電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警評(píng)價(jià)模型及研究

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(zé)任公司， 廣西， 南寧 530001； 2.廣西電網(wǎng)有限責(zé)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(yīng)也要得到保障。目前電力物資難以實(shí)現(xiàn)大量的存儲(chǔ)，具有產(chǎn)出多少供應(yīng)多少的特點(diǎn)，電力物資供應(yīng)鏈中存在著多種風(fēng)險(xiǎn)。針對(duì)該風(fēng)險(xiǎn)，相關(guān)文獻(xiàn)對(duì)此也做出了研究，文獻(xiàn)[1]基于BP神經(jīng)網(wǎng)絡(luò)的電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警，該方法能夠發(fā)揮人工智能學(xué)習(xí)的功能，減少了計(jì)算的復(fù)雜程度并提高了運(yùn)算的精確度，但對(duì)于預(yù)警的精確度還有待提高，不能達(dá)到實(shí)時(shí)預(yù)警的效果[1]。文獻(xiàn)[2]基于AHP的電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警，該方法具有簡(jiǎn)化評(píng)估程序的功能，計(jì)算簡(jiǎn)單易懂，能夠很好地評(píng)估風(fēng)險(xiǎn)，并對(duì)風(fēng)險(xiǎn)進(jìn)行預(yù)警處理，但此方法在對(duì)風(fēng)險(xiǎn)進(jìn)行預(yù)警處理時(shí)，不能夠?qū)Ρ瘸鲲L(fēng)險(xiǎn)的嚴(yán)重性，預(yù)警的效果達(dá)不到及時(shí)處理[2]。

針對(duì)上述文獻(xiàn)中的不足，本文提出了電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警，采用了電力物資供應(yīng)商履約風(fēng)險(xiǎn)評(píng)估與定級(jí)體系，實(shí)現(xiàn)對(duì)電力物資供應(yīng)商履約風(fēng)險(xiǎn)進(jìn)行分級(jí)評(píng)價(jià)處理，采用基于ACO-SVM算法的電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警，實(shí)現(xiàn)電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警處理[3]。

1 電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警模型的設(shè)計(jì)

本文提出了設(shè)計(jì)電力物資供應(yīng)商履約風(fēng)險(xiǎn)管控預(yù)警模型，該模型包括履約管理活動(dòng)、履約風(fēng)險(xiǎn)管理和預(yù)警約束系統(tǒng)三大模塊[4]，電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警模型如圖1所示。

圖1 電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警模型

該模型中履約管理活動(dòng)中采用企業(yè)資源計(jì)劃(ERP)系統(tǒng)，該系統(tǒng)集合了信息技術(shù)和先進(jìn)的管理思想，是現(xiàn)代企業(yè)的運(yùn)行模式。在電力物資供應(yīng)商履約風(fēng)險(xiǎn)模型中，ERP是針對(duì)電力物資管理使用的接口，該系統(tǒng)具有縮短核心業(yè)務(wù)流程的時(shí)間和成本的優(yōu)點(diǎn)，ERP系統(tǒng)最基本的表現(xiàn)就是運(yùn)行集成化，實(shí)現(xiàn)電力物資供應(yīng)商履約的管理活動(dòng)[5]。

履約風(fēng)險(xiǎn)管理中采用WBS-RBS風(fēng)險(xiǎn)識(shí)別技術(shù)，該技術(shù)是兼顧全局和細(xì)節(jié)的風(fēng)險(xiǎn)識(shí)別方法。將整個(gè)電力物資供應(yīng)商的電力物資進(jìn)行分解，分解到可以分析電力物資風(fēng)險(xiǎn)的程度，結(jié)合電力物資分解和風(fēng)險(xiǎn)結(jié)構(gòu)分解，識(shí)別出電力物資供應(yīng)商履約風(fēng)險(xiǎn)。采用層次分析法對(duì)識(shí)別出的風(fēng)險(xiǎn)進(jìn)行分析，建立電力物資供應(yīng)商層次分析風(fēng)險(xiǎn)評(píng)價(jià)模型，對(duì)風(fēng)險(xiǎn)進(jìn)行歸納、評(píng)價(jià)相對(duì)重要性程度的排序，并做出一致性檢驗(yàn)。

