基于NPCA-SOFM算法的電力物資細(xì)分模型①

牛慶松 ,蔣雷雷 ,刁柏青

1(國(guó)網(wǎng)臨沂供電公司,臨沂 276003)2(國(guó)網(wǎng)讓東省電力公司,濟(jì)南 250001)

基于NPCA-SOFM算法的電力物資細(xì)分模型①

牛慶松1,蔣雷雷1,刁柏青2

1(國(guó)網(wǎng)臨沂供電公司,臨沂 276003)2(國(guó)網(wǎng)讓東省電力公司,濟(jì)南 250001)

為了有效提高電力物資細(xì)分科學(xué)性以及需求預(yù)測(cè)合理性,文章以物資需求特性為突破口,構(gòu)建了基于NPCA-SOFM算法的電力物資細(xì)分模型.首先,為消除指標(biāo)標(biāo)準(zhǔn)化造成的指標(biāo)變異和信息丟失影響,采用非線性主成份分析法(NPCA)進(jìn)行降維處理; 然后,運(yùn)用SOFM神經(jīng)網(wǎng)絡(luò)算法對(duì)降維后的主成份進(jìn)行聚類分析; 最后,通過(guò)算例分析驗(yàn)證文中方法的有效性,結(jié)果表明相較于PCA-SOFM和單獨(dú)采用SOFM算法,NPCA-SOFM神經(jīng)網(wǎng)絡(luò)算法聚類性能更具優(yōu)勢(shì),且降維效果更明顯,可為電力物資集約化管理和企業(yè)運(yùn)營(yíng)決策提供參考意義.

物資細(xì)分; 非線性主成份分析; 自組織映射神經(jīng)網(wǎng)絡(luò); 智能電網(wǎng)

隨著堅(jiān)強(qiáng)智能電網(wǎng)和三集五大戰(zhàn)略的深入推行,電網(wǎng)企業(yè)正在全網(wǎng)范圍內(nèi)積極開展統(tǒng)一物資管理體系[1]、物資集約化管理及物資合理庫(kù)存控制等工作,努力實(shí)現(xiàn)電力企業(yè)集約高效管理和資源優(yōu)化配置,其中電力物資細(xì)分是推進(jìn)物資集約化管理進(jìn)程中的重要問(wèn)題[2].由于電力物資具有品種繁多、規(guī)格多樣、數(shù)量巨大、用途廣泛等特點(diǎn),造成集約化管理難度加大,進(jìn)而影響物資需求預(yù)測(cè)和物資庫(kù)存管理,嚴(yán)重影響了電網(wǎng)物資供應(yīng)鏈管理效率.另外,電力物資細(xì)分的合理性直接影響物資需求預(yù)測(cè)的準(zhǔn)確性,進(jìn)而影響物資集約化管理效率,并且傳統(tǒng)的物資分類方法不能兼顧到其預(yù)測(cè)問(wèn)題[3].現(xiàn)有的理論研究比較側(cè)重于物資分類方法的改進(jìn)以及庫(kù)存控制策略,但是結(jié)合需求特性進(jìn)行物資細(xì)分的研究還比較少,盡管電網(wǎng)企業(yè)已經(jīng)對(duì)電力物資進(jìn)行了大中小類的劃分,其分類的依據(jù)是物資的性能參數(shù)和用途,但是尚未完善面向物資需求特性和庫(kù)存管理的物資分類方法.因此,需要構(gòu)建一套基于需求特性的、完備的及高效的電力物資細(xì)分模型方案.

