溫 煒，劉媛媛，楊瑞

（國網(wǎng)寧夏電力有限公司培訓中心，寧夏銀川 750002）

在我國電網(wǎng)企業(yè)中，人力資源的合理管理對于高效培養(yǎng)專業(yè)領域人才、提高整體資源利用率以及更好地發(fā)揮其最高能效均具有重要意義[1-5]。但由于存在海量的復雜數(shù)據(jù)，傳統(tǒng)的人力資源管理系統(tǒng)無法對相關數(shù)據(jù)進行準確地分析與判斷，因而也無法充分利用各種信息系統(tǒng)所收集的大量數(shù)據(jù)。為解決上述問題，文中基于深度數(shù)據(jù)挖掘及模糊神經(jīng)網(wǎng)絡技術(Fuzzy Neural Network，F(xiàn)NN)設計了一種電網(wǎng)人力資源優(yōu)化配置算法。在利用模糊神經(jīng)網(wǎng)絡對人力資源數(shù)據(jù)進行深度挖掘的基礎上，采用粒子群算法(Particle Swarm Optimization，PSO)對其進行參數(shù)尋優(yōu)，進一步提升了算法的預測性能。該算法在顯著提高數(shù)據(jù)處理能力的同時，還可以為電網(wǎng)企業(yè)提供人力資源的優(yōu)化配置方案，從而使其發(fā)揮出最高能效。

1 電網(wǎng)人力資源優(yōu)化算法建模

文中重點研究電網(wǎng)企業(yè)人力資源結構的優(yōu)化，即準確預測出未來一段時間內的人力資源需求。通過設計智能化的資源調度算法，再利用該算法對電網(wǎng)人力資源進行高效、準確地優(yōu)化配置，從而發(fā)揮電網(wǎng)企業(yè)的最高能效。而人力資源需求預測則是通過綜合考慮各種內外因素的影響，預測未來一定時期內所需的人力資源數(shù)量及結構的資源規(guī)劃。

數(shù)據(jù)挖掘[6-8]可以有效解決規(guī)劃、預測等問題。傳統(tǒng)的數(shù)據(jù)挖掘方法大多采用統(tǒng)計方式，但對于海量且復雜的資源數(shù)據(jù)而言，傳統(tǒng)技術難以適應需要。模糊神經(jīng)網(wǎng)絡[9-12]是一種廣泛使用的數(shù)據(jù)挖掘方法，其可在大量數(shù)據(jù)上進行訓練并提取數(shù)據(jù)的隱藏特征，且不斷學習這些特征，進而準確地執(zhí)行數(shù)據(jù)信息提取。模糊神經(jīng)網(wǎng)絡具有模擬人類部分想象力思維的能力，且還能夠通過歷史數(shù)據(jù)的學習與記憶相關聯(lián)，獲得輸入（影響因素）和輸出（資源需求）間的特征關系。在模糊神經(jīng)網(wǎng)絡中，首先選擇合適的目標函數(shù)；然后利用反向傳播(Back Propagation，BP)，優(yōu)化神經(jīng)網(wǎng)絡實際輸出與目標值之間的誤差；其次，模糊神經(jīng)網(wǎng)絡經(jīng)過不斷學習，修改權重并減少誤差；最終，通過輸出層輸出預測值。

式中，l代表第l層，M代表l層中有M個神經(jīng)元，k代表第l+1 層中的第k個神經(jīng)元，是第l層第m個神經(jīng)元到第l+1 層第k個神經(jīng)元的權重，是第l+1 層第k個神經(jīng)元的偏置，為第l+1 層第k個節(jié)點的激活函數(shù)。

假設模糊神經(jīng)網(wǎng)絡的總體輸出為Y，根據(jù)相關資源數(shù)據(jù)可建立模糊神經(jīng)網(wǎng)絡的架構，并通過輸入n個變量獲得一個預測值。模糊神經(jīng)網(wǎng)絡的結構如圖1 所示。

