所述目标售电公司每种类型用电客户的偏好特征向量;
第一计算子单元,用于根据当前预设周期内所述目标售电公司提供的每类服务的产品特征向量、所述目标售电公司每种类型用电客户的偏好特征向量、所述目标售电公司每种类型用电客户对每类服务的理想期望值和实际评价值,计算当前预设周期内所述目标售电公司每种类型用电客户与所述目标售电公司每类服务之间的距离;
第二计算子单元,用于根据当前预设周期内所述目标售电公司每种类型用电客户与所述目标售电公司每类服务之间的距离,计算当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的服务满意度;
第三计算子单元,用于获取当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的转换成本值和服务惯性值,并根据服务满意度、转换成本和服务惯性的权重,分别对当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的服务满意度、转换成本值和服务惯性值进行加权求和,得到当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的满意度;
第四计算子单元,用于根据当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的满意度,计算当前预设周期内所述目标售电公司的用电客户满意度。
相对于现有技术,本发明的有益效果如下:
本发明提供的一种售电公司规模变化的预测方法,通过建立售电公司产品特征库和用电客户特征库,对售电公司提供的每类服务对每个表征服务关键影响因子的特征因子的影响,以及每种类型的用电客户对每个特征因子的偏好影响进行量化,科学计算当前预设周期内目标售电公司的用电客户满意度,并以当前预设周期内所述目标售电公司的用电客户满意度、感知质量和市场总趋势为输入数据,结合预先构建的售电公司规模变化预测模型,通过计算下一预设周期内目标售电公司的投资回报率对下一预设周期内目标售电公司的规模变化进行预测。由于结合了用户满意度、感知质量和市场总趋势的历史数据对售电公司的规模变化进行预测,提高了预测结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种售电公司规模变化的预测方法流程图;
图2为本发明实施例公开的一种当前预设周期内目标售电公司的用电客户满意度的计算方法流程图;
图3为本发明实施例公开的一种售电公司规模变化的预测装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本实施例公开了一种售电公司规模变化的预测方法,具体包括以下步骤:
S101:获取目标售电公司提供的各类服务,以及所述目标售电公司的用电客户类型;
本实施例预先设定了售电公司的多种服务类型,服务类型中的大类包括:个性化电力服务、节能化电力服务、清洁化电力服务、信息化电力服务、综合能源服务、配套服务、电力金融服务和基础服务,每个大类下还可以细分为多个小类,根据实际需要,每个小类还可以继续细分。
同时,本实施例预先设定了售电客户的用电客户类型,用电客户类型中的大类包括:大型用电客户、一般中小型用电客户和居民与管制保底客户,同理,每个大类下还可以细分为多个小类,根据实际需要,每个小类还可以继续细分。
目标售电公司是需要对其进行公司规模变化预测的售电公司,目标售电公司提供上述多种服务类型中的至少一种服务,并对应上述多种用电客户类型中的至少一种用电客户。
S102:调用售电公司产品特征库和用电客户特征库,根据当前预设周期内目标售电公司提供的各类服务,以及所述目标售电公司的用电客户类型,计算当前预设周期内目标售电公司的用电客户满意度;
售电公司产品特征库和用电客户特征库是预先构建的,其中,售电公司产品特征库中记录着售电公司提供的每类服务的产品特征向量,售电公司提供的每类服务的产品特征向量表示相应服务对每个特征因子的影响。用电客户特征库记录着每种类型的用电客户的偏好特征向量,每种类型的用电客户的偏好特征向量表示相应类型的用电客户对每个特征因子的偏好影响。
通过调用售电公司产品特征库和用电客户特征库,可以获取当前预设周期内目标售电公司提供的每类服务的产品特征向量,以及当前预设周期内目标售电公司对应每种类型的用电客户的偏好特征向量。再基于当前预设周期内所述目标售电公司每种类型用电客户对每类服务的理想期望值和实际评价值,计算当前预设周期内目标售电公司的用电客户满意度。
具体的,请参阅图2,当前预设周期内目标售电公司的用电客户满意度计算方法包括以下步骤:
S201:调用售电公司产品特征库,根据当前预设周期内目标售电公司提供的各类服务,获取当前预设周期内所述目标售电公司提供的每类服务的产品特征向量;
