Chức năng Thống kê điện năng tổn thất: vẽ biểu đồ tổn thất điện năng theo đơn vị quản lý, tháng/năm thực hiện. Qua các biểu đồ cĩ thể nhận thấy điện năng tổn thất lớn nhất vào các tháng 6, 7, 8 và 9; đĩ là do lượng điện sử dụng trong các tháng này chiếm tỷ trong lớn dẫn đến tổn hao điện năng truyền tải và tổn hao điện năng của các thiết bị sử dụng điện lớn. Do đĩ, ngành điện cần thực hiện: nâng cấp đường dây truyền tải điện, sửa chữa trạm điện, tăng cường cơng suất truyền tải trước thời gian này. Tuyên truyền, vận động người dân sử dụng các thiết bị tiết kiệm điện, tránh lãng phí điện.
67
Chức năng dự đốn khách hàng nợ tiền điện: Thơng tin chi tiết về khách hàng nợ tiền điện hằng tháng được tổng hợp và lưu trong bảng dữ liệu NO_THONGKE, đây là nguồn dữ liệu lịch sử đồng thời đĩng vai trị là dữ liệu học. Thơng tin khách hàng được dự đốn lưu trữ trong bảng dữ liệu NO_DUDOAN. Từ bảng dữ liệu NO_THONGKE, ta đi xây dựng mơ hình dự đốn theo thuật tốn Bayes. Chức năng cho phép dự đốn khách hàng nào nợ tiền điện theo đơn vị quản lý, tháng/năm hạch tốn, mã khách hàng, tên khách hàng với xác suất dự đốn đầu vào (lớn hơn, nhỏ hơn hoặc bằng xác suất dự đốn đầu vào).
Hình 3.23 Dự đốn khách hàng nợ tiền điện
Khi cĩ khách hàng mới đăng ký sử dụng điện, cĩ thể sử dụng chức năng này để dự đốn khả năng nợ tiền điện của khách hàng (ví dụ: xác suất nợ > 0.8 nghĩa là khả năng khách hàng thường xuyên nợ tiền điện là rất lớn) qua đĩ cĩ hình thức thu tiền điện phù hợp đối với khách hàng (thu tiền tại nhà).
Mơ hình dự đốn nợ: Hiển thị phân bố nợ theo các thành phần trong thuật tốn Bayes, phân lớp các khách hàng cĩ xác suất nợ tiền điện lớn. Qua mơ hình cĩ thể nhận thấy trong các hình thức thu tiền điện thì hình thức thu tiền lưu động là hiệu quả nhất (cĩ tỷ lệ nợ thấp: 28.57%). Hình thức thu tiền qua ngân hàng cĩ tỷ lệ nợ thấp nhất (5.71%) là do số khách hàng đăng ký nộp tiền qua ngân hàng chiếm tỷ trọng thấp. Trong các tổ quản lý điện thì Tổ 1 cĩ số khách hàng nợ tiền điện với xác xuất cao nhất (65.71%). Về địa chính, các khách hàng ở khu vực “Vinh Phúc” (mã 10501) cĩ xác suất nợ lớn nhất (34.29%), các khách hàng ở khu vực “Thanh Trì” (mã 10502) cĩ xác suất nợ nhỏ nhất (5.71%).
Hình 3.24 Mơ hình dự đốn nợ theo thuật tốn Bayes
Biểu đồ tiền nợ khách hàng theo các thành phần: Thể hiện sự phân bố tiền nợ theo các thuộc tính như loại dịch vụ, hình thức thu, phương thức thanh tốn, loại khách hàng. Chức năng hỗ trợ khả năng nhìn bao quát về sự phân hố, tỷ trọng cơng nợ theo các thành phần.
Hình 3.25 Biểu đồ tiền nợ khách hàng theo các thành phần.
Chức năng so sánh biểu đồ nợ theo năm, đơn vị quản lý: thống kê và hiển thị đồ thị so sánh số tiền nợ qua các năm của một đơn vị hoặc số tiền nợ trong cùng một năm giữa các đơn vị. Qua đồ thị so sánh, cĩ thể nhận thấy số tiền nợ tăng qua các năm (trong 03 năm 2009, 2008, 2007 thì năm 2009 cĩ số tiền nợ lớn nhất); trong
69
cùng một năm, tiền nợ lớn nhất trong các tháng 06, 07 và 08. Quy luật này đúng với hầu hết các đơn vị. Tiền nợ khách hàng tăng qua các năm cho thấy sự tăng trưởng về số lượng khách hàng dùng điện cũng như lượng điện tiêu thụ. Từ các biểu đồ này cũng cĩ thể biết được đơn vị nào cĩ lượng tiền nợ nhiều nhất, mức đỉnh tiền nợ trong năm.
