基于AHP-PNN 的電網企業科研項目前評估體系研究*

蓋曉平 董婉婉 楊曉軍 王興貴

（1.國網甘肅省電力公司 蘭州 730046）（2.蘭州理工大學電氣與信息工程學院 蘭州 730050）

1 引言

近年來，隨著經濟的快速發展和人民生活水平的提高，人們對電能的需求越來越大，電網企業相關項目的多樣性和復雜性日益增加［1］。因此需要通過建立項目前評估體系對項目進行決策，判斷項目的必要性、可行性以及合理性［2］，并從中選出適合電網發展的高質量項目。

目前，關于電網企業項目前評估的研究主要是針對項目的投資管理、風險等級和綜合效益。文獻［3］針對電網建設項目投資大、周期長、收益慢的特點，提出了對電網建設項目進行評估排序，以優化項目的投資管理。文獻［4］針對電網節能服務項目中蘊含的風險進行分析，提出按照項目風險等級對項目進行決策。文獻［5］針對多功能互補工程提出了多方面的效益評估指標，用來評估項目的綜合效益。上述研究是從電網企業各類項目所產生的效益出發，提出不同的評估方案。若只關注項目帶來的效益，可能使評估體系欠缺全面性，從而不能對項目做出準確評價。

早期，關于項目評估體系的研究方法主要有層次分析法［6］、灰色聚類法［6］、模糊綜合評估法［8］。這些方法在一定程度上完成了對項目的評估任務，然而在數據較多時會出現計算困難、準確率較低的問題。隨著人工智能的發展，以BP 神經網絡（Back Propagation Neural Networks，BPNN）為代表的智能決策方法也逐漸應用于項目評估中。文獻［9］提出模糊多指標評估和BPNN 相結合的方法進行項目選擇。該方法在計算項目指標權重時通過減少一定的主觀因素，可以較好地對項目做出優劣判斷。

綜上所述，對電網企業科研項目做出全面、科學、準確的評估是必要的。因此，本文提出一種基于層次分析法（Analytic Hierarchy Process，AHP）和概率神經網絡（Probabilistic Neural Network，PNN）相結合的電網企業科研項目前評估方法。該方法利用AHP 確定電網企業科研項目前評估體系中指標權重，再通過PNN 對項目進行等級劃分，以便于后續項目的有序推進。

2 電網企業科研項目前評估指標體系

2.1 電網企業科研項目前評估指標體系構建原則

建立合理的項目前評估指標體系需要遵循一定的原則，要將各種因素考慮在內，才能使建立的項目前評估指標體系兼具全面性和科學性。因此，本文在建立評估指標體系時遵循以下原則［10～12］：

1）科學性原則。在確定項目前評估指標體系時，要按照科學的理論指導確定每個指標，以及所對應的類別、數據和權重等。只有遵循科學性原則這個要求，才能準確客觀地對指標進行量化，反映出每個指標對整體項目評估的重要性。

2）典型性原則。由于評估指標具有多樣性，所建立的評估體系難以包含所有評估指標，因此要選擇具有代表性的影響因素作為評估指標，以減小獲取數據的難度。

3）預測原則。項目前評估對項目決策起到重要作用。項目前評估時，需分析整理相關資料，從中獲取有效信息對項目未來發展進行有效預測，因此項目前評估指標要具有可預測性。

4）靈活性原則。不同項目的評估指標存在差異，在評估體系中替換兩個含義相近的評估指標，以解決某項目關于某個評估指標缺失的情況。

5）綜合性原則。一個完整的評估指標體系，要包含對技術、經濟和社會效益等各方面的評估，要全面考慮對項目影響的各種重要因素，這是建立評估指標體系的關鍵原則。

2.2 電網企業科研項目前評估指標構建

本文依據上述電網企業科研項目前評估指標構建原則，從項目的可行性、技術水平、經濟水平、生態和社會效益四個方面出發建立了電網企業科研項目前評估指標體系。依據該評估指標體系，在電網項目實施前對項目的重要程度進行全面和科學的評估。評估指標體系包括4個一級指標，15個二級指標，具體信息如表1所示。

表1 電網企業科研項目前評估指標體系

2.3 分配評估指標權重

由于評估體系中每個評估指標所占地位不同，因此需對評估指標進行權重劃分。本文采用AHP對二級指標進行權重計算。AHP 可以將一個復雜的問題分解成若干個相互聯系的層次，能讓判斷者輕松衡量并考慮各指標之間的相對重要性，具體計算步驟如下。

