基于智能决策树和人工智能网络的电力营销

1基于智能决策树和人工智能网络的电力营销牛伟华（华北电力大学保定计算机系071003中国）摘要：本文介绍了在电力营销中一种采用人工智能网络的新方法。在数据预处理中使用智能决策树分类算法以确保数据优化，这种关于人工智能网络隐藏节点的算法逐步得以改进，人工智能网络的计算复杂度已经逐步降低。实验结果表明人工智能网络模型在电力分布上具有很好的预测效果。关键词：智能决策树；人工智能网络；数据预处理；电力营销1.引言作为人工智能的一个分支，神经网络的研究从80年代中期开始变得越来越火。神经网络在预测上具有独特优势，拥有比其他统计方法更高的精确度。因此成为解决电力营销问题的有效工具。神经网络采用字符数据驱动，模型中使用的数据从训练实例中获得，它取决于抽样的数量和质量。由于电力营销领域的数据杂乱无章，因此神经网络研究的关键问题即在于分析和整理原始数据，满足神经网络的需求，保持数据的原创性。决策分类数算法善于处理高维数据问题并能获得很好分类结果，因此它给我们提供了一种分析电力营销原始数据的新方法。2.决策分类算法决策树是用于分类的一种树形结构。每个内部节点代表一种测试属性，每个边界节点代表一种测试结果，每片叶子代表一种分类。决策树的顶节点即为根节点。如图1所示即为决策树在商业贸易中的一个实例。图1决策树分类过程2决策树对出售的电脑进行了分类，并确认消费者是否购买电脑。每个内部节点（方框）代表某种测试属性，每个子节点（椭圆框）代表一种分类（购买电脑=是或者购买电脑=否）。在这个实例中，样本向量如下：（年龄，学生，资信评级，购买电脑），数据格式按（年龄，学生，资信等级）分类。新记录能找到它所属的分类。按决策树分类分为两步。第一步是按样本生成和简化一个决策树。事实上就是一个从数据集合中采集信息和发展机理的过程。第二部是不输入的数据按已有的决策树进行分类。对于输入记录，试验决定从根节点到子节点的记录价值，并依次进行分类。决策树的基本算法是贪心法。它采用自上而下的格式，解决每个子问题，并生成决策树。3.基于决策树算法的数据预处理3.1电力营销领域的数据特性通过测量与控制仪器采集的原始数据有很多缺陷，例如噪声、失真和损失。在负载的数据收集中尤其突出。在将原始数据直接作为试验样本和人工智能网络输入的条件下，我们不能很好地确保其预测性。因此对原始数据的预处理显得极为重要。众所周知，电力系统（负载，电容等）的数据对天气、季节、温度、降水等自然条件和休假、重要节假日等人为因素极为敏感。例如，夏季的气温明显高于春季气温，这就导致居民空调的电压升高，负载电路的载荷也会上升到一个更高的层次。因此电力系统地数据不是一个简单的数值，而是包含很多因属性（如气候、温度和降水等）。系统地数据会以向量格式呈现，一个简单的向量格式可写为：（A1，A2，…，An；data）。An代表数据属性，data代表数据数值。这种数据格式非常适合用于决心树算法的数据分类。3.2传统数据预处理方法的缺陷电力营销中数据预处理主要包含四个步骤：数据采集，数据分类，异常筛选和数据缺陷补偿。通常需要解决的问题是数据分类、异常筛选和数据缺陷补偿，数据缺陷补偿是关键步骤。因为在不同的数据分类中辨别异常数据毫无意义，并且缺陷数据补偿也依赖于更改数据分类。当前有许多数据预处理方法，主要常用的方法如下：（1）直接删除异常数据；（2）将异常数据视为特殊属性；（3）采用统计方法，在信息表中估算异常数据属性值的分布状态；（4）采用模糊集方法分析和补偿数据；（5）最后一种方法是粗糙集方法，把分类当作基本概念，把错误关系当作基础，在已有数据与补偿数据中之间建立非对应关系。这些方法的缺陷是没有考虑数据重要属性对数据分类的影响。因此按上诉方法对电力营销数据进行预处理不能获得最优结果。33.3数据决策树算法在电力营销中的应用尽管存在上述情况，采用决策树分类算法能够补偿传统数据预处理的缺陷。关键在于将信息表中的数据分为属性值和非属性值，替代了以往那种对所有属性值求算术平均值的方法，那种方法会将一部分不完整的数据也包含在内。也取代了之后那种采用所有试样属性值出现频率最高的方法。基于电力营销系统地真实数据，采用智能决策树算法，依据数据属性值，对数据非属性值进行了分类。取而代之的是出现频率最高的非属性值，同时采用对所有数据求算数平均值的方法取代属性值。事实上，我们选取了五组数据，将开始数据与结尾数据和不完整数据归为一类，视为不完整数据。并且计算十组数据的属性值修正不完整的数据。4.系统应用4.1电力营销的数据预处理由于电力系统的数据对气候因素特别敏感，气候因素扮演电力系统数据的属性值。我们建立电力系统数据的一个矢量格式如下：（季节，温度，降水，休假，重要节日；数据）季节：（春季：3-5月；夏季：6-8月；秋季：9-11月；冬季：12-2月）当温度上升会下降到某些临界值时，负载会获得最大影响，因此我们在分区中处理温度因素。