湯傳貴 張 珂 晁愛(ài)民

（海軍駐青島造船廠軍事代表室 青島 266001）

1 引言

能量調(diào)度技術(shù)是艦船綜合電力系統(tǒng)最重要的技術(shù)之一［1～2］。能量調(diào)度的基本目標(biāo)有兩個(gè)：1）保證綜合電力系統(tǒng)不過(guò)載；2）按負(fù)載的優(yōu)先級(jí)分配電能。而要對(duì)負(fù)載合理分配電能，以實(shí)現(xiàn)能量最優(yōu)調(diào)度的目標(biāo)，首要的問(wèn)題是對(duì)負(fù)載的優(yōu)先級(jí)做出合理的評(píng)估，為能量調(diào)度決策提供基礎(chǔ)支撐和依據(jù)。

一般常用的優(yōu)先級(jí)評(píng)估方法是層次分析法［3］。但是層次分析法對(duì)于影響負(fù)載優(yōu)先級(jí)的各種屬性因子權(quán)重應(yīng)該如何給定，并未給出一個(gè)科學(xué)合理的解決方法。僅是在專(zhuān)家經(jīng)驗(yàn)的基礎(chǔ)上對(duì)影響負(fù)載優(yōu)先級(jí)的屬性因子進(jìn)行人為打分，通過(guò)一系列轉(zhuǎn)換技術(shù)將屬性評(píng)分轉(zhuǎn)變?yōu)闄?quán)重向量。為了避免專(zhuān)家對(duì)屬性權(quán)重進(jìn)行打分引入的不必要的主觀因素，本文在利用艦船負(fù)載的各種屬性數(shù)據(jù)，將專(zhuān)家經(jīng)驗(yàn)和客觀數(shù)據(jù)的特點(diǎn)相結(jié)合，提出了一種基于AODEsr分類(lèi)的多目標(biāo)負(fù)載優(yōu)先級(jí)評(píng)估的方法，并結(jié)合實(shí)際算例對(duì)此方法進(jìn)行了驗(yàn)證。

2 算法基本思想

設(shè)多屬性評(píng)估表的屬性集合為A＝｛a1，a2，…，am｝，實(shí)例集合為L(zhǎng)＝｛l1，l2，…，ln｝，實(shí)例li對(duì)應(yīng)的屬性ak下的評(píng)估值為sik，于是每個(gè)L中的元素均可在對(duì)應(yīng)的A下生成m個(gè)評(píng)估值，并構(gòu)成如數(shù)據(jù)表1所示的評(píng)估值矩陣S。設(shè)每種屬性所對(duì)應(yīng)的權(quán)重向量為 W ＝［w1，w2，…，wm］T，實(shí)例集最終的決策向量為D＝［d1，d2，…，dn］，則有

上面的評(píng)估準(zhǔn)則非常容易理解，即對(duì)于一個(gè)多目標(biāo)（或多屬性、多因子）決策問(wèn)題，只需對(duì)每個(gè)實(shí)例的單個(gè)目標(biāo)進(jìn)行評(píng)估，然后對(duì)各個(gè)目標(biāo)賦予不同的權(quán)重，最后采用式（1）便可以得出最終的決策（評(píng)估）結(jié)果。各種多目標(biāo)優(yōu)化問(wèn)題，均是采用此方法，或者此方法的變體來(lái)建立評(píng)估準(zhǔn)則的。

準(zhǔn)則非常簡(jiǎn)單，困難在于如何為每個(gè)屬性賦予權(quán)重。層次分析法可以根據(jù)專(zhuān)家經(jīng)驗(yàn)進(jìn)行判斷打分，得到屬性集的權(quán)重向量。但是，這種方法唯一能夠依賴(lài)的便是專(zhuān)家的經(jīng)驗(yàn)，因此難免會(huì)受到個(gè)人喜好的影響。

假設(shè)已經(jīng)得到了數(shù)據(jù)表1的決策向量D，并將其作為決策屬性加入到表1中，則可以采用AODEsr分類(lèi)［4～5］算法對(duì)其進(jìn)行分類(lèi)，分類(lèi)的結(jié)果和規(guī)則與確定評(píng)估的權(quán)重毫無(wú)關(guān)系，但AODEsr算法的分類(lèi)結(jié)果的性能評(píng)估指標(biāo)，如均方根誤差或者信息熵，卻從客觀上表征了此次分類(lèi)效果的好壞。均方誤差或者信息熵越小，分類(lèi)效果越好。于是，如果去掉某個(gè)屬性，分類(lèi)器的性能肯定受到影響，這種影響即體現(xiàn)在均方誤差或者信息熵的變化上。于是，屬性的重要程度毫無(wú)疑問(wèn)便與去掉此屬性后，均方誤差或者信息熵的增量有關(guān)。增量越大，屬性越重要，相應(yīng)的權(quán)重值就越大，反之亦然。

