基于DBN神經(jīng)網(wǎng)絡的能源電力企業(yè)發(fā)展評價方法

劉恒勇

(深圳供電局有限公司, 廣東，深圳 518000)

0 引言

國網(wǎng)公司基于雙碳目標，提出了建設具有中國特色國際領先的能源互聯(lián)網(wǎng)的戰(zhàn)略。戰(zhàn)略通過堅強網(wǎng)架和數(shù)字化轉型實現(xiàn)電網(wǎng)向智慧化轉型。在全球能源互聯(lián)網(wǎng)建設過程中，涉及到能源電力企業(yè)的大量投資和商業(yè)化運營，因此，能源電力企業(yè)的發(fā)展關鍵指標評價顯得十分重要。在傳統(tǒng)的能源電力企業(yè)發(fā)展評價中，各指標關聯(lián)隱含信息挖掘不夠，評價指標可信度不高[1-2]，從而造成評價準確率低[3]。開展能源電力企業(yè)發(fā)展的全面評價就變得十分重要。

國內(nèi)外大量學者對能源電力企業(yè)發(fā)展評價做了研究。文獻[4]基于熵權法，從環(huán)保、服務、技術和市場四個方面對進行綜合評估。文獻[5]基于理想化目標排序，對世界典型的能源電力企業(yè)指標進行評估。文獻[6]基于有序加權平均方法，通過對電力區(qū)域發(fā)展水平的分析，實現(xiàn)綜合評價。文獻[7]通過對政治、法律、投資聚類分析，進行綜合評估。文獻[8]從安全、經(jīng)濟等方面進行主成分分析，實現(xiàn)能源企業(yè)綜合評估。由此可見，能源電力企業(yè)發(fā)展評估方法多樣，且取得了一定的成效。但上述研究中對于發(fā)展評價指標中的關聯(lián)信息挖掘不足，評價結果可信度不高。

為解決能源電力企業(yè)發(fā)展評價中存在的關聯(lián)信息挖掘不足，評價準確率低的問題，本文提出了一種基于深度置信網(wǎng)絡(DBN)神經(jīng)網(wǎng)絡的能源電力企業(yè)發(fā)展評價方法。在對國內(nèi)外電力企業(yè)發(fā)展年報數(shù)據(jù)聚類的基礎上，形成發(fā)展評估關鍵指標體系。然后通過采用改進粒子群算法調(diào)整能指標的權重并進行發(fā)展評價。最后，采用本文所提方法對國內(nèi)部分能源電力企業(yè)發(fā)展進行綜合評估，其結果驗證了本文所提方法的有效性。

1 能源電力企業(yè)發(fā)展評價框架

能源電力企業(yè)發(fā)展評價方法框架如圖1所示。該框架主要包括發(fā)展評價數(shù)據(jù)提取、建立發(fā)展評級體系、評估指標權重調(diào)整和能源電力企業(yè)發(fā)展評價和DBN置信度分析五個環(huán)節(jié)。

圖1 能源電力企業(yè)發(fā)展評價框架圖

在發(fā)展評價數(shù)據(jù)提取環(huán)節(jié)，本文所提方法通過在線文本轉換的方式，在能源電力企業(yè)的發(fā)展年報數(shù)據(jù)中，抽取發(fā)展評價數(shù)據(jù)。同時，為解決提取數(shù)據(jù)存在字符識別錯誤的情況，本文所提方法采用插值計算，對提取的數(shù)據(jù)進行清洗，提高評價模型計算的準確性。在建立發(fā)展評級體系環(huán)節(jié)，通過近鄰傳播聚類算法，對所提取的能源電力數(shù)據(jù)進行聚類分析，從企業(yè)規(guī)模、效率、供電服務等類別獲取發(fā)展指標的關鍵特性，形成能源電力企業(yè)發(fā)展關鍵評價指標，并以此建立能源電力企業(yè)的發(fā)展評價體系。在評價指標權重調(diào)整環(huán)節(jié)，為解決全球各區(qū)域發(fā)展差異的問題，結合區(qū)域發(fā)展特性，采用改進粒子群算法調(diào)整能源電力企業(yè)發(fā)展評價指標的權重，以提高方法在不同地區(qū)的適應度。在能源電力企業(yè)發(fā)展評價環(huán)節(jié)，從能源電力企業(yè)發(fā)展評價類別和發(fā)展關鍵評價指標出發(fā)，企業(yè)規(guī)模、效率、供電服務等類別分別對能源電力企業(yè)進行評價，準確獲取能源電力企業(yè)的評估結果。在DBN置信度分析環(huán)節(jié)，為驗證能源電力企業(yè)發(fā)展評估的準確性，通過可信度分析方法，對能源電力企業(yè)發(fā)展評價結果進行驗證。

