[發(fā)明專利]一種基于DEA和SVM的電網(wǎng)運(yùn)維效率評(píng)價(jià)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201711422113.0
• 申請(qǐng)日: 2017-12-25
• 公開（公告）號(hào): CN108009750A
• 公開（公告）日: 2018-05-08
• 發(fā)明（設(shè)計(jì)）人: 陳金水;王帥威;林巍;楊秦敏;盧建剛
• 申請(qǐng)（專利權(quán)）人: 浙江大學(xué)
• 主分類號(hào): G06Q10/06
• 分類號(hào): G06Q10/06;G06Q50/06;G06K9/62
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 劉靜;邱啟旺

本發(fā)明公開了一種基于DEA和SVM的電網(wǎng)運(yùn)維效率評(píng)價(jià)方法，首先將電網(wǎng)決策單元DMU的所有數(shù)據(jù)分為輸入(投入)、輸出(產(chǎn)出)和環(huán)境數(shù)據(jù)，環(huán)境數(shù)據(jù)用于聚類分析，通過模糊聚類后再進(jìn)行評(píng)價(jià)，從而保證決策單元DMU的同類可比性。將輸入和輸出數(shù)據(jù)用于DEA評(píng)價(jià)中，創(chuàng)新地考慮非期望輸入輸出和期望輸入輸出關(guān)系，優(yōu)化傳統(tǒng)DEA算法僅針對(duì)低投入高產(chǎn)出的策略限制。考慮到時(shí)間維度對(duì)評(píng)價(jià)的重要性，將加入全尺度多時(shí)間維度的遺忘函數(shù)以全面評(píng)價(jià)DMU效率絕對(duì)得分和相對(duì)得分。將DEA評(píng)價(jià)結(jié)果的效率標(biāo)簽用于指導(dǎo)SVM算法進(jìn)行有監(jiān)督學(xué)習(xí)訓(xùn)練，訓(xùn)練結(jié)果模型可用于簡(jiǎn)化評(píng)價(jià)流程。本發(fā)明方法對(duì)效率評(píng)價(jià)相關(guān)方向研究具有重要科學(xué)意義和應(yīng)用價(jià)值。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于DEA和SVM的電網(wǎng)運(yùn)維效率評(píng)價(jià)方法，用于電網(wǎng)運(yùn)維中各類決策單元效率評(píng)價(jià)問題。

背景技術(shù)

隨著日益激烈的市場(chǎng)環(huán)境以及快速改變的互聯(lián)網(wǎng)化數(shù)據(jù)化發(fā)展趨勢(shì)，電網(wǎng)想要在未來電力市場(chǎng)中取得有利位置，必須有效利用數(shù)據(jù)驅(qū)動(dòng)分析工具，提升公司日常運(yùn)營(yíng)效益和企業(yè)投入產(chǎn)出比。其中，效率評(píng)價(jià)是一種衡量公司發(fā)展水平以及同期同行競(jìng)爭(zhēng)力的有效手段。通過效率評(píng)價(jià)，企業(yè)可以明確自身定位，量化分析同行差距，摒棄以往盲目投入不計(jì)ROI的粗曠企業(yè)經(jīng)營(yíng)模式。

數(shù)據(jù)包絡(luò)分析(DEA)方法是由Charnes等人研究提出的一種基于低投入高產(chǎn)出為原則的提升整體ROI的評(píng)價(jià)決策單元(DMU)方法。主要研究生產(chǎn)可能集合相關(guān)的投入產(chǎn)出效率研究問題。傳統(tǒng)DEA方法中通常基于投入產(chǎn)出的比例為目標(biāo)函數(shù)，通過求解帶約束的凸優(yōu)化問題來嘗試找到生產(chǎn)前沿面，通過生產(chǎn)前沿面，可以將決策單元二分為效率單元和非效率單元。更進(jìn)一步，通過評(píng)價(jià)效率得分的有效計(jì)算，可以獲得決策單元各項(xiàng)指標(biāo)的靈敏度分析和前沿面距離分析結(jié)果，有效規(guī)劃指導(dǎo)決策單元在未來投入產(chǎn)出資源配置過程。

在使用DEA模型對(duì)DMU進(jìn)行評(píng)價(jià)時(shí)，現(xiàn)有的傳統(tǒng)DEA評(píng)價(jià)方法存在以下不足：首先，通常評(píng)價(jià)缺乏同類可比的考量。以電網(wǎng)公司舉例，沿海的省份和內(nèi)陸西北地區(qū)的省份環(huán)境存在較大差異，先天環(huán)境因素導(dǎo)致的長(zhǎng)期不可比性，因此若進(jìn)行效率評(píng)價(jià)時(shí)如果沒有預(yù)先剔除環(huán)境變量因素，保證同類可比性，將會(huì)導(dǎo)致內(nèi)陸西北地區(qū)評(píng)價(jià)長(zhǎng)期處于不利位置，從而失去考評(píng)意義。其次，傳統(tǒng)的DEA方法在輸入輸出變量的選擇上都必須為非負(fù)，而且普遍輸入和輸出的方向存在限制，當(dāng)考慮一些新場(chǎng)景下，模型適應(yīng)性有限。再者，原本DEA模型缺乏在時(shí)間維度的考量，多為靜態(tài)時(shí)間的評(píng)價(jià)模型，融合時(shí)間尺度考慮變化趨勢(shì)的效率評(píng)價(jià)模型有待建立。最后，傳統(tǒng)做評(píng)價(jià)模型的方法分析N個(gè)決策單元需要求解N*N-1次凸優(yōu)化模型，求解完成后需要計(jì)算多個(gè)DMU的效率得分來得到是否在前沿面的判斷，過程紛繁復(fù)雜操作步驟較多。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)的不足，提供一種基于DEA和SVM的電網(wǎng)運(yùn)維效率評(píng)價(jià)方法，包括針對(duì)特定場(chǎng)景進(jìn)行的DEA模型修正，綜合考慮時(shí)間維度的全尺度評(píng)價(jià)，利用支持向量機(jī)算法對(duì)評(píng)價(jià)過程進(jìn)行分類簡(jiǎn)化。

本發(fā)明的目的是通過以下技術(shù)方案來實(shí)現(xiàn)的：一種基于DEA和SVM的電網(wǎng)運(yùn)維效率評(píng)價(jià)方法，該方法包括以下步驟：

步驟1、為保證決策單元DMU的同類可比性，采用模糊聚類算法，將決策單元DMU根據(jù)聚類結(jié)果分成若干類，剔除環(huán)境因素對(duì)效率評(píng)價(jià)的影響。模糊聚類算法預(yù)先設(shè)定聚類中心數(shù)目c和模糊指數(shù)m，通過隸屬度矩陣μij和聚類中心cj的迭代更新，直到損失函數(shù)Jm收斂。隸屬度矩陣μij和聚類中心cj的迭代更新規(guī)則滿足以下公式：