電力物資供應商履約風險預警評價模型及研究

鐘富力， 鐘上升， 韋灃乘， 李仕濤， 莫洲， 梁思欣

(1.廣西電網物資有限責任公司， 廣西， 南寧 530001； 2.廣西電網有限責任公司， 廣西， 南寧 530001；3.思創智匯(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，電力物資的持續供應也要得到保障。目前電力物資難以實現大量的存儲，具有產出多少供應多少的特點，電力物資供應鏈中存在著多種風險。針對該風險，相關文獻對此也做出了研究，文獻[1]基于BP神經網絡的電力物資供應商履約風險預警，該方法能夠發揮人工智能學習的功能，減少了計算的復雜程度并提高了運算的精確度，但對于預警的精確度還有待提高，不能達到實時預警的效果[1]。文獻[2]基于AHP的電力物資供應商履約風險預警，該方法具有簡化評估程序的功能，計算簡單易懂，能夠很好地評估風險，并對風險進行預警處理，但此方法在對風險進行預警處理時，不能夠對比出風險的嚴重性，預警的效果達不到及時處理[2]。

針對上述文獻中的不足，本文提出了電力物資供應商履約風險預警，采用了電力物資供應商履約風險評估與定級體系，實現對電力物資供應商履約風險進行分級評價處理，采用基于ACO-SVM算法的電力物資供應商履約風險預警，實現電力物資供應商履約風險預警處理[3]。

1 電力物資供應商履約風險預警模型的設計

本文提出了設計電力物資供應商履約風險管控預警模型，該模型包括履約管理活動、履約風險管理和預警約束系統三大模塊[4]，電力物資供應商履約風險預警模型如圖1所示。

圖1 電力物資供應商履約風險預警模型

該模型中履約管理活動中采用企業資源計劃(ERP)系統，該系統集合了信息技術和先進的管理思想，是現代企業的運行模式。在電力物資供應商履約風險模型中，ERP是針對電力物資管理使用的接口，該系統具有縮短核心業務流程的時間和成本的優點，ERP系統最基本的表現就是運行集成化，實現電力物資供應商履約的管理活動[5]。

履約風險管理中采用WBS-RBS風險識別技術，該技術是兼顧全局和細節的風險識別方法。將整個電力物資供應商的電力物資進行分解，分解到可以分析電力物資風險的程度，結合電力物資分解和風險結構分解，識別出電力物資供應商履約風險。采用層次分析法對識別出的風險進行分析，建立電力物資供應商層次分析風險評價模型，對風險進行歸納、評價相對重要性程度的排序，并做出一致性檢驗。

預警約束模塊采用的是基于BIM和PT的風險預警模型。該模型首先使用PT采集電力物資的數據，經過制度、流程、過程、供應商評價等一系列的流程分析，最后實現預警約束。其中，電力物資供應商履約風險預警運行機制體系如圖2所示。

圖2 電力物資履約風險預警運行機制體系

電力物資履約風險預警運行機制體系，主要分為5個模塊：履約風險識別、分析、評估、報警機制和風險管控約束機制。履約風險分析機制建立風險定性分析和定量分析，采用因果矩陣和關聯圖；履約風險評估機制采用定性和定量相結合的方法，確定風險點等級，利用風險評估LECC方法；履約風險報警機制是對電力物資供應商是否持續供應優質電力的一種判斷；風險管控約束機制是對風險規避、風險控制、風險自留、風險轉移等風險管控策略，基于管控策略制定履約管控方案[6]。

2 電力物資供應商履約風險評估方法

電力物資風險評估分為3個步驟。

步驟一 電力物資風險評估定義

本文提到的風險評估方法定義如下：

RRisk(Xt,f)=

(1)

式中，Xt,f為t時刻的預計運行狀態，Xt,j為t時刻發生的負荷狀態，Pr(Xt,j|Xt,f)為t時刻發生Xt,j的概率，Ei為第i個預測事故[7]，Pr(Ei)為第i個事故發生的概率，MSev(Ei,Xt,j)為在第j個運行條件下發生第i個預測事故的嚴重程度。

風險的評估與定級體系是將更顯評估過程中的預測事故產生的風險看作一個單獨的個體[8]，即RRisk，風險的結構定義如圖3所示。

圖3 風險定義結構圖

電力物資風險的定義：

(2)

式中，L表示RRisk的風險等級；K表示RRisk的種類，P表示RRisk發生的概率，S表示RRisk發生的嚴重程度，NREASON表示發生RRisk的原因集，QCONSEQ表示發生RRisk的后果集，R表示發生風險的原因，C表示發生風險的后果。

R={Kr,Dr,Pr}

(3)

式中，Kr表示R的種類，Dr表示對R的描述，Pr表示R的發生概率。

C={Kc,Dc,Sc}

(4)

式中，Kc表示C的種類，Dc表示對C的描述，Sc表示C發生的嚴重程度。

步驟二 電力物資風險的分類

根據電力物資實時故障概率，可計算出預測的事故發生概率。設電力物資在預測的事故中發生停運的狀態集為Ω，電力物資總共有N個，電力物資的停止運行的概率為P1,P2,…,PN，則預測事故發生的概率為

(5)

由于計算出的預測概率會根據電力物資的壽命長短的不同而數量級不同，對其劃分定級標準限值也會隨之變動，因為電力物資停止運行的概率一般很小，因此式(5)計算預測事故的發生概率可以寫成[9]：

(6)

在對風險發生概率確定等級之前，首先對每個預測電力物資故障運行狀態進行風險評估。若存在風險，應先對發生風險的概率進行定級，對之后的風險定級帶來方便。本研究中風險的等級分為三類：一級風險、二級風險和三級風險[10]。此種分類方法是根據風險發生的概率進行劃分的，發生風險的概率在1×10-4以上的為一級風險，概率在1×10-5～1×10-4為二級風險，概率在1×10-6～1×10-5為三級風險，其中一級風險最為嚴重。

