基于局部线性嵌入和深度森林算法的电力客户投诉预测模型

由于电力市场竞争日益激烈,用户对服务质量的要求不断提高,用户投诉量持续上升。在基于大数据的电力客户投诉预测模型的体系结构基础上,提出一种基于局部线性嵌入和深度森林算法的电力客户投诉预测方法。采用局部线性嵌入算法对客户投诉预测模型的输入特征向量进行降维处理,减少计算量和避免陷入局部最优解;对降维后的投诉预测特征向量进行多粒度扫描,提高其表征学习能力;基于级联森林建立深度森林算法模型,实现客户投诉预测。实际数据的仿真结果表明,与不进行降维处理及其他预测模型相比,文中所提出的预测模型可以更准确地预测客户投诉趋势,为电力企业客户投诉分析和预测提供了参考依据。     

电力客户缴费渠道业务量预测

当前电力公司在缴费渠道管理中存在营业厅布局优化不科学、线上缴费比例少、引流方式效果不好、客户缴费类投诉意见诉求多等问题,客服中心联合天津公司融合95598诉求与缴费数据,其中95598网站数据1. 46亿条、工单数据2. 76亿条,缴费记录数据2189. 2万条,开展居民客户缴费渠道业务量预测主题的研究,建立渠道效能综合评价体系,从业务流量、渠道收入、客户价值、运营成本、战略价值、客户评价等6个维度选用时间序列算法建立预测模型,建立ARIMA模型对缴费业务量进行预测。首先对数据进行平稳的处理,然后通过ACF和PACF确定模型的参数,评价服务渠道效率,分析客户体验,预测渠道业务流量,发掘客户渠道迁移规律,并针对目标客户开展精准线上引流,实现渠道效率与客户体验的最优匹配。     

基于随机森林算法的95598投诉预测方法研究

为减少投诉风险发生,提出一种基于随机森林算法的95598工单投诉预测方法,实现对95598工单的直接投诉预测与转化投诉预测。首先,对95598历史工单进行数据预处理;其次,在充分考虑历史工单的供电地区、时间、天气、前期工单事因、重复来电和投诉倾向等情况的基础上,建立了基于随机森林算法的95598电力服务投诉工单预测模型。以某市全年95598工单数据为例,建立了该市的95598电力服务投诉工单预测模型,并以Weka 3.8数据挖掘软件为测试平台,对所建立的模型进行测试,并与其他数据挖掘算法的预测性能进行了对比分析。结果表明,该方法能够实现对95598投诉风险的有效预测,投诉预警效果良好。     

基于AP-SVM多模型建模的风电场负荷预测研究

针对风电场中期负荷预测模型复杂多工况的情况,提出了基于仿射传播聚类和最小二乘支持向量机的多模型建模负荷预测方法。该方法先用仿射传播聚类算法对样本聚类,再用最小二乘支持向量机算法进行子模型建模。测试样本先根据相似性的度量方法进行归类,再用其所属子模型进行预测输出。最后利用某风场数据进行了建模和预测实验,结果表明该多模型建模方法有较高的预测精度和良好的泛化能力。     

基于多模型融合Stacking集成学习方式的负荷预测方法

人工智能及机器学习技术的快速发展,为负荷预测问题提供了崭新的解决思路。该文结合人工智能的前沿理论研究,提出一种基于多模型融合Stacking集成学习方式的负荷预测方法。考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势,构建多个机器学习算法嵌入的Stacking集成学习的负荷预测模型,模型的基学习器包含XGBoost树集成算法和长短记忆网络算法。算例使用ENTSO中瑞士负荷数据对算法有效性进行了验证。预测结果表明,XGBoost、梯度决策树、随机森林模型能够通过自身模型的增益情况对输入数据的特征贡献度进行量化分析;Stacking中各个基学习器的学习能力越强,关联程度越低,模型预测效果越好;与传统单模型预测相比,基于多模型融合的Stacking集成学习方式的负荷预测方法有着较高的预测精度。     

