基于機器學習的電力巡察監督評估機制

國網甘肅省電力公司 劉旭東 國網酒泉供電公司 楊正宇

引言

黨的十八大以來黨中央高度重視全面從嚴治黨，不斷完善黨內監督機制，創新監督手段，使得既有監督技術又有治理功能的巡視巡察工作高效開展。十九大對巡視巡察工作的新部署，深入推進了巡察監督質與量并行發展，使其成為新時代黨內監督和政治建設的重要戰略性制度安排。電力企業是關系國家經濟和社會發展的支柱型產業，健全的巡察制度能夠有效解決基層監督乏力和消除監督盲區等難題，是提高公司治理水平、落實政治責任的重要抓手，是保障健康持續穩定發展的重要基礎。

現階段我國研究者對巡察監督機制的研究主要圍繞在路徑、優勢、能效、存在問題及發展策略等方面，并呈現出經典文獻解讀、政治原理詮釋和工作經驗總結三個視角。但大都是從理論和經驗角度分析和總結，且都聚焦于巡察工作實現困境及相應對策等巡察的“前半篇”文章上，忽略了“后半篇”文章對巡察監督成效的影響。鮮有巡察整改及運用效果研究，也是針對某種具體巡察模式依靠經驗分析總結得出，主觀因素強。

葉春燕等[1]指出電力企業巡察整改工作中仍存在政治站位不高、主體責任落實不到位、要求把握不夠、整改推進受阻和相關機制不完善、整改成效打折扣等問題，需要建立健全的量化評估機制精準化整改；趙波等[2]認為電力巡視巡察工作還存在認識性、共識性、實踐性和實效性等問題，缺乏一個科學有效的評估機制，以檢驗監督運行效果、檢查巡察目標實現、提升成果運用成效。

巡察監督工作是信息生產、加工、傳輸和轉化的過程，監督信息的利用率和處理效率直接影響巡察工作成效，運用信息技術既能提升巡察工作效率，保證監督全面性，又能打破巡察信息壁壘，實現信息互動互通。評估機制是一種運用評價體處理監督信息的治理工具，通過工作經驗總結、舉一反三功效及時發現機制設計不足，實現巡察運行成果和整改情況的精準化測評，為電力企業巡察監督管理提供優化決策依據，提高巡察效率。

深度學習、機器學習等先進技術的迅速發展為“制度+科技”的智慧巡察機制研究添加了新發展動力，基于先進信息處理技術的巡察監督評估機制，通過梳理和分析大數據信息，更精準、更快捷的發現問題、反映問題。因此，本文構建基于機器學習的電力巡察監督評估體系，從投入-過程-產出三個維度設計評估指標，分析電力巡察監督質效進行評價，精準檢驗巡察監督機制運行效果，針對不足之處提出發展策略，為電力公司巡察監督薄弱環節管控提供依據。

1 電力巡察評估模型選擇與指標體系構建

1.1 電力巡察評估模型

科學有效的評估方法能及時發現電力巡察過程中存在的問題，是提高巡察質量的重要保障。目前國內針對電力巡察評估的研究鮮有，綜合分析近年來應用較多的評價方法：加權平均法、模糊聚類法、層次分析法及灰色關聯法等方法，均存在主觀因素強、非線性描述差等問題。隨著人工智能的興起，基于神經網絡的評價模型得到推廣，并取得了豐碩的成果，但存在結構設計困難、易陷入局部最優和結果穩定性差等難題。支持向量機模型彌補了神經網絡算法的不足，提高了評價精度，但核函數和參數的確定比較困難。

上述模型側重于評價的精確性，沒有對評價結果可靠性分析，則單一評價方法很難得到滿意的結果。本文針對以往評估模型中存在的問題，將相關向量機引入電力巡察監督中，構建基于多核函數相關向量機（Multi kernel Relevance Vector Machine，MK-RVM）的電力巡察評估模型（圖1），建立評價指標與電力巡察結果之間復雜函數關系，利用粒子群算法和遺傳算法優化MK-RVM 參數，運用置信區間對MK-RVM 評價結果進行不確定性分析，保證評價結果的可靠性。改進后的MKRVM 模型為評估方法提供了參考與借鑒，為電力巡察監督管控提供了實踐依據。

圖1 POS-GA-MK-RVM 的電力巡察評估架構

1.2 電力巡察評估指標體系

本文根據專家咨詢、調查問卷和資料收集等多種方式，并結合相關文件及“4364”問題整改閉環體系，按照一致性原則，基于電力巡察全過程，構建了“投入—過程—產出”三維度評估指標（圖2）。投入維度考察巡察監督機構和責任主體的思想認識和實踐行動；過程維度考察巡察監督機構和責任主體的制度與隊伍建設、整改落實與成果運用以及協同聯動等推進性。產出維度分析認知度、成效度和滿意度等情況。