預(yù)警約束模塊采用的是基于BIM和PT的風(fēng)險(xiǎn)預(yù)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(guò)制度、流程、過(guò)程、供應(yīng)商評(píng)價(jià)等一系列的流程分析，最后實(shí)現(xiàn)預(yù)警約束。其中，電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警運(yùn)行機(jī)制體系如圖2所示。

圖2 電力物資履約風(fēng)險(xiǎn)預(yù)警運(yùn)行機(jī)制體系

電力物資履約風(fēng)險(xiǎn)預(yù)警運(yùn)行機(jī)制體系，主要分為5個(gè)模塊：履約風(fēng)險(xiǎn)識(shí)別、分析、評(píng)估、報(bào)警機(jī)制和風(fēng)險(xiǎn)管控約束機(jī)制。履約風(fēng)險(xiǎn)分析機(jī)制建立風(fēng)險(xiǎn)定性分析和定量分析，采用因果矩陣和關(guān)聯(lián)圖；履約風(fēng)險(xiǎn)評(píng)估機(jī)制采用定性和定量相結(jié)合的方法，確定風(fēng)險(xiǎn)點(diǎn)等級(jí)，利用風(fēng)險(xiǎn)評(píng)估LECC方法；履約風(fēng)險(xiǎn)報(bào)警機(jī)制是對(duì)電力物資供應(yīng)商是否持續(xù)供應(yīng)優(yōu)質(zhì)電力的一種判斷；風(fēng)險(xiǎn)管控約束機(jī)制是對(duì)風(fēng)險(xiǎn)規(guī)避、風(fēng)險(xiǎn)控制、風(fēng)險(xiǎn)自留、風(fēng)險(xiǎn)轉(zhuǎn)移等風(fēng)險(xiǎn)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(yīng)商履約風(fēng)險(xiǎn)評(píng)估方法

電力物資風(fēng)險(xiǎn)評(píng)估分為3個(gè)步驟。

步驟一 電力物資風(fēng)險(xiǎn)評(píng)估定義

本文提到的風(fēng)險(xiǎn)評(píng)估方法定義如下：

RRisk(Xt,f)=

(1)

式中，Xt,f為t時(shí)刻的預(yù)計(jì)運(yùn)行狀態(tài)，Xt,j為t時(shí)刻發(fā)生的負(fù)荷狀態(tài)，Pr(Xt,j|Xt,f)為t時(shí)刻發(fā)生Xt,j的概率，Ei為第i個(gè)預(yù)測(cè)事故[7]，Pr(Ei)為第i個(gè)事故發(fā)生的概率，MSev(Ei,Xt,j)為在第j個(gè)運(yùn)行條件下發(fā)生第i個(gè)預(yù)測(cè)事故的嚴(yán)重程度。

風(fēng)險(xiǎn)的評(píng)估與定級(jí)體系是將更顯評(píng)估過(guò)程中的預(yù)測(cè)事故產(chǎn)生的風(fēng)險(xiǎn)看作一個(gè)單獨(dú)的個(gè)體[8]，即RRisk，風(fēng)險(xiǎn)的結(jié)構(gòu)定義如圖3所示。

圖3 風(fēng)險(xiǎn)定義結(jié)構(gòu)圖

電力物資風(fēng)險(xiǎn)的定義：

(2)

式中，L表示RRisk的風(fēng)險(xiǎn)等級(jí)；K表示RRisk的種類(lèi)，P表示RRisk發(fā)生的概率，S表示RRisk發(fā)生的嚴(yán)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(fēng)險(xiǎn)的原因，C表示發(fā)生風(fēng)險(xiǎn)的后果。

R={Kr,Dr,Pr}

(3)

