CN112967108A - 基于bp-ann的电力零售套餐搜索排序仿真系统和方法 - Google Patents
基于bp-ann的电力零售套餐搜索排序仿真系统和方法 Download PDFInfo
- Publication number
- CN112967108A CN112967108A CN202110255295.7A CN202110255295A CN112967108A CN 112967108 A CN112967108 A CN 112967108A CN 202110255295 A CN202110255295 A CN 202110255295A CN 112967108 A CN112967108 A CN 112967108A
- Authority
- CN
- China
- Prior art keywords
- electric power
- package
- retail
- power retail
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004088 simulation Methods 0.000 title claims abstract description 22
- 238000012163 sequencing technique Methods 0.000 title claims abstract description 20
- 230000005611 electricity Effects 0.000 claims description 84
- 238000004364 calculation method Methods 0.000 claims description 22
- 235000012054 meals Nutrition 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000010219 correlation analysis Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000013523 data management Methods 0.000 claims description 10
- 238000007726 management method Methods 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004445 quantitative analysis Methods 0.000 abstract description 5
- 230000010365 information processing Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 18
- 230000006870 function Effects 0.000 description 12
- 230000006399 behavior Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0621—Item configuration or customization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于BP‑ANN模型的电力零售套餐搜索排序仿真系统和方法,属于信息处理技术领域。从多个角度分析并确定影响电力零售用户对电力零售套餐满意度的特征因子,并且对每个特征因子进行量化分析;构建BP‑ANN电力零售套餐综合评分模型;电力零售平台接受电力用户发送的搜索请求,电力零售平台根据电力用户的搜索请求确定对应的电力零售套餐集合。根据BP‑ANN电力零售套餐综合评分模型计算电力零售套餐得分,得出每个电力零售套餐的综合评分并按评分降序排序,综合评分直接反映电力零售用户对电力零售套餐的满意度。本发明对提升电力零售用户的用户体验有重要意义,易于推广应用。
Description
技术领域
本发明属于信息处理技术领域,具体涉及一种基于BP-ANN的电力零售套餐搜索排序仿真系统和方法。
背景技术
随着国内电力市场化改革的不断深化,为进一步完善电力市场结构和市场体系,开发设计了电力零售平台,其中售电公司扮演者电力零售商的角色,部分电力用户直接在电力零售平台上以购买电力零售套餐的方式向售电公司买电。电力用户根据自身需求可以搜索得到不同的电力零售套餐,然后在其中选择满意的套餐。用户对搜索结果的满意度有助于提高用户体验从而吸引更多的电力用户加入电力市场,对促进电力体制改革有至关重要的意义。然而,现有的电商平台多是采取线性评价法对所售商品进行排序,或是分多种属性进行排序,用户很难在诸多商品中选择自己满意的商品,用户更需要的是一种能够综合考虑商品多种属性的套餐搜索排序方法,并且由于国内电力市场还处于初期发展阶段,市场模式亦无法借鉴国外,目前还没有一种科学、合理、有效的对电力零售套餐进行搜索排序的方法。
发明内容
本发明的目的是为了解决现有技术的不足,针对当前国内电力市场化改革背景下,缺乏一种科学有效的对电力零售套餐进行搜索排序的方法的问题,设计一种基于BP-ANN(人工神经网络)模型的电力零售套餐搜索排序仿真系统和方法,依据电力用户历史交易数据高度还原电力用户对电力零售套餐的满意程度,系统通过计算分析电力零售平台的所有套餐,根据用户的搜索文本对所有套餐进行筛选并评分,按评分从高到低综合性地展示搜索结果,为电力零售平台提供一种高效的电力零售套餐销售工具。
