鐘富力， 鐘上升， 韋灃乘， 李仕濤， 莫洲， 梁思欣

(1.廣西電網(wǎng)物資有限責任公司， 廣西， 南寧 530001； 2.廣西電網(wǎng)有限責任公司， 廣西， 南寧 530001；3.思創(chuàng)智匯(廣州)科技有限公司， 廣東， 廣州 510600)

0 引言

隨著電力物資需求量的不斷增大，電力物資的持續(xù)供應也要得到保障。目前電力物資難以實現(xiàn)大量的存儲，具有產(chǎn)出多少供應多少的特點，電力物資供應鏈中存在著多種風險。針對該風險，相關文獻對此也做出了研究，文獻[1]基于BP神經(jīng)網(wǎng)絡的電力物資供應商履約風險預警，該方法能夠發(fā)揮人工智能學習的功能，減少了計算的復雜程度并提高了運算的精確度，但對于預警的精確度還有待提高，不能達到實時預警的效果[1]。文獻[2]基于AHP的電力物資供應商履約風險預警，該方法具有簡化評估程序的功能，計算簡單易懂，能夠很好地評估風險，并對風險進行預警處理，但此方法在對風險進行預警處理時，不能夠?qū)Ρ瘸鲲L險的嚴重性，預警的效果達不到及時處理[2]。

針對上述文獻中的不足，本文提出了電力物資供應商履約風險預警，采用了電力物資供應商履約風險評估與定級體系，實現(xiàn)對電力物資供應商履約風險進行分級評價處理，采用基于ACO-SVM算法的電力物資供應商履約風險預警，實現(xiàn)電力物資供應商履約風險預警處理[3]。

1 電力物資供應商履約風險預警模型的設計

本文提出了設計電力物資供應商履約風險管控預警模型，該模型包括履約管理活動、履約風險管理和預警約束系統(tǒng)三大模塊[4]，電力物資供應商履約風險預警模型如圖1所示。

圖1 電力物資供應商履約風險預警模型

該模型中履約管理活動中采用企業(yè)資源計劃(ERP)系統(tǒng)，該系統(tǒng)集合了信息技術和先進的管理思想，是現(xiàn)代企業(yè)的運行模式。在電力物資供應商履約風險模型中，ERP是針對電力物資管理使用的接口，該系統(tǒng)具有縮短核心業(yè)務流程的時間和成本的優(yōu)點，ERP系統(tǒng)最基本的表現(xiàn)就是運行集成化，實現(xiàn)電力物資供應商履約的管理活動[5]。

履約風險管理中采用WBS-RBS風險識別技術，該技術是兼顧全局和細節(jié)的風險識別方法。將整個電力物資供應商的電力物資進行分解，分解到可以分析電力物資風險的程度，結合電力物資分解和風險結構分解，識別出電力物資供應商履約風險。采用層次分析法對識別出的風險進行分析，建立電力物資供應商層次分析風險評價模型，對風險進行歸納、評價相對重要性程度的排序，并做出一致性檢驗。

預警約束模塊采用的是基于BIM和PT的風險預警模型。該模型首先使用PT采集電力物資的數(shù)據(jù)，經(jīng)過制度、流程、過程、供應商評價等一系列的流程分析，最后實現(xiàn)預警約束。其中，電力物資供應商履約風險預警運行機制體系如圖2所示。

圖2 電力物資履約風險預警運行機制體系

電力物資履約風險預警運行機制體系，主要分為5個模塊：履約風險識別、分析、評估、報警機制和風險管控約束機制。履約風險分析機制建立風險定性分析和定量分析，采用因果矩陣和關聯(lián)圖；履約風險評估機制采用定性和定量相結合的方法，確定風險點等級，利用風險評估LECC方法；履約風險報警機制是對電力物資供應商是否持續(xù)供應優(yōu)質(zhì)電力的一種判斷；風險管控約束機制是對風險規(guī)避、風險控制、風險自留、風險轉移等風險管控策略，基于管控策略制定履約管控方案[6]。

2 電力物資供應商履約風險評估方法

電力物資風險評估分為3個步驟。

步驟一 電力物資風險評估定義

本文提到的風險評估方法定義如下：

RRisk(Xt,f)=

(1)

式中，Xt,f為t時刻的預計運行狀態(tài)，Xt,j為t時刻發(fā)生的負荷狀態(tài)，Pr(Xt,j|Xt,f)為t時刻發(fā)生Xt,j的概率，Ei為第i個預測事故[7]，Pr(Ei)為第i個事故發(fā)生的概率，MSev(Ei,Xt,j)為在第j個運行條件下發(fā)生第i個預測事故的嚴重程度。

