基于深度神經網絡的電力企業用戶欠繳電費信息自動推送方法

李 斌,續夏冉

(國網山西省電力公司呂梁供電公司,山西 呂梁 033000)

0 引言

為了確保電力企業的經營穩定和可持續發展,同時保障用戶的權益,電力企業需要及時有效地推送欠繳電費信息給用戶,以提醒用戶繳納電費,而自動推送欠繳電費信息成為一種重要的應對方式[1]。本文設計并提出了一種基于深度神經網絡的電力企業用戶欠繳電費信息自動推送方法。

1 用戶欠繳電費信息自動生成設計

1.1 電力企業用戶用電信息遠程抄表

電力企業使用遠程抄表技術,檢索電力用戶的用電信息,獲取電力用戶用電數據[2],并將數據按照類別,劃分成用戶ID數據、用電設備ID數據、用電量數據、用電時間數據等。將不同類別的數據錄入數據庫,構建電力用戶用電數據表,如表1所示。

表1 電力用戶用電數據

使用SQL語言中的JOIN操作,將用戶信息表、用電數據表和繳費記錄表進行關聯[3]。關聯的依據是根據用戶ID,獲取每個用戶的完整用電和繳費記錄,篩選出存在欠費情況的用戶。

1.2 生成用戶欠繳賬單

用戶用電數據采集完成后,利用繳費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電力企業計費系統中資源單價的設置,選擇計費因子組合成計費方式,配置可供企業用戶選擇的SLA套餐,完成用戶欠繳信息的計算[4]。計費配置的時序如圖1所示。

圖1 平臺管理員計費配置時序

圖1中,Platformadmininfo為平臺管理員對象,Systempriceinit為資源對象,Billingstyleser為計費方式對象,SLApackageset為協議套餐對象。依據圖1,電力企業可計算出電力企業用戶繳費信息,完成繳費賬單的生成。

2 構建欠繳電費信息自動推送模型

本文基于深度神經網絡構建欠繳電費信息自動推送模型。模型分為訓練和推送2級。訓練級通過真實數據訓練預測評分和推送時間間隔的模型,確保推送的準確性和及時性。推送級則結合訓練好的模型,為電力用戶提供個性化推薦服務。構建的模型如圖2所示。

圖2 基于深度神經網絡的信息推送模型

如圖2所示,基于深度神經網絡的信息推送模型執行過程如下:

(1)信息輸入過程。

構建一個包含多個維度的特征向量,用于對輸入深度神經網絡模型進行訓練和預測。這些特征涵蓋了用戶的用電行為和繳費歷史,有助于模型更好地理解和預測用戶的電費欠繳風險。電力用戶繳費復合特征計算公式為:

(1)

式中,ω表示偏置;f表示激活函數;P表示平均繳費周期。

(2)神經網絡構建。

將電力用戶繳費復合特征作為輸入,輸入神經網絡進行訓練。在卷積層,采用卷積操作對輸入數據進行分析,通過卷積核的滑動窗口,尋找輸入用電數據中的局部特征。池化連接層用于降低數據的維度,并且保留重要特征。通常使用最大池化或平均池化操作,提取數據中最顯著的特征。通過神經網絡的訓練,模型可以學習到輸入數據中的復雜關系,并生成最終的預測結果。

在模型訓練過程中會出現訓練過度的現象,故本次構建代價函數改善訓練過程,其函數如下所示:

(2)

式中,C為代價函數;y(h)表示卷積神經網絡的輸出值;λ表示層數。

對預測結果進行后處理,確定閾值,以區分欠繳風險等級。此處閾值的設定可根據實際情況人工調整,篩選出高欠繳風險的用戶,基于此預測結果,將相應的繳費信息精準推送給用戶。

推送實施詳細過程為:將深度神經網絡的預測結果進行格式化,確保其結構與推送系統能夠兼容。將欠費用戶的詳細信息存儲在數據庫中,并通過API數據接口進行訪問。根據用戶習慣和業務需求選擇短信通知的推送方式。與短信服務平臺進行對接,確保能夠通過API將短信發送給用戶。短信內容包括用戶用電量、欠費信息和繳費截止日期等必要信息。根據選定推送方式的具體要求,調用相應的API,將欠費信息發送給高風險用戶。在推送過程中,需要確保信息的安全性和隱私保護,避免用戶信息的泄露。

3 實驗與分析

3.1 實驗環境設置

本次選取某電力企業作為研究對象,借助八爪魚數據采集工具,獲取2022年1月到10月的用電數據組建數據集,以便于后續測試。本文采用Python3.6 作為開發語言,在Window10 的 64 位操作系統上,以深度學習基礎平臺 Tensorflow 為深度學習架構、以機器學習庫 Sklearn 為隨機森林特征排序算法開發庫、以深度學習庫 Keras 為 DNN 模型開發庫、以用于創建 GUI 應用程序的工具包 Tkinter 為人機交互界面開發庫,完成代碼編寫和實驗平臺的搭建。本文選取蔣穎等[3]研究方法作為對比方法,以精確率為指標,衡量模型預測為高風險的用戶與實際風險是否一致。

3.2 實驗結果分析

本文利用所提方法和對比方法分別進行繳費信息推送,對比不同數量用戶時的高風險用戶預測精確率,得到的對比結果如表2所示。

表2 不同數量用戶時高風險用戶預測精確率 單位:%

由表2可以看出,隨著用戶數目的增加,本文所提方法的預測精確率逐漸下降,而對比方法的預測精確率下降幅度更大。當用戶數目為1000時,本文所提方法的預測精確率為97.2%,比對比方法高出9.6%;當用戶數目增加到5000時,本文所提方法的預測精確率為95.3%,仍然比對比方法高出7.4%。這表明本文所提方法具有較好的泛化性能和穩定性,能夠更準確地預測高風險用戶。

4 結語

本文對基于深度神經網絡的電力企業用戶欠繳電費信息自動推送方法進行了設計研究,借助電力企業用電數據采集系統完成用電數據獲取,并對其進行預處理,然后設計繳費模塊,實現用戶欠繳數據的計算,生成用戶欠繳賬單,最后基于深度神經網絡構建用戶欠繳電費信息自動推送模型,實現自動推送功能。實驗結果顯示,該方法的應用效果優于對比方法,可為提高電力企業用戶滿意度、促進電費繳納提供有力支持,具有較高的應用價值。