方曉萌 章玉 趙夏楠 鞏瑩 劉豪

第一作者簡(jiǎn)介：方曉萌（1999-），男，助理工程師。研究方向?yàn)殡娔苡?jì)量、負(fù)荷管理、綜合能源。

*通信作者：趙夏楠（1992-），女，工程師。研究方向?yàn)殡娏ε嘤?xùn)、人力資源。

DOI：10.19981/j.CN23-1581/G3.2024.13.040

摘? 要：在電力行業(yè)信息化發(fā)展背景下，收集與存儲(chǔ)大量電力數(shù)據(jù)，可為電力企業(yè)營(yíng)銷決策制定提供依據(jù)。該文提出采用人工神經(jīng)網(wǎng)絡(luò)構(gòu)建電力營(yíng)銷系統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型，通過智能決策樹分類算法預(yù)處理模型數(shù)據(jù)，得到最優(yōu)化的模型數(shù)據(jù)，并改進(jìn)神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)目算法，結(jié)合應(yīng)用分時(shí)段預(yù)測(cè)方法及共軛梯度算法分別進(jìn)行網(wǎng)絡(luò)訓(xùn)練及網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化，為網(wǎng)絡(luò)收斂速度加快提供保障，得出相對(duì)準(zhǔn)確的電力營(yíng)銷年度電量預(yù)測(cè)結(jié)論，說明電力營(yíng)銷系統(tǒng)中人工神經(jīng)網(wǎng)絡(luò)具有較高的應(yīng)用價(jià)值。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；電力營(yíng)銷；誤差反向傳播模型；BP神經(jīng)網(wǎng)絡(luò)模型；決策樹分類算法

中圖分類號(hào)：TP183? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? ? ? 文章編號(hào)：2095-2945（2024）13-0167-04

Abstract： In the context of the development of electric power industry informatization， a large number of electric power data are collected and stored， which can provide a basis for marketing decision-making of electric power enterprises. This paper proposes to use artificial neural network to construct BP neural network model of electric power marketing system， preprocess model data by intelligent decision tree classification algorithm， get the optimal model data， and improve the algorithm of hidden layer node number of neural network. Network training and structure optimization are carried out by using time-divided prediction method and conjugate gradient algorithm， which provides a guarantee for accelerating the convergence speed of the network. A relatively accurate conclusion of annual electricity forecast of electric power marketing is obtained， which shows that artificial neural network has high application value in electric power marketing system.

Keywords： artificial neural network; power marketing; error back propagation model; BP neural network model; decision tree classifacation algorithm

人工神經(jīng)網(wǎng)絡(luò)是當(dāng)今時(shí)代深入探索非線性復(fù)雜問題的新技術(shù)，可對(duì)人腦機(jī)能進(jìn)行模仿，經(jīng)過學(xué)習(xí)及數(shù)據(jù)集訓(xùn)練后，預(yù)測(cè)信息并歸類數(shù)據(jù)，可采用分布式形式存儲(chǔ)信息，且能規(guī)模化處理電力數(shù)據(jù)。誤差反向傳播算法（簡(jiǎn)稱BP）是人工神經(jīng)網(wǎng)絡(luò)模型的主要形式，具有結(jié)構(gòu)簡(jiǎn)潔、應(yīng)用面廣的特征，復(fù)雜非線性關(guān)系擬合更加便捷，數(shù)據(jù)預(yù)測(cè)也較為精準(zhǔn)，因而在電力營(yíng)銷系統(tǒng)中應(yīng)用BP神經(jīng)網(wǎng)絡(luò)具有可行性。