为实现上述目的,本发明采用的技术方案如下:
基于BP-ANN模型的电力零售套餐搜索排序仿真方法,包括如下步骤:
步骤(1),采集电力零售套餐信息及电力零售用户的历史交易数据;
步骤(2),计算每个电力套餐满意度特征因子;所述的电力套餐满意度特征因子包括电能价格特征因子、超用电量电价特征因子、商家信用特征因子、好评率特征因子、回购率特征因子和收藏率特征因子;
步骤(3),采用BP神经网络,以每个电力套餐满意度特征因子作为输入,以电力零售套餐的综合评分作为输出,构建BP-ANN电力零售套餐综合评分模型;
步骤(4),电力零售平台根据接收到的电力零售用户搜索的关键词,使用BM25算法对关键词进行文本性分析并全局搜索,将搜索得到的所有符合条件的电力零售套餐作为备选电力零售套餐集合;
步骤(5),计算步骤(4)得到的电力零售套餐集合中各个电力零售套餐的满意度特征因子;
步骤(6),将步骤(5)得到的各个电力零售套餐的满意度特征因子输入到步骤(3)构建的BP-ANN电力零售套餐综合评分模型中,得到各个电力零售套餐的综合评分;
步骤(7),将所有电力零售套餐按照综合评分降序排列,展示给电力零售用户。
进一步,优选的是,步骤(2)具体的计算方法如下:
(3)商家信用特征因子x3:用该套餐的售电公司当月交易中心发布的其信用评级结果表示;
进一步,优选的是,超用电量电价取各段电价的算数平均值。
进一步,优选的是,BP神经网络包括输入层、隐藏层和输出层;其中,隐藏层有2个;输入层节点数为6,输出层节点数为1;每个隐藏层节点数为3。
进一步,优选的是,使用对数Sigmoid函数作为BP神经网络的激励函数。
进一步,优选的是,输入层需要对原始输入数据进行归一化处理,采用最大值最小值归一化法进行归一化处理。
本发明同时提供基于BP-ANN模型的电力零售套餐搜索排序仿真系统,采用上述基于BP-ANN模型的电力零售套餐搜索排序仿真方法,包括:
登录及身份认证模块、用户历史交易数据存储模块、用户历史交易数据管理模块、电力零售套餐综合评分计算模块、电力零售套餐特征因子参数计算和调整模块、用户搜索文本相关性分析模块和电力零售套餐综合评分排序结果管理模块;
登录及身份认证模块,用于为系统用户提供登录信息的录入,同时进行身份验证,验证通过,则可以进行登录,验证不通过,则不能进行登录。所述的用户为参与电力零售市场交易的电力零售用户;
用户历史交易数据存储模块,用于存储电力零售用户的历史交易数据,并将历史交易数据中的电力零售用户进行脱敏处理;
用户历史交易数据管理模块,分别与登录及身份认证模块、用户历史交易数据存储模块、电力零售套餐综合评分计算模块相连,用于查询和管理登录用户的历史交易数据;
电力零售套餐特征因子参数计算和调整模块,用于计算及调整电力零售套餐的特征因子;
电力零售套餐综合评分计算模块,分别与用户历史交易数据管理模块、电力零售套餐特征因子参数计算和调整模块、用户搜索文本相关性分析模块相连;电力零售套餐综合评分计算模块内预存有BP-ANN电力零售套餐综合评分模型,用于根据电力套餐满意度特征因子计算电力零售平台中的所有电力零售套餐的综合评分;
用户搜索文本相关性分析模块,分别与电力零售套餐综合评分计算模块、电力零售套餐综合评分排序结果管理模块相连;用于接收用户输入的搜索文本,并根据BM25算法进行文本相关性分析,从电力零售平台中获取相关电力零售套餐;
电力零售套餐综合评分排序结果管理模块,用于对根据用户搜索文本搜索到的电力零售套餐进行综合评分排序,搜索到的电力零售套餐按综合评分降序排列展示给用户。
用户历史交易数据管理模块中管理用户的历史交易数据是指,统计用户购买的历史电力零售套餐的相关信息;查询用户的历史交易数据则是为了在计算电力零售套餐回购率时会用到相关信息。
电力零售套餐特征因子参数计算和调整模块中的调整具体是指:因为随着时间和交易规则的变化,电力零售套餐也是不断变化的,会影响套餐的受欢迎程度,因此要随着时间的推移和交易规则的迭代重新计算各个特征因子。这个时间尺度一般取年,即每年度需要重新调整一次特征因子。即首次进行建模时需要计算电力零售套餐的特征因子,后续每年度调整一次特征因子,以适应新的交易规则。
本发明中超用电量电价取各段电价的算数平均值。具体举例如下:电力零售套餐执行的是阶梯电价,如果用户用电量超过了套餐的最高段数电量,那超过部分的电量为超用电量,这部分的电价为各段电价的平均值。若一个电力套餐收费标准为:0-10万千万时,0.3元/千瓦时;11-20万千瓦时,0.35元千瓦时;21-30万千瓦时,0.4元/千瓦时。如用户实际用电量为35万千瓦时,则超出部分的5万千万时,按(0.3+0.35+0.4)/3=0.35元/千瓦时来计算。对于不执行阶梯电价的套餐,一般都会设置超用电量电价。
通过本发明规范化电力零售用户对电力零售套餐的满意度概念,在电力市场背景下,对电力零售套餐的满意度进行规范化定义,能反映实际意义且可量化分析。