Hình 3.26 Biểu đồ so sánh tiền nợ
Chức năng so sánh biểu đồ số khách hàng nợ theo năm, đơn vị quản lý: Thống kê, so sánh số khách hàng nợ tiền điện qua các năm trong cùng một đơn vị hoặc số khách hàng nợ tiền điện của các đơn vị trong cùng một năm.
Chức năng Xem thơng tin tiền nợ khách hàng: Thống kê và hiển thị biểu đồ tiền nợ đầu kỳ, tiền nợ phát sinh, tiền nợ cuối kỳ theo các chiều dữ liệu (chiều thời gian: năm, quý, tháng; chiều hình thức thu nợ; chiều loại khách hàng). Chức năng này hỗ trợ lãnh đạo cĩ các báo cáo động về tình hình tiền nợ khách hàng theo nhiều chiều.
Hình 3.28 Biểu đồ thơng tin tiền nợ khách hàng
Chức năng so sánh biểu đồ Tổn thất theo năm, đơn vị quản lý: Thống kê, so sánh tổn thất qua các năm trong cùng một đơn vị hoặc tổn thất của các đơn vị trong cùng một năm.
71
Chức năng dự đốn số khách hàng nợ: cho phép dự đốn số khách hàng nợ tiền theo đơn vị quản lý, tháng/năm làm việc, bằng thuật tốn ART. Thơng tin dữ liệu đầu vào là số khách hàng nợ tiền điện qua các tháng trong năm 2007, 2008. Thực hiện so sánh biểu đồ số khách hàng nợ dự đốn với biểu đồ số khách hàng nợ thực tế.
Hình 3.30 So sánh số khách hàng nợ giữa dự đốn và thực tế
Chức năng dự đốn số tiền nợ của khách hàng: Dự đốn số tiền nợ theo đơn vị quản lý, tháng/năm làm việc bằng thuật tốn ART. Thơng tin dự đốn và thực tế được thể hiện thơng qua biểu đồ so sánh. Từ biểu đồ cĩ thể nhận thấy thơng tin dự đốn tiền nợ là khá sát với thực tế. Tiền nợ dự đốn 06 tháng đầu năm cĩ độ lệch thấp hơn so với tiền nợ dự đốn 06 tháng cuối năm. Lý do là tiền nợ 06 tháng đầu năm ít biến động hơn.
Chức năng dự đốn tổn thất: dự đốn điện năng tổn thất theo đơn vị quản lý, tháng, năm làm việc bằng thuật tốn ART. Thơng tin đầu vào là tổn thất qua các tháng trong năm 2007, 2008. Biểu đồ so sánh thể hiện tổn thất thực tế và tổn thất dự đốn của đơn vị. Từ biểu đồ nhận thấy tổn thất đạt mức đỉnh trong các tháng 6, 7 và 8; đây là các tháng cĩ sử dụng điện nhiều trong năm, do vậy tổn hao điện năng lớn. Biểu đồ cũng cho thấy đường tổn thất dự đốn bám khá sát với đường tổn thất thực tế.
Hình 3.32 So sánh tổn thất giữa dự đốn và thực tế
Chức năng Xem thơng tin tổn thất: Thống kê và hiển thị biểu đồ tổn thất điện năng, điện đầu nguồn, điện thương phẩm theo các chiều về thời gian, lộ đường dây, trạm điện, loại khách hàng.
73
KẾT LUẬN
Luận văn đã trình bày tổng quan về khai phá dữ liệu, kho dữ liệu, bao gồm: các khái niệm cơ bản về khai phá dữ liệu, kho dữ liệu, phân tích dữ liệu trực tuyến. Đặc biệt là các kỹ thuật dự báo cơng nợ, tổn thất, trình bày về thuật tốn ART để dự đốn dữ liệu chuỗi thời gian. Giới thiệu các khái niệm về chuỗi thời gian, các phương pháp tìm kiếm, dự đốn trên chuỗi thời gian.
Đồng thời, luận văn cũng trình bày tổng quan về hệ thống thơng tin quản lý khách hàng ngành điện, cách tổ chức dữ liệu của hệ thống, mơ hình phân cấp trong ngành điện. Phân tích nhu cầu tổng hợp, phân loại, dự đốn thơng tin từ hệ thống dữ liệu tích hợp, hỗ trợ ra quyết định cho lãnh đạo ngành điện. Thiết lập các mơ hình kho dữ liệu, mơ hình khai phá dữ liệu để dự đốn khách hàng nợ tiền điện, tiền nợ, số khách hàng nợ tiền, điện năng tổn thất.