1? BP神經(jīng)網(wǎng)絡(luò)及其結(jié)構(gòu)特征

BP神經(jīng)網(wǎng)絡(luò)及其變形形式在人工神經(jīng)網(wǎng)絡(luò)實(shí)踐中應(yīng)用占比高達(dá)85%左右，主要用于模式識(shí)別、數(shù)據(jù)分類、非線性映射，同時(shí)在復(fù)雜系統(tǒng)仿真及過程控制等其他方面也具有較高應(yīng)用價(jià)值[1]。BP神經(jīng)網(wǎng)絡(luò)具有3層結(jié)構(gòu)，一是輸入層，二是隱含層，三是輸出層。這些層次之間相互連接，但同層單元之間并不是相互連接關(guān)系。BP神經(jīng)網(wǎng)絡(luò)屬于前向結(jié)構(gòu)網(wǎng)絡(luò)，各結(jié)構(gòu)層連接權(quán)值均具有可調(diào)性，主要是通過學(xué)習(xí)實(shí)現(xiàn)連接權(quán)值的有效調(diào)節(jié)。除了輸入層單元以外，BP神經(jīng)網(wǎng)絡(luò)的其他基本處理單元間均屬于非線性輸入或輸出的關(guān)系，且數(shù)據(jù)傳送過程具有連續(xù)性。

2? 電力營(yíng)銷中BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建步驟及關(guān)鍵技術(shù)

2.1? 建模步驟

BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建過程分為3個(gè)步驟，一是采集與整理原始數(shù)據(jù)，收集特征相似對(duì)象的相關(guān)數(shù)據(jù)信息，并對(duì)所收集原始數(shù)據(jù)展開預(yù)處理。需利用適合的數(shù)據(jù)預(yù)處理算法及技術(shù)手段，消除數(shù)據(jù)噪點(diǎn)并補(bǔ)充數(shù)據(jù)，以得到最優(yōu)訓(xùn)練樣本。二是確定模型拓?fù)浣Y(jié)構(gòu)，先確定網(wǎng)絡(luò)層數(shù)，再明確輸入、隱含、輸出各層節(jié)點(diǎn)數(shù)目。然后通過模型訓(xùn)練與檢測(cè)，收集整理規(guī)律性、可靠性數(shù)據(jù)集合。三是改進(jìn)網(wǎng)絡(luò)數(shù)值優(yōu)化技術(shù)，使系統(tǒng)快速完成全局極小點(diǎn)收斂，避免出現(xiàn)局部最小點(diǎn)，或引發(fā)震蕩現(xiàn)象，以保障BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用性能，減少網(wǎng)絡(luò)訓(xùn)練運(yùn)算頻次，節(jié)約網(wǎng)絡(luò)訓(xùn)練耗費(fèi)時(shí)間[2]。

2.2? 關(guān)鍵技術(shù)

2.2.1? 數(shù)據(jù)預(yù)處理技術(shù)

數(shù)據(jù)預(yù)處理技術(shù)主要用于統(tǒng)一數(shù)據(jù)并提升數(shù)據(jù)完整性。數(shù)據(jù)預(yù)處理包含4個(gè)主要流程，一是采集數(shù)據(jù)，二是歸類數(shù)據(jù)，三是過濾異常數(shù)據(jù)，四是補(bǔ)充完善數(shù)據(jù)。在這4個(gè)環(huán)節(jié)當(dāng)中，數(shù)據(jù)歸類最為重要，數(shù)據(jù)正確歸類后更易辨識(shí)異常數(shù)據(jù)，且數(shù)據(jù)補(bǔ)充也更加方便。電力系統(tǒng)數(shù)據(jù)易受客觀條件影響，如溫度、降雨、季節(jié)等等。因此，電力系統(tǒng)數(shù)據(jù)具有多屬性特征，以向量的形式存在，數(shù)據(jù)屬性及數(shù)據(jù)值分別用An與data表示，數(shù)據(jù)樣本向量形式應(yīng)表示為（A1，A2，…，An；data），可采用決策樹分類算法執(zhí)行數(shù)據(jù)歸類操作。

