基于改進CNN的電力交易平臺發售電信息一體化聚類算法

劉毅，劉晉彪，韓文曉

（山西京能售電有限責任公司，山西太原 030000）

電力交易平臺是國家電力市場交易運營系統的關鍵構成部分之一，其包含的信息種類較多，涉及面較為廣泛，故得到了國家、監管部門以及社會各界的高度重視[1]。電力交易信息急劇攀升，對電力交易信息處理及其應用帶來了極大的挑戰。

根據市場成員不同，將電力交易信息劃分為用電側信息、發電側信息、電力交易機構信息、監管機構信息等。在電力市場交易運營系統實際運行過程中，主要以用電側信息（售電信息）與發電側信息（發電信息）為主，其他種類信息為輔[2]。發電信息與售電信息能直接顯示出電力企業的供需水平，方便電力企業進行改革與建設。

然而，電力交易平臺發電信息與售電信息規模較大，分布較為混亂，很難對其進行統一處理，加大了發電信息與售電信息獲取的難度。為了解決上述問題，提出基于改進CNN 的電力交易平臺發售電信息一體化聚類算法研究，創新性地構建發售電信息一體化模型，通過Adam 算法改進卷積神經網絡模型（CNN），確定了發售點信息聚類中心與最佳距離閾值，實現電力交易平臺發售電信息的一體化聚類。

1 電力交易平臺發售電信息一體化聚類算法研究

1.1 發售電信息深度分析

為了提升發售電信息聚類效果，首要任務為深度分析電力交易平臺發售電信息的供給過程與復雜性，具體分析過程如下：

為了保障電力市場運營的公平性，需要對發售電信息進行披露，以此來規范電力市場行為，以便于發售電信息的處理與應用[3-4]。針對發售電信息，供給過程主要分為六種，具體如下：

1）供給過程1：發電側——電力交易平臺。依據已定規范，發電側向電力交易平臺提交發電信息，主要包括發電能力、企業概況等；

2）供給過程2：用電側——電力交易平臺。依據已定規范，用電側向電力交易平臺提交售電信息，主要包括交易信息、用電信息等；

3）供給過程3：電網企業——電力交易平臺。電網企業提交信息主要包絡電力供給與需求預測信息、售電結算信息等；

4）供給過程4：調度平臺——電力交易平臺。調度平臺提交信息主要包括安全發電信息、約束售電信息等；

5）供給過程5：監管平臺——電力交易平臺。監管平臺提交信息為發售電相關政策規則信息；

6）供給過程6：直接披露信息——電力交易平臺。直接披露信息是指分布在平臺上的直接信息，大部分為發售電信息，需要對其進行收集與處理。

由上述發售電信息供給過程分析可知，其在電力交易平臺信息中占據著至關重要的位置，產生過程較為復雜，與多個子平臺均存在著緊密的聯系。為了清晰展示發售電信息的復雜性，對電力交易平臺組成部分之間的關聯性進行簡化顯示，具體如圖1所示。

圖1 電力交易平臺關聯圖

如圖1 所示，發售電信息與多個子平臺均具有關系，在電力交易平臺中分布較為分散，并無規律可循，這無疑加大了發售電信息的聚類難度，影響電力供需水平的獲取，從而制約電力企業的發展[5]。

上述過程闡述了發售電信息的供給過程與復雜性，完成了發售電信息的深度分析，為后續發售電信息模型的構建提供支撐[6]。

1.2 發售電信息一體化模型構建

以上述發售電信息深度分析結果為基礎，構建發售電信息一體化模型，對發售電信息一致性進行檢驗，為最終發售電信息一體化聚類的實現做準備[7]。

依據發電信息與售電信息具有的特性，構建發售電一體化模型，如圖2 所示。

圖2 發售電一體化模型示意圖

目前，電力交易市場以計劃交易為主，缺失現貨電力交易。在最新電力改革過程中，電力市場成員呈現跨數量級增長，會導致核心業務量劇增，容易造成電力交易平臺節點故障，產生電力交易信息不一致現象，從而影響發售電信息的聚類。因此，該研究利用Raft算法來檢驗發售電信息的一致性[8]。

設置電力交易平臺服務器集群為Ci(i=1,2,…,m)，m代表服務器集群總數量。每個服務器集群節點集合為Sj(j=1,2,…,n)，n代表服務器集群節點總數量[9]。在發售電信息一致性檢驗過程中，構建Raft 組，表達式為：

需要注意的是，式中，只有滿足p≤n，Raft 組才能構建成功。在p個Raft 組中選舉出一個leader，以此為基礎，調試組內節點參數，保障組內信息的一致性[10]。由此可見，通過判定Raft 組內是否存在leader節點即可實現發售電信息一致性的檢驗。leader 節點判定規則如下：

式中，ri表示leader 節點判定參數；α與β3表示判定參數計算輔助因子；sgn(·) 表示Raft 組量化函數表達式；r*表示leader 節點判定閾值，需要根據實際發售電信息情況進行設置。

應用式（2）即可對發售電信息進行一致性檢驗。若發售電信息滿足一致性，將其整理至一體化模型中；若發售電信息未滿足一致性，需要對信息進行校準，再整理至一體化模型中[11]。

上述過程完成了發售電信息一體化模型的構建，并對發售電信息一致性進行了相應的檢驗，為后續發售電信息聚類的精準度提供保證。

1.3 卷積神經網絡改進

基于卷積神經網絡模型信息聚類結果極容易陷入局部最優，并且學習訓練速度較慢，無法滿足現今電力交易平臺的需求[12]。

在卷積神經網絡模型改進過程中，如何通過快速地學習訓練使得損失函數達到最小化，是CNN 改進終極目標[13]。改進CNN 中，采用Adam 算法更新訓練樣本參數，此種方式更新與執行速度較快，并可以計算出每個參數的自適應學習率，能有效提升模型訓練速度。Adam 算法參數更新表達式為：

