程慧 張瑞 張世科 史冬妮 付鳳平

摘 要：當重要用戶或敏感用戶發(fā)生停電事件時，電網(wǎng)企業(yè)將面臨較大壓力，所以對用電敏感用戶進行準確辨識，降低停電對其帶來的損失具有重要意義。提出了采用蟻群算法優(yōu)化決策樹算法，主要從屬性離散化，啟發(fā)信息，信息素更新等方面進行優(yōu)化。通過UCI數(shù)據(jù)庫的分類數(shù)據(jù)建立仿真對比實驗，與傳統(tǒng)的SVM和決策樹方法進行實驗對比，驗證了本文所提方法具有更高的分類準確性。將所提方法與傳統(tǒng)的SVM和Logistic算法進行仿真對比，驗證所提方法更適用于用戶停電敏感度的分析。

關(guān)鍵詞：蟻群算法; 決策樹; 停電敏感度; 分類

中圖分類號： TM7

文獻標志碼： A

Abstract：If the power failure happens to important or sensitive users， the power grid enterprises will face on great pressure. Therefore， it is of great significance to accurately identify sensitive users and reduce the loss caused by power failure. An ant colony optimization decision tree algorithm is proposed， which is mainly optimized from the aspects of attribute discretization， heuristic information and pheromone updating. The simulation comparison experiment was established through the classification data of UCI database， and compared with the traditional SVM and decision tree methods， which verifies the higher classification accuracy of the proposed method in this paper. The proposed method in this paper is compared with the traditional SVM and Logistic algorithm to verify that it is more suitable for the analysis of user's power failure sensitivity.

Key words：Ant colony algorithm; Decision tree; Power failure sensitivity; Classification

0 引言

降低由停電導致的投訴可以大大壓縮工單受理次數(shù)，對供電質(zhì)量提升影響比較大[1-2]。因此基于當前工單信息，深入建模挖掘停電敏感的規(guī)律和影響因素，評估停電敏感性，從而確定計劃停電的重要因素，實現(xiàn)每條線路停電計劃的安排有科學理論支撐可遵循，具有重大意義[3-4]。

敏感客戶的研究不同于一般的定性分類問題，目前研究比較少，并沒有明確的模型和可借鑒的方法。現(xiàn)有的停電敏感度研究，基本都是選中影響指標，通過測試數(shù)據(jù)建立測試模型，確定指標權(quán)重，計算得到是否屬于敏感情況[5]。文獻[6]從電力公司提取客戶的用電數(shù)據(jù)，確定對用戶影響較大的屬性，采用邏輯回歸方法建立客戶用電敏感度的分析模型，仿真結(jié)果驗證了該方法能夠準確的對用戶停電敏感度進行預測[6]。文獻[7]從電網(wǎng)企業(yè)采集影響用戶停電的相關(guān)數(shù)據(jù)，采用優(yōu)勢分析法確定主要影響因素，建立基于k-support稀疏邏輯回歸的停電敏感性預測模型[7]。文獻[8]對數(shù)據(jù)進行預處理之后，確定每隔屬性的權(quán)重，提出了一種改進的隨機森林算法，用于辨別停電用戶的敏感程度[8]。文獻[9]根據(jù)客戶的用電數(shù)據(jù)信息，采用熵值法對客戶敏感度進行分析，并將敏感用戶做標簽識別，提高電力企業(yè)服務質(zhì)量[9]。

為了對客戶停電敏感程度進行分析，本文提出了一種改進的決策樹方法，建立用戶停電敏感度分析模型，以提高電力企業(yè)的服務水平。

1 停電敏感度數(shù)據(jù)預處理

采用改進的決策樹方法對用戶進行停電敏感度分析的時候，主要包括數(shù)據(jù)預處理，特征選取，建立停電敏感度分析模型。停電敏感度的流程圖如圖1所示。

3 算例仿真

3.1 算法驗證

為了驗證本文所提的蟻群算法優(yōu)化決策樹算法的有效性，選取UCI數(shù)據(jù)庫10組數(shù)據(jù)進行仿真對比實驗，UCI數(shù)據(jù)庫的數(shù)據(jù)集如表1所示，ACO-C4.5， C4.5和SVM算法的分類結(jié)果如圖3所示。

3.2 基于改進決策樹的用電敏感度分析

采用本文所提方法對居民用戶進行停電敏感用戶分類。選取某地區(qū)電力公司的供電數(shù)據(jù)作為樣本數(shù)據(jù)。停電敏感度的分類結(jié)果如圖4所示。

當蟻群優(yōu)化的決策樹選擇6分支，7層決策層的時候，與SVM和Logistic算法進行分類效果對比，對比結(jié)果如表2所示。

4.3 結(jié)果分析

從圖3可以看出，在處理相同的數(shù)據(jù)時，本文所提的蟻群算法優(yōu)化的決策樹模型，比傳統(tǒng)的決策樹和SVM算法具有更高的分類準確度，驗證了本文所提方法的有效性。

