万婵， 冯歆尧， 梁盈威

(广东电网有限责任公司， 广东， 广州 510000)

0 引言

客户关系图谱(customer relationship map，CRM)可以有效识别客户自身的属性数据与其他领域融合度的数据[1-2]，并对电网企业与客户之间的流动数据进行关系评定，为电网企业的数据分析、设备调度提供客观、准确的支持[3-4]。本文以行业动态、气象信息、工商等为跨领域范围，构建电网企业与客户之间的图谱模型，分析模型的有效性、准确性以及计算时间，为电网企业的整体调度与管理提供数据和案例支持。

1 跨域数据融合的电网企业客户关系图谱描述

为进一步增加图谱的构建关系，需要对电网企业客户关系进行数学分析，后期的量化分析奠定基础[5]。

1.1 客户关系图谱分析

跨域数据融合存在2个难点问题：① 海量的非结构化数据，部分半结构化数据以及低价值数据，增加融合数据的处理量；② 多源性的动态数据，提高了融合的复杂度。上述2个难点降低了客户关系图谱分析的准确性和有效性[6-7]，如图1所示。

由图1可知，客户关系图谱要针对金融、电力行业、气象等领域进行数据的综合分析，并对结构化、非结构化和半结构化数据进行动态分析、推理和评价，最终得到客户需求、检测、反馈和服务效果判断，以判断电网的负荷、运行情况和供电质量结果。

图1 客户关系图谱的数据流动过程

1.2 相关数据流描述

为了更加准确、高效地进行数据融合分析，构建客观的电网企业关系图，需要进行数据流描述。目前，对于数据流的综合算法包括遗传算法、人工鱼群算法、贝叶斯算法等[8]。跨域数据具有大数据特征，需要进行特征数据抽取处理，以简化数据的计算量。具体数学描述如下。

(3) 不同领域数据的融合，采用融合函数φ(x)计算融合程度，并调整融合的比例。融合函数的计算公式如下：

(1)

其中，αi描述为i行业的融合调节体系，该系数是各行业实践经验统计的结果；ξ为各行业调节误差的平均值，调节误差是实际统计与理论分析的统计结果。

(4) 不同领域的数据以电网企业调度中心的服务器为基础，计算客户关系图谱的构建时间T、计算效果θ以及融合数据的简化率wI(以出现频率作为参照，进行简化率计算)，具体公式如下：

(2)

其中，GIj为j类型数据的I行业信息的出现次数，GI为I行业信息在电网融合数据库中的总量，Gj为j类型数据的总量，wI为I行业信息的简化程度。

2 基于跨域数据融合的电网企业客户关系图谱模型的构建

2.1 融合数据的简化算子构建

本文采用退火模拟算法的Metropolis接受准则，对重要性进行判断，其初始依据为50%，即数据融合对图谱模型的价值>50%，才能被选为初始数据。假设数据的初始价值为VI，那么其是否需要提升自身的价值，即VI向VI+1转变进行以下公式计算：

(3)

2.2 跨域数据与电网企业客户间的数据关系算子构建

跨域数据与电网企业客户之间建立复杂的多元关系，可以通过局部拟合Pc和整体拟合Pm的方式进行判断[9-10]。局部拟合分为跨域数据局部拟合Pc1和电网企业客户局部拟合Pc2，整体拟合为跨域数据与电网企业客户间关系的反映，即本模型构建要得到的最终拟合值。

如下：

(4)

2.3 关系图谱计算的准确性算子构建

在初始精度要求的情况[11-12]下，对数据拟合的3方面内容进行精准判断，以得到关系图谱的计算精准度，计算公式如下：

(5)

2.4 客户关系模型中各算子的计算步骤

针对上述各算子的模型构建，进行以下几方面的计算。

(1) 构建跨域数据融合的信息集合，C={c1，c2，…，ci}，剔除数据中影响价值<50%的数据，并设置预设的阈值、权重和计算精度。

(3) 预处理后的数据进行局部拟合和整体拟合分析，得到Pc和Pm的拟合值。

(4) 对整个数据拟合进行遍历，直到所有的数值均被遍历，并依据预设的迭代次数进行MATLAB仿真分析，计算不同迭代结果的平均准确度、模型构建时间、依据模型与原有BP算法的精准度差异。