該網(wǎng)絡共有四層，包括一個輸入層、兩個隱藏層與一個輸出層。其中，輸入層的神經(jīng)元由輸入的屬性值數(shù)量決定；隱藏層的神經(jīng)元則需經(jīng)過不斷調整，再確定最適應數(shù)據(jù)的數(shù)量；而輸出層負責輸出需求的預測值，該層的神經(jīng)元數(shù)量為1。

此次采用模糊神經(jīng)網(wǎng)絡來處理電網(wǎng)人力資源數(shù)據(jù)，進而提高數(shù)據(jù)處理能力。通過模糊神經(jīng)網(wǎng)絡可以對目標值及其影響因素之間的關系進行深度挖掘并建模，確保最終結果的誤差相對較小且精度優(yōu)良。資源優(yōu)化算法模型，如圖2 所示。首先，對輸入的數(shù)據(jù)進行處理操作；然后，再利用處理后的數(shù)據(jù)對模糊神經(jīng)網(wǎng)絡加以訓練；最終，當達到網(wǎng)絡設置的最大迭代次數(shù)時，輸出預測結果。

圖2 資源優(yōu)化算法模型

2 改進的資源優(yōu)化算法

雖然模糊神經(jīng)網(wǎng)絡可根據(jù)輸入的訓練數(shù)據(jù)不斷學習特征，并更新每一層的權重以適應輸入數(shù)據(jù)，進而得到更為匹配的預測值。但由于該網(wǎng)絡在對權重進行初始化時是隨機生成的，由此便會出現(xiàn)訓練速度慢、準確率低等問題。同時模糊神經(jīng)網(wǎng)絡在通過反向傳播及梯度下降(Gradient Descent GD)優(yōu)化誤差值時，還可能會遺漏全局最優(yōu)解。因此，文中對模糊神經(jīng)網(wǎng)絡加以改進，并利用粒子群優(yōu)化算法[13-16]對模糊神經(jīng)網(wǎng)絡中的權重參數(shù)進行優(yōu)化，以保證該參數(shù)更適應數(shù)據(jù)、目標值和相關因素間的相關性，從而提高最終的預測準確率。

2.1 粒子群優(yōu)化算法

在電網(wǎng)人力資源優(yōu)化算法模型中，使用粒子群算法來優(yōu)化模糊神經(jīng)網(wǎng)絡模型時，將問題的每個解決方案均視為搜索空間中鳥的位置，也可稱之為粒子。該文中粒子的具體含義是：模糊神經(jīng)網(wǎng)絡對未來一定時間內，人力需求數(shù)量的預測值與目標值之間的差值。每個粒子均有一個適應度值、速度和位置，其中適應度由預測及目標值之間的差值決定，而粒子速度和位置的作用則是用來確定粒子飛行的方向與距離。在粒子群優(yōu)化算法的搜索過程中，首先隨機初始化一組粒子，然后通過迭代搜索全局最優(yōu)解。在每次迭代中，通過對兩種粒子的追逐來更新二者的位置。兩種粒子分別為Pbest（代表當前組的最優(yōu)解）和Gbest（代表整組的最優(yōu)解）。假設有n個粒子和D維搜索空間，則粒子群的粒子速度和位置更新公式如下：

式中，Xi=(Xi1,Xi2,…,Xid)與Vi=(Vi1,Vi2,…,Vid)分別為各個粒子的當前位置及飛行速度；Pi=(Pi1,Pi2,…,Pid)和Pg=(Pg1,Pg2,…,Pgd)則代表上文提到的Pbest與Gbest，分別表示當前粒子及整個粒子群的最優(yōu)位置；w為慣性因子，c1、c2是兩個學習因子，其均為非負常數(shù)；r1和r2則為隨機生成的小數(shù)，取值范圍在0～1之間；粒子速度Vid的取值在-Vmax～Vmax之間，Vmax為當前迭代次數(shù)中粒子的最大速度。