基于精益化管理的客户投诉分析与管控

随着电力体制改革和国有企业改革的纵深推进,"多买多卖"的市场竞争格局逐步形成,做好电力营销及优化服务工作成为电力企业生存和发展的根本。贵州作为电力体制改革的第一批试点区域,客户选择的增加,优质服务将是未来配售电市场争夺的关键因素。在新的电力体制改革形势下,如何提升供电服务能力,满足人民追求美好生活的电力需要,成为电力营销工作乃至整个电力企业的重中之重。该文基于精益化管理,以大力减少客户投诉为突破口,深入分析客户投诉问题,找准供电服务短板,从建立客户投诉管控"六项机制"、重点解决客户用电"四类老大难"问题两个方面提出了管控措施,对提升供电服务能力,增强电力企业市场竞争力进行了有益地探索。     

基于贝叶斯网络的电力客户停电敏感度预测

精准预测停电敏感的电力客户群体,能够有效感知客户用电需求,提升客户用电满意度,助力提高电力服务水平。文中提出基于贝叶斯网络构建电力客户停电敏感度预测模型,从95598客服平台、营销业务系统、用电信息采集系统获取分析数据,结合客户基本信息、用电信息、智能电能表计量信息以及用户用电交互行为,定义客户停电敏感度数据标签,对用户的停电投诉进行分析与预测。采用K折交叉验证法对停电敏感度预测模型进行实验验证。实验表明,基于贝叶斯网络构建的电力客户停电敏感度预测模型,在停电投诉分析应用中具备较高的精准度,验证了模型的有效性。     

基于D-S证据理论的短期负荷预测模型融合

在各种预测模型融合时确定各种模型的权重直接影响到预测精度.对3种不同的神经网络负荷预测模型分别建立了权重提取和权重融合的数学模型,并运用证据理论对3种预测模型的权重进行融合.通过对历史预测数据的分析,提取了证据理论的融合样本,并将信度函数的多重融合结果作为负荷预测模型权重,得到权重融合后待预测日的负荷预测结果.将权重融合模型的预测结果与单一模型的预测结果进行比较,结果表明权重融合后的模型具有更高的预测精度,提高了负荷预测的准确性.     

基于混合特征双重衍生和误差修正的风电功率超短期预测

随着风电渗透率的不断提高,对风电功率进行精准、可靠的预测是提升风电消纳水平的有效措施。针对功率预测时风电数据种类不足和特征数量稀缺的问题,提出基于混合特征双重衍生和误差修正的风电功率超短期预测模型。首先,在原始功率特征中施加混沌噪声,构造出多条混沌扰动特征,改善原始功率特征分布过于单一的状况。其次,提出基于免疫算法的特征衍生算法,挖掘风电功率数据的潜在信息,增加优质特征数量,进而构建误差预测模型,通过预测风电功率预测误差修正风电功率预测结果,进一步提升预测准确率。最后,基于比利时风电场实际运行数据进行算例分析。所提模型预测效果较好,且相较其他传统预测模型精确度更高,验证了所提模型的有效性。     

联合模糊聚类和多样本SSO优化SVR的配电通信网络流

针对电力通信网络流量预测问题,提出了一种联合模糊聚类和多样本群居蜘蛛优化（social spider optimization,SSO）SVR的配电网络流量预测方案。针对配电网络流量时序非线性、周期性特点,首先采用自适应模糊聚类方法（adaptive fuzzy C-means clustering）对流量样本数据进行预处理,实现了样本数据聚类自动划分,有效降低了流量数据短相关性对预测精度的影响;然后利用多样本SSO优化算法（multi-sample social spider optimization algorithm）对SVR预测模型参数进行优化,通过引入多样本、网格迭代进化策略,从而得到不同流量数据聚类对应的最佳SVR参数组合;最后,运用多样本SSO优化SVR模型对预测数据进行预测分析。仿真结果表明,同ARIMA、神经网络等配电网路流量预测模型相比,提出的预测方案预测精度提高了18.8%~34.1%。     

