英国零售市场中客户分群的聚类算法探索
内容提要
该文提出基于机器学习的负荷剖析框架，利用伦敦近5000户智能电表数据，比较K-means、K-medoids、层次聚类和DBSCAN四种算法，并结合可解释AI将问题转为概率分类。最佳聚类数为7，但其中两类内部差异大，进一步细分为9类。方法可扩展，适合电力公司细分用户、制定针对性需求响应计划。
延伸解读
聚类算法选择与评估
文章比较了K-means、K-medoids、层次凝聚聚类和DBSCAN四种算法，并通过经验分析和多个评估指标进行评价。这提醒读者，在实际客户分群中，不同算法可能产生不同结果，需结合业务目标选择合适方法，并利用多指标验证聚类质量。
最佳聚类数的确定与细分
基于伦敦近5000户智能电表数据，分析得出最佳聚类数为7，但其中两个聚类（约占数据集10%）内部差异显著，因此进一步细分为9类。这表明初始聚类结果可能隐藏子群体，通过深入分析可发现更精细的客户细分，为制定针对性需求响应计划提供依据。
可解释AI提升解决方案透明度
文章将问题重新定义为概率分类问题，并借助可解释AI（xAI）提高解决方案的可解释性。在电力用户细分中，这有助于理解聚类背后的驱动因素，增强决策信任度，并支持公用事业公司更有效地设计需求响应策略。
方法可扩展性与应用前景
该框架具有可扩展性和多功能性，适合电力公用事业公司进行用户细分，以创建更有针对性的需求响应计划。随着智能电表数据普及，这种方法可推广到不同区域和规模，帮助提升能源管理效率，但需注意数据质量和算法适用性。
Q&A
这篇论文主要研究了什么？
论文提出了一种基于机器学习的负荷剖析框架，利用伦敦近5000个家庭的智能电表数据，比较了四种聚类算法，并结合可解释AI将问题转化为概率分类，以实现客户分群。
研究中使用了哪些聚类算法？
使用了四种聚类算法：K-means、K-medoids、层次凝聚聚类和基于密度的空间聚类（DBSCAN）。
最佳聚类数是多少？为什么最终确定为九个聚类？
最佳聚类数为七个，但其中两个聚类（约占数据集的10%）存在显著内部差异，因此进一步划分为总共九个聚类。
可解释AI（xAI）在研究中起到了什么作用？
可解释AI用于提高解决方案的可解释性，将聚类问题重新定义为概率分类问题，从而增强模型透明度。
这项研究对电力公用事业公司有什么实际应用价值？
该解决方案具有可扩展性和多功能性，适合电力公司细分用户，以创建更有针对性的需求响应计划。
研究使用了什么数据？
研究使用了伦敦近5000个家庭的智能电表数据，通过负荷曲线进行负荷剖析。