1）構造判斷矩陣

采用德爾菲法對電網企業科研項目前評估體系中指標所占權重進行具體分析。邀請電氣行業知名專家對表1 中15 個二級指標兩兩之間的重要程度進行量化，構造出判斷矩陣，判斷矩陣的量化標準使用1-9標度法［13］，具體如表2所示。

表2 1-9標度法

判斷矩陣表示的是二級指標之間重要程度的兩兩比較，本文以二級指標A1-A4為例構造判斷矩陣，具體形式如下：

其中，A12表示項目實施條件A1 與項目必要性A2 重要程度比較結果，其余元素含義以此類推；對角線元素代表相應二級指標與其本身相比的重要性，因此對角線元素大小皆為1。

2）判斷矩陣一致性檢驗

若構造的判斷矩陣通過一致性檢驗，則求得的權重具有參考價值，不會出現指標之間的相互矛盾。一致性檢驗的公式如下：

式中，λmax表示判斷矩陣求得的最大特征根；n 表示判斷矩陣階數；RI 表示平均隨機一致性指標，它隨著判斷矩陣的階數變化；CR 表示隨機一致性比率，若CR＜0.1，則構造的判斷矩陣具有較為滿意的一致性，否則需要調整判斷矩陣。1-10 階判斷矩陣對應RI的值如表3所示。

表3 判斷矩陣的平均隨機一致性指標

3）權重計算

采用AHP 計算二級指標權重時有三種方法，分別是算術平均法、幾何平均法和特征值法，如式（3）、（4）和（5）所示。

式中，i=1，2，3……n；Akj表示判斷矩陣的列向量或者行向量；ai表示判斷矩陣中最大特征值對應的特征向量中的第i個元素。取三種計算方法所得權重的均值作為二級指標最終權重，具體結果如表4 所示。

表4 電網企業科研項目前評估體系二級指標權重分配表

3 基于概率神經網絡的電網企業科研項目分類模型

3.1 概率神經網絡

PNN 是徑向基函數神經網絡（Radical Basis Function Neural Networks，RBFNN）的一種變體，由D.F.Speeht 博士在1989 年首先提出。具有訓練過程簡單、收斂速率快、容錯性好、可實現任意非線性逼近的優點［14］。PNN廣泛應用于模型分類、故障診斷領域中［15～16］，取得了較理想的結果，其網絡結構如圖1所示。

圖1 PNN結構圖

第一層為輸入層。輸入層和其他神經網絡一樣，代表訓練樣本的輸入。以項目評估體系中4 個一級指標的綜合評估分數作為PNN 輸入層數據，因此輸入層神經元個數為4。

第二層為隱含層，也叫徑向基函數層。隱含層接收輸入層輸送的樣本數據，并計算輸入向量與神經元的中心距離，且計算的距離被返回為一個標量值。隱含層神經元個數取決于輸入訓練樣本數，二者相等。本文采用高斯徑向基函數作為PNN 隱含層神經元的傳遞函數，如下式：

式中：i=1，2，3，…，M，M 為訓練樣本中的總類數；d是樣本空間的維數；xij為第i類樣本的第j個中心；σ是平滑因子，平滑因子是唯一可調節的參數，其大小可以直接影響網絡的性能。

第三層為求和層，也稱為競爭層。在求和層中，每一個神經元都代表一個類別，且求和層與隱層中同一類別的神經元進行連接，與其他類別的神經元無連接。數據樣本中電網企業科研項目的重要程度分為三類，因此求和層神經元個數為3。

第四層為輸出層。輸出層最終只輸出該項目的類別，因此PNN輸出層神經元個數為1。

3.2 訓練樣本

通過“專家打分法”對二級指標進行百分制打分，分數越高，代表該項目在這方面越突出。15 個二級指標所得分數乘以對應權重，得到二級指標對應的4個一級指標分數。4個一級指標所占權重根據實際需要可以進行不同劃分。

本文4 個一級指標所占權重分別為項目可行性評估0.375、項目技術水平評估0.225、項目經濟水平評估0.264、生態和社會效益評估0.136。然后對整個項目進行綜合分析，并將其進行分類，其中：分類1代表重大科研項目；2代表前沿性研究項目；3代表基礎性研究項目。分類標準如表5所示。部分數據樣本如表6所示。