S202:调用用电客户特征库,根据当前预设周期内所述目标售电公司的用电客户类型,获取当前预设周期内所述目标售电公司每种类型用电客户的偏好特征向量;
S203:根据当前预设周期内所述目标售电公司提供的每类服务的产品特征向量、所述目标售电公司每种类型用电客户的偏好特征向量、所述目标售电公司每种类型用电客户对每类服务的理想期望值和实际评价值,计算当前预设周期内所述目标售电公司每种类型用电客户与所述目标售电公司每类服务之间的距离;
S204:根据当前预设周期内所述目标售电公司每种类型用电客户与所述目标售电公司每类服务之间的距离,计算当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的服务满意度;
S205:获取当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的转换成本值和服务惯性值,并根据服务满意度、转换成本和服务惯性的权重,分别对当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的服务满意度、转换成本值和服务惯性值进行加权求和,得到当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的满意度;
S206:根据当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的满意度,计算当前预设周期内所述目标售电公司的用电客户满意度。
为了进一步阐述当前预设周期内目标售电公司的用电客户满意度,下面进行详细说明:
对于不同类型用电客户进行用户价值识别,即计算不同类型用电客户对于盈利模式中不同服务项目的匹配程度,以“距离”作为度量用电客户与盈利模式是否匹配的标准,能够得到对于不同类型用电客户的服务满意度。
售电公司提供的服务于用电客户需求之间存在一定的匹配程度,用电客户对于具体的服务主观上具有自身固有的理想期望,但实际上售电公司所提供的产品往往不能完全符合用电客户的理想需求,因此,二者之间就会产生一定的差距,所以可以采用某种度量方式来衡量这种差距的大小,差距越大说明用电客户对于当前售电公司的服务越不满意。
ρ(wi,pj)表示客户i的偏好与售电公司服务j之间标准化之后的距离。可以采用在欧式空间中基于距离度量相似性:
其中,di,j表示第i个用电客户与第j售电公司之间的距离,D代表各项关键影响因素,即D=[电价、可靠性、电能质量、环保、节能、便捷性、服务质量、用户粘性、品牌]。可以得出ρ(wi,pj):
ρ(ci,pj)E为用电客户i与售电公司提供服务j之间的距离,wc ik为用电客户i 的特征向量值,wp jk为售电公司提供服务j的产品特征向量值,pik为客户i对于售电公司服务j的理想期望,ojk为售电公司服务j实际提供服务的服务质量。
对售电公司提供的每一项服务内容j计算ρ(ci,pj)E,相加之后能够得到最终用电客户i对售电公司的服务满意度si。
M为售电公司提供服务的数量。
服务满意度作为后续客户满意度指标的一个影响参数。这里需要说明一点,客户满意度的影响参数有三个,分别为:服务满意度、转换成本以及服务惯性。其中,服务满意度是变化的,并且是作为一个主要的影响因素。
转换成本β是售电公司的用电客户在重新选择新的售电公司提供的服务时在时间、精力、金钱和关系的损失情况,是用电客户在从一个产品或服务的提供者转向另一个提供者时所面临的一次性成本。它不仅包括用电客户在寻找新的售电公司时需投入的人力和财力成本,以及放弃现有售电公司时可能要付出的金钱、物质和人际关系中断的损失,而且包括用电客户在转换售电公司时所感知到的心理风险、消费习惯以及情感方面的成本。
服务惯性γ又称消费者路径依赖,表现在一旦用电客户选定一家售电公司一般不愿轻易更换,使得新进入市场的售电公司难以吸引新的客户。
在考虑到服务满意度ρ、转换成本β和服务惯性γ三个指标因素的基础上,将三个指标以加权的方式对应到客户i的客户满意度EXPi为:
EXPi=w1si+w2βi+w3γi
w1,w2,w3为计算客户满意度EXPi的权重值。其中,w1的取值应该大于w2和w3的取值。
S103:将当前预设周期内所述目标售电公司的用电客户满意度、感知质量和市场总趋势输入到售电公司规模变化预测模型中进行处理,得到下一预设周期内所述目标售电公司的投资回报率,下一预设周期内所述目标售电公司的投资回报率表示下一预设周期内所述目标售电公司的规模变化。
所述售电公司规模变化预测模型中包括:当前预设周期内售电公司的市场预期、感知质量、市场总趋势、以及下一预设周期内售电公司的市场预期之间的计算关系、当前预设周期内售电公司的用电客户满意度、下一预设周期内售电公司的用电客户满意度、感知质量、市场预期和市场总趋势之间的计算关系、当前预设周期内售电公司的投资回报率、下一预设周期内售电公司的投资回报率、用电客户满意度和市场总趋势之间的计算关系。
