基于智能决策树和人工智能网络的电力营销.docVIP

基于智能决策树和人工智能网络的电力营销 牛伟华 （华北电力大学 保定 计算机系 071003 中国） 摘要：本文介绍了在电力营销中一种采用人工智能网络的新方法。在数据预处理中使用智能决策树分类算法以确保数据优化，这种关于人工智能网络隐藏节点的算法逐步得以改进，人工智能网络的计算复杂度已经逐步降低。实验结果表明人工智能网络模型在电力分布上具有很好的预测效果。 关键词：智能决策树；人工智能网络；数据预处理；电力营销 1.引言 作为人工智能的一个分支，神经网络的研究从80年代中期开始变得越来越火。神经网络在预测上具有独特优势，拥有比其他统计方法更高的精确度。因此成为解决电力营销问题的有效工具。神经网络采用字符数据驱动，模型中使用的数据从训练实例中获得，它取决于抽样的数量和质量。由于电力营销领域的数据杂乱无章，因此神经网络研究的关键问题即在于分析和整理原始数据，满足神经网络的需求，保持数据的原创性。 决策分类数算法善于处理高维数据问题并能获得很好分类结果，因此它给我们提供了一种分析电力营销原始数据的新方法。 2.决策分类算法 决策树是用于分类的一种树形结构。每个内部节点代表一种测试属性，每个边界节点代表一种测试结果，每片叶子代表一种分类。决策树的顶节点即为根节点。如图1所示即为决策树在商业贸易中的一个实例。 图1 决策树分类过程 决策树对出售的电脑进行了分类，并确认消费者是否购买电脑。每个内部节点（方框）代表某种测试属性，每个子节点（椭圆框）代表一种分类（购买电脑=是或者购买电脑=否）。在这个实例中，样本向量如下：（年龄，学生，资信评级，购买电脑），数据格式按（年龄，学生，资信等级）分类。新记录能找到它所属的分类。 按决策树分类分为两步。第一步是按样本生成和简化一个决策树。事实上就是一个从数据集合中采集信息和发展机理的过程。第二部是不输入的数据按已有的决策树进行分类。对于输入记录，试验决定从根节点到子节点的记录价值，并依次进行分类。决策树的基本算法是贪心法。它采用自上而下的格式，解决每个子问题，并生成决策树。 3.基于决策树算法的数据预处理 3.1 电力营销领域的数据特性 通过测量与控制仪器采集的原始数据有很多缺陷，例如噪声、失真和损失。在负载的数据收集中尤其突出。在将原始数据直接作为试验样本和人工智能网络输入的条件下，我们不能很好地确保其预测性。因此对原始数据的预处理显得极为重要。 众所周知，电力系统（负载，电容等）的数据对天气、季节、温度、降水等自然条件和休假、重要节假日等人为因素极为敏感。例如，夏季的气温明显高于春季气温，这就导致居民空调的电压升高，负载电路的载荷也会上升到一个更高的层次。因此电力系统地数据不是一个简单的数值，而是包含很多因属性（如气候、温度和降水等）。系统地数据会以向量格式呈现，一个简单的向量格式可写为：（A1，A2，…，An；data）。An代表数据属性，data代表数据数值。这种数据格式非常适合用于决心树算法的数据分类。 3.2传统数据预处理方法的缺陷 电力营销中数据预处理主要包含四个步骤：数据采集，数据分类，异常筛选和数据缺陷补偿。通常需要解决的问题是数据分类、异常筛选和数据缺陷补偿，数据缺陷补偿是关键步骤。因为在不同的数据分类中辨别异常数据毫无意义，并且缺陷数据补偿也依赖于更改数据分类。 当前有许多数据预处理方法，主要常用的方法如下： （1）直接删除异常数据； （2）将异常数据视为特殊属性； （3）采用统计方法，在信息表中估算异常数据属性值的分布状态； （4）采用模糊集方法分析和补偿数据； （5）最后一种方法是粗糙集方法，把分类当作基本概念，把错误关系当作基础，在已有数据与补偿数据中之间建立非对应关系。 这些方法的缺陷是没有考虑数据重要属性对数据分类的影响。因此按上诉方法对电力营销数据进行预处理不能获得最优结果。 3.3数据决策树算法在电力营销中的应用 尽管存在上述情况，采用决策树分类算法能够补偿传统数据预处理的缺陷。关键在于将信息表中的数据分为属性值和非属性值，替代了以往那种对所有属性值求算术平均值的方法，那种方法会将一部分不完整的数据也包含在内。也取代了之后那种采用所有试样属性值出现频率最高的方法。 基于电力营销系统地真实数据，采用智能决策树算法，依据数据属性值，对数据非属性值进行了分类。取而代之的是出现频率最高的非属性值，同时采用对所有数据求算数平均值的方法取代属性值。事实上，我们选取了五组数据，将开始数据与结尾数据和不完整数据归为一类，视为不完整数据。并且计算十组数据的属性值修正不完整的数据。 4.系统应用 4.1电力营销的数据预处理 由于电力系统的数据对气候因素特别敏感，气候因素扮演电力系统数据的