李 斌,續(xù)夏冉

(國(guó)網(wǎng)山西省電力公司呂梁供電公司,山西 呂梁 033000)

0 引言

為了確保電力企業(yè)的經(jīng)營(yíng)穩(wěn)定和可持續(xù)發(fā)展,同時(shí)保障用戶的權(quán)益,電力企業(yè)需要及時(shí)有效地推送欠繳電費(fèi)信息給用戶,以提醒用戶繳納電費(fèi),而自動(dòng)推送欠繳電費(fèi)信息成為一種重要的應(yīng)對(duì)方式[1]。本文設(shè)計(jì)并提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的電力企業(yè)用戶欠繳電費(fèi)信息自動(dòng)推送方法。

1 用戶欠繳電費(fèi)信息自動(dòng)生成設(shè)計(jì)

1.1 電力企業(yè)用戶用電信息遠(yuǎn)程抄表

電力企業(yè)使用遠(yuǎn)程抄表技術(shù),檢索電力用戶的用電信息,獲取電力用戶用電數(shù)據(jù)[2],并將數(shù)據(jù)按照類別,劃分成用戶ID數(shù)據(jù)、用電設(shè)備ID數(shù)據(jù)、用電量數(shù)據(jù)、用電時(shí)間數(shù)據(jù)等。將不同類別的數(shù)據(jù)錄入數(shù)據(jù)庫(kù),構(gòu)建電力用戶用電數(shù)據(jù)表,如表1所示。

表1 電力用戶用電數(shù)據(jù)

使用SQL語(yǔ)言中的JOIN操作,將用戶信息表、用電數(shù)據(jù)表和繳費(fèi)記錄表進(jìn)行關(guān)聯(lián)[3]。關(guān)聯(lián)的依據(jù)是根據(jù)用戶ID,獲取每個(gè)用戶的完整用電和繳費(fèi)記錄,篩選出存在欠費(fèi)情況的用戶。

1.2 生成用戶欠繳賬單

用戶用電數(shù)據(jù)采集完成后,利用繳費(fèi)模塊獲取用戶欠繳信息,生成用戶欠繳賬單。用戶欠繳信息的獲取需要依據(jù)電力企業(yè)計(jì)費(fèi)系統(tǒng)中資源單價(jià)的設(shè)置,選擇計(jì)費(fèi)因子組合成計(jì)費(fèi)方式,配置可供企業(yè)用戶選擇的SLA套餐,完成用戶欠繳信息的計(jì)算[4]。計(jì)費(fèi)配置的時(shí)序如圖1所示。

圖1 平臺(tái)管理員計(jì)費(fèi)配置時(shí)序

圖1中,Platformadmininfo為平臺(tái)管理員對(duì)象,Systempriceinit為資源對(duì)象,Billingstyleser為計(jì)費(fèi)方式對(duì)象,SLApackageset為協(xié)議套餐對(duì)象。依據(jù)圖1,電力企業(yè)可計(jì)算出電力企業(yè)用戶繳費(fèi)信息,完成繳費(fèi)賬單的生成。

2 構(gòu)建欠繳電費(fèi)信息自動(dòng)推送模型

本文基于深度神經(jīng)網(wǎng)絡(luò)構(gòu)建欠繳電費(fèi)信息自動(dòng)推送模型。模型分為訓(xùn)練和推送2級(jí)。訓(xùn)練級(jí)通過真實(shí)數(shù)據(jù)訓(xùn)練預(yù)測(cè)評(píng)分和推送時(shí)間間隔的模型,確保推送的準(zhǔn)確性和及時(shí)性。推送級(jí)則結(jié)合訓(xùn)練好的模型,為電力用戶提供個(gè)性化推薦服務(wù)。構(gòu)建的模型如圖2所示。

圖2 基于深度神經(jīng)網(wǎng)絡(luò)的信息推送模型

如圖2所示,基于深度神經(jīng)網(wǎng)絡(luò)的信息推送模型執(zhí)行過程如下:

(1)信息輸入過程。

構(gòu)建一個(gè)包含多個(gè)維度的特征向量,用于對(duì)輸入深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和預(yù)測(cè)。這些特征涵蓋了用戶的用電行為和繳費(fèi)歷史,有助于模型更好地理解和預(yù)測(cè)用戶的電費(fèi)欠繳風(fēng)險(xiǎn)。電力用戶繳費(fèi)復(fù)合特征計(jì)算公式為:

(1)

式中,ω表示偏置;f表示激活函數(shù);P表示平均繳費(fèi)周期。

(2)神經(jīng)網(wǎng)絡(luò)構(gòu)建。

將電力用戶繳費(fèi)復(fù)合特征作為輸入,輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在卷積層,采用卷積操作對(duì)輸入數(shù)據(jù)進(jìn)行分析,通過卷積核的滑動(dòng)窗口,尋找輸入用電數(shù)據(jù)中的局部特征。池化連接層用于降低數(shù)據(jù)的維度,并且保留重要特征。通常使用最大池化或平均池化操作,提取數(shù)據(jù)中最顯著的特征。通過神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,模型可以學(xué)習(xí)到輸入數(shù)據(jù)中的復(fù)雜關(guān)系,并生成最終的預(yù)測(cè)結(jié)果。

在模型訓(xùn)練過程中會(huì)出現(xiàn)訓(xùn)練過度的現(xiàn)象,故本次構(gòu)建代價(jià)函數(shù)改善訓(xùn)練過程,其函數(shù)如下所示:

