1、人工神经网络在电力营销中的应用（杭州 310027）摘要：本文介绍了神经网络系统在电力市场营销决策中的应用。神经网络是由大量结构和功能十分简单的处理单元即神经与广泛互连而成的高度复杂的非线性动力学系统。以人工神经网络理论为基础，运用单隐层神经网络结构算法，建立营销组合决策中的神经网络模型。关键词：神经网络；电力营销1.引言电力生产的特点使得电力系统必须随时保持供需平衡,向各类用户尽可能经济地提供可靠而合乎标准的电能,满足他们的负荷要求。为保证电力系统的安全、经济运行,必须要掌握电力市场的变化规律,以及未来的变化趋势。随着世界范围内电力企业重组热潮的兴起,电力市场营销变得更加重要。在电力市场条件
2、下,市场运行人员安排电能交易、系统运行人员制定运行方案,市场参与者确定投标策略时都需要随时掌握负荷未来的变化趋势。营销部门是发电企业联系用户的纽带,了解和掌握用户用电特点及需求规律对做好营销工作有重要的意义。电力营销预测本身就是一个最优化的过程。从映射关系上看，它是一个函数逼近的过程，从模式识别角度看，它又是一个模式分类的过程。营销风险中的任意一个因素发展下去，均可能导致企业发生严重的营销危机，因此，它还具有全局性的特征。这些都与人工神经网络的特征相一致，由此可以看出，将人工神经网络用于电力企业的营销预测是完全可行的。本文运用神经网络的方法直接模拟电力市场营销组合机制。2.概论2.1 电力营销
3、概论电力营销是随着电力行业信息化的需要而产生的，用来帮助企业内高层次的决策者进行决策。目前电力管理者和决策者只能根据固定的、定时的报表系统获得有限的业务信息，而无法全面的、系统的了解用电客户和市场需求。需求侧市场已经转变为以客户为中心的买方市场，用电与缴费矛盾日益突出。在用户年用电量持续增长的情况下，每年的流失电费、拖欠电费多达上亿，严重阻碍了企业的发展和客户服务质量的提高。但是电费的控制与解决不是一个单纯的问题，它与用电服务、信用度、市场营销策略、电费监控手段等密不可分。2.2 神经网络概论2.2.1 神经网络定义人脑由大量高度互连的神经元组成，神经元是生物神经系统的结构单元和功能单元，通过
4、数以万计的神经元相互联系构成一个庞大而复杂的网络。神经网络(Neural Netvork，NN)也称为人工神经网络(Artificial Neural Network，ANN)，人工神经网络是对人脑结构及其功能的若干基本特征通过工程技术手段进行的抽象和模拟。美国神经网络学家Hecht Nielsen 给出的定义是：神经网络是由多个非常简单的处理单元彼此按某种方式相互连接而形成的计算机系统，该系统是靠其状态对外部输入信息的动态响应来处理信息”。在人工神经网络中，用“节点”或“ 人工神经元”仿真生物神经元。通过大量人工神经元的相互连接便构成人工神经网络，因此具有很强的逼近功能和自学习、自适应性，能
5、够描述系统内在的非线性特征。人工神经元模型描述了一个典型生物神经元对信息聚合和处理的完整过程。2.2.2 神经网络特点人工神经网络的以下特点是非常重要的：1)并行分布处理。人工神经网络的知识存储容量非常大。在神经网络中，知识与信息的存储表现为神经元之间的分布式物理联系，它分散地表示和存储在整个网络内的各神经元及其连线上，每个神经元及其连线只表示特定一部分信息，而不是一个完整具体概念，只是通过各神经元的分布式综合效果才能表达特定的概念和知识。正因为神经网络的功能分布在多个处理单元里，它们的并行活动，就会大大提高神经网络的信息处理速度，而且知识的存储不是在特定的存储单元里，而是在整个系统里。2)非
6、线性映射。这一特性源于其近似非线性映射能力。人工神经网络同现行的计算机处理不同，是一种非线性的处理单元。只有当神经元对所有输入信号的综合处理结果超过某一门限值后才输出一个信号，因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限，从而绘处理非线性问题带来了新的希望，标志着人们智能信息处理能力和模拟人脑智能行为能力的一大飞跃。3)适应与集成。神经网络的强适应和信息融合能力使它可以同时输入大量不回的控制信号，解决输入信息的互补和冗余问题，实现信息集成和融合处理。由于人工神经网络中神经元个数众多以及整个网络存储信息容量的巨大，使得它具有很
7、强的不确定性信息处理能力。即使输入信息不完全、不准确或模糊不清，神经网络仍然能够联想思维存在与记忆中的事物的完整图像。只要输入的模式接近于训练样本，系统就能给出正确的推理结论。3.人工神经网络在电力营销中的应用在电力营销中，人工神经网络技术通过对未来一段时问内企业发展的预测来为企业的领导者提供帮助和支持，其主要思想是通过对历史数据的建模分析，在这些纷繁复杂，貌似杂乱无章，毫无关联的数据中，找到隐藏在背后的客观规律，达到预测未来的目的。3.1 建模步骤建立 BP 神经网络模型要求对研究对象进行深入的分析，并要根据研究者自身的研究经验和判断力创造性的构造 BP 神经网络结构，对构建过程中的一些参数