圖2 電力巡察評估指標體系

2 多核函數相關向量機原理及優化

2.1 MK-RVM 模型

RVM 是由Tipping 提出的一種機器學習方法，具有精度高、收斂速度快、參數少、稀疏性高、核函數不受條件限制等優勢[3]。

假設樣本集D={Xi,Ti}Ni=1，Xi是輸入向量，Ti是目標值，N 是樣本數，則RVM 回歸模型為：Ti=Y(X,W)=WiK(X,Xi)+εi，式中：K(X,Xi)為核函數；W 為權值，W=[W0,W1,…,WN]t，εi為滿足高斯分布的噪聲εi～N(0,σ2)。似然函數：P(T|W,σ2)=(2πσ2)-N/2exp{-1/(2σ2)‖T-ΦW‖2}，式中：T=(T1,T2,…,TN)，Φ 為核函數結構矩陣，Φ=[φ(X1),φ(X2),…,φ(XN)]T，φ(X1)=[1,K(Xi,X1),K(Xi,X2),…,K(Xi,XN)]T。

通過上式得出W 和σ2，為避免擬合過渡，引入超參數α，運用Gauss 先驗分布賦予權重W 零均值，公式：輸入向量Xi和目標值Ti的概率評估式為：P(T＊|T)=∫P(T＊|W,α,σ2)P(W,α,σ2|T)dWdαdσ2，根據貝葉斯理論調整得：P(W|T,α,σ2)=(2π)-(N+1)/2|Σ|-1/2exp{-1/2(W-μ)tΣ-1(W-μ)}，式中：Φ 為協方差，Σ=(σ2,ΦtΦ+A)-1；為權重平均值，μ=σ-2ΣΦtT，A 為超參數的對角矩陣，A=diag(a0,a1,…,aN)。

更新超參數和方差公式為：

式中：Σi為Σ的 第i個對角元素；γi=1-αiΣi。通過Mackay 迭代本公式得到超參數α 和方差σ2的估計值，更新μ 和Σ，滿足超參數值不變收斂要求時，得到σ 的最優估值αMP和σ2MP。最后以Y＊作為X＊的輸出值計算相應的輸出期望Y＊和噪音方差σ2，公式如下：

RVM 的性能取決于核函數特性，同一場景下不同核函數模型結果有所差異。受不確定性、非線性和外部環境等因素影響，單核函數在評估電力巡察監督問題時精度不佳。楊柳等[4]將局部高斯核函數和全局多項核函數組合成混合線性加權核函數，通過實驗證明：混合核函數模型性能優于單核函數及改進單核函數模型的性能。

本文線性加權混合核函數，建立基于多核學習的相關向量機模型，解決電力巡察監督難題，提高模型評估精度和穩定性。其線性加權組合核函數公式為式中：K 為核函數的個數；Ws為S 核函數的權重。多核函數線性組合構造示意圖如圖3。

圖3 多核函數線性組合構造圖

選取置信度為95%的置信區間，估計MKRVM 算法估計的和的置信區間，分析結果可靠性，公式如下：

式中：ε 為落在置信區間內的樣本數；AV 為樣本i 的實測值；ρ1值越大，MK-RVM 模型評估結果的可信度越高；ρ2值越小，MK-RVM 模型評估結果的可靠性越高。

2.2 基于PSO-GA 算法MK-RVM 參數優化

遺傳算法(genetic algorithm，GA)是一種通過復制、交叉和變異等操作獲得最優解的超啟發式搜索算法。粒子群優化(particle swarm optimiza_tion，PSO)是一種通過個體“學習”優秀者仿真生物群體覓食行為的全局智能優化算法[5]。PSO 算法具有更簡潔、更強智能性和更快速度等優勢，但粒子位置是通過比較自身位置、周圍位置和最優位置進行更新的，模式單一，收斂速度慢，極易陷入局部極值。GA的進化模式提高了解的多樣性，但求解過程中會產生冗余迭代，計算時間長，求解效率低。因此，結合GA 和PSO 算法實現應用及優化效果優勢互補，能夠極大地提高算法效率。

本文根據GA 和PSO 算法以往研究在比例分配和信息傳遞的不足，設計了一種改進PSO-GA 算法，主要有以下特點：層次性，PSO 對種群個體代數后只選取最優粒子M 進行遺傳操作；兩次信息傳遞，PSO 選取最優個體作為GA 初始種群為第一次信息傳遞，GA 操作后運用PSO 對個體的速度和位置進行更新為第二次信息傳遞，其優化過程如圖4。

圖4 PSO-GA 算法優化過程圖

具體步驟如下：

（1）初始化粒子群個數pop_size、最優粒子個數M、GA交叉概率pc和變異概率pm和粒子最大速度v_maz 參數；（2）生成粒子群個數pop_size，計算目標函數值；（3）令混合算法進化代數gen=1；（4）判斷gen 是否≤max_gen，若是進行步驟（5），否則轉到步驟（14）；（5）令PSO 進化代數k=1；（6）判斷k 是否≤max_k，若是進行步驟（7），否則轉到步驟（9）；（7）根據以下公式對粒子的位置和速度進行更新。