综合当地的气候特性，我们将月平均温度按如下分类：（低于5℃，5℃-15℃，15℃-25℃，25℃-35℃，高于35℃）我们按月降水量对降水进行分类：（少于50mm，50-150mm，150-250mm，250-350mm，超过350mm）假日：（工作日：周一—周五；假日：周六，周日）重要节假日：（劳动节，国庆节，春节）我们使用3.3节描述的方法，把条件一致的数据归为一类。并依据3.3节描述的算法用同类数据补偿缺失的数据。4.2电力营销中的BP神经网络模型原理已经证明：一个弯曲构造的网络，至少通过一个S形潜层和一个线性输出层就能实现任何一个有理函数。我们综合考虑了各种实际项目的试验应用情况，确定了BP神经网络模型的三层结构，如图2所示。4图2电力营销人工智能网络模型确定BP神经网络三层结构的关键点在于确定潜层的数目。基本原理是：尽量使满足精度要求的预处理结构更加简洁。参考了某些算法和实践情况，我们采用最小二乘法和反复试验来确定潜层的数目。利用最小二乘法，我们得到了经验公式，通过增加适合的参数能获得新的公式。212)35.077.054.212.043.0(nmnmnS式中m代表输入层的数目，S代表潜层的数目，n代表输出层的数目，代表0~9的一个常数。确定层数数目的操作步骤如下：（1）依据公式和输入、输出层的数目计算S的值。取值范围在10以上；（2）选取少量试样，确定激活函数，带入选取试样的数据，分别计算十组潜层的输出结果；（3）依据网络实际输出数据和预期数据即实验步数之间的平均误差，整合潜层数目。通过这种方式，我们可以采用最少的步数，获得最佳的模型精确度。4.3试验结果比较根据EPMDSS（电力营销决策支持系统）饶阳电力公司的试验，我们可以确定输入层的节点：（总功率，用户数，总载荷，无功负载，销售功率，购买功率）；影响预测额因素为：（季节，温度，降水，假日，重要节假日）；输出节点：（总功率，用户数，总载荷，无功负载，销售功率，购买功率）；通过公式计算结果，我们可得到当潜层具有14节点时误差比最小。通过选取2004年之前的数据我们建立一个集成预测模型，预测2005年的数据见表1。表1中绝对误差的平均值为2.10%，最大值为4.16%，最小值为0.5%。小于3%的误差有8组，大于4%的误差有1组。这个试样向我们展示了很好的预测结果。55.结论电力系统中的数据更改具有很多影像因素，而且这些数据具有很多的随机性。我们采用人工智能网络预测未来的电力营销，考虑气候因素的重要影响，获得了很好的预测结果。采用预测模型，结果的平均绝对误差为2.10%，最小绝对误差为0.5%。这种预测精度完全能够满足电力营销的需要。参考文献：[1]HUBao-qing,GUANKE.Animproveddatapreprocessingmethodofneuralnetworkanditsapplicationinconstructionmanagement.ChinaCicilEngineeringJournal,2004,37(5)：106-107.[2]WANGShu-hong.Researchandestablishofelectricpowermarkingdecisionsupportsystem.Master’sdissertation,Beijing:NorthChinaElectricPowerUniversity(Beijing)ElectricPowerDepartment,2003.[3]HANJia-weiandMichelineKamber.DataMining:ConceptsandTechniques.SimoFraserUniversity,2000:187-198.[4]HANJia-weiandMichelineKamber.DataMining:ConceptsandTechniques.ChinaMachinePress,2001.[5]ZHANGZhen-hua.Applicationofroughsettheoryanddatapretreatmentprocess.Master’sdissertation,Kunming:KunmingUniversityofScienceandTechnology,2002.[6]CAIZi-xing,XUGuan-you.ANN&AI.Beijing:TsinghuaUniversityPress,2004.[7]LOUWen-gao.Bridginguptheneuralnetworktheoryandthepracticalapplications.JournalofHarbinEngineeringUniversity,2006,27:59-63热动所2012史香锟21227041