任東磊 王清心 丁家滿

摘要：傳統(tǒng)靈敏度分析方法大多忽略了指標不確定性問題，難以反映指標不確定性對評估結(jié)果的影響程度，導致關(guān)鍵指標辨識困難。為此，在不精確概率的數(shù)學性質(zhì)基礎上，提出基于融合概率盒的不確定性指標靈敏度分析方法。首先針對指標數(shù)據(jù)的分布特點采用不同方法建立指標概率盒模型，然后進行指標概率盒兩兩交叉融合運算，獲得每次融合后的概率盒模型，最后通過計算融合后概率盒模型積分面積變化分析指標的靈敏度。與傳統(tǒng)方法比較，結(jié)果表明該方法不僅能有效辨識出關(guān)鍵指標，而且給出的靈敏度排序結(jié)果與傳統(tǒng)方法相比具有更高的區(qū)分度。

關(guān)鍵詞：概率盒；不確定性指標；融合；靈敏度分析

DOI：10.11907/rjdk.173051

中圖分類號：TP301

文獻標識碼：A文章編號：1672-7800（2018）007-0070-05

Abstract：Thetraditionalsensitivityanalysismethodmostlyignoretheuncertaintyoftheindex，anditisdifficulttoreflecttheinfluenceofuncertaintyonassessmentresults.Onthebasisofthemathematicalpropertieswithimpreciseprobability，thispaperputsforwardasensitivityanalysismethodbasedonfusedprobabilitybox.Firstly，accordingtothedistributioncharacteristicsofindexdatatheprobabilityboxmodelisestablishedbycorrespondingmodelingmethods，andtheneachtwoprobabilityboxesarefused，thuswecangetfusedprobabilityboxmodel；finally，thesensitivityoftheindexisanalyzedbytheratioofareaintegralbetweenthefusedprobabilityboxes.Theanalysisresultshowsthattheproposedmethodcannotonlyhavemoreeffectiveidentificationofthekeyindicatorsthantraditionalmethods，butalsocanobtainthesensitivityresultswithhigherdifferentiation.

KeyWords：probabilitybox；uncertainindex；fusion；sensitivityanalysis

0引言

為防止規(guī)劃決策過程出現(xiàn)偏差，決策者不僅要對關(guān)鍵指標進行識別，并且要在眾多指標中進行篩選，過濾出對方案影響小的指標以及分析各指標影響程度。因此，研究規(guī)劃方案中指標的靈敏度尤為重要[1]。

靈敏度分析[2]指在一個數(shù)學模型中根據(jù)輸入變量的變化觀測輸出變量的變化，確定靈敏度大小的方法。在指標權(quán)重賦值、設計可靠性和方案決策中，不確定指標數(shù)據(jù)的正確表達是靈敏度分析的關(guān)鍵環(huán)節(jié)[3]。靈敏度分析有許多經(jīng)典方法，如非參數(shù)法[4]、方差分析法[5]以及矩獨立分析法[6]。其中對指標不確定性描述和表達，尤其對隨機不確定性表達方面，均值、方差較為常用，相當于用不確定指標數(shù)據(jù)的一個特征值描述不確定信息。在指標確定的情況下，可采用直接求導法對靈敏度進行計算；在指標不確定且變量分布有規(guī)律的情況下，常用方差分析法等進行靈敏度分析。

事實上許多不確定變量沒有準確的規(guī)律可循，即便大體符合某種分布也存在漂移現(xiàn)象，比如某個指標基本符合正態(tài)分布，但其均值和方差不是固定值，而是區(qū)間。在決策分析中隨機不確定性與認知不確定性往往同時存在。因此，如何正確表達指標數(shù)據(jù)的不確定性成為靈敏度分析的重中之重。

在證據(jù)理論基礎上發(fā)展而來的概率盒理論[7]，能較好地統(tǒng)一表達隨機不確定性和認知不確定性[8]，從其數(shù)學定義來看，概率盒用于表達不確定性變量漂移現(xiàn)象更為擅長，得到了廣泛應用[9-10]。例如文獻[11]使用概率盒解決多項式系統(tǒng)的可靠性問題，文獻[12]將其用于處理工程分析中的不精確概率問題。本文提出基于融合概率盒的靈敏度分析方法，通過概率盒表達這些不確定指標。首先對指標進行概率盒建模，然后進行指標概率盒兩兩交叉融合運算，得到新的融合概率盒模型，最后根據(jù)融合概率盒兩兩之間的面積積分比值分析指標的靈敏度。