（8）按目標函數值排序pop_size，選取M 個最小粒子；（9）令k=k+1，轉到步驟（6）；（10）根據位置值由公式生成pop_size-M 個GA 個體；（11）根據以下公式通過pc、pm進行交叉和變異。

（12）將pop_size-M 和M 結合，組成新的pop_size 粒子；（13）令gen=gen+1，轉到步驟（4）；得出最優解。

3 算例分析

為驗證本文所構建方法的合理性和有效性，以某電力公司巡察機制運行效果為例進行評估。對不足之處提出針對性的發展優化策略。電力公司巡察辦組織相關部門和基層單位對巡察全過程工作情況展開研討、座談和測評，根據電力巡察質量評分表進行0～1打分，具體信息如表1。并將樣本分成訓練集（占2/3，共15個樣本數據）和測試集（占1/3，共7個樣本數據）進行電力巡察評估。

表1 電力公司巡察監督質量樣本數據

3.1 MK-RVM 模型的構建

根據現有常用核函數選擇適用于電力公司樣本數據的核函數，如表2，然后根據公式(X,Xi)進行混合核函數的線性組合。采用PSO-GA算法通過訓練數據的學習優化MK-RVM 模型，確定最優參數：[0.62，0.273，0.891]，將最優參數代入模型求解出αMP、σ2MP和Σ 等參數，最后將所有參數代入公式（1），完成MK-RVM 模型的構建。

表2 選擇核函數

3.2 結果可靠性與評估精度分析

將訓練樣本和測試樣本向量Xi=[X11,X12,…X34]輸入到MK-RVM 模型中進行評估，結果如表3，并得出電力巡察質量期望Y`和σY，將其代入公式（2）中，繪制評估結果的95%置信度置信區間圖，如圖5。

表3 電力巡察質效評估結果

選取最大相對誤差（maximum relative error，MaxRE）、平均相對誤差（mean relative error，Meare）和均方根誤差（root mean square error，RMSE）（相關計算式如公式3）作為評估精度指標，并根據后驗差比和小誤差概率劃分成4個精度等級，如表4所示，分析測試集評估結果，如表5所示。

表4 電力巡察評估精度等級

表5 電力巡察評估精度及可靠性指標

由表4可知，電力公司巡察監督工作評估結果為“好”，且由后驗差比和小誤差概率確定的評估結果等級驗證了本文所構建的MK-RVM 模型的高精度性。由圖5可知，訓練和測試樣本的實際值均在MK-RVM 模型的95%置信區間內，表明了評估結果的可靠性。

圖5 評估結果置信區間圖

3.3 優化策略

雖然電力公司巡察的評估結果為“好”，但在評估過程中，通過表3的質效評估結果分析出該電力公司在巡察隊伍建設、巡察協同及聯動性、巡察工作方式和整改與運用機制等方面仍需改進和完善，現針對不足之處提出針對性的優化策略。

創新電力巡察方式方面，有機結合“常規”、“專項”、“機動式”等多種方法，通過“提級”和“交叉”巡察解決“人情社會”難題。電力巡察隊伍建設方面，建立一體化的信息管理平臺，拓寬巡察信息共享范圍，加強部門和人員之間的交流溝通，破除“信息壁壘”。強化巡察干部的管理職能，將干部考評、晉級與巡察工作聯系起來，建立一套客觀、可量化的電力巡察干部標準。

巡察協同及聯動性方面，推動巡察機制的協調性，建立上下聯動的巡察戰略。上下聯動的巡察機制能集約化監督資源，使其成為有機整體，增強巡察過程中部門之間的聯動性，提高巡察監督工作的可操作性，避免巡察制度間的摩擦。

巡察整改與運用方面，不斷完善巡察問題責任制，在進行巡察問題整改時要明確整改責任人，并且要規定整改時限和效果，同時設置獎罰標準。建立反饋問題申訴機制，明確巡察工作指向，使其更加具有科學化。對巡察結果信息的公開設置合理的密級，使電力巡察工作既能發現和解決問題，又能把握界限，充分激發政治活力和工作動力，避免“動輒得咎”。

4 結語

研究電力巡察監督機制，推動電力巡察高質量發展，對建設具有中國特色、國際領先水平的能源企業有重要意義。因此本文構建了基于線性混合核函數和遺傳算法與粒子群算法優化參數的多核相關向量機模型，對電力巡察監督質效進行評估，通過案例數據分析了該模型評估結果的可靠性和精確度，得出以下結論。

精度性。基于改進的MK-RVM 模型的某電力公司巡察評估結果的最大相對誤差、平均相對誤差、均方根誤差和后驗差比的值均較小，小誤差概率值更趨于1，得出的巡察工作的評估等級為“好”。

可靠性。某電力公司巡察訓練樣本和測試樣本的實際值均在基于MK-RVM 的電力巡察評估模型估計結果的95%置信度的置信區間內，從而驗證了評估結果的可靠性，所構建的模型具有高精度和高可靠性。