表5 項目重要程度分類標準

表6 部分數據樣本

4 仿真結果分析

對所收集的58 組電網企業科研項目典型樣本數據進行劃分，隨機選取43 組作為訓練集，余下的15 組作為測試集，用于驗證AHP-PNN 算法的準確性。模型訓練采用Matlab 神經網絡工具箱中的newpnn 函數建立PNN。在建立PNN 模型時，需對徑向基函數的分布密度參數Spread進行合理設置，以使徑向基函數神經元能夠對輸入向量所覆蓋的區間都產生響應。此處Spread 大小在0～1 之間進行測試，最終確定其結果為0.29。

為了測試AHP-PNN 分類模型的準確率，除了用測試集驗證模型分類的準確率，還與BPNN 的分類預測結果作對比。AHP-BPNN 參數設置如下：輸入層神經元個數為4；隱含層神經元個數為3；輸出層神經元個數為1；網絡迭代次數為100；學習速率為0.1；模型訓練目標最小誤差為0.00001。網絡的輸入層到隱含層的傳遞函數為tansig；隱含層到輸出層的傳遞函數為purelin；訓練函數為trainlm。AHP-PNN 和AHP-BPNN 對電網企業科研項目預測分類和分類誤差如圖2、圖3所示。

圖2 AHP-PNN和AHP-BPNN預測分類結果圖

圖3 AHP-PNN和AHP-BPNN分類誤差結果圖

由圖2 可知，AHP-PNN 分類模型可以對電網企業科研項目進行合理分類。由于收集到的樣本數據較少，因此PNN 分類效果較好，15 個測試樣本沒有出現分類錯誤的情況。AHP-BPNN 模型迭代了11 次達到理想的輸出，但是預測分類結果時把第8 個樣本歸為第一類，第15 個樣本歸為第二類，分類正確率為86.7%。仿真結果表明，本文所提出的AHP-PNN 方法相較于AHP-BPNN 具有更高的分類準確度。

由圖3 可知，在AHP-PNN 分類模型中，因為競爭層的存在，所以在分類正確的情況下沒有誤差。而在AHP-BPNN 分類模型中，期望分類結果與預測分類結果有略微的波動。當出現分類錯誤時，誤差急劇增大，從誤差分析圖中可以看出第8 個樣本期望值與預測值的誤差為0.9，第15 個樣本期望值與預測值的誤差為0.59，兩個樣本的誤差均大于0.5，說明樣本分類錯誤。

通過對比圖2和圖3，可以得出以下結論：無論是AHP-BPNN 還是AHP-PNN 都能對電網項目進行分類，但是AHP-BPNN 的輸出有微小的誤差，甚至會出現分類錯誤的情況，而AHP-PNN 能夠基本保證項目分類的正確性。因此AHP-PNN 模型用于項目分類預測時效果要優于AHP-BPNN。

為了進一步說明所提出方法的有效性，首先，不利用AHP 對指標權重進行劃分，直接以15 個二級指標的分數作為PNN 和BPNN 的輸入，測試二者的分類效果。然后，將AHP 與PNN 和BPNN 結合，以4 個一級指標作為PNN 和BPNN 的輸入進行分類效果測試。分別取30 次試驗結果分類準確率的最小值、平均值和方差三個統計學數據作為判斷算法性能的依據。30 次重復試驗的統計學數據如表7所示。

通過表7 中的統計學數據可以看出，AHPPNN 的平均分類正確率達到了98.7%，明顯優于AHP-BPNN、PNN 和BPNN，達到了比較理想的效果。同時，AHP-PNN 30 次運行結果的方差遠小于其他三種算法下的方差，說明AHP-PNN 具有更強的穩定性。因此，本文所提出的基于AHP-PNN 的電網企業科研項目前評估體系是有效的。

表7 重復試驗的統計學數據對比

5 結語

本文依據項目前評估體系原則，從項目的可行性、技術水平、經濟水平、生態和社會效益四個方面進行分析，建立了基于AHP-PNN 的電網企業科研項目前評估體系。通過AHP 對項目評估體系的指標進行量化，便于判斷各指標重要程度，再運用PNN對項目進行分類，減少人工分類的主觀性。仿真結果表明，該評估體系可以促進電網企業科研項目的有序推進，提高項目決策的準確性。