(2)

式中,C為代價(jià)函數(shù);y(h)表示卷積神經(jīng)網(wǎng)絡(luò)的輸出值;λ表示層數(shù)。

對(duì)預(yù)測(cè)結(jié)果進(jìn)行后處理,確定閾值,以區(qū)分欠繳風(fēng)險(xiǎn)等級(jí)。此處閾值的設(shè)定可根據(jù)實(shí)際情況人工調(diào)整,篩選出高欠繳風(fēng)險(xiǎn)的用戶,基于此預(yù)測(cè)結(jié)果,將相應(yīng)的繳費(fèi)信息精準(zhǔn)推送給用戶。

推送實(shí)施詳細(xì)過程為:將深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果進(jìn)行格式化,確保其結(jié)構(gòu)與推送系統(tǒng)能夠兼容。將欠費(fèi)用戶的詳細(xì)信息存儲(chǔ)在數(shù)據(jù)庫(kù)中,并通過API數(shù)據(jù)接口進(jìn)行訪問。根據(jù)用戶習(xí)慣和業(yè)務(wù)需求選擇短信通知的推送方式。與短信服務(wù)平臺(tái)進(jìn)行對(duì)接,確保能夠通過API將短信發(fā)送給用戶。短信內(nèi)容包括用戶用電量、欠費(fèi)信息和繳費(fèi)截止日期等必要信息。根據(jù)選定推送方式的具體要求,調(diào)用相應(yīng)的API,將欠費(fèi)信息發(fā)送給高風(fēng)險(xiǎn)用戶。在推送過程中,需要確保信息的安全性和隱私保護(hù),避免用戶信息的泄露。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)環(huán)境設(shè)置

本次選取某電力企業(yè)作為研究對(duì)象,借助八爪魚數(shù)據(jù)采集工具,獲取2022年1月到10月的用電數(shù)據(jù)組建數(shù)據(jù)集,以便于后續(xù)測(cè)試。本文采用Python3.6 作為開發(fā)語(yǔ)言,在Window10 的 64 位操作系統(tǒng)上,以深度學(xué)習(xí)基礎(chǔ)平臺(tái) Tensorflow 為深度學(xué)習(xí)架構(gòu)、以機(jī)器學(xué)習(xí)庫(kù) Sklearn 為隨機(jī)森林特征排序算法開發(fā)庫(kù)、以深度學(xué)習(xí)庫(kù) Keras 為 DNN 模型開發(fā)庫(kù)、以用于創(chuàng)建 GUI 應(yīng)用程序的工具包 Tkinter 為人機(jī)交互界面開發(fā)庫(kù),完成代碼編寫和實(shí)驗(yàn)平臺(tái)的搭建。本文選取蔣穎等[3]研究方法作為對(duì)比方法,以精確率為指標(biāo),衡量模型預(yù)測(cè)為高風(fēng)險(xiǎn)的用戶與實(shí)際風(fēng)險(xiǎn)是否一致。

3.2 實(shí)驗(yàn)結(jié)果分析

本文利用所提方法和對(duì)比方法分別進(jìn)行繳費(fèi)信息推送,對(duì)比不同數(shù)量用戶時(shí)的高風(fēng)險(xiǎn)用戶預(yù)測(cè)精確率,得到的對(duì)比結(jié)果如表2所示。

表2 不同數(shù)量用戶時(shí)高風(fēng)險(xiǎn)用戶預(yù)測(cè)精確率 單位:%

由表2可以看出,隨著用戶數(shù)目的增加,本文所提方法的預(yù)測(cè)精確率逐漸下降,而對(duì)比方法的預(yù)測(cè)精確率下降幅度更大。當(dāng)用戶數(shù)目為1000時(shí),本文所提方法的預(yù)測(cè)精確率為97.2%,比對(duì)比方法高出9.6%;當(dāng)用戶數(shù)目增加到5000時(shí),本文所提方法的預(yù)測(cè)精確率為95.3%,仍然比對(duì)比方法高出7.4%。這表明本文所提方法具有較好的泛化性能和穩(wěn)定性,能夠更準(zhǔn)確地預(yù)測(cè)高風(fēng)險(xiǎn)用戶。

4 結(jié)語(yǔ)

本文對(duì)基于深度神經(jīng)網(wǎng)絡(luò)的電力企業(yè)用戶欠繳電費(fèi)信息自動(dòng)推送方法進(jìn)行了設(shè)計(jì)研究,借助電力企業(yè)用電數(shù)據(jù)采集系統(tǒng)完成用電數(shù)據(jù)獲取,并對(duì)其進(jìn)行預(yù)處理,然后設(shè)計(jì)繳費(fèi)模塊,實(shí)現(xiàn)用戶欠繳數(shù)據(jù)的計(jì)算,生成用戶欠繳賬單,最后基于深度神經(jīng)網(wǎng)絡(luò)構(gòu)建用戶欠繳電費(fèi)信息自動(dòng)推送模型,實(shí)現(xiàn)自動(dòng)推送功能。實(shí)驗(yàn)結(jié)果顯示,該方法的應(yīng)用效果優(yōu)于對(duì)比方法,可為提高電力企業(yè)用戶滿意度、促進(jìn)電費(fèi)繳納提供有力支持,具有較高的應(yīng)用價(jià)值。