2.2 粒子群優(yōu)化模糊神經(jīng)網(wǎng)絡

模糊神經(jīng)網(wǎng)絡的權重參數(shù)是根據(jù)輸入層與隱藏層節(jié)點數(shù)隨機生成的，此類參數(shù)會根據(jù)模型的預測輸出及目標值之間的誤差進行調整。而粒子群優(yōu)化算法能夠進一步優(yōu)化這些參數(shù)，進而提高模糊神經(jīng)網(wǎng)絡的預測精度。該神經(jīng)網(wǎng)絡的流程如圖3 所示。

圖3 粒子群優(yōu)化模糊神經(jīng)網(wǎng)絡流程

在模型的構建過程中，使用均方誤差(MSE)作為模型的損失函數(shù)。該損失函數(shù)可以將數(shù)據(jù)的實際值與預期值進行比較，然后再確定數(shù)據(jù)的接近度。損失函數(shù)的表達式為：

式中，n為數(shù)據(jù)樣本數(shù)量，yi為第i個樣本的目標值，為第i個樣本的預測值。

粒子群優(yōu)化模糊神經(jīng)網(wǎng)絡的步驟如下：

1）隨機初始化權重參數(shù)，滿足高斯分布(Gaussian Distribution)。

2）建立模糊神經(jīng)網(wǎng)絡模型，并根據(jù)輸出值與目標值之間的誤差，學習每一個神經(jīng)元的權重參數(shù)，且將訓練誤差作為粒子群的適應度函數(shù)。

3）更新權重參數(shù)、粒子的速度及位置。

4）判斷粒子群的迭代次數(shù)是否達到最大值。若達到，計算模糊神經(jīng)網(wǎng)絡的最優(yōu)參數(shù)；否則，返回步驟3）。

5）判斷模糊神經(jīng)網(wǎng)絡的迭代次數(shù)是否達到最大值。若是，訓練結束并輸出預測值；否則，返回步驟2）。

3 實驗驗證與分析

3.1 實驗數(shù)據(jù)

文中采集了某大型電網(wǎng)企業(yè)的數(shù)據(jù)，通過實驗仿真來驗證文中所提算法對電網(wǎng)資源優(yōu)化配置的有效性。數(shù)據(jù)主要包括該企業(yè)在2013—2021 年的售電量、客戶數(shù)量、輸電線路總長度、變電站數(shù)、總資產(chǎn)、供電人口、各個崗位和對應崗位的員工數(shù)量等影響人力資源需求的相關因素。表1 列舉了部分因素及員工數(shù)量的數(shù)據(jù)，再通過該文所提的模糊神經(jīng)網(wǎng)絡對該數(shù)據(jù)進行挖掘、分析，并利用粒子群優(yōu)化算法對其參數(shù)進行優(yōu)化，預測出該電網(wǎng)企業(yè)未來一段時間內的人力資源需求。

表1 部分實驗數(shù)據(jù)樣本

3.2 驗證粒子群優(yōu)化的有效性

文中采用模糊神經(jīng)網(wǎng)絡對數(shù)據(jù)集進行深度挖掘和分析，并對未來一定時間內的目標值進行預測。根據(jù)上文可知，輸入層的神經(jīng)元數(shù)量由輸入數(shù)據(jù)的因素數(shù)量決定，輸出層的神經(jīng)元數(shù)量則為1，而隱藏層的數(shù)量則需通過不斷調整，以確定最優(yōu)的數(shù)量。為確定模糊神經(jīng)網(wǎng)絡隱藏層中最優(yōu)的神經(jīng)元數(shù)量及迭代次數(shù)，文中進行了多組實驗，得到的結果如表2 所示。由表2 可以確定模糊神經(jīng)網(wǎng)絡最優(yōu)的兩個隱藏層神經(jīng)元個數(shù)分別為100 個和80 個，迭代次數(shù)則為150 次。當使用上述最優(yōu)神經(jīng)元個數(shù)，且經(jīng)過150 次迭代后，該網(wǎng)絡在數(shù)據(jù)集上得到的預測誤差為2.97%。