電力物資細(xì)分就是基于特定需求對(duì)電力物資按屬性規(guī)律進(jìn)行分類的過(guò)程,進(jìn)而提高企業(yè)物資管理效率和經(jīng)濟(jì)效益.目前國(guó)內(nèi)外關(guān)于電力物資細(xì)分已經(jīng)進(jìn)行了較多研究工作[4-7],文獻(xiàn)[4]探討了傳統(tǒng)ABC分類法在針對(duì)需求量較少且單價(jià)較高的慢速流動(dòng)物資時(shí)分配不合理缺點(diǎn),以關(guān)鍵設(shè)備為出發(fā)點(diǎn),構(gòu)建了AHP和蒙特卡洛模擬兩階段法對(duì)不同物資進(jìn)行ABC分類,提高了物資分類的操作性; 文獻(xiàn)[5]選取物資單價(jià)、訂貨成本、需求量和提前期作為輸入屬性,構(gòu)建了神經(jīng)網(wǎng)絡(luò)模型對(duì)物資進(jìn)行聚類分析,并將物資按照重要性劃分為高中低三類; 文獻(xiàn)[6]高新華針對(duì)智能電網(wǎng)綜合評(píng)價(jià)問(wèn)題,提出了一種將主成份分析和聚類分析相結(jié)合的綜合評(píng)價(jià)方法,將眾多評(píng)價(jià)指標(biāo)按數(shù)據(jù)的相關(guān)性轉(zhuǎn)換成較高層次的綜合指標(biāo),有效的避免了人工賦權(quán)的主觀性干擾,降低了問(wèn)題的復(fù)雜度; 文獻(xiàn)[7]洪芳華針對(duì)物資管理存在標(biāo)準(zhǔn)化程度低和庫(kù)存成本高等問(wèn)題,提出了一種基于需求特性分析的物資分類方法,并且對(duì)不同類別物資設(shè)計(jì)各個(gè)子類的庫(kù)存管理策略矩陣,該方法對(duì)于物資種類較多時(shí)分類效率比較低.

鑒于以上研究現(xiàn)狀,本文以物資需求特性為突破口,基于國(guó)網(wǎng)某省電力公司物資出入庫(kù)等數(shù)據(jù),構(gòu)建了基于NPCA-SOFM神經(jīng)網(wǎng)絡(luò)算法的電力物資細(xì)分模型,采用非線性主成份分析法消除量綱及指標(biāo)變異造成的信息丟失影響,將多指標(biāo)轉(zhuǎn)化為少數(shù)綜合指標(biāo),然后,采用SOFM神經(jīng)網(wǎng)絡(luò)算法對(duì)電力物資進(jìn)行細(xì)分,該算法能夠自動(dòng)識(shí)別樣本信息并自組織性的完成聚類,受外界干擾性較小,針對(duì)多屬性大樣本情況性能更具優(yōu)勢(shì),最后,通過(guò)算例應(yīng)用,驗(yàn)證了本文所提方法的有效性.

1 電力物資細(xì)分指標(biāo)體系粗選

物資細(xì)分是推進(jìn)電力物資集約化管理和提高電力生產(chǎn)的關(guān)鍵環(huán)節(jié),由于電力行業(yè)物資具有種類繁多、規(guī)格多樣、覆蓋面廣和價(jià)格差異大等特點(diǎn),且當(dāng)前的物資分類方法缺乏統(tǒng)一的標(biāo)準(zhǔn),現(xiàn)有的物資分類方法有基于物資屬性劃分、基于財(cái)務(wù)口徑劃分、按照用途劃分、按照采購(gòu)方式劃分、按照供應(yīng)復(fù)雜度劃分等等,導(dǎo)致電力物資細(xì)分研究不能直接采用傳統(tǒng)的RFM模型(消費(fèi)間隔R、消費(fèi)頻率F、消費(fèi)金額M),本文在此基礎(chǔ)上,以電力物資需求特性為突破口,通過(guò)專家調(diào)研法和頭腦風(fēng)暴法粗選出了影響電力物資需求量的8個(gè)細(xì)分指標(biāo),相應(yīng)的指標(biāo)體系見表1.