但是數(shù)據(jù)表1并不存在決策屬性，無(wú)法進(jìn)行有指導(dǎo)的學(xué)習(xí)，于是分類(lèi)算法并不能夠直接應(yīng)用。解決的方法之一便是與專(zhuān)家經(jīng)驗(yàn)相結(jié)合。數(shù)據(jù)表1中，大多數(shù)領(lǐng)域?qū)＜視?huì)將屬性u(píng)rgency作為最重要的屬性放在首位，確定權(quán)重時(shí)也會(huì)以給其賦最大值。因此，本節(jié)算法將屬性u(píng)rgency作為決策屬性。然后對(duì)表1采取上述的處理步驟，將分類(lèi)結(jié)果均方誤差或者信息熵的增量作為除urgency之外的其他屬性的權(quán)重。

設(shè)按上述方法得到的條件屬性子集為Ac＝｛a2，a3，…，a7｝，a1＝urgency。Ac的權(quán)重子集為 Wc＝｛w2，w3，…，w7｝，采用AODEsr分類(lèi)算法，在不刪除Ac中任何屬性的情況下對(duì)決策表進(jìn)行分類(lèi)，其正確率為T(mén)P。則TP的值在一定程度上說(shuō)明Ac與a1的相關(guān)度。也即Ac中所含的信息量?jī)H有所占比率為T(mén)P的信息與a1相關(guān)。于是urgency的權(quán)重可以由下式得到。

由于按以上方法得到的權(quán)重向量中，各權(quán)重值的大小就決定了屬性的重要程度。因此屬性集合A中各屬性的取值區(qū)間長(zhǎng)度必須一致。如果直接將諸如表1中的評(píng)估值矩陣代入式（1）中是不可行的，因此必須在調(diào)用式（1）之前分別對(duì)數(shù)據(jù)表1中的各個(gè)列向量做歸一化處理。

上述算法的流程圖如圖1所示。

圖1 基于分類(lèi)的屬性權(quán)重評(píng)估算法流程

3 負(fù)載優(yōu)先級(jí)評(píng)估算例與預(yù)處理

以某艦船電力系統(tǒng)的特定工況為例，其共有負(fù)載28個(gè)。將每個(gè)負(fù)載當(dāng)作一個(gè)實(shí)例，上述每種負(fù)載優(yōu)先級(jí)的影響因素作為屬性。于是便可以得到如表1的負(fù)載優(yōu)先級(jí)評(píng)估數(shù)據(jù)表。

為免混淆，本文規(guī)定，最終由表1生成的負(fù)載優(yōu)先級(jí)評(píng)估值越高，則優(yōu)先級(jí)越高，越趨向于保持運(yùn)行，或者優(yōu)先分配所需的能量。反之，評(píng)估值越低，優(yōu)先級(jí)越低，越趨向于被卸載，或者降低所需的能量。

表1 負(fù)載優(yōu)先級(jí)評(píng)估數(shù)據(jù)表

表1中的各個(gè)屬性解釋如下：

1）urgency：特定工況下的負(fù)載需求緊迫性。緊迫性越強(qiáng)，評(píng)估值越大。按5（不可卸載）、4（非常重要）、3（重要）、2（一般，即可以卸載）、1（不需要）分別給出評(píng)估值。

2）vulnerability：特定工況下負(fù)載的易損性，易損性越小，評(píng)估值越大。按4（不容易損壞）、3（一般）、2（容易損壞）、1（非常容易損壞）分別給出評(píng)估值。

3）capacity：特定工況下負(fù)載容量。表中的數(shù)據(jù)表示負(fù)載在特定工況下的平均容量，單位為MVA。容量越大，負(fù)載的優(yōu)先級(jí)將越低。

4）SorD：負(fù)載動(dòng)態(tài)特性。按2（靜態(tài)負(fù)載）、1（動(dòng)態(tài)負(fù)載）分別給出評(píng)估值。

5）harmonic：負(fù)載運(yùn)行所產(chǎn)生的諧波含量。表中的數(shù)據(jù)表示負(fù)載的實(shí)際運(yùn)行時(shí)諧波所占信號(hào)能量的平均百分比。諧波含量越高，負(fù)載的優(yōu)先級(jí)則越低。

6）pfactor：負(fù)載功率因數(shù)。表中的數(shù)據(jù)表示負(fù)載實(shí)際運(yùn)行時(shí)的平均功率因數(shù)。

