基于Light GBM與組合賦權的庫存電表資產精益化管理

楊玉，侯星晨，宋亞珍

摘? 要： 為提高電能表庫存資產管理水平，以某公司各縣級庫房為例，分析庫房管理風險和資產賬實風險。使用Light GBM算法建立異常資產識別模型，能在電能表計量數據中準確識別出異常的電表資產，準確度達91%，查全率為72%。構建庫房風險評價指標體系，使用組合賦權評價庫房管理風險，評價結果與預期一致。該方法可支撐庫房資產盤點和庫房管理績效考核，提升庫存管理的智能化程度。

關鍵詞： 電能表; 庫存資產; Light GBM算法; 組合賦權

中圖分類號：TM9? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2022）01-64-04

Lean management of inventory meter assets based on

Light GBM and combined weighting

Yang Yu， Hou Xingchen， Song Yazhen

（Zhengzou Institute of Finance and Economics， Zhengzhou， Henan 450053， China）

Abstract： In order to improve the management level of electric energy meter inventory assets， taking the county-level warehouses of a company as an example， the warehouse management risk and asset risk are analyzed. The Light GBM algorithm is used to establish the abnormal asset identification model， which can accurately identify the abnormal meter assets in the meter quantity data， with an accuracy of 91% and a recall rate of 72%. Build the warehouse risk evaluation index system， use the combined weighting to evaluate the warehouse management risk， and the evaluation results are consistent with the expectation. This method can support the inventory of warehouse assets and the performance evaluation of warehouse management， and improve the intelligence of inventory management.

Key words： electric energy meter; inventory assets; Light GBM algorithm; combined weighting

0 引言

近年來，隨著城鎮化的不斷推進，電力資產拆回和新資產配置業務激增，庫存資產管理壓力增大，各網省頻繁曝出資產賬實不一致情況，傳統的庫存管理方式已經難以支撐現今的庫存管理工作，亟待新的管理方式和技術的出現。張偉昌等提出構建資產全壽命周期管理法案，明確管理職責，優化組織結構[1-2]。部分學者基于資產全壽命周期管理的視角，分別從資產狀態、可靠性、LCC等方面提出評估和風險管控方案[3-7]。但這些研究的重點是對運行資產的風險管控，缺少對庫存資產的研究。

鑒于此，本文以某公司庫存電能表為例，使用Light GBM和組合賦權方法，分別構建異常資產識別模型和庫房風險評估模型，預測異常電表資產和評價庫房管控水平，為資產盤點和庫房管理提供支撐，同時也可為電網資產全壽命周期管理和庫存資產研究提供參考。

1 現狀分析

現有的電力計量自動化系統主要包括三部分，營銷系統、采集系統和MDS系統，三大系統上存儲了資產的狀態信息和流程信息。這些特征信息蘊含了資產異常和庫存風險的判別規則，結合現有業務流程，通過對這些特征數據的挖掘，實現對異常資產的精確識別和對庫房的準確評價。

2018年6月25日對全省各庫存單位的電能表盤點，發現有235799塊電表丟失，平均丟失率為21%，其中最大丟失率為74.4%，表丟失情況嚴重。2020年對部分市縣公司進行核查，發現盤虧表6613塊，占盤點總量的15%，丟表數量仍然較多。詳細指標數據如表1所示。

2 異常資產識別模型

電能表賬實不一致可分為賬上有表實際無表和賬上無表實際有表，本文只分析前者，后者屬于計量問題，在此不與討論，后文所指賬實不一致僅指賬上有表而實際無表。

2.1 特征構建

賬實不一致的原因主要由于不規范的庫存管理導致，如表出庫未記錄、表擺放混亂無法找到等。據此，結合不同電能表的使用頻率的差異，以營銷電能表檔案為基礎，結合電能表庫房流轉流程，構造異常資產識別特征。詳細的特征信息如表2所示，其中前九個為樣本特征，最后一個為樣本標簽。

2.2 Light GBM算法介紹

異常資產識別本質是根據資產特征分類資產的類別，即區分是否異常。此分析是一個典型的二分類問題，本文對多種有監督算法進行了測試，其中Light GBM算法表現最好。

LightGBM 是一種梯度提升決策樹框架，相較決策樹算法，該模型降低內存使用率、有更好的準確性，能夠處理大規模數據。Light GBM通過控制葉子節點數量及樹的深度來避免模型過擬合問題，計算代價小，并且使用基于直方圖的決策樹算法進行特征選擇，極大的降低計算和存儲成本。其中，GBM（Gradient Boosting Machine）即梯度提升樹，隸屬于Boosting算法。Boosting算法的核心內容可由公式⑴體現。

[fx=q=1QαqT（x，θq）]? ⑴

其中，f（x）為訓練樣本對應目標值;Q為基學習器的個數;[αq]為第q個基學習器的權重系數;[θq]為學習器分類的參數;[T（x，θq）]為參與學習訓練的第q個基學習器。