2 能源電力企業(yè)發(fā)展評價模型

2.1 能源電力企業(yè)發(fā)展評價數(shù)據(jù)提取

國內(nèi)外的能源電力企業(yè)在每年的年底均會發(fā)布企業(yè)年報，年報中包含了投資、售電量、人員規(guī)模等數(shù)據(jù)，是能源電力企業(yè)發(fā)展評級的基礎數(shù)據(jù)[9]。本文通過在線文本轉換方式實現(xiàn)企業(yè)年報文字數(shù)據(jù)提取，以減少數(shù)據(jù)提取工作量。

在數(shù)據(jù)清洗部分，采用線性插值[10]方法對能源電力企業(yè)的缺失數(shù)據(jù)進行預估，設有na個能源電力企業(yè)發(fā)展指標序列，設兩個相鄰的能源電力企業(yè)發(fā)展指標值為xo和xq，插值為ba和ca，缺失值xp為

(1)

通過插值計算，可有效消除錯誤數(shù)據(jù)對模型的影響。

2.2 建立發(fā)展評級體系

設聚類邊緣的對角線中位值為Ga，近鄰傳播聚類的搜索閾值為γ，偏向參數(shù)為Da，相似度矩陣Sa為

Sa=Ga+γDamin

(2)

設聚類數(shù)量為nb，ka為a數(shù)據(jù)點到聚類中心的平均距離，kb為b數(shù)據(jù)點到聚類中心的平均距離，聚類中心之間的距離為kab，聚類值z為

(3)

通過近鄰傳播聚類算法，獲取發(fā)展指標的關鍵特性，并以此建立能源電力企業(yè)的發(fā)展評價體系，如表1所示。

表1 能源電力企業(yè)發(fā)展評級體系指標

2.3 評估指標權重調(diào)整

為適應不同區(qū)域的能源電力企業(yè)發(fā)展差異，本文結合區(qū)域發(fā)展特性，采用改進粒子群算法[11]調(diào)整能源電力企業(yè)發(fā)展評價指標的權重。

設改進粒子群的慣性因子為φ，粒子的速度為ja，rand()為鑒于0,1之間的隨機數(shù)，粒子群的總數(shù)為nc，學習因子為la和lb，更新后的權重wi為：

wi=φ+la×rand()×(ja)+lb×rand()×(ja)

(4)

2.4 能源電力企業(yè)發(fā)展評價

由式2至4的能源電力企業(yè)發(fā)展評價關鍵指標對能源電力企業(yè)的發(fā)展進行綜合評價，從而提高能源電力企業(yè)發(fā)展評價在不同區(qū)域的適應層度。

2.5 DBN置信度分析

為解決能源電力企業(yè)發(fā)展評價結果準確度可信認證[12]的問題，本文采用DBN神經(jīng)網(wǎng)絡對能源電力企業(yè)發(fā)展評價結果進行可信度分析。

設能源電力企業(yè)發(fā)展評價指標權重為wa，DBN神經(jīng)網(wǎng)絡啟動函數(shù)為δ，運行的網(wǎng)絡層數(shù)為ne，輸入為H，通過DBN神經(jīng)網(wǎng)絡驗證輸出Un為

(5)

3 仿真流程

基于DBN神經(jīng)網(wǎng)絡的能源電力企業(yè)發(fā)展評價方法仿真流程如圖2所示。

圖2 能源電力企業(yè)發(fā)展評價仿真流程圖

步驟1：通過在線文本轉換的方式，在能源電力企業(yè)的發(fā)展年報數(shù)據(jù)中，抽取發(fā)展評價數(shù)據(jù)，并采用插值計算對能源電力企業(yè)的發(fā)展年報數(shù)據(jù)進行提取清洗，消除錯誤數(shù)據(jù)對模型評價帶來的影響。