1概率盒及相關(guān)理論

1.1概率盒

概率盒由美國桑迪亞國家實驗室（SandiaNationalLaboratory）提出，在累積概率分布函數(shù)（CumulativeProbabilityDistributionFunction，簡稱CDF）中引入?yún)^(qū)間類型界限，這種界限稱之為“概率盒”，它既可表達隨機不確定性，也可表達認知不確定性。

定義一個隨機變量X屬于集合（Ω，A），同樣A為Ω的子集。因為累積分布函數(shù)是非遞減函數(shù)，并且累積分布函數(shù)F（x）值域為R[0，1]，累積分布函數(shù)F（x）界定在（F-（x），F(xiàn)-（x））之間，這種表示方法稱之為概率盒或概率包絡（P-box）。F-（x）稱為F（x）的下邊界，F(xiàn)-（x）稱為F（x）的上邊界。概率盒如圖1所示。

概率盒可這樣理解：不管或者不必知道概率符合的分布是什么，規(guī)定一個上邊界和下邊界，要求累積分布處于這個范圍，這個范圍即稱為概率盒。這種分析通過對不確定性分布函數(shù)周圍進行邊界劃分，保證產(chǎn)生的界限完全處于累積分布函數(shù)之間。

1.2D-S結(jié)構(gòu)體

同理，從圖2可知概率盒可轉(zhuǎn)化為多個D-S結(jié)構(gòu)體，這個過程稱之為概率盒的離散化。

2基于融合概率盒的指標靈敏度分析方法

2.1概率盒建模算法

將所知的經(jīng)驗信息和理論信息表現(xiàn)在概率盒并對概率盒建模的方法很多，專家估計法可根據(jù)已經(jīng)掌握的分布或?qū)＜业慕?jīng)驗得到某一不確定變量的概率分布，進而得到概率盒的上下界，是一種最常用的方法，也是最容易得到輸入模型的方法。所以，當不確定信息足夠時，該概率盒會退化為累積概率分布函數(shù)。多數(shù)情況下由于所知局限，一個分布的參數(shù)是不確定的，只能由經(jīng)驗估算出一個大致區(qū)間，此時可直接計算出概率盒的上下界。例如，對于一個不確定變量A服從正太分布，其均值μ∈[0，1]，方差σ∈[2，3]，就可知道概率盒的左上邊界是以0為均值，2為方差的累積概率分布函數(shù)。同理，概率盒的左下邊界是均值為0方差為3的累積概率分布函數(shù)，右下邊界是均值為1方差為2的累積概率分布函數(shù)，右上邊界是均值為1方差為3的累積概率分布函數(shù)，如圖3所示。

概率盒建模方法還有參數(shù)建模、魯棒貝葉斯、測量觀測法等等。

概率盒建模算法步驟：

（1）獲取指標的歷史數(shù)據(jù)，采集數(shù)據(jù)特征進行不確定數(shù)據(jù)概率盒建模分類。①如果數(shù)據(jù)符合某種分布，可直接選取其密度函數(shù)或概率分布函數(shù)作為模型；②如果數(shù)據(jù)符合某種分布，但其分布參數(shù)在某個區(qū)間波動，則選擇參數(shù)建模法。首先將數(shù)據(jù)分為n組，根據(jù)每組的最大值、最小值以及隨機不確定性的概率均值累計分布性質(zhì)，分別以最大值、最小值作為積分的上下界，累積出每組的概率上界和概率下界，最后選取所有組中概率下界最小的概率作為概率盒下界，選取所有組中概率上界最大的作為概率盒上界；③如果數(shù)據(jù)不符合以上情況，可直接使用概率盒的定義建模。

（2）進行分布累積，得到概率盒上下界。

（3）根據(jù)累積分布后的函數(shù)畫出概率盒示意圖。

2.2概率盒融合

2.2.1交集融合

交集融合是利用最小區(qū)域作為融合結(jié)果，該區(qū)域的所有估計是一致且高度可信的。

對于任意x都有F-*（x）≤F-*（x）。使用交集對概率盒進行融合，實質(zhì)就是取各概率盒的下界最大值和上界最小值。使用交集融合的條件是所有信息源必須包含真實值，但是交集融合的容錯性差，一旦信息源出現(xiàn)奇異源將可能得到空集。

交集融合的一般步驟是：先將所有信息源構(gòu)建為概率盒，然后等信度離散成相同的份數(shù)，利用上述交集公式對每一份等信度概率盒進行融合，最后累積即可得到融合結(jié)果。

