人工神經網絡在電力營銷系統中的應用與實現

方曉萌 章玉 趙夏楠 鞏瑩 劉豪

第一作者簡介：方曉萌（1999-），男，助理工程師。研究方向為電能計量、負荷管理、綜合能源。

*通信作者：趙夏楠（1992-），女，工程師。研究方向為電力培訓、人力資源。

DOI：10.19981/j.CN23-1581/G3.2024.13.040

摘? 要：在電力行業信息化發展背景下，收集與存儲大量電力數據，可為電力企業營銷決策制定提供依據。該文提出采用人工神經網絡構建電力營銷系統BP神經網絡模型，通過智能決策樹分類算法預處理模型數據，得到最優化的模型數據，并改進神經網絡隱含層節點數目算法，結合應用分時段預測方法及共軛梯度算法分別進行網絡訓練及網絡結構優化，為網絡收斂速度加快提供保障，得出相對準確的電力營銷年度電量預測結論，說明電力營銷系統中人工神經網絡具有較高的應用價值。

關鍵詞：人工神經網絡；電力營銷；誤差反向傳播模型；BP神經網絡模型；決策樹分類算法

中圖分類號：TP183? ? ? 文獻標志碼：A? ? ? ? ? 文章編號：2095-2945（2024）13-0167-04

Abstract： In the context of the development of electric power industry informatization， a large number of electric power data are collected and stored， which can provide a basis for marketing decision-making of electric power enterprises. This paper proposes to use artificial neural network to construct BP neural network model of electric power marketing system， preprocess model data by intelligent decision tree classification algorithm， get the optimal model data， and improve the algorithm of hidden layer node number of neural network. Network training and structure optimization are carried out by using time-divided prediction method and conjugate gradient algorithm， which provides a guarantee for accelerating the convergence speed of the network. A relatively accurate conclusion of annual electricity forecast of electric power marketing is obtained， which shows that artificial neural network has high application value in electric power marketing system.

Keywords： artificial neural network; power marketing; error back propagation model; BP neural network model; decision tree classifacation algorithm

人工神經網絡是當今時代深入探索非線性復雜問題的新技術，可對人腦機能進行模仿，經過學習及數據集訓練后，預測信息并歸類數據，可采用分布式形式存儲信息，且能規模化處理電力數據。誤差反向傳播算法（簡稱BP）是人工神經網絡模型的主要形式，具有結構簡潔、應用面廣的特征，復雜非線性關系擬合更加便捷，數據預測也較為精準，因而在電力營銷系統中應用BP神經網絡具有可行性。

1? BP神經網絡及其結構特征

BP神經網絡及其變形形式在人工神經網絡實踐中應用占比高達85%左右，主要用于模式識別、數據分類、非線性映射，同時在復雜系統仿真及過程控制等其他方面也具有較高應用價值[1]。BP神經網絡具有3層結構，一是輸入層，二是隱含層，三是輸出層。這些層次之間相互連接，但同層單元之間并不是相互連接關系。BP神經網絡屬于前向結構網絡，各結構層連接權值均具有可調性，主要是通過學習實現連接權值的有效調節。除了輸入層單元以外，BP神經網絡的其他基本處理單元間均屬于非線性輸入或輸出的關系，且數據傳送過程具有連續性。

2? 電力營銷中BP神經網絡模型的構建步驟及關鍵技術

2.1? 建模步驟

BP神經網絡模型的構建過程分為3個步驟，一是采集與整理原始數據，收集特征相似對象的相關數據信息，并對所收集原始數據展開預處理。需利用適合的數據預處理算法及技術手段，消除數據噪點并補充數據，以得到最優訓練樣本。二是確定模型拓撲結構，先確定網絡層數，再明確輸入、隱含、輸出各層節點數目。然后通過模型訓練與檢測，收集整理規律性、可靠性數據集合。三是改進網絡數值優化技術，使系統快速完成全局極小點收斂，避免出現局部最小點，或引發震蕩現象，以保障BP神經網絡的應用性能，減少網絡訓練運算頻次，節約網絡訓練耗費時間[2]。