如圖4所示為當分支數(shù)為固定值的時候，決策層數(shù)量從2到9時的各個指標所占百分比。圖4中的a，b，c的R值不能確定停電敏感用戶。圖4中的f，g，h層數(shù)到達6，7的時候，P，R，A能夠達到準確率。通過對比圖4中的決策層數(shù)和分支數(shù)可以發(fā)現(xiàn)，當調(diào)和平均數(shù)大于80%的時候，能夠達到?jīng)Q策樹分類的準確度。通過計算調(diào)和平均數(shù)F，可以知道，滿足條件的決策樹結(jié)構(gòu)為：決策層數(shù)為6的時候，分支數(shù)為7，8，9;當決策層數(shù)為7的時候，分支數(shù)為6，7，8，9;當決策層數(shù)為8的時候，分支數(shù)為6，7，8，9;當決策層數(shù)為9的時候，分支數(shù)為4，5，6，7，8，9。

從表2可以看出，ACO-C4.5比SVM和Logistic具有更好的識別精度召回率，且FPR和FNR較小，更適用于停電敏感用戶的判定。

5 總結(jié)

為了提高停電敏感度預測精度，提出了采用蟻群算法優(yōu)化決策樹模型的方法，經(jīng)過UCI數(shù)據(jù)庫的仿真實驗，驗證了本文所提的改進的決策樹方法比傳統(tǒng)的SVM和決策樹算法具有更高的分類準確度。在采用ACO-C4.5建立停電用戶敏感度分析模型的時候，通過實驗可得分支數(shù)與決策層數(shù)和準確度之間的關(guān)系。對比實驗，驗證了ACO-C4.5更適合停電敏感用戶的判定。

參考文獻

[1]

盧恩，魯曉軍，龍霏，等.電力系統(tǒng)停電風險評估指標及方法[J].電力自動化設備，2015，35（3）：68-74.

[2] 郭賢，郭賀，程浩忠，等.考慮用戶停電損失的微網(wǎng)網(wǎng)架規(guī)劃[J].電工技術(shù)學報，2014，29（8）：301-308.

[3] 劉自發(fā)，張在寶，楊濱，等.電網(wǎng)大停電社會綜合損失評估[J].電網(wǎng)技術(shù)，2017，41（9）：2928-2940.

[4] 曹一家，曹麗華，黎燦兵，等.考慮大停電風險的輸電網(wǎng)擴展規(guī)劃模型和算法[J].中國電機工程學報，2014，34（1）：138-145.

[5] 于群，石良，曹娜，等.廣義極值理論在大停電事故損失負荷預測中的應用[J].電力系統(tǒng)自動化，2016，40（8）：71-77.

[6] 耿俊成，張小斐，袁少光，等.基于邏輯回歸模型的電力客戶停電敏感度評分卡研究與實現(xiàn)[J].電力需求側(cè)管理，2018，20（3）：46-50.

[7] 耿俊成，張小斐，孫玉寶，等.基于K-support稀疏邏輯回歸的停電敏感度預測[J].計算機與現(xiàn)代化，2018（4）：68-73.

[8] 謝國榮，鄭宏，林偉圻，等.基于改進隨機森林算法的停電敏感用戶分類[J].計算機系統(tǒng)應用，2019，28（3）：104-110.

[9] 蔡麗華.基于機器學習技術(shù)的電力停電敏感客戶標簽體系[J].農(nóng)村電氣化，2018（5）：40-43.

[10] 王道明，魯昌華，蔣薇薇，等.基于粒子群算法的決策樹SVM多分類方法研究[J].電子測量與儀器學報，2015，29（4）：611-615.

[11] 劉曉娜，封志明，姜魯光.基于決策樹分類的橡膠林地遙感識別[J].農(nóng)業(yè)工程學報，2013，29（24）：163-172.

[12] 張棪，曹健.面向大數(shù)據(jù)分析的決策樹算法[J].計算機科學，2016，43（S1）：374-379.

[13] 李擎，張超，陳鵬，等.一種基于粒子群參數(shù)優(yōu)化的改進蟻群算法[J].控制與決策，2013，28（6）：873-878.

[14] 張成，凌有鑄，陳孟元.改進蟻群算法求解移動機器人路徑規(guī)劃[J].電子測量與儀器學報，2016，30（11）：1758-1764.

[15] 游曉明，劉升，呂金秋.一種動態(tài)搜索策略的蟻群算法及其在機器人路徑規(guī)劃中的應用[J].控制與決策，2017，32（3）：552-556.

（收稿日期： 2019.10.16）