本发明在电力市场背景下,从多个角度分析并确定影响电力零售用户对电力零售套餐满意度的特征因子,并且对每个特征因子进行量化分析;构建基于BP-ANN电力零售套餐综合评分模型;电力零售平台接受电力用户发送的搜索请求,电力零售平台根据电力用户的搜索请求确定对应的电力零售套餐集合。根据BP-ANN电力零售套餐综合评分模型计算电力零售套餐得分,得出每个电力零售套餐的综合评分并按评分降序排序,综合评分直接反映电力零售用户对电力零售套餐的满意度。
本发明与现有技术相比,其有益效果为:
本发明结合国内电力市场实际,对电力零售用户对电力零售套餐的满意度进行了合理、明确的定义,并通过定量分析可能影响满意度的电力零售套餐特征因子,提出了一种基于BP-ANN电力零售套餐综合评分模型,并通过该模型计算得出了电力零售用户在电力零售平台搜索关键词得到的电力零售套餐综合评分值,根据电力零售套餐综合评分值得到电力零售用户满意的电力零售套餐选择顺序。常规的商品推荐算法往往只是计算商品某几项特征的加权平均值,根据这个加权平均值来对商品进行排序,然而这个加权平均值并不能较好的反应用户对商品的真实评价,因为用户对商品的满意度是受各种因素影响的,可以理解为用户对商品的满意度是如何评价的,是不可知的,即商品的哪些特征因子是如何影响商品的满意度的是不可知的。本发明通过选取电力零售套餐的几个关键的特征因子,建立BP-ANN模型来模拟电力零售套餐的特征因子与电力零售套餐受欢迎程度之间的关系,通过BP-ANN模型计算各个电力零售套餐的综合评分,对综合评分进行排序,从而选择出用户更满意的电力零售套餐。该发明对提升电力零售用户的用户体验有重要意义,且会有效推动售电公司不断推出多样化的电力零售套餐,进而促进电力市场的良性竞争和持续健康发展。
附图说明
图1为基于BP-ANN模型的电力零售套餐搜索排序仿真系统结构示意图;
图2为BP-ANN电力零售套餐综合评分模型的结构示意图。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限定本发明的范围。实施例中未注明具体技术或条件者,按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者,均为可以通过购买获得的常规产品。
实施例1
一、问题定义
在电力市场中,对电力零售套餐搜索排序并分析电力零售用户对电力零售套餐的满意度,实际意义在于基于当前及历史相关数据,分析电力零售用户在电力零售平台的套餐搜索结果中选择某个电力零售套餐的可能性。基于这一目标设定,为了进行量化分析,将电力零售用户对电力零售套餐的满意度定义为:根据电力零售用户对于电力零售套餐某些特征的重视程度来对电力零售套餐进行综合评分,电力零售套餐综合评分越高,电力零售用户对该电力零售套餐越满意,电力零售用户选择该电力零售套餐的可能性越大。具体的,在本发明中,以电力零售套餐上架后的相关历史数据,根据电力零售套餐的特征因子通过BP-ANN(人工神经网络)模型计算任意电力零售套餐的综合评分。
二、仿真系统
一种基于BP-ANN模型的电力零售套餐搜索排序仿真方法,采用一种基于BP-ANN模型的电力零售套餐搜索排序仿真系统进行仿真,该系统包括:登录及身份认证模块101、用户历史交易数据存储模块102、用户历史交易数据管理模块103、电力零售套餐综合评分计算模块104、电力零售套餐特征因子参数计算和调整模块105、用户搜索文本相关性分析模块106、电力零售套餐综合评分排序结果管理模块107,如图1所示;
登录及身份认证模块101,用于为该系统用户提供登录信息的录入,同时进行身份验证,验证通过,则可以进行登录,验证不通过,则不能进行登录。这里的用户即参与电力零售市场交易的电力零售用户。
用户历史交易数据存储模块102,用于存储电力零售用户的历史交易数据,并将历史交易数据中的电力零售用户进行脱敏处理。
用户历史交易数据管理模块103,用于查询和管理登录用户的历史交易数据,该模块分别与登录及身份认证模块101、用户历史交易数据存储模块102、电力零售套餐综合评分计算模块104相连。
电力零售套餐特征因子参数计算和调整模块105,用于计算和调整电力零售套餐的特征因子,随着时间和交易规则的变化,需要适时地对电力零售套餐的特征因子进行调整。
电力零售套餐综合评分计算模块104,用于根据套餐特征因子计算电力零售平台中的所有电力零售套餐的综合评分。该模块分别与用户历史交易数据管理模块103、电力零售套餐特征因子参数计算和调整模块105、用户搜索文本相关性分析模块106相连。
用户搜索文本相关性分析模块106,用于接收电力零售平台客户端用户输入的搜索文本,并根据算法进行文本相关性分析,从电力零售平台中获取相关电力零售套餐。该模块与电力零售套餐综合评分计算模块104和电力零售套餐综合评分排序结果管理模块107相连。
电力零售套餐综合评分排序结果管理模块107,用于对根据用户搜索文本搜索到的电力零售套餐进行综合评分排序,搜索到的电力零售套餐按综合评分降序排列展示给用户。
三、电力套餐满意度特征因子
1、电能价格特征因子(x1)
不同电力零售用户对于电能价格的敏感程度不同,这会直接导致他们选择电力零售套餐时所做出决策的差异,从降成本的角度来说,电力零售用户会期望电能价格越低越好。因此,电力零售套餐提供的电能价格是影响电力零售用户对电力零售套餐满意度的一个重要因素。将电力零售套餐提供的可购买电力最低价格(pc)与当前市场中所有电力零售套餐提供的平均价格的比值,作为电力零售套餐价格特征因子x1,即:
2、超用电量电价特征因子(x2)
