首页 > 论文范文 > 社会科学论文 > 科技论文 > 网络应用论文 > 电网资源优化配置基于深度数据挖掘和模糊神经网络的算法

电网资源优化配置基于深度数据挖掘和模糊神经网络的算法

2023-11-02 58 上传者：管理员

摘要：为实现高效且智能化的电网人力资源优化配置，提出了一种基于深度数据挖掘与模糊神经网络的资源优化配置算法，对未来一定时间内的资源需求加以预测。该算法基于模糊神经网络对资源数据进行深度挖掘及分析，并在此基础上通过粒子群优化算法完成对该网络的改进。数值实验结果表明，所提算法对电网企业人力资源需求的预测误差为0.13%，相比于仅使用模糊神经网络进行预测的误差降低了2.84%，且通过与多种机器学习算法进行的对比测试证明了该算法的综合性能更优。

关键词：
人力资源优化
人工智能
数据挖掘
模糊神经网络
资源数据
加入收藏

在我国电网企业中，人力资源的合理管理对于高效培养专业领域人才、提高整体资源利用率以及更好地发挥其最高能效均具有重要意义[1,2,3,4,5]。但由于存在海量的复杂数据，传统的人力资源管理系统无法对相关数据进行准确地分析与判断，因而也无法充分利用各种信息系统所收集的大量数据。为解决上述问题，文中基于深度数据挖掘及模糊神经网络技术(Fuzzy Neural Network,FNN)设计了一种电网人力资源优化配置算法。在利用模糊神经网络对人力资源数据进行深度挖掘的基础上，采用粒子群算法(Particle Swarm Optimization,PSO)对其进行参数寻优，进一步提升了算法的预测性能。该算法在显著提高数据处理能力的同时，还可以为电网企业提供人力资源的优化配置方案，从而使其发挥出最高能效。

1、电网人力资源优化算法建模

文中重点研究电网企业人力资源结构的优化，即准确预测出未来一段时间内的人力资源需求。通过设计智能化的资源调度算法，再利用该算法对电网人力资源进行高效、准确地优化配置，从而发挥电网企业的最高能效。而人力资源需求预测则是通过综合考虑各种内外因素的影响，预测未来一定时期内所需的人力资源数量及结构的资源规划。

数据挖掘[6,7,8]可以有效解决规划、预测等问题。传统的数据挖掘方法大多采用统计方式，但对于海量且复杂的资源数据而言，传统技术难以适应需要。模糊神经网络[9,10,11,12]是一种广泛使用的数据挖掘方法，其可在大量数据上进行训练并提取数据的隐藏特征，且不断学习这些特征，进而准确地执行数据信息提取。模糊神经网络具有模拟人类部分想象力思维的能力，且还能够通过历史数据的学习与记忆相关联，获得输入（影响因素）和输出（资源需求）间的特征关系。在模糊神经网络中，首先选择合适的目标函数；然后利用反向传播(Back Propagation,BP)，优化神经网络实际输出与目标值之间的误差；其次，模糊神经网络经过不断学习，修改权重并减少误差；最终，通过输出层输出预测值。

假设数据中具有n个输入变量，且变量分别为{x11,x21,x31,…,xn1}，经过输入层之后可以得到{x12,x22,x32,…,xn2}，则其他层的输出可由下式计算得到：

式中，l代表第l层，M代表l层中有M个神经元，k代表第l+1层中的第k个神经元，wklm+1是第l层第m个神经元到第l+1层第k个神经元的权重，bkl+1是第l+1层第k个神经元的偏置，fkl+1为第l+1层第k个节点的激活函数。

假设模糊神经网络的总体输出为Y，根据相关资源数据可建立模糊神经网络的架构，并通过输入n个变量获得一个预测值。模糊神经网络的结构如图1所示。

图1模糊神经网络结构

该网络共有四层，包括一个输入层、两个隐藏层与一个输出层。其中，输入层的神经元由输入的属性值数量决定；隐藏层的神经元则需经过不断调整，再确定最适应数据的数量；而输出层负责输出需求的预测值，该层的神经元数量为1。

此次采用模糊神经网络来处理电网人力资源数据，进而提高数据处理能力。通过模糊神经网络可以对目标值及其影响因素之间的关系进行深度挖掘并建模，确保最终结果的误差相对较小且精度优良。资源优化算法模型，如图2所示。首先，对输入的数据进行处理操作；然后，再利用处理后的数据对模糊神经网络加以训练；最终，当达到网络设置的最大迭代次数时，输出预测结果。

图2资源优化算法模型

2、改进的资源优化算法

虽然模糊神经网络可根据输入的训练数据不断学习特征，并更新每一层的权重以适应输入数据，进而得到更为匹配的预测值。但由于该网络在对权重进行初始化时是随机生成的，由此便会出现训练速度慢、准确率低等问题。同时模糊神经网络在通过反向传播及梯度下降(Gradient Descent GD)优化误差值时，还可能会遗漏全局最优解。因此，文中对模糊神经网络加以改进，并利用粒子群优化算法[13,14,15,16]对模糊神经网络中的权重参数进行优化，以保证该参数更适应数据、目标值和相关因素间的相关性，从而提高最终的预测准确率。