具体的,上述计算关系如下:
EXPt=α1+β11EXPt-1+β12QUALt-1+β13TREND+ε1t;
SATt=α2+β21SATt-1+β22QUALt+β23EXPt+β24TREND+ε2t;
ROIt=α3+β31ROIt-1+β32SATt+β33TREND+ε3t。
其中,EXPt为下一预设周期内市场预期,SATt为下一预设周期内用电客户满意度,QUALt为下一预设周期内感知质量,TREND为下一预设周期内市场总趋势,ROIt为下一预设周期内投资回报率。t表示下一预设周期,t-1表示当前预设周期。
售电公司中市场预期受前期产品质量影响,利润受客户满意度的影响。当然除客户满意度以外,还有其他因素如滞后性、误差、变动趋势等因素对于利润的影响。这些变量的影响可从方程最后项获得,如果市场有调节性预期,则前期质量QUALt-1对预期EXPt的影响系数为正,且0<β12<1(为检验调节性预期模型,限制系数β12=1-β11),对于用电客户满意度SATt,感知质量QUALt和市场预期EXPt的影响均为正,即β22>0,β23>0,并且感知质量对用电客户满意度的影响应大于市场预期的影响,即β22>β23。用电客户满意度对利润率的影响可通过对投资回报率ROIt的影响进行测量,其影响为正,即β32>0。对用电客户满意度的测量时在会计年度的前半年进行的,而经济回报则是以年终财务报告为基础的,因此用电客户满意度与ROIt的关系具有可预测性。
具体的,由于模型中的输入是较为宏观的量,在具体实际应用中应进行相应的细化。市场趋势TREND设定为售电公司总的规模变化的增长率,对应到具体的数值可以为各类售电公司数量的变化率。感知质量QUAL设定为盈利模式与成本机制标签、交易方式标签和议价能力的综合评估,对应到具体的数值,可以为规模效应,即注册资金。按照售电公司规模可以分为大、中、小三种类型,包括超过2亿注册资金的大型售电公司,1亿至2亿注册资金的中型售电公司,和2千万至1亿注册资金的小型售电公司。
需要说明的是,在得到下一预设周期内所述目标售电公司的投资回报率之后,所述方法还包括:
判断下一预设周期内所述目标售电公司的投资回报率是否小于阈值;
若是,判定在下一预设周期内所述目标售电公司将会退出市场;
若否,判定在下一预设周期内所述目标售电公司将不会退出市场。
当投资回报率小于阈值时,表示售电公司的投资回报率多低,盈利太少或亏损,售电公司将破产退出市场。当投资回报率大于阈值时,售电公司不会退出市场,且投资回报率越高说明售电公司的盈利越高,售电公司的规模会越来越大。
本实施例公开了一种售电公司规模变化的预测方法,通过建立售电公司产品特征库和用电客户特征库,对售电公司提供的每类服务对每个表征服务关键影响因子的特征因子的影响,以及每种类型的用电客户对每个特征因子的偏好影响进行量化,科学计算当前预设周期内目标售电公司的用电客户满意度,并以当前预设周期内所述目标售电公司的用电客户满意度、感知质量和市场总趋势为输入数据,结合预先构建的售电公司规模变化预测模型,通过计算下一预设周期内目标售电公司的投资回报率对下一预设周期内目标售电公司的规模变化进行预测。由于结合了用户满意度、感知质量和市场总趋势的历史数据对售电公司的规模变化进行预测,提高了预测结果的准确性。
在上述实施例公开的一种售电公司规模变化的预测方法,在进行售电公司规模变化预测之前还包括:
根据售电公司提供的各类服务和预设多个特征因子,构建售电公司产品特征库;根据用电客户的类型和所述预设多个特征因子,构建用电客户特征库。
其中,所述根据售电公司提供的各类服务和预设多个特征因子,构建售电公司产品特征库,包括:
获取售电公司提供的每类服务对每个特征因子的影响权重值;
对每个所述影响权重值进行归一化处理,得到售电公司提供的每类服务的产品特征向量;
根据售电公司提供的每类服务的产品特征向量,构建售电公司产品特征库。
具体的,请参阅表1,表1为售电公司可以提供的服务列表。
表1
售电公司提供服务对用电客户的存在一定影响,如个性化电力服务对用电客户在电价、可靠性、电能质量等方面具有一定的优势,节能化电力服务在电价、节能方面有一定影响,在此基础上可以得到电价、可靠性、电能质量、环保、节能、便捷性、服务质量、用户粘性、品牌等对用电客户存在影响的特征因子。
采用专家打分的方法初步确定售电公司在上述八项服务类别中相应的权重。通过对各项特征因子对用电客户影响系数的客观评分,可汇总计算出售电公司产品对不同特征因子的权重值,构建售电公司产品特征库,如表2所示。
表2