2.2? 關鍵技術

2.2.1? 數據預處理技術

數據預處理技術主要用于統一數據并提升數據完整性。數據預處理包含4個主要流程，一是采集數據，二是歸類數據，三是過濾異常數據，四是補充完善數據。在這4個環節當中，數據歸類最為重要，數據正確歸類后更易辨識異常數據，且數據補充也更加方便。電力系統數據易受客觀條件影響，如溫度、降雨、季節等等。因此，電力系統數據具有多屬性特征，以向量的形式存在，數據屬性及數據值分別用An與data表示，數據樣本向量形式應表示為（A1，A2，…，An；data），可采用決策樹分類算法執行數據歸類操作。

2.2.2? 決策樹分類算法

決策樹分類算法主要用于高維度數據歸類處理，分類結果較佳，在電力營銷系統中，可以應用改進后的決策樹分類算法。決策樹分類算法分為建樹、剪枝2個重要階段，分別屬于遞歸過程及訓練集降噪過程。決策樹分類算法主要采用貪心算法，由上而下通過遞歸擊破構建決策樹，并通過同步修剪及遲滯修養完成剪枝。以高速可伸縮性決策樹分類算法SLIQ算法為基礎，利用基尼系數取代各計算過程，并以屬性值評估作為計算過程排列依據，于規定時段執行計算操作，可簡化SLIQ算法計算量，改進后決策樹算法的節點屬性數及群組劃分數決定各節點的計算總量，且樹中各改進節點具有可變性未分類模式，可獨立完成分組計算過程，并需通過優選時間段/群大小確保得到最優結果[3]。此種改進后的算法比SLIQ算法分類精度更高。

2.2.3? 數據補齊技術

為真實反應數據規律，不可直接剔除不全面、不正確歷史數據，否則會影響網絡訓練結果，可采取補齊缺損或異常數據的形式減少對網絡訓練結果產生的干擾。數據補齊技術常用方法有5種，一是刪除壞數據以獲得完整數據集；二是以特殊屬性值處理壞數據；三是以信息表中屬性值分布為依據估算缺損數據；四是利用模型集或Vague集方法補充數據；五是采用粗糙集，根據容差關系構建數據間不可分辯關系，以補充缺損數據。電力營銷系統中，對上述方法進行了改進，得到平均值填充算法，對信息表中的數據進行區分，歸類為屬性或非屬性數據，利用智能決策樹分類算法，以數據屬性歸類屬性值，利用屬性中高頻出現的非屬性值取代數據中的非屬性值，從同類數據中缺損數據前后各取5組數據，通過數據值計算完成數據補充[4]。

2.2.4? 結構優化技術

電力營銷系統的BP神經網絡拓撲結構分為3層，位于輸入層及輸出層中間的隱含層，作用是提取并向輸出層傳遞輸入模式特征差異，再由輸出層判斷輸入模式所屬類別。雖然采用S型隱層與線性輸出層相疊加的網絡結構形式能提升處理精度，但會增加網絡復雜度，延長網絡權值訓練時間。而在隱含層中增設神經元也具有降低誤差的作用，為此，應增設隱層神經元數據。在各層節點數確定時，隱含層節點數確定屬于核心，常采用3種方法：一是基于柯爾莫哥洛夫定理的節點層數確定法，二是試湊法，三是公式近似確定法。結合電力營銷系統實際情況，人工神經網絡技術應用時，結合運用試湊法及最小二乘法確定隱含層節點數據。操作時，結合輸入輸出2層節點數，按公式計算隱含層節點數，再利用小部分樣本確定激活函數，依據網絡輸出實際值與期望值的矢量均方誤差，結合訓練步數確定隱含層數，進而得到訓練步數小、精度高的BP網絡結構模型[5]。

2.2.5? 數值優化技術

數值優化技術的作用是確保系統可快速完成全局極小點收斂任務，從而優化BP神經網絡性能。電力營銷系統應用人工網絡技術時，采用共軛梯度法優化BP神經網絡。首先要確定共軛方向，假設實施k次迭代后得到x■個點，利用Taylor級數，于此點處展開目標函數后，利用下式計算其二階近似值