售电公司通过电力市场向发电企业购买电量,根据交易规则,若实际用电量超过合约用电量,售电公司会被考核,因此售电公司会对电力零售套餐设置超用电量电价。电力零售用户因无法准确预测自身的用电量,会对超用电量电价比较重视,因此电力零售套餐设置的超用电量电价也是影响电力零售用户对电力零售套餐满意度的一个重要因素。将电力零售套餐提供的超用电量电价(yc)(分段超用电量电价取各段电价的算术平均值)与电力零售套餐的可购买电力最低价格(pc)的相对差值,作为电力零售套餐超用电量电价特征因子,即:
3、商家信用特征因子(x3)
电力交易中心每个月会对售电公司进行电力交易行为信用评价,信用评价得分综合反映了售电公司在电力市场中的行为规范程度。电力零售用户会将信用评分作为选择售电公司旗下电力零售套餐的一项依据,因此,售电公司信用评分也是可能影响电力零售用户对电力零售套餐满意度的一个因素。在这里,直接采用电力交易中心每月发布的信用评价结果作为售电公司信用特征因子x3。
目前,电力交易中心对于市场主体有一套完整的交易行为信用评价体系,有科学的评分方法,严谨的判定机制。对于出售电力零售套餐的售电公司来说,交易行为信用评分主要按照以下指标开展:信用记录、管理能力、盈利能力、信用保证、服务能力、市场规模、负荷预测、交易能力、用户评价。满分为1000分,默认分值也为1000分,交易中心每月结束后开始归集评价样本数据,在所有数据冻结完毕后,分指标计算信用评分。
4、好评率特征因子(x4)
在进行电力零售套餐选购时,电力零售用户往往会浏览电力零售套餐的商品评价,其他电力零售用户对该电力零售套餐的评价会在一定程度上影响电力零售用户选择该电力套餐。因此,电力零售套餐的好评率是影响电力零售用户对该电力零售套餐满意度的一个重要因素。这里采用电力零售套餐的好评量Qg与该套餐的成交量Qc的比值,作为电力零售套餐好评率特征因子,即:
5、回购率特征因子(x5)
对买方而言,若一件商品非常满足自身需求,买方往往会在以后的购买中再次选择该商品。同理,若电力零售用户对某一个电力零售套餐的各项特征都比较满意,电力零售用户会在下一个交割时间段再次购买该套餐。因此,电力零售套餐的回购率是影响电力零售用户对该电力零售套餐满意度的一个因素。电力零售套餐的回购率特征因子按如下公式计算:
上式中:Y为历史购买电力零售套餐的用户总数,i为重复购买的次数,xi为重复购买i次的用户数。
6、收藏率特征因子(x6)
在进行电力零售套餐选购时,电力零售用户经常会浏览多个电力零售套餐,在浏览过程中,若电力零售用户对某一电力零售套餐比较满意,电力零售用户会选择收藏关注该套餐,然后再从收藏关注的套餐中选择最满意的套餐。因此,电力零售套餐的收藏率是影响电力零售用户对该电力零售套餐满意度的一个因素。把电力零售套餐的收藏关注次数S与电力零售套餐的浏览次数L的比值作为电力零售套餐的收藏率特征因子x6。即:
四、构建BP-ANN电力零售套餐综合评分模型
人工神经网络是一种新的智能信息处理系统,作为一个黑箱模型,它高度综合了数学、计算机、生物学等学科,可以有效地解决非线性的、不确定性的复杂系统问题。其中BP神经网络能够对非线性系统进行有效拟合,鲁棒性和容错性较强,且易于物理实现,比较符合实际问题的背景。对于考虑用户满意度的电力零售套餐的搜索排序仿真系统而言,它就是一个典型的非线性、不确定性的复杂系统问题,因此采用多层BP神经网络对电力零售套餐进行综合评分。
1、确定多层BP神经网络结构
多层BP神经网络是一个多层前向网络,具有输入层、隐藏层和输出层。当给网络提供了一组学习样本之后,输入信息通过隐藏层向输出层传播,经过隐藏层的非线性变换,产生输出信息,如果输出信息与期望值相差太大,则进入误差反向传播。误差反向传播是指将输出信息与期望值的误差通过隐藏层向输入层传播,调整各神经元的权值和阈值,以梯度下降法为理论支撑,反复训练,得到输出信息与期望值误差最小的网络参数。随着误差逆传播的修正不断进行,输出信息与期望值误差越来越小,网络参数越来越接近实际情况。这里的期望值是电力零售用户对电力零售套餐的年度满意度综合评分,分值区间为[0,100],可通过交易中心组织进行匿名问卷调查取得。
上述步骤三已经确定了影响电力零售套餐综合评分的特征因子,包括:电能价格、超用电量电价、商家信用、好评率、回购率和收藏率。多层BP神经网络结构的输入层节点数就是特征因子的个数,故确定输入层节点数为6。输出层节点数为输出结果个数,本模型输出结果为电力零售套餐的评分,故确定输出层节点数为1。模型隐藏层对结果影响较大,需要确定隐藏层的层数和每个隐藏层的节点数,根据相关理论和经验,本文选择2个隐藏层,每个隐藏层节点数为3,如图2。
2、确定BP算法
本方法选用对数Sigmoid函数作为BP-ANN求和运算的激励函数,其形式为:
式中,x为自变量,e为自然对数底数,f(x)为因变量。
使用对数Sigmoid函数作为激励函数,需要把不同量纲的建模数据量纲化以减小不同输入数据的差异,即在输入层需要对原始输入数据进行归一化处理。归一化处理的数学公式如下:
式中:ymax为输入数据中最大值;ymin为输入数据中最小值;yi为输入数据中第i个数据;ci为归一化处理后第i个数据。
3、参数率定
确定BP-ANN电力零售套餐综合评分模型后,使用历史交易资料对评分模型进行参数率定。根据已确定的影响因子(电力零售套餐特征因子),输入电力零售套餐相关历史交易数据,通过BP-ANN的反馈自学习,逐步确定模型参数,确定电力零售套餐的评分模型。输入的影响因子矩阵Z如下所示:
