劉恒勇

(深圳供電局有限公司, 廣東，深圳 518000)

0 引言

國網公司基于雙碳目標，提出了建設具有中國特色國際領先的能源互聯網的戰略。戰略通過堅強網架和數字化轉型實現電網向智慧化轉型。在全球能源互聯網建設過程中，涉及到能源電力企業的大量投資和商業化運營，因此，能源電力企業的發展關鍵指標評價顯得十分重要。在傳統的能源電力企業發展評價中，各指標關聯隱含信息挖掘不夠，評價指標可信度不高[1-2]，從而造成評價準確率低[3]。開展能源電力企業發展的全面評價就變得十分重要。

國內外大量學者對能源電力企業發展評價做了研究。文獻[4]基于熵權法，從環保、服務、技術和市場四個方面對進行綜合評估。文獻[5]基于理想化目標排序，對世界典型的能源電力企業指標進行評估。文獻[6]基于有序加權平均方法，通過對電力區域發展水平的分析，實現綜合評價。文獻[7]通過對政治、法律、投資聚類分析，進行綜合評估。文獻[8]從安全、經濟等方面進行主成分分析，實現能源企業綜合評估。由此可見，能源電力企業發展評估方法多樣，且取得了一定的成效。但上述研究中對于發展評價指標中的關聯信息挖掘不足，評價結果可信度不高。

為解決能源電力企業發展評價中存在的關聯信息挖掘不足，評價準確率低的問題，本文提出了一種基于深度置信網絡(DBN)神經網絡的能源電力企業發展評價方法。在對國內外電力企業發展年報數據聚類的基礎上，形成發展評估關鍵指標體系。然后通過采用改進粒子群算法調整能指標的權重并進行發展評價。最后，采用本文所提方法對國內部分能源電力企業發展進行綜合評估，其結果驗證了本文所提方法的有效性。

1 能源電力企業發展評價框架

能源電力企業發展評價方法框架如圖1所示。該框架主要包括發展評價數據提取、建立發展評級體系、評估指標權重調整和能源電力企業發展評價和DBN置信度分析五個環節。

圖1 能源電力企業發展評價框架圖

在發展評價數據提取環節，本文所提方法通過在線文本轉換的方式，在能源電力企業的發展年報數據中，抽取發展評價數據。同時，為解決提取數據存在字符識別錯誤的情況，本文所提方法采用插值計算，對提取的數據進行清洗，提高評價模型計算的準確性。在建立發展評級體系環節，通過近鄰傳播聚類算法，對所提取的能源電力數據進行聚類分析，從企業規模、效率、供電服務等類別獲取發展指標的關鍵特性，形成能源電力企業發展關鍵評價指標，并以此建立能源電力企業的發展評價體系。在評價指標權重調整環節，為解決全球各區域發展差異的問題，結合區域發展特性，采用改進粒子群算法調整能源電力企業發展評價指標的權重，以提高方法在不同地區的適應度。在能源電力企業發展評價環節，從能源電力企業發展評價類別和發展關鍵評價指標出發，企業規模、效率、供電服務等類別分別對能源電力企業進行評價，準確獲取能源電力企業的評估結果。在DBN置信度分析環節，為驗證能源電力企業發展評估的準確性，通過可信度分析方法，對能源電力企業發展評價結果進行驗證。

2 能源電力企業發展評價模型

2.1 能源電力企業發展評價數據提取

國內外的能源電力企業在每年的年底均會發布企業年報，年報中包含了投資、售電量、人員規模等數據，是能源電力企業發展評級的基礎數據[9]。本文通過在線文本轉換方式實現企業年報文字數據提取，以減少數據提取工作量。

在數據清洗部分，采用線性插值[10]方法對能源電力企業的缺失數據進行預估，設有na個能源電力企業發展指標序列，設兩個相鄰的能源電力企業發展指標值為xo和xq，插值為ba和ca，缺失值xp為

(1)

通過插值計算，可有效消除錯誤數據對模型的影響。

2.2 建立發展評級體系

設聚類邊緣的對角線中位值為Ga，近鄰傳播聚類的搜索閾值為γ，偏向參數為Da，相似度矩陣Sa為

Sa=Ga+γDamin

(2)

設聚類數量為nb，ka為a數據點到聚類中心的平均距離，kb為b數據點到聚類中心的平均距離，聚類中心之間的距離為kab，聚類值z為

(3)