所述根据用电客户的类型和所述预设多个特征因子,构建用电客户特征库,包括:
获取每种类型的用电客户对每个特征因子的偏好权重值;
对每个所述偏好权重值进行归一化处理,得到每种类型的用电客户的偏好特征向量;
根据每种类型的用电客户的偏好特征向量,构建用电客户特征库。
具体的,请参阅表3,表3为售电公开的典型用电客户分类表。售电公司的用电客户可以分为大型用电客户、一般中小型用电客户、居民与管制保底客户。大型用电客户包括传统高能耗企业、高新企业(数据中心)、园区及产业聚集区和一般大型用电客户。一般中小型用电客户包括中小型企业、一般商业与服务业客户和农业生产客户。居民与管制保底客户包括城镇居民用户、农村居民用户、其它无议价能力用户(保底用户)和公共事业及管理组织(管制用户),如表3所示。
表3
售电公司的典型用电户在电价、可靠性、电能质量、环保、节能、便捷性、服务质量、用户粘性、品牌等敏感因子的权值不尽相同。比如,传统高能耗企业类用电客户对电价比较敏感,因为电能消耗是很大的成本开销,电价变化对经营成本影响较大;但是,电价对高新企业敏感度相对较低,但对电力可靠性要求很高。这些敏感因素权重和典型客户的行业特征相关性较大。可以采用专家打分的方法针对不同类型的用电客户,确定各类用电客户对各个敏感因子的匹配权重,构建典型用电客户特征库。打分结果如表4所示,比如传统高能耗企业类用电客户的特征向量为[9.4,6.8,5.8,0.6,7.2,1.0,3.6, 2.2,1.0]。
表4
分别归一化售电公司产品特征库和典型用电客户特征库中影响因素权重值w。把数据按比例进行缩放,使之落入一个指定的区间,可以消除因数值属性大小不同而造成的差异,采用下式中的最大-最小归一化方法进行处理,根据属性的最大最小值来对其进行归一化,公式为:
以上述表2为例,归一化后的售电公司产品特征库中售电公司提供的用电管理产品的产品特征向量变更为[0.82,0.11,0.00,0.00,0.45,0.06,0.08, 0.03,0.06]。
以上述表4为例,归一化后的用电客户特征库中传统高能耗企业类用电客户的特征向量变更为[1.00,0.71,0.60,0.02,0.76,0.07,0.36,0.20,0.07]。
本实施例中通过建立售电公司产品特征库和用电客户特征库,对售电公司提供的每类服务对每个表征服务关键影响因子的特征因子的影响,以及每种类型的用电客户对每个特征因子的偏好影响进行量化,科学计算当前预设周期内目标售电公司的用电客户满意度。
基于上述实施例公开的一种售电公司规模变化的预测方法,请参阅图3,本实施例对应公开了一种售电公司规模变化的预测装置,包括:
获取单元301,用于获取目标售电公司提供的各类服务,以及所述目标售电公司的用电客户类型;
计算单元302,用于调用售电公司产品特征库和用电客户特征库,根据当前预设周期内目标售电公司提供的各类服务,以及所述目标售电公司的用电客户类型,计算当前预设周期内目标售电公司的用电客户满意度;
处理单元303,用于将当前预设周期内所述目标售电公司的用电客户满意度、感知质量和市场总趋势输入到售电公司规模变化预测模型中进行处理,得到下一预设周期内所述目标售电公司的投资回报率,下一预设周期内所述目标售电公司的投资回报率表示下一预设周期内所述目标售电公司的规模变化。
优选的,所述装置还包括:
第一构建单元,用于根据售电公司提供的各类服务和预设多个特征因子,构建售电公司产品特征库;
第二构建单元,用于根据用电客户的类型和所述预设多个特征因子,构建用电客户特征库。
优选的,所述计算单元302包括:
第一获取子单元,用于调用售电公司产品特征库,根据当前预设周期内目标售电公司提供的各类服务,获取当前预设周期内所述目标售电公司提供的每类服务的产品特征向量;
第二获取子单元,用于调用用电客户特征库,根据当前预设周期内所述目标售电公司的用电客户类型,获取当前预设周期内所述目标售电公司每种类型用电客户的偏好特征向量;
第一计算子单元,用于根据当前预设周期内所述目标售电公司提供的每类服务的产品特征向量、所述目标售电公司每种类型用电客户的偏好特征向量、所述目标售电公司每种类型用电客户对每类服务的理想期望值和实际评价值,计算当前预设周期内所述目标售电公司每种类型用电客户与所述目标售电公司每类服务之间的距离;
第二计算子单元,用于根据当前预设周期内所述目标售电公司每种类型用电客户与所述目标售电公司每类服务之间的距离,计算当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的服务满意度;