式中，Kr表示R的種類(lèi)，Dr表示對(duì)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(lèi)，Dc表示對(duì)C的描述，Sc表示C發(fā)生的嚴(yán)重程度。

步驟二 電力物資風(fēng)險(xiǎn)的分類(lèi)

根據(jù)電力物資實(shí)時(shí)故障概率，可計(jì)算出預(yù)測(cè)的事故發(fā)生概率。設(shè)電力物資在預(yù)測(cè)的事故中發(fā)生停運(yùn)的狀態(tài)集為Ω，電力物資總共有N個(gè)，電力物資的停止運(yùn)行的概率為P1,P2,…,PN，則預(yù)測(cè)事故發(fā)生的概率為

(5)

由于計(jì)算出的預(yù)測(cè)概率會(huì)根據(jù)電力物資的壽命長(zhǎng)短的不同而數(shù)量級(jí)不同，對(duì)其劃分定級(jí)標(biāo)準(zhǔn)限值也會(huì)隨之變動(dòng)，因?yàn)殡娏ξ镔Y停止運(yùn)行的概率一般很小，因此式(5)計(jì)算預(yù)測(cè)事故的發(fā)生概率可以寫(xiě)成[9]：

(6)

在對(duì)風(fēng)險(xiǎn)發(fā)生概率確定等級(jí)之前，首先對(duì)每個(gè)預(yù)測(cè)電力物資故障運(yùn)行狀態(tài)進(jìn)行風(fēng)險(xiǎn)評(píng)估。若存在風(fēng)險(xiǎn)，應(yīng)先對(duì)發(fā)生風(fēng)險(xiǎn)的概率進(jìn)行定級(jí)，對(duì)之后的風(fēng)險(xiǎn)定級(jí)帶來(lái)方便。本研究中風(fēng)險(xiǎn)的等級(jí)分為三類(lèi)：一級(jí)風(fēng)險(xiǎn)、二級(jí)風(fēng)險(xiǎn)和三級(jí)風(fēng)險(xiǎn)[10]。此種分類(lèi)方法是根據(jù)風(fēng)險(xiǎn)發(fā)生的概率進(jìn)行劃分的，發(fā)生風(fēng)險(xiǎn)的概率在1×10-4以上的為一級(jí)風(fēng)險(xiǎn)，概率在1×10-5～1×10-4為二級(jí)風(fēng)險(xiǎn)，概率在1×10-6～1×10-5為三級(jí)風(fēng)險(xiǎn)，其中一級(jí)風(fēng)險(xiǎn)最為嚴(yán)重。

步驟三 電力物資發(fā)生風(fēng)險(xiǎn)定級(jí)

電力物資發(fā)生風(fēng)險(xiǎn)的嚴(yán)重程度來(lái)定級(jí)，可分為減供負(fù)荷型風(fēng)險(xiǎn)嚴(yán)重程度定級(jí)、重載或過(guò)載型風(fēng)險(xiǎn)嚴(yán)重程度定級(jí)、電壓偏移型風(fēng)險(xiǎn)嚴(yán)重程度定級(jí)、電網(wǎng)解列型風(fēng)險(xiǎn)嚴(yán)重程度定級(jí)、廠站全停型風(fēng)險(xiǎn)嚴(yán)重程度定級(jí)和重要用戶全停型風(fēng)險(xiǎn)嚴(yán)重程度定級(jí)。

根據(jù)風(fēng)險(xiǎn)發(fā)生的概率等級(jí)和風(fēng)險(xiǎn)的嚴(yán)重程度，即可得到風(fēng)險(xiǎn)的等級(jí)：

L=round((1-μ)LP+μLS)

(7)

式中，LP表示風(fēng)險(xiǎn)發(fā)生概率的等級(jí)，LS表示風(fēng)險(xiǎn)嚴(yán)重程度的定級(jí)，μ表示取值區(qū)間為(0,1)的權(quán)重系數(shù)，round(·)表示四舍五入取整。

