基于自適應(yīng)競(jìng)爭(zhēng)的均衡優(yōu)化電力系統(tǒng)客戶(hù)分類(lèi)

　　摘要：對(duì)電力系統(tǒng)客戶(hù)的精確分類(lèi)可為客戶(hù)提供良好的差異化管理和個(gè)性化服務(wù).針對(duì)客戶(hù)分類(lèi)問(wèn)題，提 出了一種基于均衡優(yōu)化與極限學(xué)習(xí)機(jī)的分類(lèi)方法.該方法中提出了一種自適應(yīng)競(jìng)爭(zhēng)機(jī)制來(lái)平衡均衡優(yōu)化 的全局探索與局部挖掘能力，從而有效提升了均衡優(yōu)化搜索最優(yōu)解的性能.之后，將提出的均衡優(yōu)化集成 極限學(xué)習(xí)機(jī)對(duì)電力系統(tǒng)的客戶(hù)進(jìn)行分類(lèi).通過(guò)真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)表明，在不同的分類(lèi)指標(biāo)下，所提出的 均衡優(yōu)化集成極限學(xué)習(xí)機(jī)都具有良好的預(yù)測(cè)效果，可為電力系統(tǒng)客戶(hù)管理與服務(wù)提供有效的技術(shù)手段. 關(guān)鍵詞：均衡優(yōu)化;極限學(xué)習(xí)機(jī);電力系統(tǒng);客戶(hù)分類(lèi)

　　0引 言

　　金融科技在促進(jìn)實(shí)體經(jīng)濟(jì)發(fā)展的同時(shí)必然會(huì)帶來(lái)新的技術(shù)挑戰(zhàn).現(xiàn)代金融市場(chǎng)以及服務(wù)運(yùn)用大量的云計(jì)算、人工智能等信息技術(shù)，有效擴(kuò)展了各類(lèi)企業(yè)的金融服務(wù)，改善了其資源配置.與此同時(shí)， 金融科技會(huì)改變現(xiàn)在企業(yè)的傳統(tǒng)技術(shù)[1].電網(wǎng)公司作為我國(guó)能源生產(chǎn)、經(jīng)濟(jì)發(fā)展的重要基礎(chǔ)設(shè)施，它通 過(guò)智能傳感和測(cè)量技術(shù)以及智能化的決策支持系統(tǒng)，實(shí)現(xiàn)電網(wǎng)安全可靠、經(jīng)濟(jì)高效、環(huán)境友好和使用 安全的目標(biāo).智能電表是智能電網(wǎng)數(shù)據(jù)采集的核心設(shè)備，承擔(dān)著原始電能數(shù)據(jù)采集、計(jì)量和傳輸?shù)娜?務(wù)，是實(shí)現(xiàn)用電信息采集和集成的基礎(chǔ)設(shè)施.從金融市場(chǎng)的角度審視，隨著“雙碳”發(fā)展目標(biāo)的提出， 對(duì)電力系統(tǒng)智能化、集約化的發(fā)展提出更高的要求[2].對(duì)電力系統(tǒng)的客戶(hù)分類(lèi)是有效提升電力系統(tǒng)差 異化管理與發(fā)展的手段.合理的用戶(hù)分類(lèi)一定意義上對(duì)用電用戶(hù)的不同策略制定以及電力分配、規(guī)劃 等因素具有重大影響.通過(guò)對(duì)不同類(lèi)型的客戶(hù)進(jìn)行分類(lèi)以及差異化的數(shù)據(jù)采集策略制定，來(lái)實(shí)現(xiàn)用戶(hù) 數(shù)據(jù)的按需采集，實(shí)現(xiàn)采集任務(wù)的按需執(zhí)行、優(yōu)先執(zhí)行，為實(shí)現(xiàn)數(shù)據(jù)統(tǒng)計(jì)的按需分類(lèi)統(tǒng)計(jì)等數(shù)據(jù)應(yīng)用 需求提供支持，進(jìn)而提高電力企業(yè)的經(jīng)濟(jì)效益與價(jià)值，這一點(diǎn)同時(shí)可為金融市場(chǎng)的其他企業(yè)帶來(lái)技術(shù) 手段.

　　面向電力系統(tǒng)公司客戶(hù)數(shù)據(jù)噪聲大、密度不均勻等特征，針對(duì)其單一的屬性來(lái)劃分客戶(hù)群體是低 效且無(wú)針對(duì)性的.機(jī)器學(xué)習(xí)方法是應(yīng)對(duì)電力系統(tǒng)的數(shù)據(jù)的有效技術(shù)手段.針對(duì)電力系統(tǒng)數(shù)據(jù)的異常、 冗余、遺漏等問(wèn)題，吳蕊等提出了利用冗均值聚類(lèi)算法進(jìn)行異常檢測(cè);陳聿等[4]從提升客戶(hù)體驗(yàn)感 的角度出發(fā)，提出了手肘法確定聚類(lèi)數(shù)目，之后采用期望最大化聚類(lèi)算法進(jìn)行客戶(hù)偏好分類(lèi);Barman 等采用灰狼算法優(yōu)化支持向量機(jī)(Support Vector Machine， SVM)進(jìn)行特殊事件日的電力系統(tǒng)負(fù)荷 預(yù)測(cè).此外，反向傳播神經(jīng)網(wǎng)絡(luò)被有效地用于光伏發(fā)電系統(tǒng)與風(fēng)電系統(tǒng)數(shù)據(jù)的預(yù)測(cè)[6-7].