通过不断地调整神经网络的学习速率、迭代次数以及初始权值来拟合电力零售套餐特征因子与电力零售套餐综合评分之间的关系,当输出值与期望值相对误差在20%以内认为这个样本输出值合格,合格率在85%以上即可认为该模型可以较好地拟合电力零售套餐特征因子与电力零售套餐综合评分之间的关系,保存相关参数,即求得了BP-ANN电力零售套餐综合评分模型。定义计算误差公式如下:
定义计算合格率公式如下:
五、确定参与评分的数据集
电力零售平台根据接收到的电力零售用户在客户端搜索的关键词,使用BM25算法对关键词进行文本性分析并全局搜索,将搜索得到的所有符合条件的电力零售套餐作为备选电力零售套餐集合m。
六、综合评分并排序
假定上述步骤搜索得到满足条件的电力零售套餐集合中共有M个电力零售套餐即m=(m1,m2,...,mM),分别对每一个电力零售套餐计算该套餐的特征因子值,得到电力零售套餐集合的特征因子矩阵Z:
将上述特征因子矩阵作为输入,输入至BP-ANN电力零售套餐综合评分模型,计算得到综合评分矩阵S:
在矩阵S中,Xi表示上述备选电力零售套餐集合中mi套餐的综合评分值,i=1,2,...,M。
对矩阵S进行降序排序,得到矩阵S':
在矩阵S'中,满足X'1>X'2>...>X'M,且X'i表示m'i套餐的综合评分值,i=2,...,M。
得到按综合评分从高到低的套餐集合m'=(m'1,m'2,...,m'M)。按套餐集合m'的顺序作为搜索结果顺序展示给电力零售用户,且可认为m'1为电力零售用户搜索得到的最满意的电力零售套餐。
实施例2
一、构建BP-ANN(人工神经网络)电力零售套餐综合评分模型
1、确定并计算特征因子
以电力零售平台所有电力零售套餐为样本,按照特征因子的定义和计算方法,逐项计算出每个电力零售套餐的特征因子:
(1)电能价格特征因子(x1):用该电力零售套餐提供的套餐最低价格除以所有电力零售套餐提供的套餐平均价格得出。
(2)超用电量电价特征因子(x2):用该电力零售套餐提供的超用电量电价(分段超用电量电价取各段电价的算数平均值)与该套餐的可购买电力的最低价格的差值除以该套餐的可购买电力的最低价格得出。
(3)商家信用特征因子(x3):用该套餐的售电公司当月交易中心发布的其信用评级结果得出。
(4)好评率特征因子(x4):用该套餐的历史好评量除以该套餐的历史成交量得出。
(6)收藏率特征因子(x6):用该套餐的历史收藏量除以该套餐的历史浏览量得出。
2、确定BP-ANN网络结构
多层BP神经网络结构的输入层节点数就是特征因子的个数,故确定输入层节点数为6。输出层节点数为输出结果个数,本模型输出结果为电力零售套餐的评分,故确定输出层节点数为1。模型隐藏层对结果影响较大,需要确定隐藏层的层数和每个隐藏层的节点数,根据相关理论和经验,本文选择2个隐藏层,每个隐藏层节点数为3。
3、确定BP算法
选用对数Sigmoid函数作为BP-ANN求和运算的激励函数,其形式为:
使用对数Sigmoid函数作为激励函数,需要把不同量纲的建模数据量纲化以减小不同输入数据的差异,即在输入层需要对原始输入数据进行归一化处理。
归一化处理的数学公式如下:
式中:ymax为输入数据中最大值;ymin为输入数据中最小值;yi为输入数据中第i个数据;ci为归一化处理后第i个数据。
3、进行参数率定
把特征因子以矩阵的形式作为模型输入,通过不断地调整神经网络的学习速率、迭代次数以及初始权值来拟合电力零售套餐特征因子与电力零售套餐综合评分之间的关系,当输出值与期望值相对误差在20%以内认为这个样本输出值合格,合格率在85%以上即可认为该模型可以较好地拟合电力零售套餐特征因子与电力零售套餐综合评分之间的关系,保存相关参数,即求得了BP-ANN电力零售套餐综合评分模型。
二、使用BP-ANN电力零售套餐综合评分模型计算电力零售套餐综合评分并排序
1、构建数据集
电力零售平台接收电力零售用户在客户端搜索的电力零售套餐关键词,并对该关键词使用BM25算法进行文本相关性分析,通过全局搜索得到满足该关键词条件的所有电力零售套餐集合。
2、计算特征因子
在所构建数据集的基础上,按照特征因子的定义和计算方法,逐项计算出每个电力零售套餐的特征因子:
(1)电能价格特征因子(x1):用该电力零售套餐提供的套餐最低价格除以所有电力零售套餐提供的套餐平均价格得出。
(2)超用电量电价特征因子(x2):用该电力零售套餐提供的超用电量电价(分段超用电量电价取各段电价的算数平均值)与该套餐的可购买电力的最低价格的差值除以该套餐的可购买电力的最低价格得出。
(3)商家信用特征因子(x3):用该套餐的售电公司当月交易中心发布的其信用评级结果得出。
(4)好评率特征因子(x4):用该套餐的历史好评量除以该套餐的历史成交量得出。
(6)收藏率特征因子(x6):用该套餐的历史收藏量除以该套餐的历史浏览量得出。
3、计算综合评分并排序
确定了电力零售套餐的特征因子之后,将电力零售套餐特征因子以矩阵的形式作为BP-ANN模型输入,即可计算得出任意一个电力零售套餐的综合评分值,该综合评分值代表了电力零售用户对该电力零售套餐的满意程度。按综合评分值对电力零售套餐进行降序排序展示,即可得到电力零售用户满意的搜索结果,且可认为排序第一的电力零售套餐为电力零售用户最满意的电力零售套餐
应用实例