联合模糊聚类和多样本SSO优化SVR的配电通信网络流量预测

针对电力通信网络流量预测问题,提出了一种联合模糊聚类和多样本群居蜘蛛优化(social spider optimization,SSO)SVR的配电网络流量预测方案。针对配电网络流量时序非线性、周期性特点,首先采用自适应模糊聚类方法(adaptive fuzzy C-means clustering)对流量样本数据进行预处理,实现了样本数据聚类自动划分,有效降低了流量数据短相关性对预测精度的影响;然后利用多样本SSO优化算法(multi-sample social spider optimization algorithm)对SVR预测模型参数进行优化,通过引入多样本、网格迭代进化策略,从而得到不同流量数据聚类对应的最佳SVR参数组合;最后,运用多样本SSO优化SVR模型对预测数据进行预测分析。仿真结果表明,同ARIMA、神经网络等配电网路流量预测模型相比,提出的预测方案预测精度提高了18.8%～34.1%。     

基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法

短期电力负荷的精准预测可以有效指导机组组合调度、经济调度与电力市场运营。针对输入数据特征量受限时负荷预测的低精度问题,提出一种基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法。通过建立融合局部特征预提取模块的LSTM（long short term memory）网络结构,并将其与XGBoost（eXtreme boosting system）预测模型并行结合,之后结合MAPE-RW（mean absolute percentage error-reciprocal weight）算法进行模型融合初始权重设置,对最佳权重进行搜索,构建最佳融合模型。通过运用电力负荷数据对所提方法进行预测实验,结果表明CNN-LSTM- XGBoost模型的MAPE（mean absolute percentage error）与RMSE（root mean square error）分别为0.377%与148.419 MW,相比于单一网络模型与融合模型结构实现了误差指标的显著降低,验证了基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法具有较快的模型训练速度、较高的预测准确度与较低的预测误差。     

基于数据融合IGA-RGRNN低阶煤制甲烷产量预测模型

为了提高智能系统的准确性与快速性,针对多传感器网络,提出了一种以融合技术为数据基础与改进遗传算法-广义旋转回归神经网络IGA-RGRNN(improved genetic algorithm and rotated generalized regression neural network)算法相结合的预测模型。利用RGRNN强大的非线性随机变量的处理能力,把预测理论引入改进遗传算法循环中,将该模型应用于低阶煤制甲烷产量预测过程,并对预测模型效果进行实验验证。实验结果表明,基于数据融合IGA-RGRNN低阶煤制甲烷产量预测模型的相对误差最大值为2.99%,相对误差最小值为0.25%,相对误差平均值为1.76%,相较其他预测模型具有泛化能力更强和预测精度更高的优势,为低阶煤制甲烷产量预测提供一种新的途径。     

基于聚类经验模态分解-样本熵和优化极限学习机的风电功率多步区间预测

针对风电功率序列的不确定性和随机性特征,提出一种基于聚类经验模态分解-样本熵和优化极限学习机的多步区间预测模型。首先,利用聚类经验模态分解-样本熵方法将原始风电功率序列分解为一系列复杂度差异明显的子序列。然后,分别对各子序列建立基于上下界直接估量的区间预测模型。为分析不同区间构造的差异,提出一种体现训练目标值偏离区间范围影响的新型区间预测评估指标作为目标函数,并采用基于混沌萤火虫结合多策略融合自适应差分进化的优化算法寻求其最优解,以提高模型预测性能。最后,以某一风电场实际功率数据为算例,验证了所提模型能获得可靠优良的多步区间预测结果,可为风电功率多步不确定性预测提供一种新的有效途径。     

基于ACO-SVM模型的油浸风冷式变压器热点温度预测方法

针对目前应用人工智能算法对油浸风冷式变压器进行热点温度预测时，预测模型输入特征量的选取不够精准及预测准确率不足的问题，本文作者在变压器内部温升-散热过程的分析基础上，提出以油浸风冷式变压器的箱壁温度作为预测模型输入特征量之一,建立了蚁群算法优化支持向量机（ACO-SVM）预测变压器绕组热点温度的模型。以实测数据作为样本进行模型训练，将文中模型与PSO-SVM模型和SVM模型的预测性能进行比较，文中模型的均方误差和平均相对误差相较于PSO-SVM模型降低了87.74%和40%，相较于SVM模型降低了87%和38.86%，测试结果表明该方法预测精度更高，对预测油浸风冷式变压器的热点温度具有更好的适用性。     

