关键词：数据仓库；数据挖掘；电力营销1引言
在电力营销决策中，运营成本是决策所需考虑的重要方面，同时也是决策管理者最为关心的一个问题，而与运营成本相关的最主要因素是电量的销售情况。这是因为电力企业是用电的一个中间环节，负责发电企业和用电用户之间的连接，因而电量的销售情况将直接关系到电力企业的经营状况。
用电预测就是这样一种对未来需求量或者说未来用电量的预测，它是电力营销工作中的重要一环。若能够以前几个月的用电量预测出下一个月的用电量，并以此为依据购电，这样既可以避免由于估计过量而导致的过多备用；又可以避免由于预测不足而导致的用电紧张和系统运行安全性下降［１］。
为了完成这个目的，必须对现有的数据仓库中的电力营销数据进行分析，从中发现并提取出隐藏在其中的信息或知识。这个过程就是数据挖掘过程，其目标是帮助分析人员寻找数据之间的联系，发现被忽略的要素，挖掘出对预测趋势和决策行为有用的信息。
在数据挖掘过程中，数学模型是非常重要的分析数据的方法。在MicrosoftSQLSERVER2000提供的AnalysisServers工具中，包含了两种数据挖掘模型：决策树模型和聚类分析模型，利用它们可以对电力营销数据进行分析，发现一些规律性的东西。但是这种结果往往比较粗糙，精度不高，难以对电力企业的营销工作起到指导作用。本文提出了一种基于智能技术的数据挖掘模型，通过此模型可以得到较为理想的用电预测数据。
目前对此问题的专门研究很少，但因为这个问题与负荷预测问题有许多相似之处，所以可以借鉴负荷预测问题的研究方法。
在过去很长一段时期里，人们都是采用传统的方法来进行负荷预测，如时间序列方法、回归分析方法和模式识别方法，这些方法也都取得了不同程度的成功［２］。但这些方法都存在缺陷，时间序列方法不易考虑气象数据对负荷的影响，回归分析方法存在着如何确定回归方程的问题，而模式识别方法由于难以处理大地区的分散性对气象灵敏的负荷模式的影响而只能用于小区域电力系统［３］。
而人工神经网络能够建立任意非线性的模型，并适用于解决时间序列预报问题。因此很适合应用于电力系统的预测中。在电力系统的预测中，应用最多的神经网络是多层感知机，并应用反向传播算法(BP算法)进行网络训练［４］，然而，传统的BP算法有诸如不易确定隐层神经元的个数，容易陷入局部极小点，和耗费大量计算机时等缺点［５］，因而不适合实际使用。近来的RBF(RadialBasisFunction,径向基函数)网络作为另一种神经网络结构，以其灵活性强，易于训练，内插和外推性能好等特点而受到很大关注［６］，RBF网络时一种三层结构网络，其隐层的作用在于实现一非线性变换，隐单元(又称“中心”)数目在网络训练过程中随问题的复杂程度和所需的精度而动态调节，无需事先盲目确定，这种网络模型的训练过程表现为RBF网络中心的选择及隐层与输出层间权值的确定。
但是，利用RBF神经网络进行负荷预测时，需要大量的历史数据。在历史数据有限的情况下，往往使预测精度受到很大影响。为了克服这些缺点，文献［７］中将BP神经网络和模糊控制结合在一起进行模糊预测，收到了不错的效果。
本文利用RBF神经网络完成对电量购售情况的预测，在预测过程中，考虑了季节因素和重大节假日的影响；因为数据量的限制，对ANN的输出用模糊调节进行修正，以便提高预测的精度。
2RBF神经网络预测模型
电量购售预测问题首先要解决的问题是非线性映射的实现，人工神经网络在这方面有一定的优越性。一般情况下，假定要求学习的非线性映射为
上式中，Ｓ为样本数，而｛x(1)，x(2)，…x(s)｝形成了样本集Tc。
一般的RBF网络，可以用来拟合式(2)所描述的非线性关系，它实现的映射为
式中，x∈Rn为输入向量，φ(．)为一给定的非线性变换，‖．‖表示欧式范数；θi(0≤i≤m)为权值：Ci∈Rn(0≤i≤m)成为RBF网络的中心，e表示拟合误差，非线性变换函数φ(．)可选为
选的函数系｛‖x－ci‖｝(0≤i≤m)线性无关的时候，可通过增加隐层单元的数目，达到不断提高拟合精度，使J(m)小于给定误差的目的。RBF网络学习的关键是隐含层结点基函数中心的选取，中心选取的方法主要有四种：随机、自组织学习、有监督学习和正交最小二乘法等。本文采用正交最小二乘法，详细算法参见文献［8］。
当网络输出权值训练基函数的参数确定后，输出层的计算非常简单，对应于多输入单输出网络，用最小二乘法使价值函数J(m)最小即可。
2．1RBF神经网络的建立
购买和销售电量的工作在电力营销中，是一项非常重要的活动，但这个决定常常不是基于数据库中信息丰富的数据，而是基于决策者的直觉。这是因为决策者缺乏从海量数据中提取有价值知识的工具，因此设计一个合理的数据模型已完成此项工作是十分必要的。
2．2输入特征量的选取
对于神经网络训练，输入量的选择是一个非常关键的问题，输入量不能取得太少，否则不能起到区分判断能力；也不能取得太多，否则影响网络训练速度。
显然，当月的购电量与以往同类型月的用电量有着很大的关系，而这个用电量又受季节、重大节假日等因素的影响。如因为高温和严寒天气，夏、冬两季的用电量都会明显增加；在重大节假日(十一、五一、元旦、春节等)，用户的用电量也会有不同程度的增加。
这样，在选择样本的时候，应考虑到如下关系：
(1)首先，预测月的环境向量是必不可很少的；
(2)考虑到用电量变化应该是一个平稳的随机过程，那么前一两月的用电量可取得较好的平滑作用；
(3)某一个月的用电量同前一至两个月的用电量应该比较相似；同去年(前年)同一月份的用电量也应该比较相似。
综合考虑上述因素，并结合用电的特点，本文选择神经网络的输入如下：
预测月前两个月的用电量和对应各月的环境向量；
预测月前一年的同一月和其两侧各一个月的用电量，以及对应各月的环境向量；
预测月前两年的同一月和其两侧各一个月的用电量，以及对应各月的环境向量；
预测月的环境向量。
神经网络的输出向量为预测月的购电量。由此可建立一个输入层为17个节点，输出层为一个节点，隐含层个数待定的神经元网络，隐含层节点基函数采用高斯函数。神经网络的训练样本集是从过去两年的历史数据中选取出了典型数据组成，由此构成了RBF神经网络的训练对象。
此神经网络可以拟合如下的非线性关系：
其中，si为第Ⅰ个月的用电量，hi为第Ⅰ个月环境向量。环境的量化情况如下：2．3RBF神经网络的训练和预测
根据样本选择原则，给每一个神经网络选定一个训练样本集，样本集包含12个样本。选择隐含层节点基函数的宽度为10，初始中心为0，利用最小二乘法进行训练。
3模糊修正系统的设计
由于历史数据有限，神经网络选定的训练样本集中只包含12个样本，所以使经过神经网络模型得到的预测结果，预测精度受到一定影响，而且在实际预测中，利用一[1][2]下一页