通過近鄰傳播聚類算法，獲取發展指標的關鍵特性，并以此建立能源電力企業的發展評價體系，如表1所示。

表1 能源電力企業發展評級體系指標

2.3 評估指標權重調整

為適應不同區域的能源電力企業發展差異，本文結合區域發展特性，采用改進粒子群算法[11]調整能源電力企業發展評價指標的權重。

設改進粒子群的慣性因子為φ，粒子的速度為ja，rand()為鑒于0,1之間的隨機數，粒子群的總數為nc，學習因子為la和lb，更新后的權重wi為：

wi=φ+la×rand()×(ja)+lb×rand()×(ja)

(4)

2.4 能源電力企業發展評價

由式2至4的能源電力企業發展評價關鍵指標對能源電力企業的發展進行綜合評價，從而提高能源電力企業發展評價在不同區域的適應層度。

2.5 DBN置信度分析

為解決能源電力企業發展評價結果準確度可信認證[12]的問題，本文采用DBN神經網絡對能源電力企業發展評價結果進行可信度分析。

設能源電力企業發展評價指標權重為wa，DBN神經網絡啟動函數為δ，運行的網絡層數為ne，輸入為H，通過DBN神經網絡驗證輸出Un為

(5)

3 仿真流程

基于DBN神經網絡的能源電力企業發展評價方法仿真流程如圖2所示。

圖2 能源電力企業發展評價仿真流程圖

步驟1：通過在線文本轉換的方式，在能源電力企業的發展年報數據中，抽取發展評價數據，并采用插值計算對能源電力企業的發展年報數據進行提取清洗，消除錯誤數據對模型評價帶來的影響。

步驟2：從企業規模、效率、供電服務等類別方面，對所提取的能源電力數據進行聚類分析，獲取發展指標的關鍵特性，形成能源電力企業發展關鍵評價指標，并建立評價體系。

步驟3：為解決全球各區域發展差異的問題，結合區域發展特性，采用改進粒子群算法調整能源電力企業發展評價指標的權重，以適應全球不同區域的評價要求。

步驟4：從能源電力企業發展評價類別和發展關鍵評價指標出發，企業規模、效率、供電服務等類別，分別對能源電力企業發展關鍵指標進行評估。

步驟5：對能源電力企業發展評價結果進行可信度分析，以驗證能源電力企業發展評估的準確性。

4 算例分析

采用本文所提的基于DBN神經網絡的能源電力企業發展評價方法，將國內某能源電力能源電力企業進行發展評價。

(1) 能源電力企業發展指標建立準確性分析

采用本文所提基于DBN神經網絡的能源電力企業發展評價方法與TOPSIS方法比較其指標建立準確性，選擇能源企業的數量為5、10、15、20、30、40、50、75、100個，每個能源電力企業提取5年的企業年報數據。以此建立指標體系，并將此類指標與最終人工調整后的實際指標進行對比分析。

由表2可見，基于DBN神經網絡的能源電力企業發展評價方法指標建立準確性高于TOPSIS方法。

表2 能源電力企業發展指標建立準確性分析表

(2) 能源電力企業發展評價準確性分析

采用本文所提的基于DBN神經網絡的能源電力企業發展評價方法與TOPSIS方法比較企業發展評價準確性，選擇城市個數為5、10、15、20、30、40、50、75、100個。兩種方法的準確性比較如圖3所示。

圖3 能源電力企業發展評價準確性圖

由圖3可見，基于DBN神經網絡的能源電力企業發展評價方法指標評估準確性高于TOPSIS方法。

(3) 能源電力企業發展評價結果

基于DBN神經網絡的能源電力企業發展評價方法評價結果如表3所示。

表3 配電網發展建設差異分析表

5 總結

為解決能源電力企業發展評價中存在的關聯信息挖掘不足，評價準確率低的問題，本文提出了一種基于DBN神經網絡的能源電力企業發展評價方法。在對能源電力企業年報數據進行分析的基礎上，建立能源電力企業的發展評價體系。并結合區域特征，采用改進粒子群算法調整能源電力企業發展評價指標的權重。其次，在完成能源電力企業發展評價后，采用DBN神經網絡分析評價的有效性。最后，通過國內部分能源電力企業發展進行綜合評估，其結果驗證了本文所提方法的有效性。

下一步，將結合自尋優的深度神經網絡對能源電力企業關鍵評價指標選擇做進一步優化。