風險的評估與定級體系是將更顯評估過程中的預測事故產(chǎn)生的風險看作一個單獨的個體[8]，即RRisk，風險的結構定義如圖3所示。

圖3 風險定義結構圖

電力物資風險的定義：

(2)

式中，L表示RRisk的風險等級；K表示RRisk的種類，P表示RRisk發(fā)生的概率，S表示RRisk發(fā)生的嚴重程度，NREASON表示發(fā)生RRisk的原因集，QCONSEQ表示發(fā)生RRisk的后果集，R表示發(fā)生風險的原因，C表示發(fā)生風險的后果。

R={Kr,Dr,Pr}

(3)

式中，Kr表示R的種類，Dr表示對R的描述，Pr表示R的發(fā)生概率。

C={Kc,Dc,Sc}

(4)

式中，Kc表示C的種類，Dc表示對C的描述，Sc表示C發(fā)生的嚴重程度。

步驟二 電力物資風險的分類

根據(jù)電力物資實時故障概率，可計算出預測的事故發(fā)生概率。設電力物資在預測的事故中發(fā)生停運的狀態(tài)集為Ω，電力物資總共有N個，電力物資的停止運行的概率為P1,P2,…,PN，則預測事故發(fā)生的概率為

(5)

由于計算出的預測概率會根據(jù)電力物資的壽命長短的不同而數(shù)量級不同，對其劃分定級標準限值也會隨之變動，因為電力物資停止運行的概率一般很小，因此式(5)計算預測事故的發(fā)生概率可以寫成[9]：

(6)

在對風險發(fā)生概率確定等級之前，首先對每個預測電力物資故障運行狀態(tài)進行風險評估。若存在風險，應先對發(fā)生風險的概率進行定級，對之后的風險定級帶來方便。本研究中風險的等級分為三類：一級風險、二級風險和三級風險[10]。此種分類方法是根據(jù)風險發(fā)生的概率進行劃分的，發(fā)生風險的概率在1×10-4以上的為一級風險，概率在1×10-5～1×10-4為二級風險，概率在1×10-6～1×10-5為三級風險，其中一級風險最為嚴重。

步驟三 電力物資發(fā)生風險定級

電力物資發(fā)生風險的嚴重程度來定級，可分為減供負荷型風險嚴重程度定級、重載或過載型風險嚴重程度定級、電壓偏移型風險嚴重程度定級、電網(wǎng)解列型風險嚴重程度定級、廠站全停型風險嚴重程度定級和重要用戶全停型風險嚴重程度定級。

根據(jù)風險發(fā)生的概率等級和風險的嚴重程度，即可得到風險的等級：

L=round((1-μ)LP+μLS)

(7)

式中，LP表示風險發(fā)生概率的等級，LS表示風險嚴重程度的定級，μ表示取值區(qū)間為(0,1)的權重系數(shù)，round(·)表示四舍五入取整。

式(7)中，μ為1時，則表示傳統(tǒng)的確定性的安全評估方法，然而風險評估應具備發(fā)生風險的可能性和風險發(fā)生過后的后果，因此將μ的取值范圍設定在(0,1)區(qū)間內(nèi)。當μ接近1時，風險等級接近風險發(fā)生后的結果，若μ接近0時，則風險等級側重于發(fā)生風險的可能性。

3 基于ACO-SVM算法的電力物資供應商履約風險預警

電力物資供應商履約風險預警，本文采用了基于ACO-SVM算法，此算法是通過求解連續(xù)空間的函數(shù)問題，計算出來的最終路徑代表函數(shù)的最優(yōu)解，通過C,ε和σ在系統(tǒng)中的節(jié)點上的值進行體現(xiàn)，并且使用SVM參數(shù)優(yōu)化對信息素進行濃度更新。選擇的三個變量，都是通過6個十進制數(shù)位值進行表示，采用10行*18列的平面結構。在電力物資供應商履約風險預警的應用中分為二個步驟。

步驟一 電力物資供應商履約風險預警的目標函數(shù)選擇

本文研究的方法是使用最基本的Ant-Cycle模型，創(chuàng)建支持向量機訓練誤差模型，目標函數(shù)選取均值方差，選擇最優(yōu)的參數(shù)組合，使得SVM回歸模型有最小的方根誤差，即

(8)

式中，MSE表示目標函數(shù)，x(i,true)和x(i,pred)表示第i個訓練樣本的實際值和預測值。

步驟二 電力物資供應商履約風險預警模型算法的描述

首先，估計出支持向量機參數(shù)C,ε和σ中各分量的取值范圍。

然后，進行電力物資供應商履約風險預警的概率計算，即

(9)

