基于深度神经网络的电力企业用户欠缴电费信息自动推送方法

李 斌,续夏冉

(国网山西省电力公司吕梁供电公司,山西 吕梁 033000)

0 引言

为了确保电力企业的经营稳定和可持续发展,同时保障用户的权益,电力企业需要及时有效地推送欠缴电费信息给用户,以提醒用户缴纳电费,而自动推送欠缴电费信息成为一种重要的应对方式[1]。本文设计并提出了一种基于深度神经网络的电力企业用户欠缴电费信息自动推送方法。

1 用户欠缴电费信息自动生成设计

1.1 电力企业用户用电信息远程抄表

电力企业使用远程抄表技术,检索电力用户的用电信息,获取电力用户用电数据[2],并将数据按照类别,划分成用户ID数据、用电设备ID数据、用电量数据、用电时间数据等。将不同类别的数据录入数据库,构建电力用户用电数据表,如表1所示。

表1 电力用户用电数据

使用SQL语言中的JOIN操作,将用户信息表、用电数据表和缴费记录表进行关联[3]。关联的依据是根据用户ID,获取每个用户的完整用电和缴费记录,筛选出存在欠费情况的用户。

1.2 生成用户欠缴账单

用户用电数据采集完成后,利用缴费模块获取用户欠缴信息,生成用户欠缴账单。用户欠缴信息的获取需要依据电力企业计费系统中资源单价的设置,选择计费因子组合成计费方式,配置可供企业用户选择的SLA套餐,完成用户欠缴信息的计算[4]。计费配置的时序如图1所示。

图1 平台管理员计费配置时序

图1中,Platformadmininfo为平台管理员对象,Systempriceinit为资源对象,Billingstyleser为计费方式对象,SLApackageset为协议套餐对象。依据图1,电力企业可计算出电力企业用户缴费信息,完成缴费账单的生成。

2 构建欠缴电费信息自动推送模型

本文基于深度神经网络构建欠缴电费信息自动推送模型。模型分为训练和推送2级。训练级通过真实数据训练预测评分和推送时间间隔的模型,确保推送的准确性和及时性。推送级则结合训练好的模型,为电力用户提供个性化推荐服务。构建的模型如图2所示。

图2 基于深度神经网络的信息推送模型

如图2所示,基于深度神经网络的信息推送模型执行过程如下:

(1)信息输入过程。

构建一个包含多个维度的特征向量,用于对输入深度神经网络模型进行训练和预测。这些特征涵盖了用户的用电行为和缴费历史,有助于模型更好地理解和预测用户的电费欠缴风险。电力用户缴费复合特征计算公式为:

(1)

式中,ω表示偏置;f表示激活函数;P表示平均缴费周期。

(2)神经网络构建。

将电力用户缴费复合特征作为输入,输入神经网络进行训练。在卷积层,采用卷积操作对输入数据进行分析,通过卷积核的滑动窗口,寻找输入用电数据中的局部特征。池化连接层用于降低数据的维度,并且保留重要特征。通常使用最大池化或平均池化操作,提取数据中最显著的特征。通过神经网络的训练,模型可以学习到输入数据中的复杂关系,并生成最终的预测结果。

在模型训练过程中会出现训练过度的现象,故本次构建代价函数改善训练过程,其函数如下所示:

(2)

式中,C为代价函数;y(h)表示卷积神经网络的输出值;λ表示层数。

对预测结果进行后处理,确定阈值,以区分欠缴风险等级。此处阈值的设定可根据实际情况人工调整,筛选出高欠缴风险的用户,基于此预测结果,将相应的缴费信息精准推送给用户。

推送实施详细过程为:将深度神经网络的预测结果进行格式化,确保其结构与推送系统能够兼容。将欠费用户的详细信息存储在数据库中,并通过API数据接口进行访问。根据用户习惯和业务需求选择短信通知的推送方式。与短信服务平台进行对接,确保能够通过API将短信发送给用户。短信内容包括用户用电量、欠费信息和缴费截止日期等必要信息。根据选定推送方式的具体要求,调用相应的API,将欠费信息发送给高风险用户。在推送过程中,需要确保信息的安全性和隐私保护,避免用户信息的泄露。

3 实验与分析

3.1 实验环境设置

本次选取某电力企业作为研究对象,借助八爪鱼数据采集工具,获取2022年1月到10月的用电数据组建数据集,以便于后续测试。本文采用Python3.6 作为开发语言,在Window10 的 64 位操作系统上,以深度学习基础平台 Tensorflow 为深度学习架构、以机器学习库 Sklearn 为随机森林特征排序算法开发库、以深度学习库 Keras 为 DNN 模型开发库、以用于创建 GUI 应用程序的工具包 Tkinter 为人机交互界面开发库,完成代码编写和实验平台的搭建。本文选取蒋颖等[3]研究方法作为对比方法,以精确率为指标,衡量模型预测为高风险的用户与实际风险是否一致。

3.2 实验结果分析

本文利用所提方法和对比方法分别进行缴费信息推送,对比不同数量用户时的高风险用户预测精确率,得到的对比结果如表2所示。

表2 不同数量用户时高风险用户预测精确率 单位:%

由表2可以看出,随着用户数目的增加,本文所提方法的预测精确率逐渐下降,而对比方法的预测精确率下降幅度更大。当用户数目为1000时,本文所提方法的预测精确率为97.2%,比对比方法高出9.6%;当用户数目增加到5000时,本文所提方法的预测精确率为95.3%,仍然比对比方法高出7.4%。这表明本文所提方法具有较好的泛化性能和稳定性,能够更准确地预测高风险用户。

4 结语

本文对基于深度神经网络的电力企业用户欠缴电费信息自动推送方法进行了设计研究,借助电力企业用电数据采集系统完成用电数据获取,并对其进行预处理,然后设计缴费模块,实现用户欠缴数据的计算,生成用户欠缴账单,最后基于深度神经网络构建用户欠缴电费信息自动推送模型,实现自动推送功能。实验结果显示,该方法的应用效果优于对比方法,可为提高电力企业用户满意度、促进电费缴纳提供有力支持,具有较高的应用价值。