基于改进ELM神经网络的客户满意度评价模型

卢海明，刘建鑫

（1.广州地铁集团有限公司运营事业总部，广东 广州 510310；2.国网江西省电力公司萍乡供电分公司，江西 萍乡 337000）

基于改进ELM神经网络的客户满意度评价模型

卢海明1，刘建鑫2

（1.广州地铁集团有限公司运营事业总部，广东 广州 510310；2.国网江西省电力公司萍乡供电分公司，江西 萍乡 337000）

使用一种动态递归网络——ELM神经网络来模拟专家打分进行电力客户满意度测评。仿真结果表明，ELM神经网络具有训练速度快和结构简单的特点，能较准确地反映客户满意度。同时，针对ELM神经网络基于梯度下降算法调整权值和阈值，容易陷入局部最优的缺陷，提出了利用入侵杂草算法（IWO）优化ELM神经网络的连接权值系数。神经网络权值优化是一个大规模多峰优化问题，已有文献证明IWO算法对于解决高维度、多峰优化问题具有明显优势。新方法有效弥补了单一算法的不足，拥有ELM神经网络动态记忆的能力以及入侵杂草算法全局收敛性强的特点。实例计算证明，改进ELM神经网络可以建立精度更高的电力客户满意度评价模型，保证专家评价系统的一致性和稳定性，是一种行之有效的评价方法。

电力客户满意度；入侵杂草算法；神经网络；电力市场

随着电力体制改革的不断深入及电力市场的逐步建立和完善，电力需求侧管理越来越受到供电企业的重视。尤其近年来经济的高速发展，电力客户对供电企业提供的产品与服务也提出了越来越高的要求。满足顾客需求是企业生存的根本，电力客户满意度是衡量供电企业服务水平高低的重要指标。因此，客户满意度评价体系的建立与实施对供电企业的持续发展具有重要的现实意义［1－2］。文献［3］将模糊评价和层次分析法（Analytic Hierarchy Process，AHP）结合起来，对电力客户满意度进行了综合研究，AHP中的判断极值矩阵需由专家学者来确定，不同专家难以保证专家系统的稳定性和一致性。针对这个问题，文献［4］采用神经网络对客户满意度进行了分析测评。采用神经网络进行评价的优点是显而易见的，但是其存在收敛速度慢、容易陷入局部最优的缺点。

针对现有方法存在的不足，本文尝试采用入侵杂草算法优化ELM神经网络（IWO－ELM），并使用该模型进行电力客户满意度综合评价。根据《国家电网公司供电服务品质评价管理办法（试行）》，参考国内外现有竞争行业的客户满意度评价模型［5－6］，确立从企业形象、客户期望、客户对供电质量的感知、客户对价值的感知、客户忠诚、客户抱怨7个方面建立电力客户满意度评价指标体系［7］。实例分析中，以5个地区电力客户满意度评价为例，依据专家对各指标打分结果，分别采用常规ELM神经网络和IWO－ELM进行电力客户满意度综合评价。实例分析表明，改进后的ELM神经网络可以有效克服陷入局部最优的问题，从而提高模型精度和收敛速度。新评价方法能保证专家评价系统的一致性和稳定性，并节省评价工作所耗费的人力物力。

1 电力客户满意度评价指标体系

构建电力客户满意度评价指标体系的指导思想是：改变以往客户满意度评价单一指标的做法，采取多层次、多维度的综合评价指标，客观真实地反映客户满意水平，为提供个性化服务、改善服务质量提供科学的决策依据［8－9］。根据《国家电网公司供电服务品质评价管理办法（试行）》，本文采用美国客户满意度指数（AmericanCustomer Satisfaction Index，ACSI）模型，如图1所示。结合专家小组和供电企业营销人员的意见，在参考已有文献的基础上［7］，最终确立电力客户满意度综合测评指标体系，见表1。

图1 电力ACSI测评模型

2 入侵杂草优化算法

入侵杂草算法，又称为野草算法（Invasive Weed Optimization，IWO）是由Mehrabian和Lucas于2006年提出来的一种模拟杂草入侵过程的智能优化算法［8］。该算法控制参数较少、自适应性好、鲁棒性强且比较容易实现，近年来，已经成功运用到众多领域之中。