2.2.2? 決策樹分類算法

決策樹分類算法主要用于高維度數(shù)據(jù)歸類處理，分類結(jié)果較佳，在電力營(yíng)銷系統(tǒng)中，可以應(yīng)用改進(jìn)后的決策樹分類算法。決策樹分類算法分為建樹、剪枝2個(gè)重要階段，分別屬于遞歸過程及訓(xùn)練集降噪過程。決策樹分類算法主要采用貪心算法，由上而下通過遞歸擊破構(gòu)建決策樹，并通過同步修剪及遲滯修養(yǎng)完成剪枝。以高速可伸縮性決策樹分類算法SLIQ算法為基礎(chǔ)，利用基尼系數(shù)取代各計(jì)算過程，并以屬性值評(píng)估作為計(jì)算過程排列依據(jù)，于規(guī)定時(shí)段執(zhí)行計(jì)算操作，可簡(jiǎn)化SLIQ算法計(jì)算量，改進(jìn)后決策樹算法的節(jié)點(diǎn)屬性數(shù)及群組劃分?jǐn)?shù)決定各節(jié)點(diǎn)的計(jì)算總量，且樹中各改進(jìn)節(jié)點(diǎn)具有可變性未分類模式，可獨(dú)立完成分組計(jì)算過程，并需通過優(yōu)選時(shí)間段/群大小確保得到最優(yōu)結(jié)果[3]。此種改進(jìn)后的算法比SLIQ算法分類精度更高。

2.2.3? 數(shù)據(jù)補(bǔ)齊技術(shù)

為真實(shí)反應(yīng)數(shù)據(jù)規(guī)律，不可直接剔除不全面、不正確歷史數(shù)據(jù)，否則會(huì)影響網(wǎng)絡(luò)訓(xùn)練結(jié)果，可采取補(bǔ)齊缺損或異常數(shù)據(jù)的形式減少對(duì)網(wǎng)絡(luò)訓(xùn)練結(jié)果產(chǎn)生的干擾。數(shù)據(jù)補(bǔ)齊技術(shù)常用方法有5種，一是刪除壞數(shù)據(jù)以獲得完整數(shù)據(jù)集；二是以特殊屬性值處理壞數(shù)據(jù)；三是以信息表中屬性值分布為依據(jù)估算缺損數(shù)據(jù)；四是利用模型集或Vague集方法補(bǔ)充數(shù)據(jù)；五是采用粗糙集，根據(jù)容差關(guān)系構(gòu)建數(shù)據(jù)間不可分辯關(guān)系，以補(bǔ)充缺損數(shù)據(jù)。電力營(yíng)銷系統(tǒng)中，對(duì)上述方法進(jìn)行了改進(jìn)，得到平均值填充算法，對(duì)信息表中的數(shù)據(jù)進(jìn)行區(qū)分，歸類為屬性或非屬性數(shù)據(jù)，利用智能決策樹分類算法，以數(shù)據(jù)屬性歸類屬性值，利用屬性中高頻出現(xiàn)的非屬性值取代數(shù)據(jù)中的非屬性值，從同類數(shù)據(jù)中缺損數(shù)據(jù)前后各取5組數(shù)據(jù)，通過數(shù)據(jù)值計(jì)算完成數(shù)據(jù)補(bǔ)充[4]。

2.2.4? 結(jié)構(gòu)優(yōu)化技術(shù)