第三计算子单元,用于获取当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的转换成本值和服务惯性值,并根据服务满意度、转换成本和服务惯性的权重,分别对当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的服务满意度、转换成本值和服务惯性值进行加权求和,得到当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的满意度;
第四计算子单元,用于根据当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的满意度,计算当前预设周期内所述目标售电公司的用电客户满意度。
本实施例公开了一种售电公司规模变化的预测装置,通过建立售电公司产品特征库和用电客户特征库,对售电公司提供的每类服务对每个表征服务关键影响因子的特征因子的影响,以及每种类型的用电客户对每个特征因子的偏好影响进行量化,科学计算当前预设周期内目标售电公司的用电客户满意度,并以当前预设周期内所述目标售电公司的用电客户满意度、感知质量和市场总趋势为输入数据,结合预先构建的售电公司规模变化预测模型,通过计算下一预设周期内目标售电公司的投资回报率对下一预设周期内目标售电公司的规模变化进行预测。由于结合了用户满意度、感知质量和市场总趋势的历史数据对售电公司的规模变化进行预测,提高了预测结果的准确性。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种售电公司规模变化的预测方法,其特征在于,包括:
获取目标售电公司提供的各类服务,以及所述目标售电公司的用电客户类型;
调用售电公司产品特征库和用电客户特征库,根据当前预设周期内目标售电公司提供的各类服务,以及所述目标售电公司的用电客户类型,计算当前预设周期内目标售电公司的用电客户满意度;
将当前预设周期内所述目标售电公司的用电客户满意度、感知质量和市场总趋势输入到售电公司规模变化预测模型中进行处理,得到下一预设周期内所述目标售电公司的投资回报率,下一预设周期内所述目标售电公司的投资回报率表示下一预设周期内所述目标售电公司的规模变化。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据售电公司提供的各类服务和预设多个特征因子,构建售电公司产品特征库;
根据用电客户的类型和所述预设多个特征因子,构建用电客户特征库。
3.根据权利要求2所述的方法,其特征在于,所述根据售电公司提供的各类服务和预设多个特征因子,构建售电公司产品特征库,包括:
获取售电公司提供的每类服务对每个特征因子的影响权重值;
对每个所述影响权重值进行归一化处理,得到售电公司提供的每类服务的产品特征向量;
根据售电公司提供的每类服务的产品特征向量,构建售电公司产品特征库。
4.根据权利要求2所述的方法,其特征在于,所述根据用电客户的类型和所述预设多个特征因子,构建用电客户特征库,包括:
获取每种类型的用电客户对每个特征因子的偏好权重值;
对每个所述偏好权重值进行归一化处理,得到每种类型的用电客户的偏好特征向量;
根据每种类型的用电客户的偏好特征向量,构建用电客户特征库。
5.根据权利要求1所述的方法,其特征在于,所述调用售电公司产品特征库和用电客户特征库,根据当前预设周期内目标售电公司提供的各类服务,以及所述目标售电公司的用电客户类型,计算当前预设周期内目标售电公司的用电客户满意度,包括:
调用售电公司产品特征库,根据当前预设周期内目标售电公司提供的各类服务,获取当前预设周期内所述目标售电公司提供的每类服务的产品特征向量;
调用用电客户特征库,根据当前预设周期内所述目标售电公司的用电客户类型,获取当前预设周期内所述目标售电公司每种类型用电客户的偏好特征向量;
根据当前预设周期内所述目标售电公司提供的每类服务的产品特征向量、所述目标售电公司每种类型用电客户的偏好特征向量、所述目标售电公司每种类型用电客户对每类服务的理想期望值和实际评价值,计算当前预设周期内所述目标售电公司每种类型用电客户与所述目标售电公司每类服务之间的距离;
根据当前预设周期内所述目标售电公司每种类型用电客户与所述目标售电公司每类服务之间的距离,计算当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的服务满意度;
获取当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的转换成本值和服务惯性值,并根据服务满意度、转换成本和服务惯性的权重,分别对当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的服务满意度、转换成本值和服务惯性值进行加权求和,得到当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的满意度;
