基于RS-SVM的输变电工程建设效益评价研究

发表时间:2018/5/8   来源:《电力设备》2017年第34期   作者:李国文1 刘迪1 罗海红2
[导读] 摘要:电力行业的迅猛发展对其建设效益的评价提出了更高的要求。

        (1.国网江苏省电力公司经济技术研究院  江苏南京  210008;
        2.江苏科能电力工程咨询有限公司  江苏南京  210036)
        摘要:电力行业的迅猛发展对其建设效益的评价提出了更高的要求。文章将社会效益、环境效益和可持续能力纳入输变电工程建设效益评价体系中,旨在建立更为完善的输变电工程建设效益评价系统。文章运用粗糙集理论和支持向量机模型简约效益评价指标,对样本进行训练和学习,并对测试样本的效益进行评价分类。通过实例验证表明,基于RS-SVM的输变电工程建设效益评价模型大大缩短数据预处理以及模型运行时间,为输变电工程建设的投资决策提供了科学依据,从而提高输变电工程投资的管理水平。
        关键词:粗糙集;支持向量机;输变电工程;效益评价
        0 前言
        伴随着“一带一路”战略的推进实施,电网作为国家基础设施与支柱产业,其建设效益的高低直接关系到国家经济发展的质量[1]。因此,科学合理地对输变电工程进行建设效益评价成为重中之重。目前的研究中,曾鸣引入三角模糊数和矩阵调整因子,有效模拟了专家评判的模糊性[2]。王汉梅将BP神经网络法和模糊综合评价法有效结合[3]。Morozowski等学者提出优点指数法,实现多方案比选[4]。Barros等学者引入帕累托最优函数进行输变电工程效益排序分析[5]。然而,这些方法泛化能力差,且研究主要集中在经济评价方面[6]。因此,本文利用粗糙集和支持向量机评价模型对数据进行处理,为提高输变电工程投资管理水平提供指导。
        1 粗糙集-支持向量机理论
        1.1 支持向量机理论
        支持向量机方法(Support Vector Machine,SVM)基于结构风险最小化原则,通过非线性变换将输入空间导入至高维空间中,并在其中求解有约束的凸二次规划问题,从而得到有且并唯一的全局最优解[7]。
        假定训练样本集 ,其中X为输入指标,含d维向量,l个训练样本数量,Y为输出指标或决策属性,同时构造回归估计函数:
          其中 是输入空间的权向量, 是偏移向量
        在寻求最优分类面的过程中,选择一个满足Mercer条件的核函数使得在二维空间映射到高维空间的过程中实现某一非线性变换后的线性分类,此时表现为如下约束优化问题:
                              (1)
                                    (2)
        用Lagrange乘子法化成其对偶形式以解决二次规划存在唯一极小点问题,
           (3)
                                     (4)
        式中 为满足Mercer条件的核函数,最终求得决策方程为:
                          (5)
        1.2 粗糙集理论及其简约方法
        粗糙集是通过知识简约剔除冗余数据,从大量数据中求取最小不变集合,找出最能反映本质特征因素的关键特征变量,从而实现输入数据的简化。因其具有较强的鲁棒性和可操作性而被广泛应用于管理决策,评价指标筛选,机器学习和模式识别等众多领域[8]。
        一个粗糙集的决策表可以表示为一个四维集合 ,其中 为论域, 为条件属性,D为决策属性集,且  。设R为等价关系族,并且 ,若 ,则r为R中是可以简约的,属于冗余属性,省略后不会影响对属性特征的表达。
        2 基于RS-SVM的输变电工程建设效益评价模型的构建
        输变电工程建设效益评价能为输变电工程建设的决策提供科学的依据,从而降低实施过程中的风险以及不必要的损失,保证投资收益,指导未来我国电力行业的重点发展方向。支持向量机是一种基于统计学习理论和结构风险最小原则的机器学习方法,因其良好的泛化能力和全局性,因此在解决小样本的非线性回归问题中具有明显的优势,但是它无法进行输入向量空间维数简化,因此本文引入粗糙集来实现知识简约,形成优势互补,能有效提高预测评价的效果和精度。基于RS-SVM的输变电工程建设效益评价模型的主要思路是:将粗糙集作为支持向量机的前置系统,利用粗糙集理论进行知识简约,降低支持向量机模型的复杂性,提高评价模型的运行效率;再使用支持向量机模型作为后置的信息识别系统,最后利用检测样本进行训练,再利用学习好的模型对输变电工程建设效益进行评价,具体如图1所示。
 
        图1 基于RS-SVM的输变电工程建设效益评价流程图
        3 实证分析
        3.1 样本数据的选取
        电力企业的经济活动具有外部经济性,在评价输变电工程综合效益时要综合考虑内外部的收益[9]。近年来随着智能坚强电网等高科技输变电项目的大力发展,其效益首先体现在技术层面,其次就是由输变电工程建设所产生的经济效益。此外,由于电力行业是我国的基础性行业,因此使用新技术和新方法时不仅要关注电力企业经济利益,还要将其社会效益以及可持续发展等方面纳入考虑范围。
        综上所述,本文从技术效益、经济效益、社会效益、可持续发展四个方面对输变电工程建设效益进行综合评价。此外本文选择9个有代表性的输变电工程项目作为研究对象,编号为A-F的作为训练样本,编号为G-I的样本作为检测样本。由于其中有些评价指标难以量化,本文邀请业内20名专家分别对每个指标进行打分,为使数据分布均匀,要求专家均匀分布数据带宽,具体指标内容及分值分布如下表1所示。决策属性评价集合为Y={效益差,效益较差,效益一般,效益较好,效益好}。评价分值范围分别为[0,20)、[20,40),[40,60)、[60,80)、[80,100]。由于指标评价值量纲不同,为了消除量纲对样本数据可比性的影响,本文采用利差标准化将样本数据伸缩至[0,1],具体效益评价指标打分结果及效益分类如下表2所示。
        表1 输变电工程建设效益评价指标内容及评分范围