Phần chính của luận văn tập trung vào việc vận dụng các thuật tốn ART, Bayes trên hệ thống dữ liệu cơng nợ, tổn thất ngành điện. Thực hiện cài đặt chương trình Dự đốn cơng nợ, tổn thất. Từ đĩ đưa ra các khung nhìn về tình hình cơng nợ, tổn thất ngành điện qua các năm thơng qua các đơn vị quản lý trong ngành. So sánh, phân tích xu hướng nợ, điện tổn thất của các đơn vị qua từng năm. Dự đốn khả năng nợ tiền với các khách hàng mới đăng ký sử dụng điện, vẽ biểu đồ tiền nợ khách hàng theo các thành phần. Dự đốn số tiền nợ, số khách hàng nợ tiền, điện năng tổn thất trong tương lai.
Chương trình dự đốn cơng nợ, tổn thất được xây dựng trên nền tảng web, giao diện thân thiện, dễ khai thác và sử dụng, đã đáp ứng được phần lớn các yêu cầu của lãnh đạo ngành điện về cơng tác tổng hợp, báo cáo, dự đốn xu thế tiền nợ, khách hàng nợ, điện năng tổn thất. Tuy nhiên, cịn một số tính năng chưa được xây dựng trong chương trình, đĩ là việc tự động hố cập nhật dữ liệu từ các đơn vị về kho dữ liệu chung, phân tích sự phụ thuộc giữa các thuộc tính ảnh hưởng tới tiền nợ khách hàng. Do đĩ, việc tiếp tục hồn thiện chương trình đang được đặt ra trong thời gian tới nhằm nâng cao hiệu quả khai thác. Cụ thể:
Cài đặt tính năng cập nhật tự động dữ liệu cơng nợ, tổn thất từ nguồn dữ liệu của các đơn vị về kho dữ liệu chung phục vụ cho việc khai thác dữ liệu. Nghiên cứu sự phụ thuộc giữa các yếu tố tác động đến tiền nợ của khách hàng, khả năng khách hàng nợ tiền, tổn thất điện năng của đơn vị.
TÀI LIỆU THAM KHẢO
Tiếng Việt
1. Trần Đình Chiến (2006), Phương pháp xử lý phân tích trực tuyến áp dụng trong xây dựng hệ trợ giúp quyết định dựa vào dữ liệu, Luận văn thạc sĩ khoa học cơng nghệ thơng tin, Trường Đại học Bách Khoa Hà Nội
2. Nguyễn Hữu Đơng (2004), Nghiên cứu ứng dụng phương pháp khám phá chuỗi biến cố trong cơ sở dữ liệu thời gian vào bài tốn dự đốn kết quả học sinh, Luận văn thạc sĩ khoa học cơng nghệ thơng tin, Trường Đại học khoa học Tự nhiên, Đại học Quốc gia thành phố Hồ Chí Minh.
3. Nguyễn Hà Nam (2008), Bài giảng “Khai phá dữ liệu”, trường Đại học Cơng nghệ - Đại học Quốc gia Hà Nội
4. Nguyễn Thế Quyền (2003), Giới thiệu về kiến trúc khối của OLAP.
Tiếng Anh
5. Jiawei Han and Michenline Kamber (2006), Data Mining Concepts and
Techniques_2nd, Morgan Kaufmann Publishers.
6. Daniel T.Larose (2000), Data mining methods and models, John Wiley & Sons
Publishers
7. Microsoft (2008), SQL Server 2005 Books Online.
8. William H. Inmon (2005), Building the Data Warehouse, Wiley Publishing. 9. ZhaoHui Tang and Jamie MacLennan (2005), Data Mining with
SQLServer2005, Wiley Publishing, eBook-DDU.
10. C. Meek, D.M. Chickering, and D. Heckerman (2002), Autoregressive Tree Model for Time-Series Analysis
Internet 11. http://vi.wikipedia.org/wiki/, 2010 12. http://en.wikipedia.org/wiki/Data, 2010 13. http://www.vnu-itp.edu.vn, 2010 14. http://en.wikipedia.org/wiki/Olap, 2010 15. http://dlib.hut.edu.vn, 2010 16. http://www.tapchibcvt.gov.vn/en-gb/dientuCNTT/2006/4/15695.bcvt, 2010