2.2.2包絡融合

包絡融合實質(zhì)就是并集融合，取概率盒的下界最小值和上界最大值，和交集融合相反。包絡法適用于信息源可靠性未知的情況。

使用包絡法融合概率分布、概率盒或D-S結(jié)構(gòu)體得到的結(jié)果仍是概率盒，包絡法是最開放的融合方法，但是其融合結(jié)果的精確度也最差，一旦奇異源出現(xiàn)，決策的精度就會大打折扣。

2.2.3D-S規(guī)則融合

證據(jù)理論以焦元為基本計算單位，所以必須將概率盒離散為焦元的形式。基于D-S合成規(guī)則的概率盒融合算法主要運用證據(jù)理論中的D-S合成規(guī)則計算離散后的證據(jù)結(jié)構(gòu)體，最終累積后得到融合結(jié)果，利用的便是概率盒與D-S結(jié)構(gòu)體之間的關(guān)系。其步驟為：先將概率盒正則離散成D-S結(jié)構(gòu)體，將每一份等信度的D-S結(jié)構(gòu)體運用證據(jù)合成規(guī)則進行融合，然后依據(jù)得到的結(jié)構(gòu)體累積即可得到融合的概率盒。

3基于融合概率盒的指標靈敏度分析算法

概率盒的概率邊界不是傳統(tǒng)的近似值或一個估計區(qū)間，所以數(shù)據(jù)的隨機不確定性和認知不確定性描述會更加完整?？梢匀婵紤]不確定數(shù)據(jù)的性質(zhì)，例如分布參數(shù)的不確定性、分布形狀、間隔依賴。因此，概率盒可根據(jù)不確定數(shù)據(jù)的簡單特征構(gòu)建出概率界限帶入相關(guān)分析中，這比傳統(tǒng)的計算方法全面。下例簡單展示了本文方法思想。

首先搜集整理歷史數(shù)據(jù)，對其建模如圖4、圖5、圖6所示。

然后對3個指標分別融合，得到融合概率盒模型如圖7、圖8、圖9、圖10所示。

最后，將指標兩兩所得的概率盒面積和所有指標融合后的概率盒面積按式（14）進行比較分析：

式（14）中，sx代表指標X的靈敏程度，sxy代表指標XY融合得到的概率盒面積，sxyz代表3個指標融合得到的概率盒面積，以此類推。

分析上式，可以看出X的靈敏程度約為59%，Z的靈敏程度約為22%，Y的靈敏程度約為18%。得X、Y、Z的靈敏度序列為X>Z>Y。

依據(jù)靈敏度排序結(jié)果區(qū)分度定義：

進一步計算指標X的靈敏度與Y的區(qū)分度為（0.5852-0.1813）/0.18×100%=40.39%，Y的靈敏度與Z的區(qū)分度為21.4%

基于融合概率盒的指標靈敏度分析算法步驟如下：

（1）對數(shù)據(jù)進行簡單統(tǒng)計，分析歷史數(shù)據(jù)是否有某種規(guī)律。

（2）根據(jù)步驟（1）的結(jié)果選擇相應的概率盒建模方法對指標建模：①如果數(shù)據(jù)符合某種分布，可直接選取其密度函數(shù)或概率分布函數(shù)作為模型；②如果數(shù)據(jù)符合某種分布，但其分布參數(shù)在某個區(qū)間波動，選擇參數(shù)建模法；③如果數(shù)據(jù)不符合以上情況，可直接使用概率盒定義建模。

（3）重復步驟（1）、步驟（2）對所有指標進行概率盒建模。

（4）根據(jù)融合算法兩兩融合這些指標概率盒得到新的融合概率盒。

（5）求取所有融合概率盒的面積積分。

（6）分析兩者之間的面積積分比值，獲得指標靈敏度序列或指標對應的靈敏程度。

（7）依據(jù)靈敏度排序結(jié)果區(qū)分度定義公式，進一步計算各指標靈敏程度的排序區(qū)分度。

4實驗與分析

為更清楚地理解本文方法及應用，選用電網(wǎng)規(guī)劃方案中某支路節(jié)點傳輸功率靈敏度作為示例進行分析，公式如下：

xij為支路l的電抗，θi為節(jié)點i的電壓相角，θj為節(jié)點j的電壓相角。分別對3個技術(shù)指標做靈敏度分析，指標數(shù)據(jù)來自IEEE-RTS支路參數(shù)部分，技術(shù)參數(shù)如表1所示。由于材料和溫度等周圍環(huán)境影響，各技術(shù)指標不在參數(shù)規(guī)定的范圍內(nèi)變化，還有許多認知不確定性，采用概率盒分析方法對3個指標建模。