式中，t表示算法的運行時刻，若電力物資選擇了第i(i=1,2,…,18)種第j(j=1,2,…,10)個點，則參數(shù)的計算公式為

C=LLimits+(HLimits-LLimits)×x(1)

(10)

ε=LLimits+(HLimits-LLimits)×x(2)

(11)

σ=LLimits+(HLimits-LLimits)×x(3)

(12)

式中，x(1)=x(1)+(xaj-1)/10∧(m)，其中a的取值范圍為[1,6]，且m=amod 6；x(2)=x(2)+(xbj-1)/10∧(m)，其中b的取值范圍為[7,12],且m=bmod 6；x(3)=x(3)+(xcj-1)/10∧(m)，其中c的取值范圍為[13,18]，且m=cmod 6。將得出的參數(shù)代入到支持向量機模型中求出均值方差(MSE)，并記錄最優(yōu)解的路徑，更新每一列上的個點的信息素，即

τij(t+n)=(1-ρ)·τij(t)+Δτij(t)

(13)

式中，

對于電力物資供應商履約風險得出最優(yōu)解的信息素ρ取不同的值，并且Q也取不同的值，為了能使算法能快速收斂到最優(yōu)解的附近，對上述步驟進行循環(huán)，直到滿足最大迭代次數(shù)或滿足給定的精確值。根據(jù)風險值判斷處于哪一風險等級，再發(fā)出相應的預警進行處理。

4 實驗結果與分析

為了驗證本文研究基于ACO-SVM算法的電力物資供應商履約風險預警的有效性，利用基于BP神經(jīng)網(wǎng)絡的電力物資供應商履約風險預警和基于AHP的電力物資供應商履約風險預警分別做相同的實驗，并將得出的實驗結果進行對比。實驗中實驗環(huán)境參數(shù)如表1所示。

表1 實驗環(huán)境參數(shù)

首先在Microsoft Visual Studio平臺中搭建系統(tǒng)，系統(tǒng)搭建好后進行訓練，驗證系統(tǒng)能夠正常運行，本文所采用的數(shù)據(jù)為電力物資供應商數(shù)據(jù)庫，總共數(shù)據(jù)為572個。其中，一級風險有35個，二級風險有48個，三級風險有56個，其余的正常。隨機挑選200個數(shù)據(jù)進行系統(tǒng)訓練，系統(tǒng)能夠正常運行之后，進行3組實驗。三種系統(tǒng)預警效果對比圖如圖4所示。

圖4 預警效果對比分析

本文研究的基于ACO-SVM算法的電力物資供應商履約風險預警在10 s的時候預警效果就已經(jīng)達到了70%，并且預警效果最高可達到92%；然而基于BP神經(jīng)網(wǎng)絡的電力物資供應商風險預警在10 s是達到48%，并且最高只能達到70%；基于AHP電力物資供應商履約風險預警在10 s預警效果達到60%，并且預警效果最高達到85%。由此可見，本文研究的電力物資供應商履約風險預警的預警效果優(yōu)于其他兩種。

為了驗證研究系統(tǒng)的可靠性，本文還設計了對預警的準確度進行實驗，利用數(shù)據(jù)庫中的所有數(shù)據(jù)，進行對風險分級預警，實驗結果對比如圖5所示。

圖5 風險預警數(shù)量對比

本文所研究的基于ACO-SVM算法的電力物資供應商履約風險預警，所測得的一級風險的預警個數(shù)為35個，二級風險的個數(shù)為48個，三級風險的個數(shù)為56個，與所加入數(shù)據(jù)的風險一致；然而基于BP神經(jīng)網(wǎng)絡的電力物資供應商履約風險預警測得的數(shù)據(jù)為一級風險32個，二級風險47個，三級風險50個，與試驗數(shù)據(jù)有一定的偏差；基于AHP的電力物資供應商履約風險預警所測得的數(shù)據(jù)為一級風險29個，二級風險47個，三級風險49個，與實驗數(shù)據(jù)有較大的偏差。綜上所述，實驗證明基于ACO-SVM算法的電力物資供應商履約風險預警的預警效果最好可達92%，并且預警的準確性也較高。

5 總結

本文設計了電力物資供應商履約風險預警模型，該模型采用了ERP系統(tǒng)，該系統(tǒng)集合了信息技術和先進的管理思想，實現(xiàn)電力物資供應商履約的管理活動。采用了WBS-RBS風險識別技術，實現(xiàn)了電力物資供應商的風險識別，再利用層次分析法對風險進行分析，利用風險評估LECC方法，準確地對風險進行評估。本文還研究了基于ACO-SVM算法的電力物資供應商履約風險預警，根據(jù)風險值判斷處于哪一風險等級，再發(fā)出相應的預警進行處理。本研究為下一步技術的研究奠定基礎。