表2 實驗結果對比

雖然模糊神經(jīng)網(wǎng)絡能在實驗仿真中實現(xiàn)較為精確的預測，但2.97%的誤差仍無法為資源優(yōu)化配置提供最優(yōu)方案。因此，利用粒子群優(yōu)化算法對模糊神經(jīng)網(wǎng)絡的權重參數(shù)進行優(yōu)化，以降低該網(wǎng)絡的預測誤差。在粒子群優(yōu)化算法的參數(shù)設置上，文中經(jīng)過多次實驗最終采用以下參數(shù)設置：粒子群大小為50，學習因子c1、c2均設置為1.2，粒子速度則在[-20，20]之間進行更新。先將粒子群的最大進化次數(shù)設置為100，并通過觀察圖4 中粒子群的適應度變化曲線可知，當粒子群算法經(jīng)過87 次迭代后完成收斂；然后，將采用上述參數(shù)設置的粒子群優(yōu)化算法加入模糊神經(jīng)網(wǎng)絡中，對該網(wǎng)絡的權重參數(shù)進行尋優(yōu)；最終，經(jīng)粒子群算法優(yōu)化的模糊神經(jīng)網(wǎng)絡在數(shù)據(jù)集上的預測誤差從2.97%下降至0.13%，預測誤差進一步降低，實現(xiàn)電網(wǎng)人力資源的優(yōu)化配置。

圖4 粒子群算法的適應度變化曲線

3.3 與其他方法對比

為了驗證所提算法的優(yōu)越性，還加入了多組實驗來與多元線性回歸(Multivariable Linear Regression)、決策樹(Decision Tree)和XGBoost(EXtreme Gradient Boosting)等機器學習算法進行對比，具體結果如表3所示。

表3 不同算法的誤差值對比

其中，多元回歸分析對需求數(shù)量進行預測的誤差最大，高達5.90%；決策樹和隨機森林相比于多元線性回歸表現(xiàn)良好，誤差分別為3.21%、3.07%；XGBoost 是四種機器學習算法中表現(xiàn)最優(yōu)的，誤差值為2.15%，且優(yōu)于模糊神經(jīng)網(wǎng)絡的2.97%。雖然使用XGBoost 在實驗仿真中獲得的預測誤差較小，但與該文算法的誤差0.13%仍有一定的差距。

綜上所述，該文基于模糊神經(jīng)網(wǎng)絡對相關資源數(shù)據(jù)進行深度挖掘，再利用粒子群算法優(yōu)化網(wǎng)絡的權重參數(shù)，有效提高了算法的最終預測精度，且與其他機器學習算法相比具有顯著的優(yōu)越性。

4 結束語

為了提高電網(wǎng)企業(yè)的人力資源利用水平和運行能效，文中提出了一種基于深度數(shù)據(jù)挖掘和模糊神經(jīng)網(wǎng)絡的電網(wǎng)資源優(yōu)化配置算法，以實現(xiàn)對電網(wǎng)企業(yè)人力資源需求的精確預測。該算法通過引入模糊神經(jīng)網(wǎng)絡技術對電網(wǎng)企業(yè)人力資源數(shù)據(jù)進行深度挖掘，并采用粒子群優(yōu)化算法對模糊神經(jīng)網(wǎng)絡加以改進。通過在實際數(shù)據(jù)集上進行的仿真實驗，驗證了該文算法的有效性及優(yōu)越性。實驗結果表明，經(jīng)粒子群算法改進的模糊神經(jīng)網(wǎng)絡可精確預測出電網(wǎng)企業(yè)的人力需求，且其誤差低于大部分機器學習算法。