8、进行认真的推敲和反复验证，在网络结构建立起来以后还要依靠大量可靠的数据来训练和检验 BP 神经网络模型，使其从中学习到大量内在的、规律性的联系，并将其作为评判待测对象的内在依据。具体来讲，本文在构建 BP 神经网络模型遵循以下几个步骤：1)原始数据的搜集与整理；2)BP 神经网络模型拓扑结构的确定；3)网络数值优化技术的研究与改进。3.2 预处理技术现实中的数据总是存在这样那样的问题，造成了数据的不完整性和不一致性。产生这些问题的原因很多，其中有些问题是无法人为控制的，问题的严重性也是超乎想象的。要解决这些问题就必须在使用数据前对数据进行处理，即数据预处理。对于电力营销中的数据预处理主要包括数
9、据采集、数据分类、过滤异常和数据补齐四个主要步骤。当前需要解决的问题是数据分类、过滤异常和数据补齐，而数据分类又是其中的关键。这是因为，异常数据的判别必须在同一类的数据中进行才有意义，数据补齐也依赖于正确的数据分类。3.3 决策树分类算法决策树分类算法擅长解决维数高的领域的分类问题并能够取得很好的分类结果，根据电力营销系统的特点，对算法进行改进使之适应于本系统。分类是一类重要的数据挖掘问题，可描述如下：输入数据，或称训练集(Training Set)，是由一条条数据库记录 (Record)组成的。每一条记录包含若干条属性(Attribute) ，组成一个特征向量。训练集的每条记录还有一个特定的
10、类标签(Class Label)与之对应。该类标签是系统的输入，通常是以往的一些经验数据。一个具体样本的形式可为样本向量：(v1,v2, ，vn;c)。在这里 vn 表示字段值，c 表示类别。分类的目的是分析输入数据，并通过在训练集中的数据表现出来的特性，为每一个类找到一种准确的描述或者模型。这种描述常常用谓词表示。由此生成的类描述用来对未来的测试数据进行分类。尽管这些未来的测试数据的类标签是未知的，我们仍可以由此预测这些新数据所属的类。注意是预测，而不是肯定。我们也可以由此对数据中的每一个类有更好的理解也就是说，我们获得了对这个类的知识。3.4 数据补齐技术电力营销中的数据纷繁复杂，由于各种
11、原因，总会造成一定量的异常数据。对于那些超常规的数据，必须将其过滤，代之以正常范围内的估计值。对于历史数据中的坏数据(不完整，缺失，异常)通常采用的方法是直接将其剔除，这是因为这样的数据不反映真实规律。但是，这种方法必然会对网络训练结果产生负面的影响。因此，设法将坏数据补齐才是将损失降低到最小的最佳手段。目前主要有以下五种途径对缺损、异常数据进行补齐：1)将缺损、异常数据直接删除，从而得到一个完备的数据集。但它并不是严格意义上的数据补齐，只有在信息数据量极大而缺损数据量相对很小的情况下才可以采用，即便是如此，还是会对结果有一些负面影响。2)将缺损、异常数据作为一个特殊的属性值来处理，它不同于其
12、他任何属性值。这样不完备的信息就化为了完备的信息。3)采用统计的方法，根据信息表中各属性值取值的分布状况对缺损数据进行估计，这样做可以保留信息表中的部分信息。4)用模糊集的方法或 Vague 集的方法对数据进行分析补齐。5)最后一种途径是粗糙集的方法，即以分类为基本思想，以容差关系为基础，建立数据间的不可分辨关系，从而对缺损数据进行补齐。3.5 数值优化技术数值优化技术是神经网络重要技术之一。采用何种数值优化技术，保证整个系统在最短的时间内收敛到全局极小点，关系到神经网络是否可用以及性能是否最优。在优化算法中，无约束最优化方法解析法应用较广泛，而且通常可以把一些约束问题转化为无约束问题来处理，
13、所以它是最优化方法中的基本方法，其传统方法主要有最速下降法、牛顿法、共轭梯度法、变尺度法等。4.结语使用数学的方法来研究电力市场营销策略是一个探索,电力市场也是市场经济的一个组成部分,自从凯恩斯建立经济的数学模型以来,用数学的方法来研究经济取得了不少的成就。相信随着研究的深入会使这方面的成果更快地应用到实际的营销决策中来。虽然提高电力市场占有率有多种策略,如降价、提高产品质量和提高知名度。但为了提高电力企业电力产品的市场占有率,电力产品质量对市场占有率的影响最大,其次提高知名度。电力营销预测本质上是属于电力中长期预测，它着眼于宏观，分析、把握电力企业未来的发展变化趋势。随着电力企业市场化程度的
14、日益提高，以及计算机技术在电力领域的高速发展，电力营销预测将会越来越体现出其重要的地位和价值。参考文献1 朱华伟.人工神经网络在电力市场营销中的应用.水电厂自动化 ,2007,42 WANG Shu-hong. Research and establish of electric power marking decision support system. Masters dissertation, Beijing: North China Electric Power University(Beijing) Electric Power Department, 2003.3 HAN Jia-wei and Micheline Kamber. Data Mining: Concepts and Techniques. Simo Fraser University, 2000:187-198.4 赵鹏. 人工神经网络技术在电力营销中的研究与应用(学位论文).华北电力大学,2006