根据电力零售平台的实际电力零售套餐,按照上述实施实例得到基于BP-ANN的电力零售套餐零售套餐综合评分模型。这个模型是根据大量实际数据得到的模型,评分结果有一定的权威性。现使用已经得到的该模型进行实例验证。注:在实际应用中,建议样本的数量尽可能多,以提高模型的精度。
当前电力零售平台有如下套餐,各套餐关键信息及出售各套餐的售电公司当月的信用评分如表1所示:
表1
按照交易规则,表1中P0为上调服务基准价,每个月都会变化,这里取0.2256。Pd为偏差电量基准价,这里取0.2256。
步骤1:按照给定公式计算上述套餐的特征因子,如表2所示。
表2
序号 | 名称 | x<sub>1</sub> | x<sub>2</sub> | x<sub>3</sub> | x<sub>4</sub> | x<sub>5</sub> | x<sub>6</sub> |
1 | 2021年3月零售套餐 | 0.1606 | 0.2707 | 950 | 0.8525 | 0.4 | 0.5788 |
2 | 年度用电无忧 | 0.121 | 0.2 | 1000 | 0.9767 | 0.4762 | 0.7564 |
3 | 固定电价套餐 | 0.1255 | 0.197 | 960 | 0.9626 | 0.2342 | 0.746 |
4 | 一般工商业套餐 | 0.258 | 0.405 | 1000 | 0.9983 | 1 | 0.4894 |
5 | 标准套餐 | 0.1628 | 0.2556 | 960 | 0.4967 | 0.5 | 0.6 |
6 | 免服务费套餐 | 0.172 | 0.27 | 950 | 0.3294 | 0.0992 | 0.6677 |
由上表得到输入的特征因子矩阵Z为:
将上述特征因子矩阵输入至BP-ANN电力零售套餐综合评分模型,计算得到综合评分矩阵S为:
对矩阵S进行降序排列得S':
按矩阵S'依次在系统前端展示给用户,可以按顺序展示为:“年度用电无忧”“固定电价套餐”“一般工商业套餐”“2021年3月零售套餐”“标准套餐”“免服务费套餐”。可以认为套餐名称为“年度用电无忧”的电力零售套餐为用户最满意的套餐。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.基于BP-ANN模型的电力零售套餐搜索排序仿真方法,其特征在于,包括如下步骤:
步骤(1),采集电力零售套餐信息及电力零售用户的历史交易数据;
步骤(2),计算每个电力套餐满意度特征因子;所述的电力套餐满意度特征因子包括电能价格特征因子、超用电量电价特征因子、商家信用特征因子、好评率特征因子、回购率特征因子和收藏率特征因子;
步骤(3),采用BP神经网络,以每个电力套餐满意度特征因子作为输入,以电力零售套餐的综合评分作为输出,构建BP-ANN电力零售套餐综合评分模型;
步骤(4),电力零售平台根据接收到的电力零售用户搜索的关键词,使用BM25算法对关键词进行文本性分析并全局搜索,将搜索得到的所有符合条件的电力零售套餐作为备选电力零售套餐集合;
步骤(5),计算步骤(4)得到的电力零售套餐集合中各个电力零售套餐的满意度特征因子;
步骤(6),将步骤(5)得到的各个电力零售套餐的满意度特征因子输入到步骤(3)构建的BP-ANN电力零售套餐综合评分模型中,得到各个电力零售套餐的综合评分;
步骤(7),将所有电力零售套餐按照综合评分降序排列,展示给电力零售用户。
2.根据权利要求1所述的基于BP-ANN模型的电力零售套餐搜索排序仿真方法,其特征在于,步骤(2)具体的计算方法如下:
(3)商家信用特征因子x3:用该套餐的售电公司当月交易中心发布的其信用评级结果表示;
3.根据权利要求2所述的基于BP-ANN模型的电力零售套餐搜索排序仿真方法,其特征在于,超用电量电价取各段电价的算数平均值。
4.根据权利要求1所述的基于BP-ANN模型的电力零售套餐搜索排序仿真方法,其特征在于,BP神经网络包括输入层、隐藏层和输出层;其中,隐藏层有2个;输入层节点数为6,输出层节点数为1;每个隐藏层节点数为3。
5.根据权利要求4所述的基于BP-ANN模型的电力零售套餐搜索排序仿真方法,其特征在于,使用对数Sigmoid函数作为BP神经网络的激励函数。
6.根据权利要求4所述的基于BP-ANN模型的电力零售套餐搜索排序仿真方法,其特征在于,输入层需要对原始输入数据进行归一化处理,采用最大值最小值归一化法进行归一化处理。
7.基于BP-ANN模型的电力零售套餐搜索排序仿真系统,采用权利要求1~6任意一项所述的基于BP-ANN模型的电力零售套餐搜索排序仿真方法,其特征在于,包括:
登录及身份认证模块(101)、用户历史交易数据存储模块(102)、用户历史交易数据管理模块(103)、电力零售套餐综合评分计算模块(104)、电力零售套餐特征因子参数计算和调整模块(105)、用户搜索文本相关性分析模块(106)和电力零售套餐综合评分排序结果管理模块(107);
登录及身份认证模块(101),用于为系统用户提供登录信息的录入,同时进行身份验证,验证通过,则可以进行登录,验证不通过,则不能进行登录。所述的用户为参与电力零售市场交易的电力零售用户;
用户历史交易数据存储模块(102),用于存储电力零售用户的历史交易数据,并将历史交易数据中的电力零售用户进行脱敏处理;
用户历史交易数据管理模块(103),分别与登录及身份认证模块(101)、用户历史交易数据存储模块(102)、电力零售套餐综合评分计算模块(104)相连,用于查询和管理登录用户的历史交易数据;