表1 電力物資細(xì)分粗選指標(biāo)

2 基于NPCA-SOFM算法的電力物資細(xì)分模型構(gòu)建

為了更加高效的提高電力物資庫(kù)存合理性和物資管理效率,不斷提升電力物資分類的科學(xué)性和電力物資需求預(yù)測(cè)精度,本文構(gòu)建了基于NPCA-SOFM的電力物資細(xì)分模型[8],在物資細(xì)分指標(biāo)粗選的基礎(chǔ)上,首先,為了彌補(bǔ)主成份分析法降維效果不理想的不足,采用非線性主成份分析法NPCA對(duì)指標(biāo)進(jìn)行降維處理,將原始指標(biāo)轉(zhuǎn)換為少數(shù)綜合指標(biāo),且盡可能多保留原始數(shù)據(jù)的特征信息; 然后,構(gòu)建SOFM神經(jīng)網(wǎng)絡(luò)模型對(duì)電力物資進(jìn)行細(xì)分,并將綜合指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸入,其自組織性和競(jìng)爭(zhēng)性使得算法學(xué)習(xí)過(guò)程完全依據(jù)樣本本身特征,降低外界環(huán)境的影響,最大限度的提高了算法性能[9].模型的總體思路如圖1.

2.1 基于NPCA的電力物資細(xì)分指標(biāo)確定

為了從多維度甄選物資細(xì)分指標(biāo),所選取的評(píng)價(jià)指標(biāo)往往比較多,從而導(dǎo)致物資細(xì)分變得非常復(fù)雜,傳統(tǒng)的主成份分析法PCA通過(guò)降維思想將多指標(biāo)轉(zhuǎn)化為少數(shù)綜合指標(biāo),降低了問(wèn)題的求解難度,但是PCA在降維中存在許多不足之處:一是在為了消除量綱影響而進(jìn)行標(biāo)準(zhǔn)化時(shí),會(huì)造成指標(biāo)變異程度上的差異以及信息丟失,從而使得特征值提取性下降; 二是由于主成份實(shí)際上是一種線性降維技術(shù),所得的主成份是原始指標(biāo)的線性組合,不能反映各指標(biāo)之間以及主成份與各指標(biāo)間的非線性關(guān)系.為了有效彌補(bǔ)主成份分析的不足,提高算法的有效性,本文采用非線性主成份分析法(non-linear principal component analysis,NPCA)確定物資細(xì)分指標(biāo),在前文構(gòu)建的物資評(píng)價(jià)指標(biāo)體系的基礎(chǔ)上,采用非線性主成份法對(duì)原始指標(biāo)進(jìn)行降維處理,不僅可消除量綱變異的影響,而且可提高主成份提取的有效性.其主要分析步驟如下:

圖1 物資細(xì)分模型總體思路

(2)對(duì)均值化數(shù)據(jù)做中心化對(duì)數(shù)變換:

(3)計(jì)算對(duì)數(shù)中心化數(shù)據(jù)的協(xié)方差矩陣:

(4)計(jì)算協(xié)方差矩陣的特征值λi和特征向量li.S的p個(gè)特征值記為:標(biāo)準(zhǔn)化特征向量為,則第m個(gè)樣本指標(biāo)的第i個(gè)主成份為:

(5)計(jì)算主成份貢獻(xiàn)率及累計(jì)貢獻(xiàn)率.一般選取累計(jì)貢獻(xiàn)率大于80%的特征值對(duì)應(yīng)的主成份m,這m個(gè)主成份就綜合體現(xiàn)了所有指標(biāo)的大部分信息.

主成份貢獻(xiàn)率:

主成份累計(jì)貢獻(xiàn)率:

(6)計(jì)算各主成份得分Zij,將其作為電力物資細(xì)分的綜合指標(biāo).

2.2 基于SOFM神經(jīng)網(wǎng)絡(luò)算法的電力物資細(xì)分模型

自組織映射神經(jīng)網(wǎng)絡(luò)(Self organization feature map,SOFM)由芬蘭赫爾辛基大學(xué)教授Kohonen于1981年提出.由于基于需求特性的物資細(xì)分指標(biāo)復(fù)雜多變和數(shù)量較多,且各指標(biāo)之間往往又由許多隱含層次因素交互作用影響,因此,本文構(gòu)建了SOFM神經(jīng)網(wǎng)絡(luò)算法對(duì)物資進(jìn)行聚類分析,將前文得到的少數(shù)綜合指標(biāo)作為神經(jīng)網(wǎng)絡(luò)輸入,通過(guò)算法的自組織性和競(jìng)爭(zhēng)學(xué)習(xí)過(guò)程自動(dòng)完成聚類過(guò)程,聚類過(guò)程完全依據(jù)樣本本身的屬性特征,受外界干擾較小,相比于傳統(tǒng)的聚類算法,其具有更優(yōu)秀的聚類性能[10].模型的主要思路如下:

(1)構(gòu)建包括輸入層和競(jìng)爭(zhēng)層的神經(jīng)網(wǎng)絡(luò),網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為矩形網(wǎng)格結(jié)構(gòu),競(jìng)爭(zhēng)層包括n×m個(gè)神經(jīng)元.

(2)網(wǎng)絡(luò)初始化及鄰域半徑的確定.將神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)和競(jìng)爭(zhēng)層神經(jīng)元之間實(shí)現(xiàn)全連接,有N個(gè)相應(yīng)的權(quán)值向量,對(duì)所有的權(quán)值向量{Wij}賦予[0,1]區(qū)間內(nèi)的隨機(jī)數(shù),并且對(duì)所有的權(quán)值向量進(jìn)行歸一化處理,確定初始鄰域半徑 Ng(0),學(xué)習(xí)率η(0)(0<η(0)<1),一般情況下,鄰域半徑應(yīng)該覆蓋所有鄰域距離的2/3.權(quán)值向量應(yīng)滿足:

(3)樣本輸入.在學(xué)習(xí)過(guò)程中,當(dāng)樣本進(jìn)行輸入時(shí),競(jìng)爭(zhēng)層神經(jīng)元進(jìn)行響應(yīng),從而調(diào)整權(quán)值向量?jī)?yōu)化神經(jīng)網(wǎng)絡(luò).樣本輸入就是從訓(xùn)練集中隨機(jī)的抽取一個(gè)輸入模式并且對(duì)其進(jìn)行歸一化處理進(jìn)行輸入,得到n為輸入神經(jīng)元數(shù)目.

(4)尋找獲勝神經(jīng)元.樣本輸入后,競(jìng)爭(zhēng)層神經(jīng)元受到刺激調(diào)整最終會(huì)選擇權(quán)值向量最相似的向量對(duì)象的神經(jīng)元成為獲勝神經(jīng)元,兩個(gè)模式向量的相似程度通常用二者的歐式距離來(lái)進(jìn)行判斷,計(jì)算公式為:

(5)定義優(yōu)勝鄰域.優(yōu)勝鄰域是以獲勝神經(jīng)元為中心,設(shè)定一定距離的半徑的一個(gè)區(qū)域,在網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程中,隨著迭代次數(shù)的增加,權(quán)值向量不斷自組織和調(diào)整,優(yōu)勝鄰域不斷縮小為零,模式趨于穩(wěn)定.Nj*表示獲勝神經(jīng)元的鄰域,其應(yīng)滿足:

(6)權(quán)值調(diào)整.當(dāng)樣本輸入后,獲勝神經(jīng)元及其優(yōu)勝鄰域范圍內(nèi)的神經(jīng)元會(huì)以自組織形式不斷調(diào)整權(quán)值向量,從而使得權(quán)值向量更加接近輸入樣本的模式向量,經(jīng)過(guò)反復(fù)的訓(xùn)練之后,各個(gè)神經(jīng)元就會(huì)形成固有的特征,從而達(dá)到對(duì)樣本進(jìn)行聚類的效果[11].權(quán)值向量調(diào)整方式如下:

(7)檢查結(jié)束.隨著時(shí)間的推移以及迭代次數(shù)的增加,學(xué)習(xí)率會(huì)不斷的減小,使得輸入樣本自組織性的被聚類,判斷結(jié)束的標(biāo)準(zhǔn)為學(xué)習(xí)率逐漸減小為定值或者神經(jīng)元平均領(lǐng)域距離趨于定值.

2.3 模型評(píng)估

輪廓系數(shù)(Silhoutte coefficient)通過(guò)考察類之間的分離情況和緊湊情況來(lái)評(píng)估聚類效果.對(duì)于n個(gè)對(duì)象的數(shù)據(jù)集D,假設(shè)D被劃分成k個(gè)簇對(duì)于每個(gè)對(duì)象o∈D,計(jì)算o與其所屬類其他對(duì)象的平均距離a(o),以及o與其他類的最小平均距離b(o).假設(shè)則:

而

對(duì)象o的輪廓系數(shù)為:

a(o)的值反映o所屬類的緊湊性,該值越小越緊湊,b(o)的值反映 o 與其它類的分離程度,b(o)的值越大,o與其它類越分離.因此,當(dāng)o的輪廓系數(shù)接近1時(shí),則表示o所屬的類是緊湊的,并且遠(yuǎn)離其它類,模型聚類效果越明顯.

3 算例分析

為了驗(yàn)證模型的有效性和適用性,本文采集了某公司2013年至2016年300多萬(wàn)條物資出入庫(kù)數(shù)據(jù)進(jìn)行分析研究.目標(biāo)數(shù)據(jù)集包括1571個(gè)物資小類,并由選取的八個(gè)關(guān)鍵指標(biāo)為評(píng)價(jià)指標(biāo),采用RStudio軟件進(jìn)行數(shù)據(jù)分析,對(duì)建立的電力物資細(xì)分模型進(jìn)行驗(yàn)證分析.

3.1 非線性主成份分析指標(biāo)確定

為了更加合理的消除各指標(biāo)的量綱差異,在保證系統(tǒng)信息量的前提下,采用非線性主成份對(duì)變量進(jìn)行降維處理,為物資細(xì)分指標(biāo)的確定提供依據(jù).選取了1571種物資數(shù)據(jù)作為研究樣本,物資指標(biāo)體系選取8個(gè)關(guān)鍵指標(biāo),并對(duì)數(shù)據(jù)進(jìn)行對(duì)數(shù)中心化、標(biāo)準(zhǔn)化預(yù)處理,結(jié)合R軟件進(jìn)行非線性主成份分析,主成份的選擇依據(jù)主成份累計(jì)方差貢獻(xiàn)率大于80%,通過(guò)計(jì)算可知,各主成份方差貢獻(xiàn)率見表2.

表2 各主成份方差貢獻(xiàn)度

由上表可以看出,主成份一、主成份二、主成份三和主成份四的累計(jì)方差貢獻(xiàn)率達(dá)到81.6%(大于80%),故只需選取主成份一、主成份二、主成份三和主成份四,即可代表原來(lái)的8個(gè)指標(biāo)的大部分信息,各主成份因子載荷矩陣見表3.

由表3各主成份因子載荷矩陣可以看出,第一主成份在物資金額、缺貨成本和領(lǐng)用次數(shù)三個(gè)指標(biāo)上載荷較高,則認(rèn)為第一主成份代表了物資的重要性程度;第二主成份在搶修金額和搶修數(shù)量占比兩個(gè)指標(biāo)上載荷較高,則認(rèn)為第二主成份代表了物資的緊急性; 第三主成份在缺貨成本和應(yīng)急采購(gòu)占比兩個(gè)指標(biāo)上載荷較高,則認(rèn)為第三主成份代表了物資的稀缺性; 第四主成份在缺貨成本和領(lǐng)用數(shù)量?jī)蓚€(gè)指標(biāo)上載荷較高,則認(rèn)為第四主成份代表了流通性.通過(guò)因子載荷矩陣可求得各物資在四個(gè)主成份的綜合得分,并將其作為下一步神經(jīng)網(wǎng)絡(luò)模型的輸入,即輸入變量為:重要性、緊急性、稀缺性和流通性.

表3 各主成份因子載荷矩陣

3.2 SOFM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)及訓(xùn)練過(guò)程

基于非線性主成份分析法選擇的4個(gè)主成份,采用SOFM神經(jīng)網(wǎng)絡(luò)算法對(duì)電力物資進(jìn)行細(xì)分,通過(guò)調(diào)整參數(shù)及結(jié)果分析,將SOFM神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置為:競(jìng)爭(zhēng)層為2*2的二維空間平面,為矩形網(wǎng)格結(jié)構(gòu),學(xué)習(xí)率線性變動(dòng)區(qū)間為[0.05,0.01],鄰域半徑為 0.5,最大迭代次數(shù)為100次.此時(shí),模型的聚類結(jié)果見表4.

表4 電力物資聚類結(jié)果

由表4可知,1571種電力物資依據(jù)重要性、緊急性、稀缺性和流通性四個(gè)屬性,被分為了四類,物資類1包含493中小類物資,物資類2包含111種小類物資,物資類3包含158種小類物資,物資類4包含809種小類物資; 另由平均輪廓系數(shù)為0.87可知,模型的聚類效果良好.

圖2 SOFM 神經(jīng)網(wǎng)絡(luò)收斂曲線

由圖2可知,在自組織映射神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中,競(jìng)爭(zhēng)層各神經(jīng)元間的平均距離隨著迭代次數(shù)的增加不斷減小,并逐漸收斂為一個(gè)定值,當(dāng)?shù)螖?shù)達(dá)到第四十代左右的時(shí)候,競(jìng)爭(zhēng)層神經(jīng)元間平均距離收斂為0.0205,此時(shí),模型趨于穩(wěn)定狀態(tài).

圖3 物資特征分布圖

圖3 反映了各神經(jīng)元在各屬性上的重要程度,可以清晰的看出:

第一類物資屬于流通性比較強(qiáng)的物資,需求頻次和需求量都比較大; 第二類物資屬于比較稀缺的物資,缺貨成本比較高; 第三類物資側(cè)重于重要性和流通性,這類物資價(jià)值比較大、需求頻次較高; 第四類物資屬于緊急程度高且流通性比較快的物資.

在實(shí)際應(yīng)用中,企業(yè)可以結(jié)合各類物資的具體屬性特征,設(shè)計(jì)不同的物資需求預(yù)測(cè)方法,提高預(yù)測(cè)精度,另外,也可針對(duì)不同物資制定差異化的物資管理策略,提高企業(yè)的運(yùn)營(yíng)效率.

3.3 模型評(píng)估

將采用本文方法得到的結(jié)果與使用PCA-SOFM神經(jīng)網(wǎng)絡(luò)和單獨(dú)使用SOFM神經(jīng)網(wǎng)絡(luò)所得到的結(jié)果作對(duì)比分析見表5.

表5 三種方法聚類效果對(duì)比分析

由表5可知,采用三種方法進(jìn)行聚類的平均輪廓系數(shù)分別為0.87、0.63和0.54,可看出本文所采用的NPCA-SOFM神經(jīng)網(wǎng)絡(luò)模型聚類效果要優(yōu)于PCASOFM模型和單獨(dú)使用SOFM模型; 且NPCA算法使得SOFM神經(jīng)網(wǎng)絡(luò)輸入變量個(gè)數(shù)更少,降維效果更具優(yōu)勢(shì),較好的提高了聚類性能.因此,本文所設(shè)計(jì)的基于NPCA-SOFM算法的電力物資細(xì)分模型是合理的,且具有明顯的性能優(yōu)勢(shì).

4 結(jié)語(yǔ)

文章結(jié)合NPCA和SOFM兩種算法優(yōu)缺點(diǎn),設(shè)計(jì)了基于NPCA-SOFM算法的電力物資細(xì)分模型,首先,采用非線性主成份分析法NPCA將物資細(xì)分粗選指標(biāo)轉(zhuǎn)換為四個(gè)綜合指標(biāo):重要性、緊急性、稀缺性和流通性,降低問(wèn)題的復(fù)雜度; 然后,構(gòu)建基于 SOFM 神經(jīng)網(wǎng)絡(luò)算法的物資細(xì)分模型,通過(guò)算例分析對(duì)比分析,表明NPCA-SOFM神經(jīng)網(wǎng)絡(luò)算法性能更優(yōu),并將電力物資細(xì)分為四大類,為企業(yè)物資差異化需求預(yù)測(cè)和個(gè)性化庫(kù)存管理提供參考意義,促進(jìn)企業(yè)物資集約化管理和運(yùn)營(yíng)效益的提升.此外,本文主要研究了基于電力物資需求特性的物資細(xì)分模型,但是基于該分類的差異化需求預(yù)測(cè)方法及合理庫(kù)存方案還有待進(jìn)一步認(rèn)真研究.

1張運(yùn)洲,程路.中國(guó)電力“十三五”及中長(zhǎng)期發(fā)展的重大問(wèn)題研究.中國(guó)電力,2015,48(1):1–5.

2邵康.物資管理信息系統(tǒng)在電力企業(yè)的應(yīng)用.電力信息與通信技術(shù),2015,13(8):70–73.

3Milosevic M,Valter Mcconville KM,Sejdic E,et al.Visualization of trunk muscle synergies during sitting perturbations using self-organizing maps (SOM).IEEE Trans.on Biomedical Engineering,2012,59(9):2516–2523.[doi:10.1109/TBME.2012.2205577]

4蔡國(guó)偉,孫正龍,孔令國(guó),等.基于兩步聚類法的受擾機(jī)群同調(diào)性分析.中國(guó)電力,2013,46(2):46–49.

5沈男.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的電網(wǎng)物資需求預(yù)測(cè)研究[碩士學(xué)位論文].北京:華北電力大學(xué),2014.

6高新華,嚴(yán)正.基于主成分聚類分析的智能電網(wǎng)建設(shè)綜合評(píng)價(jià).電網(wǎng)技術(shù),2013,37(8):2238–2243.

7洪芳華,高峻峻,陸爽.基于需求特性分類的電力物資庫(kù)存管理策略設(shè)計(jì).物流技術(shù),2011,30(9):212–216.

8胡雷鈞,龐松濤,朱炯,等.基于 FPGA 的大數(shù)據(jù) K-means算法優(yōu)化.電力信息與通信技術(shù),2016,14(8):1–6.

9尹柏強(qiáng),何怡剛,朱彥卿.一種廣義S變換及模糊SOM網(wǎng)絡(luò)的電能質(zhì)量多擾動(dòng)檢測(cè)和識(shí)別方法.中國(guó)電機(jī)工程學(xué)報(bào),2015,35(4):866–872.

10單英浩,付青,耿炫,等.基于改進(jìn) BP-SVM-ELM 與粒子化SOM-LSF的微電網(wǎng)光伏發(fā)電組合預(yù)測(cè)方法.中國(guó)電機(jī)工程學(xué)報(bào),2016,36(12):3334–3342.

11孫鵬,曹雨晨,劉洋,等.采用二進(jìn)制蟻群模糊神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障分類方法.高電壓技術(shù),2016,42(7):2063–2072.

Power Material Subdivision Model Based on NPCA-SOFM Algorithm

NIU Qing-Song1,JIANG Lei-Lei1,DIAO Bai-Qing2

1(State Grid Linyi Power Supply Company,Linyi 276003,China)2(State Grid Shandong Electric Power Company,Jinan 250001,China)

In order to improve the scientificity of power material subdivision and the rationality of demand forecasting,this paper constructs the power material subdivision model based on NPCA-SOFM algorithm with the material demand characteristic as the breakthrough point.Firstly,the non-linear principal component analysis (NPCA)is used to reduce the dimensionality of the index and the loss of information caused by the standardization of indicators.Afterwards,we use the SOFM neural network algorithm to cluster the principal components after dimension reduction.Finally,the validity of the method is verified with an example.The results show that the clustering performance of NPCA-SOFM neural network algorithm is superior to PCA-SOFM and SOFM algorithm alone,and the dimension reduction effect is more obvious,which can provide reference value for intensive management of electric material and enterprise operation decision.

material subdivision; non-linear principal component analysis; self organization feature map; smart grid

牛慶松,蔣雷雷,刁柏青.基于NPCA-SOFM算法的電力物資細(xì)分模型.計(jì)算機(jī)系統(tǒng)應(yīng)用,2017,26(10):172–177.http://www.c-sa.org.cn/1003-3254/6016.html

國(guó)家自然科學(xué)基金(71071089); 國(guó)家電網(wǎng)公司科技項(xiàng)目(520607160003)

2017-01-12; 采用時(shí)間:2017-02-23