表1 电力客户满意度测评指标体系

对于入侵杂草算法，待解决问题的每一个可行解就是一个杂草个体，杂草的生长域就是问题的可行域，所有杂草的合集称为一个种群。初始种群通过繁殖产生新的杂草种子，次代杂草种子按照一定规则进行空间扩散产生新的杂草，最后对新的杂草种群按照其适应度进行优胜劣汰。IWO算法的具体描述如下：

a.初始化种群

根据实际问题，设置相关参数及随机产生初始种群，即在给定范围内产生M个D维的杂草种子。

b.种群繁殖

适应度是衡量杂草种子优劣的标准，而IWO算法在繁殖过程中根据个体适应度确定产生次代杂草种子的个数，具体公式如式（1）所示：

式中：weedi为杂草个体i产生的种子个数；f、fmax、fmin分别为当前杂草适应度、当前种群中杂草最大和最小适应度；Smax、Smin分别为设定的最大、最小种子数；round为取整函数。

c.空间扩散

IWO算法采用高斯分布在父代周围的空间内进行随机扩散，在迭代初期进行全局搜索，在迭代后期进行局部搜索，具体公式如式（2）所示：

式中：Itermax、Iter分别为最大迭代次数和当前迭代次数；δinit、δfinal、δIter分别为初始标准差、最终标准差和当前标准差；n为非线性调和因子，一般情况下取n＝3。

d.竞争择优

杂草初始种群经过繁殖和空间扩散之后，种群规模迅速扩大，遵循优胜劣汰的原则，在IWO算法中设置最大种群规模Mmax，当种群规模大于Mmax时，将父代及其子代杂草按适应度高低进行排序，取适应度排在前Mmax个的个体作为下一代的父代个体。

随后，不断重复上述过程，直到满足算法结束条件。

3 入侵杂草算法优化ELM神经网络

3.1 ELM神经网络

ELM神经网络连接层之间既有一般的前馈连接，又有内部的反馈连接，与BP神经网络相比具有更强的计算能力和自学习性［10］，使训练好的网络具备动态特性和非线性映射，ELM神经网络结构如图2所示。但ELM神经网络也是采用误差反向传播（BP）算法进行权值修正，同样存在收敛速度慢、容易陷入局部最优等缺陷。权值参数的微小变化可能导致网络性能的截然不同，而神经网络参数优化是一个大规模、高维度、多峰优化问题，传统算法在解决此类问题时往往表现出早熟收敛现象。IWO算法具有较强的全局搜索性能，为克服神经网络以上缺点提供了可能。

3.2 IWO优化ELM神经网络

IWO算法优化ELM神经网络的基本思想是：首先IWO算法利用其全局搜索能力在解空间内进行全局搜索，通过种群的迭代进化搜索到最佳权值和阈值，然后把所得的权值和阈值作为ELM神经网络的初始权值继续执行BP算法进行局部搜索，最后获得理想的满意度评价模型。

采用IWO算法对ELM神经网络的权值和阈值进行优化之前，首先要解决两个问题：问题解的编码和适应度函数的确定。

a.编码方案

图3 粒子参数编码格式

b.适应度函数

粒子的适应度函数是用来衡量粒子性能好坏的标准。针对本文优化问题的目标，采用如下均方误差公式（适应度函数）衡量每个杂草粒子的适应值：

式中：pt、＾pt分别是神经网络的实际输出和目标输出；N为训练样本数。

4 供电客户满意度评价

4.1 数据预处理

根据电力客户满意度综合评价指标体系，考虑数据的真实性和时效性，本文在2014年第3方电力客户满意度调查报告中选取5个地区的调查数据。由于各个评价指标的量纲和数量级不尽相同，为了使数据类型一致，对调查报告中的原始数据进行了减法一致性处理，将负向指标和适应指标均转化为正向指标，处理方法如表2所示。

表2 减法一致化处理方法表

聘请电力客户满意度领域的专家学者根据前文确立的满意度评价指标体系，根据从调查问卷中得到的数据信息逐层向上，使用多指标综合评价法，进行电力客户的满意度评价。最终给出5个地区电力客户在7个方面的满意度得分，如表3所示。

表3 各地市供电客户满意度调查数据得分

各项指标数据在预处理中均已经转换为正向数据，采用百分制为原则，地区得分越高，表示电力客户满意度工作做得越好。由表2可以看出，这5个地区按优劣排列顺序为A、B、E、C、D。由于神经元存在饱和区间，为满足神经网络的数据输入要求，需要对表3中的数据进行归一化处理，处理方法为