电力零售套餐特征因子参数计算和调整模块(105),用于计算及调整电力零售套餐的特征因子;
电力零售套餐综合评分计算模块(104),分别与用户历史交易数据管理模块(103)、电力零售套餐特征因子参数计算和调整模块(105)、用户搜索文本相关性分析模块(106)相连;电力零售套餐综合评分计算模块(104)内预存有BP-ANN电力零售套餐综合评分模型,用于根据电力套餐满意度特征因子计算电力零售平台中的所有电力零售套餐的综合评分;
用户搜索文本相关性分析模块(106),分别与电力零售套餐综合评分计算模块(104)、电力零售套餐综合评分排序结果管理模块(107)相连;用于接收用户输入的搜索文本,并根据BM25算法进行文本相关性分析,从电力零售平台中获取相关电力零售套餐;
电力零售套餐综合评分排序结果管理模块(107),用于对根据用户搜索文本搜索到的电力零售套餐进行综合评分排序,搜索到的电力零售套餐按综合评分降序排列展示给用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110255295.7A CN112967108B (zh) | 2021-03-09 | 2021-03-09 | 基于bp-ann的电力零售套餐搜索排序仿真系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110255295.7A CN112967108B (zh) | 2021-03-09 | 2021-03-09 | 基于bp-ann的电力零售套餐搜索排序仿真系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112967108A true CN112967108A (zh) | 2021-06-15 |
CN112967108B CN112967108B (zh) | 2023-11-03 |
Family
ID=76277377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110255295.7A Active CN112967108B (zh) | 2021-03-09 | 2021-03-09 | 基于bp-ann的电力零售套餐搜索排序仿真系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112967108B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113988968A (zh) * | 2021-10-13 | 2022-01-28 | 广东电力交易中心有限责任公司 | 基于匹配度的电力零售交易方法、平台及存储介质 |
CN115186506A (zh) * | 2022-07-29 | 2022-10-14 | 西安西电电力电容器有限责任公司 | 一种高压电容器装置h桥保护调平方法、设备及介质 |
CN116596640A (zh) * | 2023-07-19 | 2023-08-15 | 国网山东省电力公司营销服务中心(计量中心) | 电力零售电费套餐的推荐方法、系统、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685197A (zh) * | 2018-12-28 | 2019-04-26 | 国网能源研究院有限公司 | 一种基于改进粒子群算法的供电套餐的优化方法 |
CN111967695A (zh) * | 2020-09-12 | 2020-11-20 | 浙江大学 | 一种面向售电公司的峰谷组合电力套餐优化方法 |
-
2021
- 2021-03-09 CN CN202110255295.7A patent/CN112967108B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685197A (zh) * | 2018-12-28 | 2019-04-26 | 国网能源研究院有限公司 | 一种基于改进粒子群算法的供电套餐的优化方法 |
CN111967695A (zh) * | 2020-09-12 | 2020-11-20 | 浙江大学 | 一种面向售电公司的峰谷组合电力套餐优化方法 |
Non-Patent Citations (1)
Title |
---|
袁晓鹏;申少辉;张光明;王海宁;汪涛;: "区块链技术在电力零售市场管理中的应用研究", 电力信息与通信技术, no. 06 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113988968A (zh) * | 2021-10-13 | 2022-01-28 | 广东电力交易中心有限责任公司 | 基于匹配度的电力零售交易方法、平台及存储介质 |
CN115186506A (zh) * | 2022-07-29 | 2022-10-14 | 西安西电电力电容器有限责任公司 | 一种高压电容器装置h桥保护调平方法、设备及介质 |
CN115186506B (zh) * | 2022-07-29 | 2023-11-14 | 西安西电电力电容器有限责任公司 | 一种高压电容器装置h桥保护调平方法、设备及介质 |