。（1）

得到的目標函數二階近似值可用于確定共軛方向。先于實驗點處選擇負梯度方向，以此作為搜索方向，若其函數具有較快的下降速度，說明采用n次搜索便可使n維歐氏空間的非負定二次函數降至最低。實際計算時，因舍入誤差的存在，實際搜索次數要多于n次，且需進行多次非二次函數迭代，為防止誤差積累影響收斂效果，可在n次或n+1次迭代后，將最速下降方向設為方向向量，再次啟動算法進行計算[6]。

3? 電力營銷系統中人工神經網絡的實現

3.1? 電力營銷系統數據來源及結構框架

基礎數據主要有3個獲取途徑，一是從電力管理信息系統中獲取，包含用電營業數據、營銷數據、財務數據等；二是由供電系統的采集監控系統提供，即客戶服務數據、生產調度數據；三是提取自外部環境，包含氣象、政策、行業、統計局及銀行等方面的數據。獲取到的數據信息先向電力營銷系統中導入，而后經過數據抽取、數據過濾，最后進行數據整合與統計。基于人工神經網絡的電力營銷系統需要設置涵蓋三級層次的數據轉換結構：一是詳細數據層，根據主題劃分客戶單級數據；二是統計數據層，以分析主題為依據統計挖掘相應數據；三是綜合數據層，立足多個維度展開數據分析及預測。系統需先從原始數據庫篩選提取數據，并存入電力營銷系統數據庫，再利用開發工具展開數據分析。基于人工神經網絡的電力營銷系統結構框架如圖1所示。

圖1? 基于人工神經網絡的電力營銷系統基本結構

3.2? 預處理電力營銷系統數據

由于電力營銷系統中氣候因素對電力數據影響較大，需將氣候因素作為電力數據屬性值。由此可創建電力數據樣本向量，包含季節、溫度、降水、工作休息日、重大節日和數據6個向量。其中，季節向量可按四季劃分為4個時間區間，一區間為3至5月，二區間為6至8月，三區間為9至11月，四區間為12至2月。根據區域氣候特征，各月平均溫度可劃分為5個溫度區間，5 ℃以下為第一溫度區間，5～15 ℃為第二溫度區間，15～25 ℃為第三溫度區間，25～35 ℃為第四溫度區間，35 ℃以上為第五溫度區間。工作休息日可設為2個向量，工作日包含周一至周五，休息日包含周六及周日。最后，重大節日分為3個向量，即五一國際勞動節、十一國慶節及春節。應按月記錄數據屬性信息，即將當月溫度平均值、降水總量、當月總天數分別作為溫度、降水、工作休息日3個向量的數據屬性信息，而后再結合電力營銷系統數據過濾模型過濾處理相關數據。

3.3? 確定BP神經網絡拓撲結構

3.3.1? 構建網絡模型

存在偏差且涵蓋一個以上S型隱含層，與一個線性輸出層共同構建而成的網絡與有理函數更為接近。因此，電力營銷系統應構建前向3層BP神經網絡模型（圖2）。

圖2? 前向3層BP神經網絡模型

3.3.2? 確定輸入層與輸出層節點

輸入量主要有2種類別，一是歷史數據，二是預測相關因素。由于電力用戶關注度較高的營銷分析指標較多，經過濾，確定6個輸入層節點，一為總電量，二為用戶數目，三為總負荷，四為無功負荷，五為售電量，六為購電量。而由于電力系統的數據對于氣候因素相對敏感，因此還要將預測月的氣候條件的季節、溫度、降水、工作休息日和重大節日5個向量選為輸入節點。可采用日歷了解預測季節、工作休息日及重大節日3個因素數據，并從氣象部門處獲取月溫度及月降水預測情況，或是利用改進的算術平均值算法計算過去10年的溫度及降水平均值，作為預測月的溫度數據及降水數據。參照輸入層節點確定方法選擇輸出層節點，設置總電量、用戶數目、總負荷、無功負荷、售電量及購電量6個節點，但無須考慮氣象因素。

