于杰 李金超，2

(1.華北電力大學經(jīng)濟與管理學院，北京 102206；2.新能源電力與低碳發(fā)展研究北京市重點實驗室，北京 102206)

0 引言

隨著數(shù)字化浪潮席卷全球，數(shù)字化轉(zhuǎn)型成為各行業(yè)關注的熱點[1]。數(shù)字化轉(zhuǎn)型創(chuàng)造出了新的應用場景，為企業(yè)帶來全方位的變革。因此，在新形勢下，電網(wǎng)企業(yè)需要創(chuàng)造數(shù)字化轉(zhuǎn)型的有利條件，關注數(shù)字化轉(zhuǎn)型效益，在總體戰(zhàn)略體系的指引下，積極培育數(shù)字文化，推動電網(wǎng)企業(yè)數(shù)字化轉(zhuǎn)型，促進電力行業(yè)創(chuàng)新發(fā)展。

在有限的資金條件下，如何合理地對電網(wǎng)公司決策方法進行調(diào)整和優(yōu)化，提高項目績效，對于企業(yè)可持續(xù)發(fā)展十分重要。邵春福等[2]認為，層次分析法(Analytic Hierarchy Process，AHP)可應用于多目標綜合分析及網(wǎng)絡系統(tǒng)理論評價，但需要豐富的專家樣本數(shù)據(jù)，否則難以保證評價結(jié)果的有效性。劉利源等[3]以支持向量機(Support Vector Machine ，SVM)為基礎，提出一種改進AHP結(jié)合DS證據(jù)理論的故障診斷方法，但增加了計算的復雜度。孟慶蘭[4]提出基于AHP和SVM的組合評價方法(AHP-SVM)，提高了分類的準確性和評價結(jié)果的準確度。

最小二乘支持向量機(Least Squares Support Vector Machine，LSSVM)[5]基于結(jié)構(gòu)風險最小化理論，能夠平衡模型復雜度和學習能力，適用于樣本少、維度多的問題，在回歸分析和分類領域中得到廣泛應用。此外，阿基米德優(yōu)化算法(Archimedes Optimization Algorithm，AOA)[6]基于隨機采樣尋找全局最優(yōu)解，具有較高的收斂速度和全局搜索能力，適用于多種優(yōu)化問題。楊海柱等[7]通過AOA-LSSVM組合模型對序列進行預測，有效提高了預測精度。但是，目前在數(shù)字化項目經(jīng)濟效益研究方面還存在空白。

本文針對電網(wǎng)企業(yè)數(shù)字化項目投資評價特點，提出一種組合評價模型，將AHP、信息熵(Entropy)、AOA、LSSVM 4種方法有機結(jié)合。首先，通過AHP-Entropy對數(shù)字化項目進行組合賦權，綜合考慮專家主觀經(jīng)驗與指標值的局部差異，以客觀反映實際情況[8]；其次，基于AOA良好的尋優(yōu)能力和LSSVM較好的機器學習能力，構(gòu)建AOA-LSSVM投資成效評價模型，對數(shù)字化項目進行預測，旨在為數(shù)字化項目投資成效評價提供參考。

1 電網(wǎng)企業(yè)數(shù)字化項目投資成效評價指標體系構(gòu)建

電網(wǎng)企業(yè)數(shù)字化項目包括智能電網(wǎng)、數(shù)據(jù)處理、基礎設施建設、能源管理系統(tǒng)、安全保障和應用系統(tǒng)開發(fā)，旨在實現(xiàn)電力生產(chǎn)、傳輸和分配的高效化、智能化和可控化，提高電網(wǎng)運行效率和管理水平，實現(xiàn)可持續(xù)發(fā)展。

電網(wǎng)企業(yè)數(shù)字化項目具有投資規(guī)模大、收益周期長、技術更新快、經(jīng)濟效益高、對人力資源要求高等特點。而數(shù)字化技術的應用能夠提高電網(wǎng)的運行效率和管理水平，降低運營成本，實現(xiàn)較高的經(jīng)濟效益。

根據(jù)電網(wǎng)企業(yè)數(shù)字化項目特點，針對相應的業(yè)務場景，遵循相關型、重要性、可比性和系統(tǒng)性等原則，分別從系統(tǒng)安全、示范創(chuàng)新、經(jīng)濟效益、服務質(zhì)量和管理水平5個方面建立一級指標，并設置相應的15個二級指標，構(gòu)建電網(wǎng)企業(yè)數(shù)字化項目投資效益評價指標體系，如圖1所示。