CN116596640A (zh) * | 2023-07-19 | 2023-08-15 | 国网山东省电力公司营销服务中心(计量中心) | 电力零售电费套餐的推荐方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112967108B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | An empirical study on consumer acceptance of products in electronic markets: a transaction cost model | |
CN112967108B (zh) | 基于bp-ann的电力零售套餐搜索排序仿真系统和方法 | |
Dobson et al. | Heuristics for pricing and positioning a product-line using conjoint and cost data | |
KR100771710B1 (ko) | 입찰가 판정 방법 및 시스템, 컴퓨터 | |
KR100746107B1 (ko) | 자산 포트폴리오의 기술 속성 상관 방법, 상관 시스템 및 상관 컴퓨터 | |
KR20030004316A (ko) | 최종 입찰 결정 방법과 그 시스템, 및 컴퓨터 | |
KR20010102452A (ko) | 가치를 찾고 위험을 줄이기 위한 방법 및 시스템 | |
CN105809482A (zh) | 面向跨境贸易的大数据分析系统和方法 | |
KR20020063615A (ko) | 어세트 가치 평가에 대한 최저 변동 가정 선택 방법과,포트폴리오 가치 평가 시스템 및 컴퓨터 | |
Sriram et al. | A review on multi-criteria decision-making and its application | |
Zhang et al. | Improving the Bass model’s predictive power through online reviews, search traffic and macroeconomic data | |
Chen et al. | Supply chain finance platform evaluation based on acceptability analysis | |
CN108364191A (zh) | 基于随机森林和逻辑回归的优质客户优化识别方法及装置 | |
CN112950322A (zh) | 一种基于协同过滤优化的电力零售套餐推荐方法和系统 | |
CN111507782A (zh) | 一种用户流失归因聚焦方法、装置、存储介质及电子设备 | |
Ginting et al. | Integration of kansei engineering and quality function deployment (qfd) for product development: a literature review | |
Noorizadeh et al. | Suppliers ranking in the presence of undesirable outputs | |
Dari et al. | Consumer Satisfaction of Sorabel Applications Using the Delone and Mclean Method | |
CN108510353A (zh) | 一种智能化程度高的电子商务系统 | |
JP2002230273A (ja) | 事業リスク管理方法 | |
Jitsoonthornchaikul | The causal relationship in influencing buying behavior of online food delivery in the Bangkok area | |
Dimyati | Integrated model for Multi-criteria Supplier Selection and Order Allocation Problem | |
Zhang et al. | The scoring matrix generation method and recommendation algorithm in P2P lending | |
Wan Nordin et al. | Utilizing the fuzzy analytical hierarchy process (FAHP) approach to identify the best online food delivery services | |
Waskito et al. | THE INFLUENCE OF PUBLIC POLICY AND COOKING OIL PRICES ON COOKING OIL SUPPLIES IN SARIJADI VILLAGE |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |