基于改進(jìn)CNN的電力交易平臺發(fā)售電信息一體化聚類算法

劉毅，劉晉彪，韓文曉

（山西京能售電有限責(zé)任公司，山西太原 030000）

電力交易平臺是國家電力市場交易運(yùn)營系統(tǒng)的關(guān)鍵構(gòu)成部分之一，其包含的信息種類較多，涉及面較為廣泛，故得到了國家、監(jiān)管部門以及社會各界的高度重視[1]。電力交易信息急劇攀升，對電力交易信息處理及其應(yīng)用帶來了極大的挑戰(zhàn)。

根據(jù)市場成員不同，將電力交易信息劃分為用電側(cè)信息、發(fā)電側(cè)信息、電力交易機(jī)構(gòu)信息、監(jiān)管機(jī)構(gòu)信息等。在電力市場交易運(yùn)營系統(tǒng)實(shí)際運(yùn)行過程中，主要以用電側(cè)信息（售電信息）與發(fā)電側(cè)信息（發(fā)電信息）為主，其他種類信息為輔[2]。發(fā)電信息與售電信息能直接顯示出電力企業(yè)的供需水平，方便電力企業(yè)進(jìn)行改革與建設(shè)。

然而，電力交易平臺發(fā)電信息與售電信息規(guī)模較大，分布較為混亂，很難對其進(jìn)行統(tǒng)一處理，加大了發(fā)電信息與售電信息獲取的難度。為了解決上述問題，提出基于改進(jìn)CNN 的電力交易平臺發(fā)售電信息一體化聚類算法研究，創(chuàng)新性地構(gòu)建發(fā)售電信息一體化模型，通過Adam 算法改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型（CNN），確定了發(fā)售點(diǎn)信息聚類中心與最佳距離閾值，實(shí)現(xiàn)電力交易平臺發(fā)售電信息的一體化聚類。

1 電力交易平臺發(fā)售電信息一體化聚類算法研究

1.1 發(fā)售電信息深度分析

為了提升發(fā)售電信息聚類效果，首要任務(wù)為深度分析電力交易平臺發(fā)售電信息的供給過程與復(fù)雜性，具體分析過程如下：

為了保障電力市場運(yùn)營的公平性，需要對發(fā)售電信息進(jìn)行披露，以此來規(guī)范電力市場行為，以便于發(fā)售電信息的處理與應(yīng)用[3-4]。針對發(fā)售電信息，供給過程主要分為六種，具體如下：

1）供給過程1：發(fā)電側(cè)——電力交易平臺。依據(jù)已定規(guī)范，發(fā)電側(cè)向電力交易平臺提交發(fā)電信息，主要包括發(fā)電能力、企業(yè)概況等；

2）供給過程2：用電側(cè)——電力交易平臺。依據(jù)已定規(guī)范，用電側(cè)向電力交易平臺提交售電信息，主要包括交易信息、用電信息等；

3）供給過程3：電網(wǎng)企業(yè)——電力交易平臺。電網(wǎng)企業(yè)提交信息主要包絡(luò)電力供給與需求預(yù)測信息、售電結(jié)算信息等；

4）供給過程4：調(diào)度平臺——電力交易平臺。調(diào)度平臺提交信息主要包括安全發(fā)電信息、約束售電信息等；

5）供給過程5：監(jiān)管平臺——電力交易平臺。監(jiān)管平臺提交信息為發(fā)售電相關(guān)政策規(guī)則信息；

6）供給過程6：直接披露信息——電力交易平臺。直接披露信息是指分布在平臺上的直接信息，大部分為發(fā)售電信息，需要對其進(jìn)行收集與處理。

由上述發(fā)售電信息供給過程分析可知，其在電力交易平臺信息中占據(jù)著至關(guān)重要的位置，產(chǎn)生過程較為復(fù)雜，與多個子平臺均存在著緊密的聯(lián)系。為了清晰展示發(fā)售電信息的復(fù)雜性，對電力交易平臺組成部分之間的關(guān)聯(lián)性進(jìn)行簡化顯示，具體如圖1所示。

圖1 電力交易平臺關(guān)聯(lián)圖

如圖1 所示，發(fā)售電信息與多個子平臺均具有關(guān)系，在電力交易平臺中分布較為分散，并無規(guī)律可循，這無疑加大了發(fā)售電信息的聚類難度，影響電力供需水平的獲取，從而制約電力企業(yè)的發(fā)展[5]。

上述過程闡述了發(fā)售電信息的供給過程與復(fù)雜性，完成了發(fā)售電信息的深度分析，為后續(xù)發(fā)售電信息模型的構(gòu)建提供支撐[6]。

1.2 發(fā)售電信息一體化模型構(gòu)建

以上述發(fā)售電信息深度分析結(jié)果為基礎(chǔ)，構(gòu)建發(fā)售電信息一體化模型，對發(fā)售電信息一致性進(jìn)行檢驗(yàn)，為最終發(fā)售電信息一體化聚類的實(shí)現(xiàn)做準(zhǔn)備[7]。

依據(jù)發(fā)電信息與售電信息具有的特性，構(gòu)建發(fā)售電一體化模型，如圖2 所示。

圖2 發(fā)售電一體化模型示意圖

目前，電力交易市場以計劃交易為主，缺失現(xiàn)貨電力交易。在最新電力改革過程中，電力市場成員呈現(xiàn)跨數(shù)量級增長，會導(dǎo)致核心業(yè)務(wù)量劇增，容易造成電力交易平臺節(jié)點(diǎn)故障，產(chǎn)生電力交易信息不一致現(xiàn)象，從而影響發(fā)售電信息的聚類。因此，該研究利用Raft算法來檢驗(yàn)發(fā)售電信息的一致性[8]。

設(shè)置電力交易平臺服務(wù)器集群為Ci(i=1,2,…,m)，m代表服務(wù)器集群總數(shù)量。每個服務(wù)器集群節(jié)點(diǎn)集合為Sj(j=1,2,…,n)，n代表服務(wù)器集群節(jié)點(diǎn)總數(shù)量[9]。在發(fā)售電信息一致性檢驗(yàn)過程中，構(gòu)建Raft 組，表達(dá)式為：

需要注意的是，式中，只有滿足p≤n，Raft 組才能構(gòu)建成功。在p個Raft 組中選舉出一個leader，以此為基礎(chǔ)，調(diào)試組內(nèi)節(jié)點(diǎn)參數(shù)，保障組內(nèi)信息的一致性[10]。由此可見，通過判定Raft 組內(nèi)是否存在leader節(jié)點(diǎn)即可實(shí)現(xiàn)發(fā)售電信息一致性的檢驗(yàn)。leader 節(jié)點(diǎn)判定規(guī)則如下：

式中，ri表示leader 節(jié)點(diǎn)判定參數(shù)；α與β3表示判定參數(shù)計算輔助因子；sgn(·) 表示Raft 組量化函數(shù)表達(dá)式；r*表示leader 節(jié)點(diǎn)判定閾值，需要根據(jù)實(shí)際發(fā)售電信息情況進(jìn)行設(shè)置。

應(yīng)用式（2）即可對發(fā)售電信息進(jìn)行一致性檢驗(yàn)。若發(fā)售電信息滿足一致性，將其整理至一體化模型中；若發(fā)售電信息未滿足一致性，需要對信息進(jìn)行校準(zhǔn)，再整理至一體化模型中[11]。

上述過程完成了發(fā)售電信息一體化模型的構(gòu)建，并對發(fā)售電信息一致性進(jìn)行了相應(yīng)的檢驗(yàn)，為后續(xù)發(fā)售電信息聚類的精準(zhǔn)度提供保證。

1.3 卷積神經(jīng)網(wǎng)絡(luò)改進(jìn)

基于卷積神經(jīng)網(wǎng)絡(luò)模型信息聚類結(jié)果極容易陷入局部最優(yōu)，并且學(xué)習(xí)訓(xùn)練速度較慢，無法滿足現(xiàn)今電力交易平臺的需求[12]。

在卷積神經(jīng)網(wǎng)絡(luò)模型改進(jìn)過程中，如何通過快速地學(xué)習(xí)訓(xùn)練使得損失函數(shù)達(dá)到最小化，是CNN 改進(jìn)終極目標(biāo)[13]。改進(jìn)CNN 中，采用Adam 算法更新訓(xùn)練樣本參數(shù)，此種方式更新與執(zhí)行速度較快，并可以計算出每個參數(shù)的自適應(yīng)學(xué)習(xí)率，能有效提升模型訓(xùn)練速度。Adam 算法參數(shù)更新表達(dá)式為：

式中，θt與θt+1分別表示更新前、后的參數(shù)；η表示學(xué)習(xí)率；Vt與分別表示更新前、后的梯度方差；ε表示誤差數(shù)值；Mt與分別表示更新前、后的梯度平均值；與表示梯度方差與平均值更新輔助因子，與CNN 的學(xué)習(xí)率關(guān)系密切，取值范圍為[0,1]。

參數(shù)更新會導(dǎo)致?lián)p失函數(shù)產(chǎn)生波動，為了顯示CNN 的改進(jìn)效果，以某個損失函數(shù)為例，通過曲線圖展示損失函數(shù)優(yōu)化過程，如圖3 所示。

圖3 損失函數(shù)優(yōu)化過程示例圖

如圖3 所示，隨著參數(shù)的更新，損失函數(shù)會發(fā)生不同幅度波動，并且存在最小值，表明Adam 算法的應(yīng)用不但能夠加快卷積神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)訓(xùn)練速度，還能使損失函數(shù)達(dá)到最小化，滿足卷積神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)需求。

1.4 發(fā)售電信息一體化聚類實(shí)現(xiàn)

以上述改進(jìn)CNN 為依據(jù)，結(jié)合發(fā)售電信息一體化模型，推出發(fā)售電信息進(jìn)行一體化聚類算法，實(shí)現(xiàn)電力交易平臺發(fā)售電信息的一體化聚類[14]。

在發(fā)售電信息一體化聚類中，將發(fā)售電信息看作一個個數(shù)據(jù)點(diǎn)，以局部密度與距離來刻畫數(shù)據(jù)點(diǎn)的特性，完成發(fā)售電信息的分類與聚合，具體步驟如下。

步驟一：計算每個數(shù)據(jù)點(diǎn)（發(fā)售電信息）的局部密度與距離，計算公式為：

式中，ρi表示第i個數(shù)據(jù)點(diǎn)（發(fā)售電信息）的局部密度；γ(dij-dc) 表示取 值函數(shù)，若dij-dc＜0，γ(dij-dc)取值為1；若dij-dc≥0，γ(dij-dc)取值為0；dij表示第i個與第j個數(shù)據(jù)點(diǎn)之間的距離；dc表示截斷距離；κi表示數(shù)據(jù)點(diǎn)i相對于數(shù)據(jù)點(diǎn)j（局部密度更大）的距離。

由于發(fā)售電信息規(guī)模較大，一體化聚類中心很難分辨，故有效融合數(shù)據(jù)點(diǎn)的局部密度與距離變量，以此來獲取信息聚類綜合考慮參數(shù)，表達(dá)式為：

式中，ζi表示第i個數(shù)據(jù)點(diǎn)（發(fā)售電信息）的聚類綜合考慮參數(shù)值；Θ 表示運(yùn)算符號；Γ 表示變量融合輔助因子；ωi表示第i個數(shù)據(jù)點(diǎn)占全部數(shù)據(jù)點(diǎn)的權(quán)重數(shù)值。

以式（5）計算結(jié)果ζi為基礎(chǔ)，對全部數(shù)據(jù)點(diǎn)（發(fā)售電信息）進(jìn)行降序排列，從大到小截取若干個數(shù)據(jù)點(diǎn)，將其作為聚類中心。

以確定的數(shù)據(jù)點(diǎn)（發(fā)售電信息）聚類中心為依據(jù)，確定自適應(yīng)距離閾值。距離閾值滿足條件為：

式中，κv與κv+1表示距離閾值相鄰值；f(κv)與f(κv+1) 表示大于距離閾值κv與κv+1的數(shù)據(jù)點(diǎn)個數(shù)。

當(dāng)式（6）計算結(jié)果f達(dá)到最大值時，對應(yīng)的自適應(yīng)距離閾值即為最佳距離閾值。以聚類中心為核心，將小于或者等于距離閾值的數(shù)據(jù)點(diǎn)歸類到類別中，依此類推，直到全部數(shù)據(jù)點(diǎn)歸類結(jié)束為止[15]。

通過上述過程實(shí)現(xiàn)了電力交易平臺發(fā)售電信息的一體化聚類，為發(fā)售電信息的處理與應(yīng)用提供更有效的算法支撐，也為電力交易平臺穩(wěn)定運(yùn)行提供保障。

2 實(shí)驗(yàn)與結(jié)果分析

為了驗(yàn)證提出算法的應(yīng)用性能，選取基于DTW直方圖的電力負(fù)荷數(shù)據(jù)聚類算法[16]作為對比算法，設(shè)計對比實(shí)驗(yàn)，具體實(shí)驗(yàn)過程如下。

2.1 實(shí)驗(yàn)準(zhǔn)備階段

選取某區(qū)域電力交易中心產(chǎn)生的發(fā)售電信息作為實(shí)驗(yàn)對象，雖然選取的實(shí)驗(yàn)對象是小區(qū)域范圍內(nèi)的電力交易中心，但用戶數(shù)量依然可觀，發(fā)售電信息數(shù)量級仍居高不下。為了方便進(jìn)行實(shí)驗(yàn)，以某一星期電力交易中心產(chǎn)生的發(fā)售電信息為實(shí)驗(yàn)數(shù)據(jù)，以此來減少實(shí)驗(yàn)數(shù)據(jù)量，保障實(shí)驗(yàn)的穩(wěn)定性。

2.2 評價指標(biāo)選取

以選取的實(shí)驗(yàn)對象為基礎(chǔ)，為了量化顯示發(fā)售電信息一體化聚類效果，選取聚類準(zhǔn)確率、歸一度及其調(diào)整Rand 指數(shù)作為評價指標(biāo)，計算公式為：

式中，ACC、NMI 與ARI 分別表示聚類準(zhǔn)確率、歸一度及其調(diào)整Rand 指數(shù)；Ncor表示正確聚類的發(fā)售電信息數(shù)量；N表示發(fā)售電信息總數(shù)量；I(X,Y)表示任意兩個發(fā)售電信息的關(guān)聯(lián)度；H(X)與H(Y)分別表示發(fā)售電信息X與Y的最大熵；RI 表示聚類系數(shù)；E[R I] 與MAX[R I] 分別表示聚類系數(shù)誤差值與最大值。

上述過程完成了發(fā)售電信息一體化聚類評價指標(biāo)的選取，指標(biāo)取值范圍為[ ]0,1，評價指標(biāo)數(shù)值越大，則表明聚類效果越好。

2.3 實(shí)驗(yàn)結(jié)果分析

通過實(shí)驗(yàn)獲得的聚類準(zhǔn)確率數(shù)據(jù)如表1 所示。

表1 聚類準(zhǔn)確率數(shù)據(jù)表

如表1數(shù)據(jù)所示，與對比算法相比較，應(yīng)用提出算法獲得的聚類準(zhǔn)確率更高，最大值能夠達(dá)到91.45%，表明提出算法正確聚類的發(fā)售電信息數(shù)量更多。

通過實(shí)驗(yàn)獲得歸一度與調(diào)整Rand指數(shù)如圖4所示。

圖4 歸一度與調(diào)整Rand指數(shù)示意圖

如圖4 所示，與對比算法相比較，應(yīng)用提出算法獲得的歸一度與調(diào)整Rand 指數(shù)數(shù)值更大，最大值分別能夠達(dá)到0.98 與0.92。

應(yīng)用提出算法獲得的聚類準(zhǔn)確率、歸一度與調(diào)整Rand 指數(shù)均較大，充分證實(shí)了提出算法發(fā)售電信息一體化聚類效果更好。

3 結(jié)束語

文中對卷積神經(jīng)網(wǎng)絡(luò)CNN 進(jìn)行了改進(jìn)，并以此為基礎(chǔ)提出了電力交易平臺發(fā)售電信息一體化聚類算法，極大地提升了聚類準(zhǔn)確率、歸一度與調(diào)整Rand 指數(shù)數(shù)值，能夠?yàn)榘l(fā)售電信息一體化聚類提供更有效的算法支撐，也為信息聚類相關(guān)研究提供一定的借鑒及其參考。