电力用户敏感程度分析及停电投诉预测

依据电力客户的行为制定相应的服务模式是提高供电服务质量的关键,文章根据B市电力客户日常与停电后的客服数据,以配电网供电台区为单位对客户的敏感度进行分析。由于实际客服数据中特征变量较多,为了减少高维空间中的计算量,故先采用t分布随机邻域嵌入法对数据集进行降维,再采用混合高斯分布进行建模,并用期望最大值算法求解最优分类结果,将客户敏感程度分为5级。同时,客户的敏感度的提出可以提高客户停电投诉的预测准确性,选取B市近两年的17万条停电数据作为训练集,采用3种有监督机器学习方法对客户投诉的二分类预测结果进行10折交叉验证,发现决策树的预测结果明显优于其他方法,并形成并行集成学习方法,可有效提高预测准确率,有助于提升电力公司停电计划的安排和客户安抚工作辅助决策,提升客户服务质量。     

基于随机森林的停电敏感度预测模型研究与应用

预测用电客户停电敏感程度,为供电公司优化营商环境和实施个性化停送电服务提供了数据与决策支持。融通供电公司有关业务系统,抽取用电客户停送电相关的海量数据,采用随机森林算法,基于分布式文件系统HDFS和Spark搭建大数据平台,训练停电敏感度预测模型。运用某地市供电公司近百万用电客户数据对模型校验与评估,迭代优化,结果表明模型查准率超过98%,查全率超过18%。结果用于停送电服务全流程管理,在优化计划停电安排、开展故障停电安抚、防范频繁停电投诉等场景取得了较好的效果。     

基于集成模型的混合神经网络电力负荷预测

为了提高负荷预测的精度与泛化能力,提出了一种基于Bagging集成算法的GRU-BiLSTM-Self-attention模型。为充分提取高维输入数据的多个特征,该模型采用BiLSTM-Self-attention模型提取局部特征,采用GRU模型提取时序特征,从同一训练集中独立抽取样本子集并进行训练,对输出结果集成处理并得到最终的预测结果。选取南京某供电公司真实数据进行实验,并与LSTM神经网络、GRU神经网络、BiLSTM神经网络等预测模型进行对比。实验数据表明,该模型的均方根误差为50.770 3,准确率为97.36%。相较于其它用于对比的模型,该结果表明本模型在预测效果上具有一定程度的优势,说明所提出的模型具有更好的泛化能力与预测精度。     

基于LightGBM及LSTM融合的科技园区短期负荷预测

在售电侧逐渐市场化的环境下,园区的电力负荷预测对电力市场及园区自身经济运行具有重要意义.为了提高科技园区负荷预测的精度和可靠性,提出采用K折交叉验证的LightGBM算法与LSTM算法的多特征融合算法.首先利用K折交叉验证的LightGBM算法训练第一层特征的预测模型,将其预测结果作为下一层LSTM模型训练的附加特征值.最后将两层模型预测的负荷值根据预测误差加权平均成最终的负荷预测值,结合数据算例表明,采用K折交叉验证的LightGBM算法提高模型的泛化能力,模型融合比单一的模型预测更具优势,能在一定程度上提高预测精度,减小预测误差.     

考虑噪声数据的FCM-LSSVM负荷预测模型

针对传统负荷预测未考虑噪声数据影响的问题,提出了一种基于模糊C均值聚类与最小二乘支持向量机的组合预测模型。首先利用FCM对历史数据进行聚类分析,剔除孤立样本,继而构建负荷预测训练集并输入最小二乘支持向量机进行学习,进一步采用粒子群算法优化参数,得到最优预测模型。仿真结果表明,相对于其他负荷预测模型,该算法有效地消除了噪声数据对负荷预测精度的影响,泛化能力更佳。