電力營(yíng)銷系統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)分為3層，位于輸入層及輸出層中間的隱含層，作用是提取并向輸出層傳遞輸入模式特征差異，再由輸出層判斷輸入模式所屬類別。雖然采用S型隱層與線性輸出層相疊加的網(wǎng)絡(luò)結(jié)構(gòu)形式能提升處理精度，但會(huì)增加網(wǎng)絡(luò)復(fù)雜度，延長(zhǎng)網(wǎng)絡(luò)權(quán)值訓(xùn)練時(shí)間。而在隱含層中增設(shè)神經(jīng)元也具有降低誤差的作用，為此，應(yīng)增設(shè)隱層神經(jīng)元數(shù)據(jù)。在各層節(jié)點(diǎn)數(shù)確定時(shí)，隱含層節(jié)點(diǎn)數(shù)確定屬于核心，常采用3種方法：一是基于柯爾莫哥洛夫定理的節(jié)點(diǎn)層數(shù)確定法，二是試湊法，三是公式近似確定法。結(jié)合電力營(yíng)銷系統(tǒng)實(shí)際情況，人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用時(shí)，結(jié)合運(yùn)用試湊法及最小二乘法確定隱含層節(jié)點(diǎn)數(shù)據(jù)。操作時(shí)，結(jié)合輸入輸出2層節(jié)點(diǎn)數(shù)，按公式計(jì)算隱含層節(jié)點(diǎn)數(shù)，再利用小部分樣本確定激活函數(shù)，依據(jù)網(wǎng)絡(luò)輸出實(shí)際值與期望值的矢量均方誤差，結(jié)合訓(xùn)練步數(shù)確定隱含層數(shù)，進(jìn)而得到訓(xùn)練步數(shù)小、精度高的BP網(wǎng)絡(luò)結(jié)構(gòu)模型[5]。

2.2.5? 數(shù)值優(yōu)化技術(shù)

數(shù)值優(yōu)化技術(shù)的作用是確保系統(tǒng)可快速完成全局極小點(diǎn)收斂任務(wù)，從而優(yōu)化BP神經(jīng)網(wǎng)絡(luò)性能。電力營(yíng)銷系統(tǒng)應(yīng)用人工網(wǎng)絡(luò)技術(shù)時(shí)，采用共軛梯度法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。首先要確定共軛方向，假設(shè)實(shí)施k次迭代后得到x■個(gè)點(diǎn)，利用Taylor級(jí)數(shù)，于此點(diǎn)處展開目標(biāo)函數(shù)后，利用下式計(jì)算其二階近似值

。（1）

得到的目標(biāo)函數(shù)二階近似值可用于確定共軛方向。先于實(shí)驗(yàn)點(diǎn)處選擇負(fù)梯度方向，以此作為搜索方向，若其函數(shù)具有較快的下降速度，說明采用n次搜索便可使n維歐氏空間的非負(fù)定二次函數(shù)降至最低。實(shí)際計(jì)算時(shí)，因舍入誤差的存在，實(shí)際搜索次數(shù)要多于n次，且需進(jìn)行多次非二次函數(shù)迭代，為防止誤差積累影響收斂效果，可在n次或n+1次迭代后，將最速下降方向設(shè)為方向向量，再次啟動(dòng)算法進(jìn)行計(jì)算[6]。

3? 電力營(yíng)銷系統(tǒng)中人工神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)

3.1? 電力營(yíng)銷系統(tǒng)數(shù)據(jù)來源及結(jié)構(gòu)框架

基礎(chǔ)數(shù)據(jù)主要有3個(gè)獲取途徑，一是從電力管理信息系統(tǒng)中獲取，包含用電營(yíng)業(yè)數(shù)據(jù)、營(yíng)銷數(shù)據(jù)、財(cái)務(wù)數(shù)據(jù)等；二是由供電系統(tǒng)的采集監(jiān)控系統(tǒng)提供，即客戶服務(wù)數(shù)據(jù)、生產(chǎn)調(diào)度數(shù)據(jù)；三是提取自外部環(huán)境，包含氣象、政策、行業(yè)、統(tǒng)計(jì)局及銀行等方面的數(shù)據(jù)。獲取到的數(shù)據(jù)信息先向電力營(yíng)銷系統(tǒng)中導(dǎo)入，而后經(jīng)過數(shù)據(jù)抽取、數(shù)據(jù)過濾，最后進(jìn)行數(shù)據(jù)整合與統(tǒng)計(jì)?；谌斯ど窠?jīng)網(wǎng)絡(luò)的電力營(yíng)銷系統(tǒng)需要設(shè)置涵蓋三級(jí)層次的數(shù)據(jù)轉(zhuǎn)換結(jié)構(gòu)：一是詳細(xì)數(shù)據(jù)層，根據(jù)主題劃分客戶單級(jí)數(shù)據(jù)；二是統(tǒng)計(jì)數(shù)據(jù)層，以分析主題為依據(jù)統(tǒng)計(jì)挖掘相應(yīng)數(shù)據(jù)；三是綜合數(shù)據(jù)層，立足多個(gè)維度展開數(shù)據(jù)分析及預(yù)測(cè)。系統(tǒng)需先從原始數(shù)據(jù)庫(kù)篩選提取數(shù)據(jù)，并存入電力營(yíng)銷系統(tǒng)數(shù)據(jù)庫(kù)，再利用開發(fā)工具展開數(shù)據(jù)分析?；谌斯ど窠?jīng)網(wǎng)絡(luò)的電力營(yíng)銷系統(tǒng)結(jié)構(gòu)框架如圖1所示。

圖1? 基于人工神經(jīng)網(wǎng)絡(luò)的電力營(yíng)銷系統(tǒng)基本結(jié)構(gòu)

3.2? 預(yù)處理電力營(yíng)銷系統(tǒng)數(shù)據(jù)

由于電力營(yíng)銷系統(tǒng)中氣候因素對(duì)電力數(shù)據(jù)影響較大，需將氣候因素作為電力數(shù)據(jù)屬性值。由此可創(chuàng)建電力數(shù)據(jù)樣本向量，包含季節(jié)、溫度、降水、工作休息日、重大節(jié)日和數(shù)據(jù)6個(gè)向量。其中，季節(jié)向量可按四季劃分為4個(gè)時(shí)間區(qū)間，一區(qū)間為3至5月，二區(qū)間為6至8月，三區(qū)間為9至11月，四區(qū)間為12至2月。根據(jù)區(qū)域氣候特征，各月平均溫度可劃分為5個(gè)溫度區(qū)間，5 ℃以下為第一溫度區(qū)間，5～15 ℃為第二溫度區(qū)間，15～25 ℃為第三溫度區(qū)間，25～35 ℃為第四溫度區(qū)間，35 ℃以上為第五溫度區(qū)間。工作休息日可設(shè)為2個(gè)向量，工作日包含周一至周五，休息日包含周六及周日。最后，重大節(jié)日分為3個(gè)向量，即五一國(guó)際勞動(dòng)節(jié)、十一國(guó)慶節(jié)及春節(jié)。應(yīng)按月記錄數(shù)據(jù)屬性信息，即將當(dāng)月溫度平均值、降水總量、當(dāng)月總天數(shù)分別作為溫度、降水、工作休息日3個(gè)向量的數(shù)據(jù)屬性信息，而后再結(jié)合電力營(yíng)銷系統(tǒng)數(shù)據(jù)過濾模型過濾處理相關(guān)數(shù)據(jù)。

3.3? 確定BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

3.3.1? 構(gòu)建網(wǎng)絡(luò)模型

存在偏差且涵蓋一個(gè)以上S型隱含層，與一個(gè)線性輸出層共同構(gòu)建而成的網(wǎng)絡(luò)與有理函數(shù)更為接近。因此，電力營(yíng)銷系統(tǒng)應(yīng)構(gòu)建前向3層BP神經(jīng)網(wǎng)絡(luò)模型（圖2）。

圖2? 前向3層BP神經(jīng)網(wǎng)絡(luò)模型

3.3.2? 確定輸入層與輸出層節(jié)點(diǎn)

輸入量主要有2種類別，一是歷史數(shù)據(jù)，二是預(yù)測(cè)相關(guān)因素。由于電力用戶關(guān)注度較高的營(yíng)銷分析指標(biāo)較多，經(jīng)過濾，確定6個(gè)輸入層節(jié)點(diǎn)，一為總電量，二為用戶數(shù)目，三為總負(fù)荷，四為無功負(fù)荷，五為售電量，六為購(gòu)電量。而由于電力系統(tǒng)的數(shù)據(jù)對(duì)于氣候因素相對(duì)敏感，因此還要將預(yù)測(cè)月的氣候條件的季節(jié)、溫度、降水、工作休息日和重大節(jié)日5個(gè)向量選為輸入節(jié)點(diǎn)?？刹捎萌諝v了解預(yù)測(cè)季節(jié)、工作休息日及重大節(jié)日3個(gè)因素?cái)?shù)據(jù)，并從氣象部門處獲取月溫度及月降水預(yù)測(cè)情況，或是利用改進(jìn)的算術(shù)平均值算法計(jì)算過去10年的溫度及降水平均值，作為預(yù)測(cè)月的溫度數(shù)據(jù)及降水?dāng)?shù)據(jù)。參照輸入層節(jié)點(diǎn)確定方法選擇輸出層節(jié)點(diǎn)，設(shè)置總電量、用戶數(shù)目、總負(fù)荷、無功負(fù)荷、售電量及購(gòu)電量6個(gè)節(jié)點(diǎn)，但無須考慮氣象因素。

3.3.3? 確定隱含層節(jié)點(diǎn)

根據(jù)輸入節(jié)點(diǎn)、輸出節(jié)點(diǎn)數(shù)目，計(jì)算隱含層節(jié)點(diǎn)的數(shù)目，得出隱含層至少應(yīng)有8至17個(gè)節(jié)點(diǎn)，然后確定激活函數(shù)，采用共軛梯度優(yōu)化算法，從數(shù)據(jù)樣本中提取數(shù)據(jù)樣本進(jìn)行訓(xùn)練，得到的隱含層節(jié)點(diǎn)數(shù)及誤差降幅數(shù)據(jù)見表1。分析表中數(shù)據(jù)發(fā)現(xiàn)，隱含層節(jié)點(diǎn)數(shù)目設(shè)置為14個(gè)時(shí)誤差率最小，應(yīng)確定隱含層節(jié)點(diǎn)數(shù)為14個(gè)。

表1? 隱含層節(jié)點(diǎn)數(shù)及誤差降幅數(shù)據(jù)

3.4? 優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)采用共軛梯度算法進(jìn)行優(yōu)化，構(gòu)建共軛梯度向量后，應(yīng)將高維目標(biāo)函數(shù)極小問題，變?yōu)槎鄠€(gè)共軛方向上目標(biāo)函數(shù)一維優(yōu)化問題，再根據(jù)目標(biāo)函數(shù)二階近似值確定共軛方向?；诠曹椞荻人惴ǖ腂P神經(jīng)網(wǎng)絡(luò)優(yōu)化學(xué)習(xí)時(shí)，應(yīng)先初始化連接權(quán)值及閾值，為網(wǎng)絡(luò)提供訓(xùn)練樣本，而后計(jì)算隱含層、輸出層各單元輸入及輸出，并得出誤差結(jié)果，然后分別調(diào)整隱含層及輸入/輸出層間的連接權(quán)值、輸出層或隱含層各單元的輸出閾值，之后再更新學(xué)習(xí)模式，確定樣本訓(xùn)練是否全部完成，完成則繼續(xù)更新學(xué)習(xí)次數(shù)，次數(shù)介于誤差及N之間時(shí)，結(jié)束學(xué)習(xí)；若樣本訓(xùn)練未完成或?qū)W習(xí)次數(shù)更新后次數(shù)低于誤差或大于N，均要返回初始化后一層重新學(xué)習(xí)。