步驟三 電力物資發生風險定級

電力物資發生風險的嚴重程度來定級，可分為減供負荷型風險嚴重程度定級、重載或過載型風險嚴重程度定級、電壓偏移型風險嚴重程度定級、電網解列型風險嚴重程度定級、廠站全停型風險嚴重程度定級和重要用戶全停型風險嚴重程度定級。

根據風險發生的概率等級和風險的嚴重程度，即可得到風險的等級：

L=round((1-μ)LP+μLS)

(7)

式中，LP表示風險發生概率的等級，LS表示風險嚴重程度的定級，μ表示取值區間為(0,1)的權重系數，round(·)表示四舍五入取整。

式(7)中，μ為1時，則表示傳統的確定性的安全評估方法，然而風險評估應具備發生風險的可能性和風險發生過后的后果，因此將μ的取值范圍設定在(0,1)區間內。當μ接近1時，風險等級接近風險發生后的結果，若μ接近0時，則風險等級側重于發生風險的可能性。

3 基于ACO-SVM算法的電力物資供應商履約風險預警

電力物資供應商履約風險預警，本文采用了基于ACO-SVM算法，此算法是通過求解連續空間的函數問題，計算出來的最終路徑代表函數的最優解，通過C,ε和σ在系統中的節點上的值進行體現，并且使用SVM參數優化對信息素進行濃度更新。選擇的三個變量，都是通過6個十進制數位值進行表示，采用10行*18列的平面結構。在電力物資供應商履約風險預警的應用中分為二個步驟。

步驟一 電力物資供應商履約風險預警的目標函數選擇

本文研究的方法是使用最基本的Ant-Cycle模型，創建支持向量機訓練誤差模型，目標函數選取均值方差，選擇最優的參數組合，使得SVM回歸模型有最小的方根誤差，即

(8)

式中，MSE表示目標函數，x(i,true)和x(i,pred)表示第i個訓練樣本的實際值和預測值。

步驟二 電力物資供應商履約風險預警模型算法的描述

首先，估計出支持向量機參數C,ε和σ中各分量的取值范圍。

然后，進行電力物資供應商履約風險預警的概率計算，即

(9)

式中，t表示算法的運行時刻，若電力物資選擇了第i(i=1,2,…,18)種第j(j=1,2,…,10)個點，則參數的計算公式為

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。將得出的參數代入到支持向量機模型中求出均值方差(MSE)，并記錄最優解的路徑，更新每一列上的個點的信息素，即

τij(t+n)=(1-ρ)·τij(t)+Δτij(t)

(13)

式中，

對于電力物資供應商履約風險得出最優解的信息素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解的附近，對上述步驟進行循環，直到滿足最大迭代次數或滿足給定的精確值。根據風險值判斷處于哪一風險等級，再發出相應的預警進行處理。

4 實驗結果與分析

為了驗證本文研究基于ACO-SVM算法的電力物資供應商履約風險預警的有效性，利用基于BP神經網絡的電力物資供應商履約風險預警和基于AHP的電力物資供應商履約風險預警分別做相同的實驗，并將得出的實驗結果進行對比。實驗中實驗環境參數如表1所示。

表1 實驗環境參數

首先在Microsoft Visual Studio平臺中搭建系統，系統搭建好后進行訓練，驗證系統能夠正常運行，本文所采用的數據為電力物資供應商數據庫，總共數據為572個。其中，一級風險有35個，二級風險有48個，三級風險有56個，其余的正常。隨機挑選200個數據進行系統訓練，系統能夠正常運行之后，進行3組實驗。三種系統預警效果對比圖如圖4所示。

圖4 預警效果對比分析

本文研究的基于ACO-SVM算法的電力物資供應商履約風險預警在10 s的時候預警效果就已經達到了70%，并且預警效果最高可達到92%；然而基于BP神經網絡的電力物資供應商風險預警在10 s是達到48%，并且最高只能達到70%；基于AHP電力物資供應商履約風險預警在10 s預警效果達到60%，并且預警效果最高達到85%。由此可見，本文研究的電力物資供應商履約風險預警的預警效果優于其他兩種。

為了驗證研究系統的可靠性，本文還設計了對預警的準確度進行實驗，利用數據庫中的所有數據，進行對風險分級預警，實驗結果對比如圖5所示。

圖5 風險預警數量對比

本文所研究的基于ACO-SVM算法的電力物資供應商履約風險預警，所測得的一級風險的預警個數為35個，二級風險的個數為48個，三級風險的個數為56個，與所加入數據的風險一致；然而基于BP神經網絡的電力物資供應商履約風險預警測得的數據為一級風險32個，二級風險47個，三級風險50個，與試驗數據有一定的偏差；基于AHP的電力物資供應商履約風險預警所測得的數據為一級風險29個，二級風險47個，三級風險49個，與實驗數據有較大的偏差。綜上所述，實驗證明基于ACO-SVM算法的電力物資供應商履約風險預警的預警效果最好可達92%，并且預警的準確性也較高。

5 總結

本文設計了電力物資供應商履約風險預警模型，該模型采用了ERP系統，該系統集合了信息技術和先進的管理思想，實現電力物資供應商履約的管理活動。采用了WBS-RBS風險識別技術，實現了電力物資供應商的風險識別，再利用層次分析法對風險進行分析，利用風險評估LECC方法，準確地對風險進行評估。本文還研究了基于ACO-SVM算法的電力物資供應商履約風險預警，根據風險值判斷處于哪一風險等級，再發出相應的預警進行處理。本研究為下一步技術的研究奠定基礎。