根据当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的满意度,计算当前预设周期内所述目标售电公司的用电客户满意度。
6.根据权利要求1所述的方法,其特征在于,所述售电公司规模变化预测模型中包括:当前预设周期内售电公司的市场预期、感知质量、市场总趋势、以及下一预设周期内售电公司的市场预期之间的计算关系、当前预设周期内售电公司的用电客户满意度、下一预设周期内售电公司的用电客户满意度、感知质量、市场预期和市场总趋势之间的计算关系、当前预设周期内售电公司的投资回报率、下一预设周期内售电公司的投资回报率、用电客户满意度和市场总趋势之间的计算关系。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
判断下一预设周期内所述目标售电公司的投资回报率是否小于阈值;
若是,判定在下一预设周期内所述目标售电公司将会退出市场;
若否,判定在下一预设周期内所述目标售电公司将不会退出市场。
8.一种售电公司规模变化的预测装置,其特征在于,包括:
获取单元,用于获取目标售电公司提供的各类服务,以及所述目标售电公司的用电客户类型;
计算单元,用于调用售电公司产品特征库和用电客户特征库,根据当前预设周期内目标售电公司提供的各类服务,以及所述目标售电公司的用电客户类型,计算当前预设周期内目标售电公司的用电客户满意度;
处理单元,用于将当前预设周期内所述目标售电公司的用电客户满意度、感知质量和市场总趋势输入到售电公司规模变化预测模型中进行处理,得到下一预设周期内所述目标售电公司的投资回报率,下一预设周期内所述目标售电公司的投资回报率表示下一预设周期内所述目标售电公司的规模变化。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
第一构建单元,用于根据售电公司提供的各类服务和预设多个特征因子,构建售电公司产品特征库;
第二构建单元,用于根据用电客户的类型和所述预设多个特征因子,构建用电客户特征库。
10.根据权利要求8所述的装置,其特征在于,所述计算单元包括:
第一获取子单元,用于调用售电公司产品特征库,根据当前预设周期内目标售电公司提供的各类服务,获取当前预设周期内所述目标售电公司提供的每类服务的产品特征向量;
第二获取子单元,用于调用用电客户特征库,根据当前预设周期内所述目标售电公司的用电客户类型,获取当前预设周期内所述目标售电公司每种类型用电客户的偏好特征向量;
第一计算子单元,用于根据当前预设周期内所述目标售电公司提供的每类服务的产品特征向量、所述目标售电公司每种类型用电客户的偏好特征向量、所述目标售电公司每种类型用电客户对每类服务的理想期望值和实际评价值,计算当前预设周期内所述目标售电公司每种类型用电客户与所述目标售电公司每类服务之间的距离;
第二计算子单元,用于根据当前预设周期内所述目标售电公司每种类型用电客户与所述目标售电公司每类服务之间的距离,计算当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的服务满意度;
第三计算子单元,用于获取当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的转换成本值和服务惯性值,并根据服务满意度、转换成本和服务惯性的权重,分别对当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的服务满意度、转换成本值和服务惯性值进行加权求和,得到当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的满意度;
第四计算子单元,用于根据当前预设周期内所述目标售电公司每种类型用电客户对所述目标售电公司的满意度,计算当前预设周期内所述目标售电公司的用电客户满意度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810342671.4A CN108537387A (zh) | 2018-04-17 | 2018-04-17 | 一种售电公司规模变化的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810342671.4A CN108537387A (zh) | 2018-04-17 | 2018-04-17 | 一种售电公司规模变化的预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108537387A true CN108537387A (zh) | 2018-09-14 |
Family