2.3 模型訓練與測試

抽取目前已有的25535條數據，其中有1166個盤虧表和24369個盤平表。對數據進行清洗構建專家樣本，采用分層抽樣將數據拆分為訓練集和測試集。最優分類模型中各指標的重要性如圖1所示。由圖1可知表齡、首次運行時長和狀態持續時長的重要程度較高，表明異常和正常電表在這些指標上差異較明顯。

使用測試集測試模型得到混淆矩陣如表3。總數234個異常樣本中，模型能識別948個，異常樣本的查全率為72%，準確度為91%。正常樣本的查全率為99%，準確度為98%，總體準確度為98%。由于異常樣本數據量較小，異常樣本查全率的大幅度提高需要更多的盤點結果支撐。

3 庫房風險評價模型

3.1 指標體系構建

以電能表、周轉柜和計量點去評估庫房風險，其中電能表從資產、存儲、狀態、配送、運行和拆回五個狀態去考慮，周轉柜從入庫率、應用率兩方面去衡量，結合業務專家的工作經驗，分解庫房風險評價指標，構建層次指標。如圖2所示。

3.2 組合賦權方法介紹

使用最小信息熵綜合熵權法和特征向量法，以組合權重對庫房管理進行評價。

⑴ 特征向量法

特征向量法是一種主觀評價方法，主要利用指標的判斷矩陣。記[A]為指標間的相對重要性評價，則有以下矩陣：

A = [a11a12a21a21La1nLa2nMMan1an1MMLann]? ⑵

由于[aij≈wi/wj]，則[Aw≈nw]，即[（A-nE）w=0]，可得：[Aw*=λ*max]，對[w*]進行歸一化，即可得權重。

⑵ 最小信息熵

綜合指標的主觀權重[w1j][w1j]和客觀權重[w2j][w2j]可得組合權重[wj]與[w1j][w1j]和[w2j]應盡可能接近。利用信息熵原理，使用拉格朗日乘子法優化可得計算式⑶。

[Wj=（w1jw2j）0.5j=1n（w1jw2j）0.5（i=1，2，…，n）]? ⑶

3.3 庫房評價

從營銷和MDS數據庫中抽取2020年12月份的104個市縣單位統配的電能表、周轉柜的資產信息。通過專家溝通獲得各指標的相對重要性判斷矩陣，使用特征向量法從對各指派進行評價。但特征向量賦權主要依賴專家的業務經驗，在指標的重要性對比上容易引人個人偏好，造成指標權重與實際的偏差。因此，引人熵值法，通過數據自身蘊含的信息量大小去劃分指標的權重分布。其中指標權重如表4所示。

通過綜合賦權對各評價結果進行評價，評價結果如圖3所示。

觀察各市縣單位的綜合評分分布情況，繪制地市評分的箱線圖如圖3所示，圖中小白圓點為地市評分離群點，可以看出單位4可庫房總體評分相對較好，單位1與單位5整體情況相對較差。結果與業務專家估計一致。

4 結束語

本文以某省公司電力資產為例，分別構建異常資產識別模型和庫房風險評價模型，通過業務梳理構建了異常資產識別特征集和庫房風險層次評價指標體系，結合數據驗證發現如下結論：異常資產有潛在的識別規律，通過Light GBM算法可以給出較為精準的預測;異常資產和正常資產在表齡、第一次運行時長和狀態持續時長上的區別較大;庫房風險評價可通過電能表、計量點和周轉柜的數據去評價;使用最小熵權法組合熵值法和特征向量法能取得更好的效果。

參考文獻（References）：

[1] 張偉昌，蔣秀芳，孟祥君，等.基于大數據分析的電網資產信息評估系統研究[J].自動化與儀器儀表，2018（11）：50-52，57

[2] 齊立忠，徐雪松.資產全壽命周期管理體系標準化建設思路[J].標準科學，2016（12）：94-97

[3] Ranga C，ChandelA，Chandel R.Condition assessment of power transformers based on multi attributes using fuzzy logic[J].IETScience.Measurement & Technology，2017，11（8）：983-990

[4] Lin P C，Gu J C，Yang M T.Intelligent maintenance model for condition assessment of circuit breakers using fuzzy set theory and evidential reasoning[J].IET Generation，Transmission& Distribution，2014，8（7）：1244-1253

[5] PourahmadiF，Fotuhi-FiruzabadM，DehghanianP.Applica-tion of Game Theory in Reliability Centered Maintenance of Electric Power Systems[J].IEEE Transactions on Industry Applications，2017，53（2）：936-946

[6] 劉文霞，郝永康，張馨月，等.基于數字化技術的電網資產管理關鍵技術及應用[J].電網技術，2018，42（9）：2742-2751

[7] 任曉龍，戴光，耿澤飛.基于圖數據庫的電力資產畫像技術研究[J].電網與清潔能源，2017，33（11）：59-62，69