式中，θt與θt+1分別表示更新前、后的參數；η表示學習率；Vt與分別表示更新前、后的梯度方差；ε表示誤差數值；Mt與分別表示更新前、后的梯度平均值；與表示梯度方差與平均值更新輔助因子，與CNN 的學習率關系密切，取值范圍為[0,1]。

參數更新會導致損失函數產生波動，為了顯示CNN 的改進效果，以某個損失函數為例，通過曲線圖展示損失函數優化過程，如圖3 所示。

圖3 損失函數優化過程示例圖

如圖3 所示，隨著參數的更新，損失函數會發生不同幅度波動，并且存在最小值，表明Adam 算法的應用不但能夠加快卷積神經網絡模型的學習訓練速度，還能使損失函數達到最小化，滿足卷積神經網絡模型的改進需求。

1.4 發售電信息一體化聚類實現

以上述改進CNN 為依據，結合發售電信息一體化模型，推出發售電信息進行一體化聚類算法，實現電力交易平臺發售電信息的一體化聚類[14]。

在發售電信息一體化聚類中，將發售電信息看作一個個數據點，以局部密度與距離來刻畫數據點的特性，完成發售電信息的分類與聚合，具體步驟如下。

步驟一：計算每個數據點（發售電信息）的局部密度與距離，計算公式為：

式中，ρi表示第i個數據點（發售電信息）的局部密度；γ(dij-dc) 表示取 值函數，若dij-dc＜0，γ(dij-dc)取值為1；若dij-dc≥0，γ(dij-dc)取值為0；dij表示第i個與第j個數據點之間的距離；dc表示截斷距離；κi表示數據點i相對于數據點j（局部密度更大）的距離。

由于發售電信息規模較大，一體化聚類中心很難分辨，故有效融合數據點的局部密度與距離變量，以此來獲取信息聚類綜合考慮參數，表達式為：

式中，ζi表示第i個數據點（發售電信息）的聚類綜合考慮參數值；Θ 表示運算符號；Γ 表示變量融合輔助因子；ωi表示第i個數據點占全部數據點的權重數值。

以式（5）計算結果ζi為基礎，對全部數據點（發售電信息）進行降序排列，從大到小截取若干個數據點，將其作為聚類中心。

以確定的數據點（發售電信息）聚類中心為依據，確定自適應距離閾值。距離閾值滿足條件為：

式中，κv與κv+1表示距離閾值相鄰值；f(κv)與f(κv+1) 表示大于距離閾值κv與κv+1的數據點個數。

當式（6）計算結果f達到最大值時，對應的自適應距離閾值即為最佳距離閾值。以聚類中心為核心，將小于或者等于距離閾值的數據點歸類到類別中，依此類推，直到全部數據點歸類結束為止[15]。

通過上述過程實現了電力交易平臺發售電信息的一體化聚類，為發售電信息的處理與應用提供更有效的算法支撐，也為電力交易平臺穩定運行提供保障。

2 實驗與結果分析

為了驗證提出算法的應用性能，選取基于DTW直方圖的電力負荷數據聚類算法[16]作為對比算法，設計對比實驗，具體實驗過程如下。

2.1 實驗準備階段

選取某區域電力交易中心產生的發售電信息作為實驗對象，雖然選取的實驗對象是小區域范圍內的電力交易中心，但用戶數量依然可觀，發售電信息數量級仍居高不下。為了方便進行實驗，以某一星期電力交易中心產生的發售電信息為實驗數據，以此來減少實驗數據量，保障實驗的穩定性。

2.2 評價指標選取

以選取的實驗對象為基礎，為了量化顯示發售電信息一體化聚類效果，選取聚類準確率、歸一度及其調整Rand 指數作為評價指標，計算公式為：

式中，ACC、NMI 與ARI 分別表示聚類準確率、歸一度及其調整Rand 指數；Ncor表示正確聚類的發售電信息數量；N表示發售電信息總數量；I(X,Y)表示任意兩個發售電信息的關聯度；H(X)與H(Y)分別表示發售電信息X與Y的最大熵；RI 表示聚類系數；E[R I] 與MAX[R I] 分別表示聚類系數誤差值與最大值。

上述過程完成了發售電信息一體化聚類評價指標的選取，指標取值范圍為[ ]0,1，評價指標數值越大，則表明聚類效果越好。

2.3 實驗結果分析

通過實驗獲得的聚類準確率數據如表1 所示。

表1 聚類準確率數據表

如表1數據所示，與對比算法相比較，應用提出算法獲得的聚類準確率更高，最大值能夠達到91.45%，表明提出算法正確聚類的發售電信息數量更多。

通過實驗獲得歸一度與調整Rand指數如圖4所示。

圖4 歸一度與調整Rand指數示意圖

如圖4 所示，與對比算法相比較，應用提出算法獲得的歸一度與調整Rand 指數數值更大，最大值分別能夠達到0.98 與0.92。

應用提出算法獲得的聚類準確率、歸一度與調整Rand 指數均較大，充分證實了提出算法發售電信息一體化聚類效果更好。

3 結束語

文中對卷積神經網絡CNN 進行了改進，并以此為基礎提出了電力交易平臺發售電信息一體化聚類算法，極大地提升了聚類準確率、歸一度與調整Rand 指數數值，能夠為發售電信息一體化聚類提供更有效的算法支撐，也為信息聚類相關研究提供一定的借鑒及其參考。