        表2 归一化处理后水利工程项目成本风险评价结果

        3.2 基于粗糙集的数据简约及处理
        根据粗糙集理论的应用原理,其首先需要对前期收集到的基础数据进行离散化处理并形成基于粗糙集理论的决策表,将处理后的数据输入Rosetta软件,然后对输变电工程建设效益评价指标进行筛选与约简,从而得到优化之后的指标。具体评价指标参数计算汇总表如表1中所示,按照指标偏离程度大于90%被简约的粗糙集原则,具体简约属性集为{C1,C3,C4,C5,C6,C7,C8,C11,C12,C15,C16,C17,C18,C19,C20,C21,C22,C23,C24,C25},通过简约后发现,被简约对象是与输变电工程建设效益评价相差较远的指标,留下的评价指标能从经济、社会、技术和可持续发展能力等方面综合反映其建设效益状况。
        3.3 RS-SVM的评价结果及分析
        本文对输变电工程建设效益评价是将各项评价指标得分作为分类属性,即输入数据;将输变电工程建设效益作为样本的分类标签,由此得到训练样本集  ,其中支持向量机模型是通过LIBSVM软件包实现的。本文采用交叉验证法对支持向量机模型的最佳参数进行选择。通过运用SVMTRAIN程序设置SVM类型,选择核函数并设定其最优参数完成训练。然后通过SVMPREDICT程序在建立模型的基础上完成测试与分类预测评估工作。本文将A-F工程的数据作为训练数据来训练模型,再利用G、H、I对项目成本风险进行预测。
        (1)核函数的选择。结合本文所收集到的数据,所选择的核函数需要具备一定的平滑特性,因此,本文选择径向函数(RBF函数),因为RBF函数能够将非线性的样本数据映射到更高维的多维空间当中,它可以更加有效的对数据属性和类标签相互之间的非线性关系,同时采用该函数的计算难度也较其它函数更小。 核函数可以表示为:


         (4)评估结果分析。基于RS-SVM模型对G、H、I三个输变电工程建设效益的具体评价结果如下表3所示。结果表明I工程建设效益评估结果为好,G和H工程建设效益均为较好,同时与表2得出的建设效益实际值对比,相对误差小,也验证了该模型的有效性,具有较高精度。
        表3 输变电工程建设效益评价结果及精度验证

        4 结论
        研究发现将粗糙集理论运用到输变电工程建设效益评价指标体系的优化中,剔除了指标体系中具有重复、交叉、冗余的指标,在简化指标体系的同时也让更加具有影响性和重要性的指标得以保留,用更少的评价指标使得评价指标体系更加合理。在不影响支持向量机分类精度的同时,大大缩短数据预处理以及模型运行时间,因此粗糙集和支持向量机的结合能有效地适用于输变电工程建设效益评价,为输变电工程建设的投资决策提供了科学依据,从而提高输变电工程投资的管理水平。
        参考文献:
        [1]王宇峰.泊江海输变电工程效益综合评价[D].北京:华北电力大学,2015.
        [2]曾鸣.基于三角模糊数的智能电网投资效益分析[J].华东电力,2010,5(5):38-40.
        [3]王汉梅.基于模糊神经网络的电厂建设项目经济效益后评价研究[J].华东电力,2010(9):1428-1431.
        [4]Morozowski.Prioroty evaluation and ranking of transmission system projects computer models and results[J].Transmission on Power System,1990,5(3):1017-1023.
        [5]Barros.An approach to the explicit consideration of unreliablility costs in transmission expansion planning[J].European Transactions on Electrical Power,2007,17(4):401-412.
        [6]陈安伟.智能电网技术经济综合评价研究[D].重庆:重庆大学,2012.
        [7]薄立磊.基于PSO-SVM的工程项目施工阶段成本风险预测[D].河北,河北工程大学,2012.
        [8]李顺国.基于粗糙集和SVM的工程项目投标风险研究[J].计算机工程与应用,2008,44(17):224-227.
        [9]薛明霞.基于层次分析法的电网建设项目社会效益综合评价研究[J].中小企业管理与科技,2013,05:313.
        作者简介:
        李国文,1979年10月,男,汉族,内蒙古乌兰察布盟中期县,本科,中级职称,输电线路设计评审技术,项目评审。
        刘迪,1983年11月,男,汉族,湖南省邵阳市洞口县,本科,中级经济师,宏观经济战略研究,工程项目评审和技经评价。
        罗海红,1989年4月,女,汉族,江苏盐城市建湖县,本科,助理工程师,技术经济质量管理,概预算编制。

投稿 打印文章 转寄朋友 留言编辑 收藏文章

  期刊推荐
1/1
转寄给朋友
朋友的昵称:
朋友的邮件地址:
您的昵称:
您的邮件地址:
邮件主题:
推荐理由:

写信给编辑
标题:
内容:
您的昵称:
您的邮件地址: