基于改進(jìn)ELM神經(jīng)網(wǎng)絡(luò)的客戶滿意度評(píng)價(jià)模型

盧海明，劉建鑫

（1.廣州地鐵集團(tuán)有限公司運(yùn)營(yíng)事業(yè)總部，廣東 廣州 510310；2.國(guó)網(wǎng)江西省電力公司萍鄉(xiāng)供電分公司，江西 萍鄉(xiāng) 337000）

基于改進(jìn)ELM神經(jīng)網(wǎng)絡(luò)的客戶滿意度評(píng)價(jià)模型

盧海明1，劉建鑫2

（1.廣州地鐵集團(tuán)有限公司運(yùn)營(yíng)事業(yè)總部，廣東 廣州 510310；2.國(guó)網(wǎng)江西省電力公司萍鄉(xiāng)供電分公司，江西 萍鄉(xiāng) 337000）

使用一種動(dòng)態(tài)遞歸網(wǎng)絡(luò)——ELM神經(jīng)網(wǎng)絡(luò)來(lái)模擬專家打分進(jìn)行電力客戶滿意度測(cè)評(píng)。仿真結(jié)果表明，ELM神經(jīng)網(wǎng)絡(luò)具有訓(xùn)練速度快和結(jié)構(gòu)簡(jiǎn)單的特點(diǎn)，能較準(zhǔn)確地反映客戶滿意度。同時(shí)，針對(duì)ELM神經(jīng)網(wǎng)絡(luò)基于梯度下降算法調(diào)整權(quán)值和閾值，容易陷入局部最優(yōu)的缺陷，提出了利用入侵雜草算法（IWO）優(yōu)化ELM神經(jīng)網(wǎng)絡(luò)的連接權(quán)值系數(shù)。神經(jīng)網(wǎng)絡(luò)權(quán)值優(yōu)化是一個(gè)大規(guī)模多峰優(yōu)化問(wèn)題，已有文獻(xiàn)證明IWO算法對(duì)于解決高維度、多峰優(yōu)化問(wèn)題具有明顯優(yōu)勢(shì)。新方法有效彌補(bǔ)了單一算法的不足，擁有ELM神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)記憶的能力以及入侵雜草算法全局收斂性強(qiáng)的特點(diǎn)。實(shí)例計(jì)算證明，改進(jìn)ELM神經(jīng)網(wǎng)絡(luò)可以建立精度更高的電力客戶滿意度評(píng)價(jià)模型，保證專家評(píng)價(jià)系統(tǒng)的一致性和穩(wěn)定性，是一種行之有效的評(píng)價(jià)方法。

電力客戶滿意度；入侵雜草算法；神經(jīng)網(wǎng)絡(luò)；電力市場(chǎng)

隨著電力體制改革的不斷深入及電力市場(chǎng)的逐步建立和完善，電力需求側(cè)管理越來(lái)越受到供電企業(yè)的重視。尤其近年來(lái)經(jīng)濟(jì)的高速發(fā)展，電力客戶對(duì)供電企業(yè)提供的產(chǎn)品與服務(wù)也提出了越來(lái)越高的要求。滿足顧客需求是企業(yè)生存的根本，電力客戶滿意度是衡量供電企業(yè)服務(wù)水平高低的重要指標(biāo)。因此，客戶滿意度評(píng)價(jià)體系的建立與實(shí)施對(duì)供電企業(yè)的持續(xù)發(fā)展具有重要的現(xiàn)實(shí)意義［1－2］。文獻(xiàn)［3］將模糊評(píng)價(jià)和層次分析法（Analytic Hierarchy Process，AHP）結(jié)合起來(lái)，對(duì)電力客戶滿意度進(jìn)行了綜合研究，AHP中的判斷極值矩陣需由專家學(xué)者來(lái)確定，不同專家難以保證專家系統(tǒng)的穩(wěn)定性和一致性。針對(duì)這個(gè)問(wèn)題，文獻(xiàn)［4］采用神經(jīng)網(wǎng)絡(luò)對(duì)客戶滿意度進(jìn)行了分析測(cè)評(píng)。采用神經(jīng)網(wǎng)絡(luò)進(jìn)行評(píng)價(jià)的優(yōu)點(diǎn)是顯而易見的，但是其存在收斂速度慢、容易陷入局部最優(yōu)的缺點(diǎn)。

針對(duì)現(xiàn)有方法存在的不足，本文嘗試采用入侵雜草算法優(yōu)化ELM神經(jīng)網(wǎng)絡(luò)（IWO－ELM），并使用該模型進(jìn)行電力客戶滿意度綜合評(píng)價(jià)。根據(jù)《國(guó)家電網(wǎng)公司供電服務(wù)品質(zhì)評(píng)價(jià)管理辦法（試行）》，參考國(guó)內(nèi)外現(xiàn)有競(jìng)爭(zhēng)行業(yè)的客戶滿意度評(píng)價(jià)模型［5－6］，確立從企業(yè)形象、客戶期望、客戶對(duì)供電質(zhì)量的感知、客戶對(duì)價(jià)值的感知、客戶忠誠(chéng)、客戶抱怨7個(gè)方面建立電力客戶滿意度評(píng)價(jià)指標(biāo)體系［7］。實(shí)例分析中，以5個(gè)地區(qū)電力客戶滿意度評(píng)價(jià)為例，依據(jù)專家對(duì)各指標(biāo)打分結(jié)果，分別采用常規(guī)ELM神經(jīng)網(wǎng)絡(luò)和IWO－ELM進(jìn)行電力客戶滿意度綜合評(píng)價(jià)。實(shí)例分析表明，改進(jìn)后的ELM神經(jīng)網(wǎng)絡(luò)可以有效克服陷入局部最優(yōu)的問(wèn)題，從而提高模型精度和收斂速度。新評(píng)價(jià)方法能保證專家評(píng)價(jià)系統(tǒng)的一致性和穩(wěn)定性，并節(jié)省評(píng)價(jià)工作所耗費(fèi)的人力物力。

1 電力客戶滿意度評(píng)價(jià)指標(biāo)體系

構(gòu)建電力客戶滿意度評(píng)價(jià)指標(biāo)體系的指導(dǎo)思想是：改變以往客戶滿意度評(píng)價(jià)單一指標(biāo)的做法，采取多層次、多維度的綜合評(píng)價(jià)指標(biāo)，客觀真實(shí)地反映客戶滿意水平，為提供個(gè)性化服務(wù)、改善服務(wù)質(zhì)量提供科學(xué)的決策依據(jù)［8－9］。根據(jù)《國(guó)家電網(wǎng)公司供電服務(wù)品質(zhì)評(píng)價(jià)管理辦法（試行）》，本文采用美國(guó)客戶滿意度指數(shù)（AmericanCustomer Satisfaction Index，ACSI）模型，如圖1所示。結(jié)合專家小組和供電企業(yè)營(yíng)銷人員的意見，在參考已有文獻(xiàn)的基礎(chǔ)上［7］，最終確立電力客戶滿意度綜合測(cè)評(píng)指標(biāo)體系，見表1。

圖1 電力ACSI測(cè)評(píng)模型

2 入侵雜草優(yōu)化算法

入侵雜草算法，又稱為野草算法（Invasive Weed Optimization，IWO）是由Mehrabian和Lucas于2006年提出來(lái)的一種模擬雜草入侵過(guò)程的智能優(yōu)化算法［8］。該算法控制參數(shù)較少、自適應(yīng)性好、魯棒性強(qiáng)且比較容易實(shí)現(xiàn)，近年來(lái)，已經(jīng)成功運(yùn)用到眾多領(lǐng)域之中。

表1 電力客戶滿意度測(cè)評(píng)指標(biāo)體系

對(duì)于入侵雜草算法，待解決問(wèn)題的每一個(gè)可行解就是一個(gè)雜草個(gè)體，雜草的生長(zhǎng)域就是問(wèn)題的可行域，所有雜草的合集稱為一個(gè)種群。初始種群通過(guò)繁殖產(chǎn)生新的雜草種子，次代雜草種子按照一定規(guī)則進(jìn)行空間擴(kuò)散產(chǎn)生新的雜草，最后對(duì)新的雜草種群按照其適應(yīng)度進(jìn)行優(yōu)勝劣汰。IWO算法的具體描述如下：

a.初始化種群

根據(jù)實(shí)際問(wèn)題，設(shè)置相關(guān)參數(shù)及隨機(jī)產(chǎn)生初始種群，即在給定范圍內(nèi)產(chǎn)生M個(gè)D維的雜草種子。

b.種群繁殖

適應(yīng)度是衡量雜草種子優(yōu)劣的標(biāo)準(zhǔn)，而IWO算法在繁殖過(guò)程中根據(jù)個(gè)體適應(yīng)度確定產(chǎn)生次代雜草種子的個(gè)數(shù)，具體公式如式（1）所示：

式中：weedi為雜草個(gè)體i產(chǎn)生的種子個(gè)數(shù)；f、fmax、fmin分別為當(dāng)前雜草適應(yīng)度、當(dāng)前種群中雜草最大和最小適應(yīng)度；Smax、Smin分別為設(shè)定的最大、最小種子數(shù)；round為取整函數(shù)。

c.空間擴(kuò)散

IWO算法采用高斯分布在父代周圍的空間內(nèi)進(jìn)行隨機(jī)擴(kuò)散，在迭代初期進(jìn)行全局搜索，在迭代后期進(jìn)行局部搜索，具體公式如式（2）所示：

式中：Itermax、Iter分別為最大迭代次數(shù)和當(dāng)前迭代次數(shù)；δinit、δfinal、δIter分別為初始標(biāo)準(zhǔn)差、最終標(biāo)準(zhǔn)差和當(dāng)前標(biāo)準(zhǔn)差；n為非線性調(diào)和因子，一般情況下取n＝3。

d.競(jìng)爭(zhēng)擇優(yōu)

雜草初始種群經(jīng)過(guò)繁殖和空間擴(kuò)散之后，種群規(guī)模迅速擴(kuò)大，遵循優(yōu)勝劣汰的原則，在IWO算法中設(shè)置最大種群規(guī)模Mmax，當(dāng)種群規(guī)模大于Mmax時(shí)，將父代及其子代雜草按適應(yīng)度高低進(jìn)行排序，取適應(yīng)度排在前Mmax個(gè)的個(gè)體作為下一代的父代個(gè)體。

隨后，不斷重復(fù)上述過(guò)程，直到滿足算法結(jié)束條件。

3 入侵雜草算法優(yōu)化ELM神經(jīng)網(wǎng)絡(luò)

3.1 ELM神經(jīng)網(wǎng)絡(luò)

ELM神經(jīng)網(wǎng)絡(luò)連接層之間既有一般的前饋連接，又有內(nèi)部的反饋連接，與BP神經(jīng)網(wǎng)絡(luò)相比具有更強(qiáng)的計(jì)算能力和自學(xué)習(xí)性［10］，使訓(xùn)練好的網(wǎng)絡(luò)具備動(dòng)態(tài)特性和非線性映射，ELM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。但ELM神經(jīng)網(wǎng)絡(luò)也是采用誤差反向傳播（BP）算法進(jìn)行權(quán)值修正，同樣存在收斂速度慢、容易陷入局部最優(yōu)等缺陷。權(quán)值參數(shù)的微小變化可能導(dǎo)致網(wǎng)絡(luò)性能的截然不同，而神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化是一個(gè)大規(guī)模、高維度、多峰優(yōu)化問(wèn)題，傳統(tǒng)算法在解決此類問(wèn)題時(shí)往往表現(xiàn)出早熟收斂現(xiàn)象。IWO算法具有較強(qiáng)的全局搜索性能，為克服神經(jīng)網(wǎng)絡(luò)以上缺點(diǎn)提供了可能。

3.2 IWO優(yōu)化ELM神經(jīng)網(wǎng)絡(luò)

IWO算法優(yōu)化ELM神經(jīng)網(wǎng)絡(luò)的基本思想是：首先IWO算法利用其全局搜索能力在解空間內(nèi)進(jìn)行全局搜索，通過(guò)種群的迭代進(jìn)化搜索到最佳權(quán)值和閾值，然后把所得的權(quán)值和閾值作為ELM神經(jīng)網(wǎng)絡(luò)的初始權(quán)值繼續(xù)執(zhí)行BP算法進(jìn)行局部搜索，最后獲得理想的滿意度評(píng)價(jià)模型。

采用IWO算法對(duì)ELM神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化之前，首先要解決兩個(gè)問(wèn)題：?jiǎn)栴}解的編碼和適應(yīng)度函數(shù)的確定。

a.編碼方案

圖3 粒子參數(shù)編碼格式

b.適應(yīng)度函數(shù)

粒子的適應(yīng)度函數(shù)是用來(lái)衡量粒子性能好壞的標(biāo)準(zhǔn)。針對(duì)本文優(yōu)化問(wèn)題的目標(biāo)，采用如下均方誤差公式（適應(yīng)度函數(shù)）衡量每個(gè)雜草粒子的適應(yīng)值：

式中：pt、＾pt分別是神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出和目標(biāo)輸出；N為訓(xùn)練樣本數(shù)。

4 供電客戶滿意度評(píng)價(jià)

4.1 數(shù)據(jù)預(yù)處理

根據(jù)電力客戶滿意度綜合評(píng)價(jià)指標(biāo)體系，考慮數(shù)據(jù)的真實(shí)性和時(shí)效性，本文在2014年第3方電力客戶滿意度調(diào)查報(bào)告中選取5個(gè)地區(qū)的調(diào)查數(shù)據(jù)。由于各個(gè)評(píng)價(jià)指標(biāo)的量綱和數(shù)量級(jí)不盡相同，為了使數(shù)據(jù)類型一致，對(duì)調(diào)查報(bào)告中的原始數(shù)據(jù)進(jìn)行了減法一致性處理，將負(fù)向指標(biāo)和適應(yīng)指標(biāo)均轉(zhuǎn)化為正向指標(biāo)，處理方法如表2所示。

表2 減法一致化處理方法表

聘請(qǐng)電力客戶滿意度領(lǐng)域的專家學(xué)者根據(jù)前文確立的滿意度評(píng)價(jià)指標(biāo)體系，根據(jù)從調(diào)查問(wèn)卷中得到的數(shù)據(jù)信息逐層向上，使用多指標(biāo)綜合評(píng)價(jià)法，進(jìn)行電力客戶的滿意度評(píng)價(jià)。最終給出5個(gè)地區(qū)電力客戶在7個(gè)方面的滿意度得分，如表3所示。

表3 各地市供電客戶滿意度調(diào)查數(shù)據(jù)得分

各項(xiàng)指標(biāo)數(shù)據(jù)在預(yù)處理中均已經(jīng)轉(zhuǎn)換為正向數(shù)據(jù)，采用百分制為原則，地區(qū)得分越高，表示電力客戶滿意度工作做得越好。由表2可以看出，這5個(gè)地區(qū)按優(yōu)劣排列順序?yàn)锳、B、E、C、D。由于神經(jīng)元存在飽和區(qū)間，為滿足神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)輸入要求，需要對(duì)表3中的數(shù)據(jù)進(jìn)行歸一化處理，處理方法為

式中：xmin、xmax分別為指標(biāo)x的最小、最大值。

4.2 算法參數(shù)確定

IWO算法的參數(shù)設(shè)置如下：解空間維數(shù)D＝（7＋4＋1）×4＋4＋1＝53，種群規(guī)模M＝20，最大迭代次數(shù)Maxgen＝50。為了使不同模型進(jìn)行公平的對(duì)比，神經(jīng)網(wǎng)絡(luò)的關(guān)鍵參數(shù)均保持相同，參數(shù)如下：

a.輸入層、隱含層和輸出層節(jié)點(diǎn)數(shù)分別為7、4和1；

b.訓(xùn)練代數(shù)為50代；

c.學(xué)習(xí)速率為0.1；

d.目標(biāo)誤差為0.001。

神經(jīng)網(wǎng)絡(luò)輸入層的7個(gè)節(jié)點(diǎn)分別為企業(yè)形象、客戶期望、客戶對(duì)供電質(zhì)量的感知、客戶對(duì)價(jià)值的感知、客戶忠誠(chéng)、客戶抱怨。輸出層的1個(gè)節(jié)點(diǎn)表示滿意度評(píng)分。隱含層節(jié)點(diǎn)數(shù)采用經(jīng)驗(yàn)公式和試湊法確定：首先采用經(jīng)驗(yàn)公式確定范圍為2～6；然后在Matlab2010b平臺(tái)上，以0.001作為誤差精度，采用試湊法測(cè)試不同隱含層神經(jīng)元個(gè)數(shù)的效果，測(cè)試結(jié)果如表4所示。MSE為誤差評(píng)價(jià)標(biāo)準(zhǔn)。

表4 不同隱層神經(jīng)元網(wǎng)絡(luò)誤差和訓(xùn)練次數(shù)

4.3 采用IWO－ELM進(jìn)行滿意度評(píng)價(jià)

采用常規(guī)ELM神經(jīng)網(wǎng)絡(luò)和IWO－ELM進(jìn)行電力客戶滿意度綜合評(píng)價(jià)，兩種方法的收斂曲線如圖4、圖5所示。

圖4 ELM神經(jīng)網(wǎng)絡(luò)收斂曲線

圖5 IWO－ELM收斂曲線

從圖4、圖5中可以看出：同樣以0.001為誤差值，常規(guī)ELM神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)49代訓(xùn)練后能夠達(dá)到目標(biāo)，而IWO－ELM只需要23次迭代就能達(dá)到目標(biāo)誤差。從訓(xùn)練圖中還可以看出，IWO－ELM以較大的斜率進(jìn)行收斂，很快達(dá)到目標(biāo)誤差，而常規(guī)ELM網(wǎng)絡(luò)在訓(xùn)練過(guò)程中長(zhǎng)時(shí)間停留在誤差等于20附近。雖然IWO－ELM在誤差等于10－2處也有短暫停留，但僅停留9代后就迅速奔向目標(biāo)值。由此可以看出，IWO－ELM能有效克服陷入局部最優(yōu)的缺陷，在同樣的訓(xùn)練代數(shù)下，能夠得到更精確的結(jié)果。

使用IWO－ELM來(lái)進(jìn)行電力客戶滿意度綜合評(píng)價(jià)，將5個(gè)地區(qū)指標(biāo)數(shù)據(jù)輸入網(wǎng)絡(luò)得到最終評(píng)價(jià)結(jié)果，擬合曲線如圖6所示。

圖6 供電客戶滿意度測(cè)評(píng)得分?jǐn)M合曲線

專家評(píng)分主要是由專家學(xué)者根據(jù)經(jīng)驗(yàn)主觀判斷而得，并且每次評(píng)價(jià)都需要聘請(qǐng)專家重復(fù)同樣的工作，耗費(fèi)大量的人力財(cái)力。因此尋找一種可靠有效的方法模擬專家評(píng)分是具有現(xiàn)實(shí)意義的，也是必要的。從圖6的擬合曲線可知，經(jīng)過(guò)入侵雜草算法優(yōu)化的ELM神經(jīng)網(wǎng)絡(luò)輸出值與專家評(píng)分非常接近，說(shuō)明本文提出的IWO－ELM模型能夠準(zhǔn)確地模擬專家打分，并在以后評(píng)分中保證專家評(píng)價(jià)系統(tǒng)的一致性和穩(wěn)定性。

5 結(jié)束語(yǔ)

隨著我國(guó)電力企業(yè)需求側(cè)管理的加強(qiáng)，對(duì)電力客戶滿意度進(jìn)行系統(tǒng)評(píng)價(jià)已成為必然趨勢(shì)。引入IWO－ELM模型進(jìn)行電力客戶滿意度評(píng)價(jià)是很好的嘗試，實(shí)例表明IWO算法與ELM神經(jīng)網(wǎng)絡(luò)的結(jié)合能夠充分發(fā)揮IWO算法收斂速度快和收斂精度高的特性，有效克服了神經(jīng)網(wǎng)絡(luò)的固有缺陷。新模型能夠得到輸入值后快速得到評(píng)價(jià)得分，表明了評(píng)價(jià)的快捷性；能夠準(zhǔn)確擬合專家評(píng)價(jià)，表明了評(píng)價(jià)的準(zhǔn)確性；還能減少評(píng)價(jià)工作的重復(fù)勞動(dòng)，保證了評(píng)價(jià)的簡(jiǎn)易性。

［1］石光輝，周曉峰，楊 熙.供電公司重要客戶服務(wù)管理系統(tǒng)規(guī)劃與設(shè)計(jì)［J］.華東電力，2012，40（10）：1 804－1 807.

［2］康麗雁，王天博，蔡穎凱，等.電力用戶用電信息采集系統(tǒng)分布式彈性架構(gòu)設(shè)計(jì)與實(shí)現(xiàn)［J］.東北電力技術(shù)，2015，36（10）：42－44.

［3］高 峻，高 峰，韓 雨.基于標(biāo)準(zhǔn)化、規(guī)范化的供電營(yíng)業(yè)廳窗口質(zhì)量提升研究［J］.東北電力技術(shù)，2015，36（10）：60－62.

［4］張炎亮，胡琳琳，李亞?wèn)|.基于神經(jīng)網(wǎng)絡(luò)集成的第三方物流客戶滿意度測(cè)評(píng)［J］.工業(yè)工程，2013，16（3）：84－88.

［5］宋光磊.商業(yè)銀行零售業(yè)務(wù)客戶滿意度的影響因素［J］.金融論壇，2010，（5）：49－52.

［6］鐘昌寶，魏曉平，聶茂林，等.考慮DNCVaR－利潤(rùn)－客戶滿意度的分銷網(wǎng)絡(luò)設(shè)計(jì)多目標(biāo)優(yōu)化模型［J］.系統(tǒng)工程理論與實(shí)踐，2012，32（10）：2 154－2 162.

［7］楊淑霞，韓 奇，徐琳茜，等.基于魚群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的電力客戶滿意度綜合評(píng)價(jià)方法［J］.電網(wǎng)技術(shù)，2011，35（5）：146－151.

［8］孫 強(qiáng).應(yīng)用VPN技術(shù)實(shí)現(xiàn)電力營(yíng)銷數(shù)據(jù)遠(yuǎn)程共享［J］.東北電力技術(shù)，2014，35（5）：47－48.

［9］李 明.電網(wǎng)企業(yè)大數(shù)據(jù)建設(shè)思考［J］.華東電力，2014，42（8）：1 667－1 671.

［10］石紅偉，楊明紅.基于ELM的跨越前饋神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究［J］.現(xiàn)代電子技術(shù)，2013，36（15）：108－111.

Evaluation Modal on Customer Satisfaction of Electric Power Based on Improved ELM Neural Network

LU Hai?ming1，LIU Jian?xin2
（1.Guangzhou Metro Corporation Operation Division，Guangzhou，Guangdong 510310，China；2.State Grid Jiangxi Electric Power Company Pingxiang Power Supply Company，Pingxiang，Jiangxi 337000，China）

A dynamic recurrent neural network，namely ELM neural network simulating the assessment of expert scoring has been used to evaluate the electric power customer satisfaction.The calculation of real examples shows that this method is capable to reflect the lev?els of customer satisfaction accurately with the advantages of fast training speed and simple structure.At the same a method for optimi?zing the connecting weight value coefficient of ELM neural network is presented by using the global searching ability of IWO.The opti?mization of neural network parameters is a large scale multimodal optimization problem and the tests show that IWO has obvious advan?tages in solving high?dimensional multimodal optimization problem particularly.This new approach combines the merits of ELM neural network that has the ability of dynamic memory and the strong global searching capability of IWO which exactly makes up the shortcom?ings of single algorithm.The simulations reveal that neural network optimized by IWO is able to build a higher precision modal for the e?valuation of electric power customer satisfaction and guarantee the uniformity and stability of expert evaluating system.

Electric power customer satisfaction；Invasive weed optimization；Neural network；Electricity market

F224

A

1004－7913（2016）07－0039－05

盧海明（1990—），男，碩士，助理工程師，主要研究方向?yàn)闄C(jī)電一體化、電力系統(tǒng)自動(dòng)化。

2016－05－05）