式(7)中，μ為1時(shí)，則表示傳統(tǒng)的確定性的安全評(píng)估方法，然而風(fēng)險(xiǎn)評(píng)估應(yīng)具備發(fā)生風(fēng)險(xiǎn)的可能性和風(fēng)險(xiǎn)發(fā)生過(guò)后的后果，因此將μ的取值范圍設(shè)定在(0,1)區(qū)間內(nèi)。當(dāng)μ接近1時(shí)，風(fēng)險(xiǎn)等級(jí)接近風(fēng)險(xiǎn)發(fā)生后的結(jié)果，若μ接近0時(shí)，則風(fēng)險(xiǎn)等級(jí)側(cè)重于發(fā)生風(fēng)險(xiǎn)的可能性。

3 基于ACO-SVM算法的電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警

電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警，本文采用了基于ACO-SVM算法，此算法是通過(guò)求解連續(xù)空間的函數(shù)問(wèn)題，計(jì)算出來(lái)的最終路徑代表函數(shù)的最優(yōu)解，通過(guò)C,ε和σ在系統(tǒng)中的節(jié)點(diǎn)上的值進(jìn)行體現(xiàn)，并且使用SVM參數(shù)優(yōu)化對(duì)信息素進(jìn)行濃度更新。選擇的三個(gè)變量，都是通過(guò)6個(gè)十進(jìn)制數(shù)位值進(jìn)行表示，采用10行*18列的平面結(jié)構(gòu)。在電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警的應(yīng)用中分為二個(gè)步驟。

步驟一 電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警的目標(biāo)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(jī)訓(xùn)練誤差模型，目標(biāo)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(biāo)函數(shù)，x(i,true)和x(i,pred)表示第i個(gè)訓(xùn)練樣本的實(shí)際值和預(yù)測(cè)值。

步驟二 電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警模型算法的描述

首先，估計(jì)出支持向量機(jī)參數(shù)C,ε和σ中各分量的取值范圍。

然后，進(jìn)行電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警的概率計(jì)算，即

(9)

式中，t表示算法的運(yùn)行時(shí)刻，若電力物資選擇了第i(i=1,2,…,18)種第j(j=1,2,…,10)個(gè)點(diǎn)，則參數(shù)的計(jì)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(jī)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(gè)點(diǎn)的信息素，即

τij(t+n)=(1-ρ)·τij(t)+Δτij(t)

(13)

式中，

對(duì)于電力物資供應(yīng)商履約風(fēng)險(xiǎn)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(duì)上述步驟進(jìn)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(fēng)險(xiǎn)值判斷處于哪一風(fēng)險(xiǎn)等級(jí)，再發(fā)出相應(yīng)的預(yù)警進(jìn)行處理。

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文研究基于ACO-SVM算法的電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警的有效性，利用基于BP神經(jīng)網(wǎng)絡(luò)的電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警和基于AHP的電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警分別做相同的實(shí)驗(yàn)，并將得出的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比。實(shí)驗(yàn)中實(shí)驗(yàn)環(huán)境參數(shù)如表1所示。

表1 實(shí)驗(yàn)環(huán)境參數(shù)

首先在Microsoft Visual Studio平臺(tái)中搭建系統(tǒng)，系統(tǒng)搭建好后進(jìn)行訓(xùn)練，驗(yàn)證系統(tǒng)能夠正常運(yùn)行，本文所采用的數(shù)據(jù)為電力物資供應(yīng)商數(shù)據(jù)庫(kù)，總共數(shù)據(jù)為572個(gè)。其中，一級(jí)風(fēng)險(xiǎn)有35個(gè)，二級(jí)風(fēng)險(xiǎn)有48個(gè)，三級(jí)風(fēng)險(xiǎn)有56個(gè)，其余的正常。隨機(jī)挑選200個(gè)數(shù)據(jù)進(jìn)行系統(tǒng)訓(xùn)練，系統(tǒng)能夠正常運(yùn)行之后，進(jìn)行3組實(shí)驗(yàn)。三種系統(tǒng)預(yù)警效果對(duì)比圖如圖4所示。