7）Tstart：負(fù)載重啟時(shí)間。表中的數(shù)據(jù)表示負(fù)載的實(shí)際平均重啟時(shí)間，單位為s。

注意，capacity、harmonic與優(yōu)先級(jí)之間是遞減關(guān)系，即其值越大，負(fù)載優(yōu)先級(jí)越低。

由于表中的urgency、vulnerability和SorD取值均為有限的整數(shù)。因此，可直接將其值作為名詞性屬性處理，例如urgency的最終的名詞化集合為｛5，4，3，2，1｝，這里數(shù)字僅僅只是類(lèi)的標(biāo)識(shí)符，與其本身的數(shù)值含義沒(méi)有任何關(guān)系。

capacity、harmonic、pfactor和Tstart的離散化方案如表2～表5所示。

表2 capacity屬性的離散化方案

表3 harmonic屬性的離散化方案

表4 pfactor屬性的離散化方案

表5 Tstart屬性的離散化方案

4 評(píng)估的結(jié)果與分析

現(xiàn)在基于第2節(jié)所述的算法，首先將urgency屬性作為決策屬性，其他屬性作為條件屬性形成決策表。然后采用AODEsr分類(lèi)算法，對(duì)表1離散化后得到的評(píng)估表進(jìn)行屬性權(quán)重計(jì)算。未去掉任何條件屬性時(shí)分類(lèi)的TP值、熵以及均方根誤差如表6所示。分別去掉各個(gè)條件屬性后的熵及均方根誤差如表7所示。

表6 AODEsr算法對(duì)總條件屬性集的性能指標(biāo)

表7 分別去掉各個(gè)條件屬性后的熵及均方根誤差

按照第2節(jié)算法得到的各條件屬性權(quán)重為：

表8 各條件屬性權(quán)重值

表9 AODEsr算法負(fù)載優(yōu)先級(jí)評(píng)估結(jié)果表

根據(jù)式（2），計(jì)算得到?jīng)Q策屬性，即urgency屬性的熵增量權(quán)重為32.209857，均方根誤差增量權(quán)重為0.412162。

對(duì)表1作歸一化處理后，利用式（1）得到各個(gè)負(fù)載的評(píng)估值按降序的排列表如表9所示。

由此可見(jiàn)，采用AODEsr分類(lèi)算法，按照熵權(quán)重和均方根誤差權(quán)重得到的最終評(píng)估值雖然不同，但負(fù)載優(yōu)先級(jí)排名是一致的。

根據(jù)專(zhuān)家經(jīng)驗(yàn)可知，urgency屬性的重要程度最高。然后由表8可知，vulnerability和SorD屬性的重要程度次之。因此表9的優(yōu)先級(jí)評(píng)估結(jié)果將主要受這三個(gè)屬性的得分影響。將原始得分表1與評(píng)估結(jié)果表9相比較，發(fā)現(xiàn)最終的評(píng)定結(jié)果與這兩項(xiàng)的得分大小保持較好的一致性，由此便證明了基于分類(lèi)的屬性權(quán)重評(píng)估算法的正確性。

5 結(jié)語(yǔ)

本文首先分析了利用層次分析法進(jìn)行負(fù)載優(yōu)先級(jí)評(píng)估的不足，進(jìn)而利用數(shù)據(jù)挖掘分類(lèi)和屬性約簡(jiǎn)技術(shù)，提出了一種基于AODEsr分類(lèi)的屬性權(quán)重評(píng)估算法，并將專(zhuān)家經(jīng)驗(yàn)與客觀數(shù)據(jù)本身的特性相結(jié)合，以艦船負(fù)載實(shí)例集為算例，對(duì)其進(jìn)行了優(yōu)先級(jí)評(píng)估。實(shí)驗(yàn)結(jié)果表明：艦船電力系統(tǒng)負(fù)載優(yōu)先級(jí)主要受需求緊迫性和易損性?xún)煞N屬性的影響，各種算法的結(jié)果均與上述結(jié)論保持一致，證明了算法的正確性。

［1］John Cerminara，Rolf Kotacka O.Ship Service Electrical Systems－designing for Surface Ship Design Engineering［J］.Naval Engineers Journal，1990，9（6）：32－36.

［2］Baker，Capt R C，Cdr Reed M R.Twenty Steps to A Better Fleet：INSURV Review of Surface Ship Design Engineering［J］.Naval Engineers Journal，1985，3（5）：34－40.

［3］嚴(yán)喜祖，宋中民，畢春加.數(shù)學(xué)建模及其實(shí)驗(yàn)［M］.北京：科學(xué)出版社，2009：9－40.

［4］Ian H.Witten，Eibe Frank.Data Mining：Practical Machine Learning Tools and Techniques（2nd edition）［M］.Amsterdam：Morgan Kaufmann Publishers，2005：1－324.

［5］Cendrowska J.AODEsr：An algorithm for inducing modular rules［J］.Man－Machine Studies，1987，27（2）：349－370.