利用采集的數(shù)據(jù)，對指標進行概率盒建模如圖11、圖12所示。

對該指標使用基于融合概率盒的靈敏度分析方法進行分析，并與傳統(tǒng)分析方法對比，得到各指標靈敏程度結(jié)果，如表2所示。

由表2可以看出，3種方法計算出的靈敏度排序基本相同：θj>θi>xij，均辨識出指標θj最敏感，屬于關(guān)鍵指標。

根據(jù)表2數(shù)據(jù)，求導法認為指標θi與xij一樣敏感，難以區(qū)別，而方差法和本文方法可以辨識出指標θi明顯比xij敏感，更為關(guān)鍵。其中方差法和本文方法得出θi與xij的區(qū)分度分別為45%、55.5%，θj與θi的區(qū)分度分別為40.6%、50%。在相同數(shù)據(jù)集中本文方法計算出的靈敏度排序結(jié)果區(qū)分度較高，究其原因是本文方法在對指標建模時，將所有不確定性都包含在概率盒中，在之后的每個計算步驟中，差異不斷放大，最終的排序結(jié)果差異也愈發(fā)明顯，區(qū)分度更高。由此可見，本文方法在采用傳統(tǒng)評價方法難以給出靈敏度排序的情況下更具實用性。

5結(jié)語

利用概率盒描述不確定指標數(shù)據(jù)，充分描述了不確定數(shù)據(jù)的性質(zhì)，通過對不確定指標數(shù)據(jù)進行概率盒建模，以及基于融合概率盒的分析方法進行靈敏度分析，可更精確地得出影響模型變化的指標，發(fā)現(xiàn)指標對模型的影響程度，提高了靈敏度分析精度指標，有助于決策者分析各指標的權(quán)重分布。本文方法側(cè)重點是對不確定指標的靈敏度分析，可以應用于結(jié)構(gòu)可靠性靈敏度分析，對某種結(jié)構(gòu)風險進行評估，還可對指標相關(guān)性進行研究。

參考文獻：

[1]陳光，林振智，周浩，等.電網(wǎng)規(guī)劃方案決策的概率靈敏度分析[J].電力系統(tǒng)自動化，2013，37（9）：41-46.

[2]DANGC，IONESCUBUJORM，NAVONAIM.SensitivityandUncertaintyAnalysis，VolumeII[EB/OL].http：//www.doc88.com/p-6601231009924.html.

[3]FERSONS，TUCKERWT.Sensitivityanalysisusingprobabilitybounding[J].ReliabilityEngineering&SystemSafety;，2006，91（10-11）：1435-1442.

[4]羅毅，劉峰，劉向杰.基于主成分-遺傳神經(jīng)網(wǎng)絡的短期風電功率預測[J].電力系統(tǒng)保護與控制，2012，40（23）：47-53.

[5]師洪濤，楊靜玲，丁茂生，等.基于小波-BP神經(jīng)網(wǎng)絡的短期風電功率預測方法[J].電力系統(tǒng)自動化，2011，35（16）：44-48.

[6]范高峰，王偉勝，劉純.基于人工神經(jīng)網(wǎng)絡的風電功率預測[J].中國機電工程學報，2008，28（34）：118-123.

[7]FERSONS，KREINOVICHV，GINZBURGL，etal.ConstructingprobabilityboxesandDempster-Shaferstructures[R].SAND2003-4015，Albuquerque，NM：SandiaNationalLaboratories，2003.

[8]楊旭鋒.含認知不確定性參數(shù)的高效高精度可靠性分析方法研究[D].西安：西北工業(yè)大學，2016.

[9]黃心，王清心，丁家滿.基于概率盒理論的電網(wǎng)規(guī)劃方案中指標不確定性建模[J].信息與控制，2016，45（3）：272-277.

[10]TUCKERWT，F(xiàn)ERSONS.Sensitivityinriskanalyseswithuncertainnumbers.[J].FersonSKreinovich，2006（2）：156-159.

[11]CRESPOLG，KENNYSP，GIESYDP.Reliabilityanalysisofpolynomialsystemssubjecttop-boxuncertainties[J].MechanicalSystems&SignalProcessing;，2013，37（1-2）：121-136.

[12]BEERM，F(xiàn)ERSONS，KREINOVICHV.Impreciseprobabilitiesinengineeringanalyses[J].MechanicalSystems&SignalProcessing;，2013，37（1-2）：4-29.

（責任編輯：杜能鋼）