　　對(duì)于電力系統(tǒng)的客戶(hù)分類(lèi)問(wèn)題，采用簡(jiǎn)單有效的機(jī)器學(xué)習(xí)方法可快速劃分客戶(hù)偏好，根據(jù)不同的 數(shù)據(jù)屬性確定客戶(hù)的特征.極限學(xué)習(xí)機(jī)(Extreme Learning Machine， ELM)是一種單層的前饋神經(jīng)網(wǎng) 絡(luò)[8].該神經(jīng)網(wǎng)絡(luò)中的輸入權(quán)重與偏置是隨機(jī)生成的，在訓(xùn)練過(guò)程中不需要人為調(diào)整，這種設(shè)置方式加 快了網(wǎng)絡(luò)的學(xué)習(xí)與計(jì)算速度.極限學(xué)習(xí)機(jī)被應(yīng)用于各類(lèi)工程應(yīng)用領(lǐng)域，例如，Chen等采用卷積神經(jīng) 網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)集成的方法對(duì)齒輪箱和電機(jī)軸承進(jìn)行故障診斷;Shariati等[10]基于極限學(xué)習(xí)機(jī)對(duì)工 程力學(xué)中的鋼架連接力矩和轉(zhuǎn)角進(jìn)行估計(jì).此外，極限學(xué)習(xí)機(jī)還被用于在短期風(fēng)力預(yù)測(cè)、未知惡意軟 件檢測(cè)等方面[11-13].極限學(xué)習(xí)機(jī)快速有效的訓(xùn)練速度受到工程領(lǐng)域研究者的青睞，如何提高其分類(lèi)或 回歸的精度成為進(jìn)一步需要研究的問(wèn)題.Chen等[11]指出，極限學(xué)習(xí)機(jī)的初始權(quán)重和偏置會(huì)影響其最 終訓(xùn)練的模型，因此，得出了一系列最優(yōu)的初始網(wǎng)絡(luò)的權(quán)重與偏置是重要的.相比梯度下降法等傳統(tǒng) 優(yōu)化方案，群智能算法被廣泛關(guān)注且被用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練.粒子群算法是具有代表性的一種群智能 算法.Zeng等[14]提出了粒子群算法優(yōu)化SVM的方法并用于醫(yī)療領(lǐng)域，準(zhǔn)確診斷了阿爾茨海默病以及 認(rèn)知障礙.Xia[15]利用一種果蠅優(yōu)化算法對(duì)反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation， BP)進(jìn)行優(yōu)化，提高 了 BP對(duì)空氣質(zhì)量檢測(cè)的準(zhǔn)確率.良好的優(yōu)化算法可以提升目標(biāo)分類(lèi)預(yù)測(cè)的精度.在金融市場(chǎng)應(yīng)用領(lǐng) 域，Uthayakumar等[16]將蟻群算法運(yùn)用于金融危機(jī)的預(yù)測(cè)，其效果展示出該算法融合財(cái)務(wù)決策模型預(yù) 測(cè)金融危機(jī)具有良好的魯棒性;Gao等[17]將粒子群算法用于區(qū)塊鏈金融產(chǎn)品收益率的預(yù)測(cè)，良好的擬 合效果證明該算法的干預(yù)可對(duì)金融產(chǎn)品的投資者產(chǎn)生良好的指導(dǎo)作用.

　　極限學(xué)習(xí)機(jī)的性能很大程度上受到其初始權(quán)重與偏置的影響.確定良好的初始權(quán)重與偏置可視 為多維非線性的優(yōu)化問(wèn)題.群智能算法是一類(lèi)有效應(yīng)對(duì)復(fù)雜優(yōu)化問(wèn)題的方法.近年來(lái)，許多全局優(yōu)化能 力較強(qiáng)的群智能算法相繼被提出，如樽海鞘群算法(Salp Swarm Algorithm， SSA)1181、灰狼優(yōu)化(Grey Wolf Optimizer， GWO)[19]、正余弦算法(Sine Cosine Algorithm， SCA)[2°]，以及均衡優(yōu)化(Equilibrium Optimizer， EO)[21]等.均衡優(yōu)化剛剛被提出不久，由于結(jié)構(gòu)簡(jiǎn)單而被大量應(yīng)用于科學(xué)研究.