ID=63480779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810342671.4A Pending CN108537387A (zh) | 2018-04-17 | 2018-04-17 | 一种售电公司规模变化的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537387A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562990A (zh) * | 2023-07-03 | 2023-08-08 | 湖北国网华中科技开发有限责任公司 | 一种售电交易服务推荐方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040215545A1 (en) * | 2003-01-31 | 2004-10-28 | Kabushiki Kaisha Toshiba | Power trading risk management system |
CN1766924A (zh) * | 2004-10-27 | 2006-05-03 | 黄逸珺 | 一种用于判断电信运营产业发展变化趋势的方法 |
US20140122177A1 (en) * | 2012-10-25 | 2014-05-01 | State Grid Corporation Of China | Electric power demand response system and method |
CN107038486A (zh) * | 2016-02-03 | 2017-08-11 | 株式会社日立制作所 | 金融产品预测装置以及金融产品预测方法 |
CN107330542A (zh) * | 2017-05-26 | 2017-11-07 | 国家电网公司 | 一种分析优化电网投资规模的方法 |
CN107704974A (zh) * | 2017-10-31 | 2018-02-16 | 国网信息通信产业集团有限公司 | 一种售电市场下的用户流失机率预测算法及*** |
-
2018
- 2018-04-17 CN CN201810342671.4A patent/CN108537387A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040215545A1 (en) * | 2003-01-31 | 2004-10-28 | Kabushiki Kaisha Toshiba | Power trading risk management system |
CN1766924A (zh) * | 2004-10-27 | 2006-05-03 | 黄逸珺 | 一种用于判断电信运营产业发展变化趋势的方法 |
US20140122177A1 (en) * | 2012-10-25 | 2014-05-01 | State Grid Corporation Of China | Electric power demand response system and method |
CN107038486A (zh) * | 2016-02-03 | 2017-08-11 | 株式会社日立制作所 | 金融产品预测装置以及金融产品预测方法 |
CN107330542A (zh) * | 2017-05-26 | 2017-11-07 | 国家电网公司 | 一种分析优化电网投资规模的方法 |
CN107704974A (zh) * | 2017-10-31 | 2018-02-16 | 国网信息通信产业集团有限公司 | 一种售电市场下的用户流失机率预测算法及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562990A (zh) * | 2023-07-03 | 2023-08-08 | 湖北国网华中科技开发有限责任公司 | 一种售电交易服务推荐方法及装置 |
CN116562990B (zh) * | 2023-07-03 | 2023-10-27 | 湖北国网华中科技开发有限责任公司 | 一种售电交易服务推荐方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiao et al. | Profit maximization mechanism and data management for data analytics services | |
JP6837949B2 (ja) | 予測システム及び方法 | |