3.5? BP網(wǎng)絡(luò)訓(xùn)練及結(jié)果對(duì)比

為防止訓(xùn)練樣本曲線波動(dòng)幅度過大，應(yīng)選用分段預(yù)測(cè)法展開網(wǎng)絡(luò)訓(xùn)練，以獲得精確訓(xùn)練結(jié)果，降低訓(xùn)練步數(shù)。由于相同氣候條件下，電力系統(tǒng)中2個(gè)鄰近月份數(shù)據(jù)之間關(guān)系密切，因而同類數(shù)據(jù)中當(dāng)月及下月數(shù)據(jù)可選作一對(duì)訓(xùn)練樣本展開訓(xùn)練及預(yù)測(cè)。以某電力公司2021年電力數(shù)據(jù)作為歷史數(shù)據(jù)，對(duì)2022年度電力數(shù)據(jù)進(jìn)行預(yù)測(cè)，先導(dǎo)入2021年的電力數(shù)據(jù)，并將2022年的氣候因素全部輸入BP神經(jīng)網(wǎng)絡(luò)模型，可以得出2022年度預(yù)測(cè)及實(shí)際總電量對(duì)比曲線（圖3）。圖3中顯示，2022年預(yù)測(cè)總電量及實(shí)際總電量2個(gè)曲線的波動(dòng)趨勢(shì)較為相似，預(yù)測(cè)結(jié)果并無明顯差異。經(jīng)計(jì)算，預(yù)測(cè)平均絕對(duì)百分誤差為2.1%，最大及最小絕對(duì)百分誤差分別為4.16%與0.5%，分析各月的絕對(duì)百分誤差發(fā)現(xiàn)，只有9月份高于4%，4、8、12三個(gè)月份介于3%至4%之間，其余月份均低于3%，說明利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)電力系統(tǒng)年度總電量較為準(zhǔn)確。

4? 結(jié)束語

電力營(yíng)銷預(yù)測(cè)是一項(xiàng)系統(tǒng)性、長(zhǎng)期性的工作任務(wù)，需要立足宏觀層次，對(duì)電力企業(yè)未來發(fā)展趨勢(shì)展開科學(xué)預(yù)測(cè)與分析。基于人工神經(jīng)網(wǎng)絡(luò)構(gòu)建電力營(yíng)銷系統(tǒng)的營(yíng)銷預(yù)測(cè)模型，應(yīng)理順BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建步驟，選擇適合的建模技術(shù)，確定數(shù)據(jù)來源、建立模型結(jié)構(gòu)框架，并做好數(shù)據(jù)預(yù)處理、合理設(shè)計(jì)拓?fù)浣Y(jié)構(gòu)，再利用共軛優(yōu)化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。經(jīng)BP網(wǎng)絡(luò)訓(xùn)練驗(yàn)證發(fā)現(xiàn)，電力營(yíng)銷系統(tǒng)中應(yīng)用人工神經(jīng)網(wǎng)絡(luò)，預(yù)測(cè)結(jié)果較為精準(zhǔn)、可靠。

參考文獻(xiàn)：

[1] 劉朋輝.基于BP神經(jīng)網(wǎng)絡(luò)的智能電網(wǎng)短期電力負(fù)荷預(yù)測(cè)[J].江西電力職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2023，36（2）：10-12.

[2] 鄭曉坤.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的遼陽地區(qū)電力負(fù)荷短期預(yù)測(cè)方法研究[D].沈陽：沈陽農(nóng)業(yè)大學(xué)，2022.

[3] 柴志君，歐陽中輝，岳炯.一種改進(jìn)的灰色BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[J].兵工自動(dòng)化，2020，39（10）：84-88，96.

[4] 金麗麗.基于GRA-SSA-BP神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)方法[J].紅水河，2022，41（3）：92-96.

[5] 余鑫.基于小波分析的改進(jìn)IPSO-BP神經(jīng)網(wǎng)絡(luò)中期電力負(fù)荷預(yù)測(cè)研究[D].成都：西華大學(xué)，2020.

[6] 張武軍，程遠(yuǎn)林，周捷，等.基于特性分析的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)短期電力預(yù)測(cè)方法[J].湖南電力，2020，40（3）：17-22.