3 基于跨域数据融合的电网企业客户关系图谱模型的验证

3.1 实际案例情况说明

以中国电力网(http:∥www.chinapower.com.cn/)、《2020年中国统计年鉴》、中国商业数据网数据为辅助。同时，借助Neo4j、Flock DB、AllegroGraph等融合技术，利用模型进行客户关系图分析。电网的运行负荷xi、客户与电网企业间的状态xj、客户得到电能质量xk的输出精度设置为0.1，并将拟合初始值设定为78%，局部阈值设定为69%，迭代次数为150次。数据采集样本为2 031份，商业类数据占23.1%，电力行业类占72.3%，气象类占3.6%，其他类数据占1%。采集数据通信采用TCP/IP、HTTP协议，数据传输采用光纤、Wi-Fi、GPS和ZigBee通信。

3.2 跨域数据简化处理程度

利用Metropolis接受准则和k-means聚类对采集的数据进行简化，剔除不符合阈值要求的数据，即简化程度=剔除后的数据/原采集数据总量。对跨域数据进行简化，在特征值的不断计算过程中，数据的简化程度大幅提高，如图2所示。

由图2可知，不同领域的数据简化程度比较理想，且均>35%(注：如果曲线不收敛，则调整阈值，直至曲线收敛)。其中，气象数据的简化程度最高，其次为商业类数据和其他类数据，最低的是电力数据。商业类数据与电网企业客户的密切程度较高，但固定利率和长期的金融政策也使得其简化程度提高[13]。虽然实时监控使得数据量激增，但电网系统的智能化水平大幅提高，有价值信息比例较高，所以复杂程度的简化率仅为35%左右。

图2 不同领域数据的简化程度

3.3 跨域数据的融合程度与计算精度

在0.1精度标准下计算电网负荷判断xi、电网运行状态判断xj、电能质量xk的结果准确率，并分析金融、电力行业、气象等领域电网企业客户关系的融合程度Pc以及整体融合程度Pm。具体结果图3所示。

图3 跨域数据、电网企业客户、整体融合程度与计算结果的准确性

模型整体融合程度较高，均高于90%，模型的计算结果，精准度>90%，符合电力系统智能化管理要求以及电网供电服务的要求。电网负荷判断xi、电网运行状态判断xj、电能质量xk检测精度标准为0.1，是目前电网企业整体的运行要求，所以整体的精准度计算结果较好。

3.4 电网企业客户关系图谱的生成时间

关系图谱的生成时间涉及节点结算、节点间关系，以及图谱的整体生成时间。针对上述3个方面进行分析，得到下面的仿真结果，如图4所示。

图4 客户关系图谱各阶段生成效果及运算时间

通过上述分析可知，客户关系图谱的节点、关系和整体生成时间均50 s以内，符合电网智能化管理的标准，也符合《电网运行准则》(GB/T 31464)的准则。图3中图形的具体生成过程如图5所示。由于Microsoft系统中的图形是自上而下地输出的，所有本文的关系模型也是自上而下输出的。图4中的图谱比例=图形以生成面积/总图形面积×100%，如图5所示，直至完成所有节点的分析。其中，整体时间=节点生成时间+客户关系生成时间+图形整体审核时间。

图4迭代过程的输出结果如图5所示。在图5中，客户关系图谱模型自上而下进行节点、客户关系进行图谱构建。第一～第三阶段是对整个图谱中节点、客户关系的分析；第四阶段是对整个关系图谱进行审核，审核各个节点、关系是否符合各自阈值，并最终输出结果。

4 总结

随着电网智能化的快速发展，跨域分析客户关系成为客观需求。如何融合气象、商业、电力等领域的数据[12-13]，促进相关数据的融合，并构建精准度较高的分析模型，是目前亟待解决的问题。本文利用k-means聚类和Metropolis接受准则，构建基于跨域数据融合的电网企业客户关系图谱模型，并进行MATLAB仿真分析。结果显示： 不同领域的数据复杂程度处理比较理想，且均>35%； 整体融合程度较高，均高于90%，模型的计算结果，精准度>90%，符合电力系统智能化管理要求以及电网供电服务的要求； 客户关系图谱的节点、关系和整体生成时间均在50 s以内，符合电网智能化管理的标准。