　　本文的主要工作是針對(duì)均衡優(yōu)化自身結(jié)構(gòu)特點(diǎn)，提出一種自適應(yīng)競(jìng)爭(zhēng)學(xué)習(xí)的均衡優(yōu)化(Adaptive Competitive Equilibrium Optimizer， ACEO)，應(yīng)用ACEO優(yōu)化ELM并獲取其初始權(quán)重與偏置來(lái)確定

　　用于分類(lèi)的ELM模型.實(shí)驗(yàn)采用的是某電力公司的真實(shí)數(shù)據(jù).對(duì)訓(xùn)練樣本：首先，對(duì)這些數(shù)據(jù)進(jìn)行篩 選，將信息不全的樣本剔除;之后，以客戶(hù)不同類(lèi)型進(jìn)行分類(lèi)，并與原始ELM、SVM及4層BP網(wǎng)絡(luò) (FL-BP)[21]進(jìn)行實(shí)驗(yàn)對(duì)比分析，通過(guò)仿真驗(yàn)證ACEO與EO以及其他3種算法優(yōu)化的ELM在學(xué)習(xí)權(quán) 重與偏置方面對(duì)客戶(hù)分類(lèi)的影響.仿真實(shí)驗(yàn)驗(yàn)證了基于ACEO優(yōu)化的ELM對(duì)電力系統(tǒng)客戶(hù)分類(lèi)具有 好的分類(lèi)效果.

　　1極限學(xué)習(xí)機(jī)

　　極限學(xué)習(xí)機(jī)是一種單層前饋神經(jīng)網(wǎng)絡(luò)， 其網(wǎng)絡(luò)模型如圖 1 所示. 對(duì)于 K 個(gè)樣本 ， 其 中 表示輸入的第 個(gè)樣本， 該樣本具有 N 個(gè)特征， 矩陣表示形式為 ; 表示的是輸出特征. 樣本輸入矩陣為 ， 輸出矩陣為 ， 其中， T 表示對(duì)矩陣的轉(zhuǎn)置. 圖 1 中， L 表示設(shè)定 ELM 網(wǎng)絡(luò)隱含層數(shù)目; W 表示的是 ELM 選擇的輸入權(quán)重; b 表示隱含層與輸出層的連接權(quán)重， 是要求解的值; H 是隱含層的輸入矩陣; K 和 N 分別表示樣本數(shù)和輸出特征的個(gè)數(shù).

　　假設(shè) ELM 的隱含層激活函數(shù)為g(x)， 偏置為b= [b1，b2， · · · ，bL]， 則隱含層輸出矩陣 H 為

　　H= g(WX+b)， (1)

　　輸出樣本Y 為

　　Y =Hβ. (2)

　　在 ELM 模型中， W 和 b的值一旦確定就不再改變; β是模型中唯一要確定的值， 其計(jì)算公式為

　　β=H?Y ， (3)

　　(3) 其中， H?是矩陣 H 的廣義逆陣. 如果 是非奇異矩陣， 則 ; 如果 是非奇異矩陣， 則 . ELM 的權(quán)重 只需要計(jì)算一次， 則結(jié)束訓(xùn)練過(guò)程. 對(duì)于樣本 ， 其輸入樣本特征 Y 為

　　Y =g(W x+b)β. (4)

　　(4) 2均衡優(yōu)化算法

　　均衡優(yōu)化算法的思想啟發(fā)來(lái)源于力學(xué)中控制體積的質(zhì)量平衡方程，可用一階常微分方程表示[22]，即

　　其中，C表示控制體積F內(nèi)的濃度(在工程力學(xué)中，控制體積又稱(chēng)為開(kāi)口系統(tǒng)，簡(jiǎn)稱(chēng)為控制體)，Vf表 示控制體內(nèi)的質(zhì)量變化率，Q表示進(jìn)出控制體積的體積流量，Ceq表示平衡狀態(tài)下的濃度，G表示控制 體內(nèi)的質(zhì)量生成率.

　　在此背景下，按照方程抽象出的優(yōu)化算法的模型，描述為：均衡優(yōu)化算法和其他群體智能算法一 致，按照種群的形式進(jìn)行搜索最優(yōu)解，并在迭代中按照貪心選擇保留更新.在該算法中構(gòu)建由5種個(gè) 體組成的均衡池，以提供參考指引其他個(gè)體的更新，即

　　Ceq = {C1， C2， C3， C4， Cave} ， (6)

　　其中，C1、C2、C3、C4表示種群求解目標(biāo)問(wèn)題得到的前4個(gè)最好的解向量，caVe是這4個(gè)向量的算數(shù) 平均向量.

　　則本算法的核心更新公式為

　　C = Ceq + (C ? Ceq) · F + GλV (1 ? F).(7)

　　推薦閱讀：電力工程中的電力自動(dòng)化技術(shù)應(yīng)用