2.1粒子群优化算法

在电网人力资源优化算法模型中，使用粒子群算法来优化模糊神经网络模型时，将问题的每个解决方案均视为搜索空间中鸟的位置，也可称之为粒子。该文中粒子的具体含义是：模糊神经网络对未来一定时间内，人力需求数量的预测值与目标值之间的差值。每个粒子均有一个适应度值、速度和位置，其中适应度由预测及目标值之间的差值决定，而粒子速度和位置的作用则是用来确定粒子飞行的方向与距离。在粒子群优化算法的搜索过程中，首先随机初始化一组粒子，然后通过迭代搜索全局最优解。在每次迭代中，通过对两种粒子的追逐来更新二者的位置。两种粒子分别为Pbest（代表当前组的最优解）和Gbest（代表整组的最优解）。假设有n个粒子和D维搜索空间，则粒子群的粒子速度和位置更新公式如下：

式中，Xi=(Xi1,Xi2,…,Xid)与Vi=(Vi1,Vi2,…,Vid)分别为各个粒子的当前位置及飞行速度；Pi=(Pi1,Pi2,…,Pid)和Pg=(Pg1,Pg2,…,Pgd)则代表上文提到的Pbest与Gbest，分别表示当前粒子及整个粒子群的最优位置；w为惯性因子，c1、c2是两个学习因子，其均为非负常数；r1和r2则为随机生成的小数，取值范围在0～1之间；粒子速度Vid的取值在-Vmax～Vmax之间，Vmax为当前迭代次数中粒子的最大速度。

2.2粒子群优化模糊神经网络

模糊神经网络的权重参数是根据输入层与隐藏层节点数随机生成的，此类参数会根据模型的预测输出及目标值之间的误差进行调整。而粒子群优化算法能够进一步优化这些参数，进而提高模糊神经网络的预测精度。该神经网络的流程如图3所示。

在模型的构建过程中，使用均方误差(MSE)作为模型的损失函数。该损失函数可以将数据的实际值与预期值进行比较，然后再确定数据的接近度。损失函数的表达式为：

图3粒子群优化模糊神经网络流程

式中，n为数据样本数量，yi为第i个样本的目标值，yip为第i个样本的预测值。

粒子群优化模糊神经网络的步骤如下：

1）随机初始化权重参数，满足高斯分布(Gaussian Distribution)。

2）建立模糊神经网络模型，并根据输出值与目标值之间的误差，学习每一个神经元的权重参数，且将训练误差作为粒子群的适应度函数。

3）更新权重参数、粒子的速度及位置。

4）判断粒子群的迭代次数是否达到最大值。若达到，计算模糊神经网络的最优参数；否则，返回步骤3）。

5）判断模糊神经网络的迭代次数是否达到最大值。若是，训练结束并输出预测值；否则，返回步骤2）。

3、实验验证与分析

3.1实验数据

文中采集了某大型电网企业的数据，通过实验仿真来验证文中所提算法对电网资源优化配置的有效性。数据主要包括该企业在2013—2021年的售电量、客户数量、输电线路总长度、变电站数、总资产、供电人口、各个岗位和对应岗位的员工数量等影响人力资源需求的相关因素。表1列举了部分因素及员工数量的数据，再通过该文所提的模糊神经网络对该数据进行挖掘、分析，并利用粒子群优化算法对其参数进行优化，预测出该电网企业未来一段时间内的人力资源需求。

3.2验证粒子群优化的有效性

文中采用模糊神经网络对数据集进行深度挖掘和分析，并对未来一定时间内的目标值进行预测。根据上文可知，输入层的神经元数量由输入数据的因素数量决定，输出层的神经元数量则为1，而隐藏层的数量则需通过不断调整，以确定最优的数量。为确定模糊神经网络隐藏层中最优的神经元数量及迭代次数，文中进行了多组实验，得到的结果如表2所示。由表2可以确定模糊神经网络最优的两个隐藏层神经元个数分别为100个和80个，迭代次数则为150次。当使用上述最优神经元个数，且经过150次迭代后，该网络在数据集上得到的预测误差为2.97%。

表1部分实验数据样本

表2实验结果对比

虽然模糊神经网络能在实验仿真中实现较为精确的预测，但2.97%的误差仍无法为资源优化配置提供最优方案。因此，利用粒子群优化算法对模糊神经网络的权重参数进行优化，以降低该网络的预测误差。在粒子群优化算法的参数设置上，文中经过多次实验最终采用以下参数设置：粒子群大小为50，学习因子c1、c2均设置为1.2，粒子速度则在[-20,20]之间进行更新。先将粒子群的最大进化次数设置为100，并通过观察图4中粒子群的适应度变化曲线可知，当粒子群算法经过87次迭代后完成收敛；然后，将采用上述参数设置的粒子群优化算法加入模糊神经网络中，对该网络的权重参数进行寻优；最终，经粒子群算法优化的模糊神经网络在数据集上的预测误差从2.97%下降至0.13%，预测误差进一步降低，实现电网人力资源的优化配置。

图4粒子群算法的适应度变化曲线

3.3与其他方法对比

为了验证所提算法的优越性，还加入了多组实验来与多元线性回归(Multivariable Linear Regression)、决策树(Decision Tree)和XGBoost(EXtreme Gradient Boosting)等机器学习算法进行对比，具体结果如表3所示。

表3不同算法的误差值对比

其中，多元回归分析对需求数量进行预测的误差最大，高达5.90%；决策树和随机森林相比于多元线性回归表现良好，误差分别为3.21%、3.07%;XGBoost是四种机器学习算法中表现最优的，误差值为2.15%，且优于模糊神经网络的2.97%。虽然使用XGBoost在实验仿真中获得的预测误差较小，但与该文算法的误差0.13%仍有一定的差距。

综上所述，该文基于模糊神经网络对相关资源数据进行深度挖掘，再利用粒子群算法优化网络的权重参数，有效提高了算法的最终预测精度，且与其他机器学习算法相比具有显著的优越性。

4、结束语

为了提高电网企业的人力资源利用水平和运行能效，文中提出了一种基于深度数据挖掘和模糊神经网络的电网资源优化配置算法，以实现对电网企业人力资源需求的精确预测。该算法通过引入模糊神经网络技术对电网企业人力资源数据进行深度挖掘，并采用粒子群优化算法对模糊神经网络加以改进。通过在实际数据集上进行的仿真实验，验证了该文算法的有效性及优越性。实验结果表明，经粒子群算法改进的模糊神经网络可精确预测出电网企业的人力需求，且其误差低于大部分机器学习算法。

参考文献:

[1]杨颖.FRAIP模型在电力企业人力资源审计中的应用[J]电力与能源,2019,40(1):63-65.

[2]徐静,王勃孙雪莹基于RNN神经网络的人力资源管理风险预警模型[J].计算机与数字工程2020 ,48(7):1727-1730.

[3]李翠艳基于主动数据库技术的人力资源管理系统设计与实现[J]微型电脑应用2019 ,35(8):152-154, 160.

[4]姜盎磊-种人力资源管理计算机系统的开发设计研究[J]电子设计工程,2021 ,29(1):87-91.

[5]林昊基于模糊决策支持的人力资源绩效考评系统设计[J].微型电脑应用,2021,37(8)-.205-208.

[6]蓝机满基于云计算的数据挖掘系统设计[J].电子科技,2019,32(8):70-74.

[7]李杨,夏文秀.基于数据挖掘的开源电子资源访问行为统计模型[J]沈阳工业大学学报,2019,41(6):643-647.

[8]李英,汤庸基于关联规则与相似度的数据挖掘算法研究[J]华南师范大学学报(自然科学版).2021 ,53(5):121-127.

[9]喻霜基于模糊神经网络的态势感知学习算法研究[D].成都:电子科技大学2020.

[10]李浩楠刘勇模糊神经网络的优化及其应用[J]哈尔滨理I大学学报,2020 ,25(6)-:142-149.

[11]涂道盎,周金治,赖健琼模糊神经网络数据融台在体域网中的应用[J]传感器与微系统,202 1 ,40(8):148-151,156.

[12]邹昊东,王会羽,孙琦,等基于模糊神经网络的智能电e气系统故障诊断方法研究[J].山东农业大学学报(自然科学版),2020,51(4).708-711.

[13]李超粒子群优化算法改进策略及其应用研究[D]无锡:江南大学,2021.

[14]李眩,吴晓兵童百利.基于动态自适应变参的粒子群优化算法[J]四川轻化工大学学报(自然科学版),2021 ,34(5):41-47.

[15]刘占峰,潘駐粒子群优化的模糊粗糙集双约简算法[J]北京邮电大学学报2021, 44(4):49-55.

[16]张天泽李元香,项正龙等基于RMSprop的粒子群优化算法[J].计算机工程与设计,2021.42(3)-642-648.

基金资助:国网公司科技项目(JL71-15-042);

文章来源:温炜,刘媛媛,杨瑞.基于深度数据挖掘和模糊神经网络的电网资源优化配置算法[J].电子设计工程,2023,31(21):123-127.

网友评论

加载更多

我要评论

期刊名称：电子设计工程

期刊人气：2266

期刊详情

主管单位：九三学社陕西省委员会

主办单位：西安市三才科技实业有限公司

出版地方：陕西

专业分类：电子

国际刊号：1674-6236

国内刊号：61-1477/TN

邮发代号：52-142

创刊时间：1994年

发行周期：半月刊

期刊开本：大16开

见刊时间：10-12个月

论文导航

电网资源优化配置基于深度数据挖掘和模糊神经网络的算法

相关论文

基于萤火虫算法的无线通信网络故障节点自动定位方法

关键词

基于嵌入式的垃圾分类控制系统设计

关键词

宠物智能投喂基于物联网技术的系统设计

关键词