1.1 系統(tǒng)安全

系統(tǒng)安全是指為系統(tǒng)工程和安全工程提供有力支持，保障系統(tǒng)安全運行。

1.1.1 保護基礎信息

保護基礎信息是指數(shù)字化項目是否能夠保護應用信息，是否能夠部署安全系統(tǒng)保障業(yè)務運行，并對敏感信息加密保護，掌握加密信息情況。

1.1.2 檢測系統(tǒng)漏洞

檢測系統(tǒng)漏洞主要包括自身檢測漏洞的能力和提前檢測到的漏洞次數(shù)。通過提升系統(tǒng)的積極防御能力，提高系統(tǒng)的安全性。

1.1.3 防范攻擊及預警

防范攻擊及預警是指數(shù)字化項目能否對通信進行加密，以保護數(shù)據(jù)的完整性。通過統(tǒng)計預警次數(shù)和預警速度判斷系統(tǒng)的提前預警能力，體現(xiàn)系統(tǒng)的安全性。

1.2 示范創(chuàng)新

示范創(chuàng)新是指電網(wǎng)企業(yè)通過數(shù)字化轉(zhuǎn)型拉動上下游產(chǎn)業(yè)發(fā)展，對其他產(chǎn)業(yè)具有重要示范和導向作用。

1.2.1 綠色環(huán)境

綠色環(huán)境是指項目在環(huán)境保護方面的提升能力，以促進企業(yè)和社會不斷進步、經(jīng)濟持續(xù)發(fā)展、環(huán)境日益改善。

1.2.2 技術示范

技術示范是指電網(wǎng)企業(yè)通過數(shù)字化轉(zhuǎn)型提升技術水平，對其他產(chǎn)業(yè)技術創(chuàng)新具有重要示范和導向作用。

1.2.3 業(yè)務創(chuàng)新

業(yè)務創(chuàng)新是指電網(wǎng)企業(yè)應開發(fā)符合市場需求的產(chǎn)品，建立適應市場的業(yè)務創(chuàng)新體系，以實現(xiàn)可持續(xù)發(fā)展。

1.2.4 企業(yè)形象

企業(yè)形象是指企業(yè)踐行對客戶承諾，提供高品質(zhì)、高效率和高價值的產(chǎn)品和服務，建立穩(wěn)定的客戶群體，贏得客戶信任和良好口碑。

1.3 經(jīng)濟效益

經(jīng)濟效益可以用來評價一個項目是否成功。數(shù)字化項目評價也要立足于效益數(shù)字化。

1.3.1 節(jié)約成本

節(jié)約成本是指評估數(shù)字化項目實施前后的經(jīng)濟效益，判斷項目成本是否降低，并計算實際減少的成本投資，反映項目的實際效益。

1.3.2 新增收入

新增收入是指衡量項目對企業(yè)新增直接和間接收益的提升，以更好地評估項目效益。

1.4 服務質(zhì)量

服務質(zhì)量是服務營銷的核心。數(shù)字化項目的服務質(zhì)量是針對供應商和用戶而言。

1.4.1 專業(yè)程度

服務人員需要具有一定的專業(yè)技能和良好的溝通技巧，能夠提供高水平服務，滿足客戶需求。

1.4.2 服務效率

服務效率主要評價在服務過程中能否有效節(jié)約供應商和客戶的時間，辦公效率是否得到有所提升。

1.4.3 反應速度

反應速度是指能夠積極響應客戶和供應商需求，快速提供服務的效率?？焖夙憫徒鉀Q問題是提高服務質(zhì)量的重要內(nèi)容。

1.5 管理水平

數(shù)字化項目管理水平應從橫向和縱向綜合考慮，評價項目管理者解決問題的能力和速度。

1.5.1 管理效率

管理效率主要包括通過項目實施是否提高了管理速度、是否提供了科學有效的效率分析方法、是否提高了管理水平。

1.5.2 管理質(zhì)量

管理質(zhì)量以實際結(jié)果為基準，判斷通過項目是否提高了工作任務的完成情況、工作效率和效益等，體現(xiàn)項目管理水平。

1.5.3 普及程度

普及程度主要評價數(shù)字化項目軟件在企業(yè)員工間的普及和應用程度，是否有助于員工提高工作效率。

2 電網(wǎng)企業(yè)數(shù)字化項目投資成效評價模型構(gòu)建

2.1 基于AHP-Entropy的組合賦權

在數(shù)字化項目投資效益評價中，若遞階結(jié)構(gòu)指標集較小，則AHP方法更為適合，能夠較為準確地反映各因素權重。同時，熵值法作為一種廣泛應用的客觀賦權方法，不需要依賴主觀判斷，操作簡便。因此，采用AHP與熵值法相結(jié)合的賦權方法，充分考慮主觀與客觀因素，從而更加真實、全面地評價電網(wǎng)企業(yè)數(shù)字化項目投資效益。AHP-Entropy組合賦權計算步驟如下：