Hsu | Applying the grey prediction model to the global integrated circuit industry | |
JP6735219B2 (ja) | 予測システム及び予測方法 | |
KR20030004313A (ko) | 광고포트폴리오모델을 이용하는 종합광고 관리시스템 | |
CN109063945A (zh) | 一种基于价值评估体系的售电公司360度客户画像构建方法 | |
CN110288484B (zh) | 一种基于大数据平台的保险分类的用户推荐方法及*** | |
Diewert | Measuring productivity in the public sector: some conceptual problems | |
Ortega | Revenue management systems and hotel performance in the economic downturn | |
AbuBaker | Data mining applications in understanding electricity consumers’ behavior: A case study of Tulkarm district, Palestine | |
CN107944761A (zh) | 基于人工智能消费维权指数企业投诉预警监测分析方法 | |
CN112070551A (zh) | 一种基于区域分析的零售网点选址算法 | |
Su et al. | Product selection for newsboy-type products with normal demands and unequal costs | |
CN112288172A (zh) | 台区线损率的预测方法、装置 | |
Rajendran et al. | Customer satisfaction index as a performance evaluation metric: A study on indian e-banking industry | |
CN108537387A (zh) | 一种售电公司规模变化的预测方法及装置 | |
KR20180119058A (ko) | 부동산 분석보고서 제공 장치 | |
CN114282951B (zh) | 一种网络零售预测方法、设备及介质 | |
Copiello | An empirical study of land leverage as a function of market value using a spatial autoregressive model | |
Babar et al. | Consumer's perception towards electricity theft: A case study of Islamabad and Rawalpindi using a path analysis | |
Karmanov et al. | Price indices simulation for the purpose of managing the quality of consumer behavior | |
Guo et al. | Research on Selection of High Quality Users of Power Distribution Company Based on Multidimension Features Mining | |
Osypova | Consumption pattern detection through the use of machine learning: clustering techniques for non-technical losses detection RERORT | |
Mishra et al. | Smart Grid Analytics—Analyzing and Identifying Power Distribution Losses with the Help of Efficient Data Regression Algorithms | |
Salm et al. | Theoretical insight on the property tax |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180914 |
|
RJ01 | Rejection of invention patent application after publication |