圖4 預(yù)警效果對(duì)比分析

本文研究的基于ACO-SVM算法的電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警在10 s的時(shí)候預(yù)警效果就已經(jīng)達(dá)到了70%，并且預(yù)警效果最高可達(dá)到92%；然而基于BP神經(jīng)網(wǎng)絡(luò)的電力物資供應(yīng)商風(fēng)險(xiǎn)預(yù)警在10 s是達(dá)到48%，并且最高只能達(dá)到70%；基于AHP電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警在10 s預(yù)警效果達(dá)到60%，并且預(yù)警效果最高達(dá)到85%。由此可見(jiàn)，本文研究的電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警的預(yù)警效果優(yōu)于其他兩種。

為了驗(yàn)證研究系統(tǒng)的可靠性，本文還設(shè)計(jì)了對(duì)預(yù)警的準(zhǔn)確度進(jìn)行實(shí)驗(yàn)，利用數(shù)據(jù)庫(kù)中的所有數(shù)據(jù)，進(jìn)行對(duì)風(fēng)險(xiǎn)分級(jí)預(yù)警，實(shí)驗(yàn)結(jié)果對(duì)比如圖5所示。

圖5 風(fēng)險(xiǎn)預(yù)警數(shù)量對(duì)比

本文所研究的基于ACO-SVM算法的電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警，所測(cè)得的一級(jí)風(fēng)險(xiǎn)的預(yù)警個(gè)數(shù)為35個(gè)，二級(jí)風(fēng)險(xiǎn)的個(gè)數(shù)為48個(gè)，三級(jí)風(fēng)險(xiǎn)的個(gè)數(shù)為56個(gè)，與所加入數(shù)據(jù)的風(fēng)險(xiǎn)一致；然而基于BP神經(jīng)網(wǎng)絡(luò)的電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警測(cè)得的數(shù)據(jù)為一級(jí)風(fēng)險(xiǎn)32個(gè)，二級(jí)風(fēng)險(xiǎn)47個(gè)，三級(jí)風(fēng)險(xiǎn)50個(gè)，與試驗(yàn)數(shù)據(jù)有一定的偏差；基于AHP的電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警所測(cè)得的數(shù)據(jù)為一級(jí)風(fēng)險(xiǎn)29個(gè)，二級(jí)風(fēng)險(xiǎn)47個(gè)，三級(jí)風(fēng)險(xiǎn)49個(gè)，與實(shí)驗(yàn)數(shù)據(jù)有較大的偏差。綜上所述，實(shí)驗(yàn)證明基于ACO-SVM算法的電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警的預(yù)警效果最好可達(dá)92%，并且預(yù)警的準(zhǔn)確性也較高。

5 總結(jié)

本文設(shè)計(jì)了電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警模型，該模型采用了ERP系統(tǒng)，該系統(tǒng)集合了信息技術(shù)和先進(jìn)的管理思想，實(shí)現(xiàn)電力物資供應(yīng)商履約的管理活動(dòng)。采用了WBS-RBS風(fēng)險(xiǎn)識(shí)別技術(shù)，實(shí)現(xiàn)了電力物資供應(yīng)商的風(fēng)險(xiǎn)識(shí)別，再利用層次分析法對(duì)風(fēng)險(xiǎn)進(jìn)行分析，利用風(fēng)險(xiǎn)評(píng)估LECC方法，準(zhǔn)確地對(duì)風(fēng)險(xiǎn)進(jìn)行評(píng)估。本文還研究了基于ACO-SVM算法的電力物資供應(yīng)商履約風(fēng)險(xiǎn)預(yù)警，根據(jù)風(fēng)險(xiǎn)值判斷處于哪一風(fēng)險(xiǎn)等級(jí)，再發(fā)出相應(yīng)的預(yù)警進(jìn)行處理。本研究為下一步技術(shù)的研究奠定基礎(chǔ)。