步驟2：從企業(yè)規(guī)模、效率、供電服務等類別方面，對所提取的能源電力數(shù)據(jù)進行聚類分析，獲取發(fā)展指標的關鍵特性，形成能源電力企業(yè)發(fā)展關鍵評價指標，并建立評價體系。

步驟3：為解決全球各區(qū)域發(fā)展差異的問題，結合區(qū)域發(fā)展特性，采用改進粒子群算法調(diào)整能源電力企業(yè)發(fā)展評價指標的權重，以適應全球不同區(qū)域的評價要求。

步驟4：從能源電力企業(yè)發(fā)展評價類別和發(fā)展關鍵評價指標出發(fā)，企業(yè)規(guī)模、效率、供電服務等類別，分別對能源電力企業(yè)發(fā)展關鍵指標進行評估。

步驟5：對能源電力企業(yè)發(fā)展評價結果進行可信度分析，以驗證能源電力企業(yè)發(fā)展評估的準確性。

4 算例分析

采用本文所提的基于DBN神經(jīng)網(wǎng)絡的能源電力企業(yè)發(fā)展評價方法，將國內(nèi)某能源電力能源電力企業(yè)進行發(fā)展評價。

(1) 能源電力企業(yè)發(fā)展指標建立準確性分析

采用本文所提基于DBN神經(jīng)網(wǎng)絡的能源電力企業(yè)發(fā)展評價方法與TOPSIS方法比較其指標建立準確性，選擇能源企業(yè)的數(shù)量為5、10、15、20、30、40、50、75、100個，每個能源電力企業(yè)提取5年的企業(yè)年報數(shù)據(jù)。以此建立指標體系，并將此類指標與最終人工調(diào)整后的實際指標進行對比分析。

由表2可見，基于DBN神經(jīng)網(wǎng)絡的能源電力企業(yè)發(fā)展評價方法指標建立準確性高于TOPSIS方法。

表2 能源電力企業(yè)發(fā)展指標建立準確性分析表

(2) 能源電力企業(yè)發(fā)展評價準確性分析

采用本文所提的基于DBN神經(jīng)網(wǎng)絡的能源電力企業(yè)發(fā)展評價方法與TOPSIS方法比較企業(yè)發(fā)展評價準確性，選擇城市個數(shù)為5、10、15、20、30、40、50、75、100個。兩種方法的準確性比較如圖3所示。

圖3 能源電力企業(yè)發(fā)展評價準確性圖

由圖3可見，基于DBN神經(jīng)網(wǎng)絡的能源電力企業(yè)發(fā)展評價方法指標評估準確性高于TOPSIS方法。

(3) 能源電力企業(yè)發(fā)展評價結果

基于DBN神經(jīng)網(wǎng)絡的能源電力企業(yè)發(fā)展評價方法評價結果如表3所示。

表3 配電網(wǎng)發(fā)展建設差異分析表

5 總結

為解決能源電力企業(yè)發(fā)展評價中存在的關聯(lián)信息挖掘不足，評價準確率低的問題，本文提出了一種基于DBN神經(jīng)網(wǎng)絡的能源電力企業(yè)發(fā)展評價方法。在對能源電力企業(yè)年報數(shù)據(jù)進行分析的基礎上，建立能源電力企業(yè)的發(fā)展評價體系。并結合區(qū)域特征，采用改進粒子群算法調(diào)整能源電力企業(yè)發(fā)展評價指標的權重。其次，在完成能源電力企業(yè)發(fā)展評價后，采用DBN神經(jīng)網(wǎng)絡分析評價的有效性。最后，通過國內(nèi)部分能源電力企業(yè)發(fā)展進行綜合評估，其結果驗證了本文所提方法的有效性。

下一步，將結合自尋優(yōu)的深度神經(jīng)網(wǎng)絡對能源電力企業(yè)關鍵評價指標選擇做進一步優(yōu)化。