3.3.3? 確定隱含層節點

根據輸入節點、輸出節點數目，計算隱含層節點的數目，得出隱含層至少應有8至17個節點，然后確定激活函數，采用共軛梯度優化算法，從數據樣本中提取數據樣本進行訓練，得到的隱含層節點數及誤差降幅數據見表1。分析表中數據發現，隱含層節點數目設置為14個時誤差率最小，應確定隱含層節點數為14個。

表1? 隱含層節點數及誤差降幅數據

3.4? 優化BP神經網絡

BP神經網絡采用共軛梯度算法進行優化，構建共軛梯度向量后，應將高維目標函數極小問題，變為多個共軛方向上目標函數一維優化問題，再根據目標函數二階近似值確定共軛方向。基于共軛梯度算法的BP神經網絡優化學習時，應先初始化連接權值及閾值，為網絡提供訓練樣本，而后計算隱含層、輸出層各單元輸入及輸出，并得出誤差結果，然后分別調整隱含層及輸入/輸出層間的連接權值、輸出層或隱含層各單元的輸出閾值，之后再更新學習模式，確定樣本訓練是否全部完成，完成則繼續更新學習次數，次數介于誤差及N之間時，結束學習；若樣本訓練未完成或學習次數更新后次數低于誤差或大于N，均要返回初始化后一層重新學習。

3.5? BP網絡訓練及結果對比

為防止訓練樣本曲線波動幅度過大，應選用分段預測法展開網絡訓練，以獲得精確訓練結果，降低訓練步數。由于相同氣候條件下，電力系統中2個鄰近月份數據之間關系密切，因而同類數據中當月及下月數據可選作一對訓練樣本展開訓練及預測。以某電力公司2021年電力數據作為歷史數據，對2022年度電力數據進行預測，先導入2021年的電力數據，并將2022年的氣候因素全部輸入BP神經網絡模型，可以得出2022年度預測及實際總電量對比曲線（圖3）。圖3中顯示，2022年預測總電量及實際總電量2個曲線的波動趨勢較為相似，預測結果并無明顯差異。經計算，預測平均絕對百分誤差為2.1%，最大及最小絕對百分誤差分別為4.16%與0.5%，分析各月的絕對百分誤差發現，只有9月份高于4%，4、8、12三個月份介于3%至4%之間，其余月份均低于3%，說明利用BP神經網絡預測電力系統年度總電量較為準確。

4? 結束語

電力營銷預測是一項系統性、長期性的工作任務，需要立足宏觀層次，對電力企業未來發展趨勢展開科學預測與分析。基于人工神經網絡構建電力營銷系統的營銷預測模型，應理順BP神經網絡模型構建步驟，選擇適合的建模技術，確定數據來源、建立模型結構框架，并做好數據預處理、合理設計拓撲結構，再利用共軛優化算法優化BP神經網絡結構。經BP網絡訓練驗證發現，電力營銷系統中應用人工神經網絡，預測結果較為精準、可靠。

參考文獻：

[1] 劉朋輝.基于BP神經網絡的智能電網短期電力負荷預測[J].江西電力職業技術學院學報，2023，36（2）：10-12.

[2] 鄭曉坤.基于改進BP神經網絡的遼陽地區電力負荷短期預測方法研究[D].沈陽：沈陽農業大學，2022.

[3] 柴志君，歐陽中輝，岳炯.一種改進的灰色BP神經網絡預測模型[J].兵工自動化，2020，39（10）：84-88，96.

[4] 金麗麗.基于GRA-SSA-BP神經網絡的電力負荷預測方法[J].紅水河，2022，41（3）：92-96.

[5] 余鑫.基于小波分析的改進IPSO-BP神經網絡中期電力負荷預測研究[D].成都：西華大學，2020.

[6] 張武軍，程遠林，周捷，等.基于特性分析的改進BP神經網絡短期電力預測方法[J].湖南電力，2020，40（3）：17-22.