式中：xmin、xmax分别为指标x的最小、最大值。

4.2 算法参数确定

IWO算法的参数设置如下：解空间维数D＝（7＋4＋1）×4＋4＋1＝53，种群规模M＝20，最大迭代次数Maxgen＝50。为了使不同模型进行公平的对比，神经网络的关键参数均保持相同，参数如下：

a.输入层、隐含层和输出层节点数分别为7、4和1；

b.训练代数为50代；

c.学习速率为0.1；

d.目标误差为0.001。

神经网络输入层的7个节点分别为企业形象、客户期望、客户对供电质量的感知、客户对价值的感知、客户忠诚、客户抱怨。输出层的1个节点表示满意度评分。隐含层节点数采用经验公式和试凑法确定：首先采用经验公式确定范围为2～6；然后在Matlab2010b平台上，以0.001作为误差精度，采用试凑法测试不同隐含层神经元个数的效果，测试结果如表4所示。MSE为误差评价标准。

表4 不同隐层神经元网络误差和训练次数

4.3 采用IWO－ELM进行满意度评价

采用常规ELM神经网络和IWO－ELM进行电力客户满意度综合评价，两种方法的收敛曲线如图4、图5所示。

图4 ELM神经网络收敛曲线

图5 IWO－ELM收敛曲线

从图4、图5中可以看出：同样以0.001为误差值，常规ELM神经网络经过49代训练后能够达到目标，而IWO－ELM只需要23次迭代就能达到目标误差。从训练图中还可以看出，IWO－ELM以较大的斜率进行收敛，很快达到目标误差，而常规ELM网络在训练过程中长时间停留在误差等于20附近。虽然IWO－ELM在误差等于10－2处也有短暂停留，但仅停留9代后就迅速奔向目标值。由此可以看出，IWO－ELM能有效克服陷入局部最优的缺陷，在同样的训练代数下，能够得到更精确的结果。

使用IWO－ELM来进行电力客户满意度综合评价，将5个地区指标数据输入网络得到最终评价结果，拟合曲线如图6所示。

图6 供电客户满意度测评得分拟合曲线

专家评分主要是由专家学者根据经验主观判断而得，并且每次评价都需要聘请专家重复同样的工作，耗费大量的人力财力。因此寻找一种可靠有效的方法模拟专家评分是具有现实意义的，也是必要的。从图6的拟合曲线可知，经过入侵杂草算法优化的ELM神经网络输出值与专家评分非常接近，说明本文提出的IWO－ELM模型能够准确地模拟专家打分，并在以后评分中保证专家评价系统的一致性和稳定性。

5 结束语

随着我国电力企业需求侧管理的加强，对电力客户满意度进行系统评价已成为必然趋势。引入IWO－ELM模型进行电力客户满意度评价是很好的尝试，实例表明IWO算法与ELM神经网络的结合能够充分发挥IWO算法收敛速度快和收敛精度高的特性，有效克服了神经网络的固有缺陷。新模型能够得到输入值后快速得到评价得分，表明了评价的快捷性；能够准确拟合专家评价，表明了评价的准确性；还能减少评价工作的重复劳动，保证了评价的简易性。

［1］石光辉，周晓峰，杨 熙.供电公司重要客户服务管理系统规划与设计［J］.华东电力，2012，40（10）：1 804－1 807.

［2］康丽雁，王天博，蔡颖凯，等.电力用户用电信息采集系统分布式弹性架构设计与实现［J］.东北电力技术，2015，36（10）：42－44.

［3］高 峻，高 峰，韩 雨.基于标准化、规范化的供电营业厅窗口质量提升研究［J］.东北电力技术，2015，36（10）：60－62.

［4］张炎亮，胡琳琳，李亚东.基于神经网络集成的第三方物流客户满意度测评［J］.工业工程，2013，16（3）：84－88.

［5］宋光磊.商业银行零售业务客户满意度的影响因素［J］.金融论坛，2010，（5）：49－52.

［6］钟昌宝，魏晓平，聂茂林，等.考虑DNCVaR－利润－客户满意度的分销网络设计多目标优化模型［J］.系统工程理论与实践，2012，32（10）：2 154－2 162.

［7］杨淑霞，韩 奇，徐琳茜，等.基于鱼群算法优化BP神经网络的电力客户满意度综合评价方法［J］.电网技术，2011，35（5）：146－151.

［8］孙 强.应用VPN技术实现电力营销数据远程共享［J］.东北电力技术，2014，35（5）：47－48.

［9］李 明.电网企业大数据建设思考［J］.华东电力，2014，42（8）：1 667－1 671.

［10］石红伟，杨明红.基于ELM的跨越前馈神经网络及其应用研究［J］.现代电子技术，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

卢海明（1990—），男，硕士，助理工程师，主要研究方向为机电一体化、电力系统自动化。

2016－05－05）