(1)基于AHP的主觀權重計算。公式如下

W′=(w′1，w′2，…，w′m)

(1)

(2)基于熵權的客觀權重計算。公式如下

W″=(w″1，w″2，…，w″m)

(2)

(3)采用線性加權求和法計算投資成效指標的組合權重。公式如下

W=(w1，w2，…，wm)

(3)

2.2 基于AOA改進LSSVM方法的投資成效評價模型

LSSVM是SVM的一種擴展形式，通過采用等式約束降低參數(shù)數(shù)量，簡化求解過程[9]。AOA可以實現(xiàn)局部搜索和全局搜索平衡，具快速收斂和高求解精度的特點。基于AOA-LSSVM模型，結(jié)合群體智能優(yōu)化和機器學習理論，能夠提高求解速度和穩(wěn)定性。

2.2.1 LSSVM評價原理

LSSVM采用最小二乘線性方程作為損失函數(shù)，適用于分類和回歸問題，具有較好的泛化能力，能夠簡化求解過程并減少參數(shù)數(shù)量。與標準SVM方法相比，LSSVM能夠更加穩(wěn)定地處理高維數(shù)據(jù)，避免過度擬合和欠擬合的問題。在LSSVM算法優(yōu)化過程中，采用二范數(shù)作為目標函數(shù)可以將二次問題轉(zhuǎn)化為線性方程組，從而簡化Lagrange乘子的求解過程[10]。這種轉(zhuǎn)化不僅提高了算法的收斂速度和準確性，還有效解決了二次規(guī)劃問題的不可行性和不穩(wěn)定性。

LSSVM回歸函數(shù)模型一般公式為

f(x)=mTφ(x)+b

(4)

式中，m為特征空間的權重向量；φ(x)為LSSVM的核函數(shù)；b為偏差量。

按照結(jié)構(gòu)風險最小化原則，獲得式(5)中m和b參數(shù)的精確值，即

(5)

式中，ei為回歸誤差向量；j為正則化參數(shù)。

引入Lagrange乘子λi對式(6)進行優(yōu)化，可得

(6)

通過KKT條件推導求解，得到

(7)

消除上式中的m和ei，得到LSSVM負荷預測模型，即

(8)

在式(8)中，K(xi，xj)為核函數(shù)，本文取徑向基函數(shù)為核函數(shù)，其表達式為

(9)

式中，σ為核函數(shù)的寬度因子。

2.2.2 AOA搜索 LSSVM參數(shù)最優(yōu)解

AOA是一種基于種群的元啟發(fā)式算法，將群體個體作為搜索對象。在隨機初始種群，迭代更新每個對象的密度、體積和加速度，確定其新位置，以解決適應度問題。更新對象的加速度根據(jù)其與其他對象的碰撞情況決定，直至滿足終止條件。具體步驟如下。

2.2.2.1 初始化

(1)初始化所有對象的位置，即

Oi=lbi+rand×(ubi-lbi)(i=1，2，…，N)

(10)

式中，ubi、lbi分別為搜索空間上、下限；N為種群規(guī)模；Oi為個體i的在流體中的初始位置。

(2)初始化第i個物體的體積(vol)和密度(den)，即

式中，rand為[0，1]內(nèi)的隨機數(shù)。

(3)初始化物體的加速度(acc)，即

acci=lbi+rand×(ubi-lbi)

(12)

在該環(huán)節(jié)對初始總體進行評估，并選擇具有最佳適應度值的對象。

2.2.2.2 更新密度和體積

更新第t+1次迭代的第i個物體的密度和體積，得到

式中，denbest和volbest是到目前為止發(fā)現(xiàn)的物體的最好密度和體積。

2.2.2.3 轉(zhuǎn)移算子與密度算子

物體在發(fā)生碰撞后會試圖達到平衡狀態(tài)，在AOA中通過轉(zhuǎn)移運算符TF實現(xiàn)。TF將搜索從勘探轉(zhuǎn)換為開發(fā)，即

(14)

式中，轉(zhuǎn)移因子逐漸增加，直到達到1；t和tmax分別表示當前迭代次數(shù)和最大迭代次數(shù)。

同理，密度遞減因子也有助于AOA從全局到局部的搜索，隨著時間的推移而減少，即

(15)

式中，dt+1隨著迭代次數(shù)的增大而減小，這使得其能夠在已經(jīng)確定的有希望的區(qū)域內(nèi)收斂。

2.2.3 勘探階段

2.2.3.1 物體之間發(fā)生碰撞

如果TF<0.5，物體之間發(fā)生碰撞，則隨機選擇一個物體(mr)并更新t+1次迭代物體加速度，得到

(16)

式中，deni、voli和acci分別表示物體i的密度、體積和加速度；denmr、volmr和accmr分別表示隨機物體的密度、體積和加速度。

2.2.3.2 物體之間無碰撞

如果TF>0.5，物體之間無碰撞，則

(17)

式中，accbest表示物體的最優(yōu)加速度。

2.2.3.3 標準化加速度

標準化加速度公式如下

2.2.4 位置更新

如果TF≤0.5(勘探階段)，計算第t+1次第i個物體的位置，即

(19)

式中，C1=2。

如果TF>0.5(開發(fā)階段)，則更新其位置，得到

(20)

式中，C2=6；T隨迭代次數(shù)增加，與轉(zhuǎn)移算子成正比用T=C3×TF定義。在[C3×0.3，1]范圍內(nèi)，T隨迭代增加，并從最佳位置開始有一定的百分比。F是改變運動方向的標志，即

(21)

式中，P=2×rand-C4。

2.2.5 適應度函數(shù)

使用目標函數(shù)f評估每個對象，并記錄迄今為止找到的最優(yōu)解，記為xbest、denbest、volbest和accbest。

3 算例分析

3.1 參數(shù)設置

本次調(diào)查問卷對象涵蓋不同部門、不同職級的專家。40名專家職稱構(gòu)成如下：教授級高級工程師20名、高級工程師16名、工程師4名。

設AOA算法初始參數(shù)C1=2、C2=6、C3=1、C4=2、u=0.9、l=0.1，種群數(shù)量為30，最大迭代次數(shù)為40，正則化系參數(shù)和核參數(shù)的取值范圍分別為[0.6，190]和[0.1，195]。將50個項目的得分值作為AOA-LSSVM模型的輸入向量。其中，編號1～40的項目作為模型的訓練集，編號41～50的項目作為模型的測試集。

3.2 結(jié)果分析

本文主要選取50個已經(jīng)投入使用的項目，并采用改進AHP-Entropy組合賦權法對這些項目進行投資成效評價。隨機選取40個項目的評價值作為訓練集，將其余10個項目的評價值作為測試集，以檢驗AOA-LSSVM模型精度。50個項目的評價值見表1。

表1 50個項目的評價值

基于Matlab 2022a平臺進行仿真分析，AOA-LSSVM模型訓練集預測值和實際值對比圖如圖2所示，AOA-LSSVM模型訓練集預測誤差圖如圖3所示。

圖2 AOA-LSSVM模型訓練集預測值和實際值對比圖

圖3 AOA-LSSVM模型訓練集預測誤差圖

訓練集誤差計算結(jié)果見表2。由此可見，訓練集預測誤差浮動不超過4%，擬合度超過90%，說明小樣本訓練效果較好。

表2 訓練集誤差計算結(jié)果

AOA-LSSVM模型測試集預測值和實際值對比圖如圖4所示，AOA-LSSVM模型測試集預測誤差圖如圖5所示。

圖4 AOA-LSSVM模型測試集預測值和實際值對比圖

圖5 AOA-LSSVM模型測試集預測誤差圖

測試集誤差計算結(jié)果見表3。由此可知，測試集預測誤差浮動不超過21%，擬合度達到94%，小樣本預測效果較好，說明AOA-LSSVM模型具有較高的預測精度，能夠用于數(shù)字化項目投資成效評價預測。

表3 測試集誤差計算結(jié)果

4 結(jié)語

(1)本文提出的組合評價模型結(jié)合了4種研究方法的優(yōu)勢，綜合考慮了專家的主觀經(jīng)驗和項目實際情況，受噪點影響較小且更加直觀，更適用于數(shù)字化項目評價。

(2)AOA算法能夠更準確搜索LSSVM模型的最優(yōu)超參數(shù)，提高投資成效評價精度。LSSVM模型具有較小的大樣本依賴性，適用于數(shù)據(jù)較少的情況，可推廣到其他領域，為項目投資成效評價和控制提供參考。

(3)通過算例驗證了模型的可行性，為項目投資的合理性和有效性提供有力支撐。今后，電網(wǎng)企業(yè)數(shù)字化項目應融合傳統(tǒng)產(chǎn)業(yè)，優(yōu)化升級產(chǎn)業(yè)結(jié)構(gòu)，以提高國網(wǎng)企業(yè)發(fā)展水平。