突發事件下電網供應鏈多因素擾動風險識別方法

吳獻勇, 張忠新, 吳立董, 林洋, 賈川, 張浩海

(1.國網衡水供電公司,河北,衡水 053000; 2.北京中電普華信息技術有限公司,北京 100101)

0 引言

企業的供應鏈風險具有突發性,且發生原因難以預測。電力突發風險將嚴重影響到供應鏈以及相關企業的正常生產運行,嚴重的將導致企業因經營不善而倒閉,造成供應鏈不完整的問題。因此,如何科學有效的完成供應鏈多因素擾動風險識別工作成為當前電網管理中的主要任務。

陳勝利等[1]提出了一種采用信息熵確定供應鏈風險的風險識別與評價方法,此方法具有較高的計算性能,但使用其對電網供應鏈進行識別時,識別速度較慢。程慧錦等[2]提出了一種特征選擇與Logistic回歸相結合的供應鏈風險識別方法,此方法可有效獲取風險特征,提高風險識別精度,但與文獻[1]使用效果較為接近,在風險識別中均需要耗費大量的時間,且無法適用于突發狀況下的風險處理。

針對以上問題,本文將提出一種新型電網供應鏈多因素擾動風險識別方法,以期在保障當前方法識別精度的基礎上,提高識別效率、降低耗時,提高風險事件的處理效率。

1 突發事件下電網供應鏈多因素擾動風險識別

在本次研究開始前,對電網供應鏈可能會發生的風險進行了分析。在此分析過程中,將電網供應鏈視作一個整體,得到供應鏈可發生風險分類結果,具體如圖1所示。

圖1 供應鏈多因素擾動風險類型

將上述分析結果作為本次研究的指導內容,根據供應鏈中存在的多擾動因素以及風險的類型與特征,應用適當的技術完成風險識別工作,構建新型高性能風險識別方法。

1.1 提取電網供應鏈突發風險事件特征

在對電網供應鏈風險類型進行分析后,確定使用關聯規則[3-5]對供應鏈突發風險事件與供應鏈環節之間的聯系性加以分析,掌握兩者之間的規律,在某種風險因素出現時,確定突發風險發生的可能性。設定A=(a1,a2,…,an)是包含n個供應環節的電網供應鏈,其中,a1,a2,…,an表示供應鏈中的關節,給定一個供應鏈事務數據庫S={Q1,Q2,…,Qn},每個事務Qi都是電網供應鏈的組成部分,同時滿足條件S?A,每個事務都擁有一個特定的標識Aid。

同時,設定B為A的子環節,若B?Aid,則A中包含B的成分,則B可以視作子事務集合。由此設定可得到電網供應鏈之間的關聯規則,此規則的前提條件為B,關聯規則的結果為A。簡而言之,由于B出現了風險問題,導致A出現了連鎖反應。如果包含B的環節有v%的可能性也包含A,那么電力供應鏈中包含j%的可能性包含B∪A,那么B→A的支持度可表示為j%。則供應鏈環節中相關事件支持度與置信度可表示為

support(B?A)=P(B∪A)

(1)

confidence(B?A)=P(B|A)

(2)

根據以往研究結果可知,支持度取值結果越大,關聯計算結果的置信度越大。在本次研究中為了全面分析供應鏈突發風險事務之間的關聯性,對各事務的最小支持度與最小置信度進行計算,得到供應鏈的強關聯規則。具體公式如下:

support(B?A)≥min sup

(3)

confidence(B?A)≥min conf

(4)

由此公式獲取電網供應鏈風險事件,并對其關聯性展開計算,確定供應鏈發生突發風險的可能性,并為后續的突發風險識別提供基礎。

1.2 計算電網供應鏈風險事件突發概率

構建供應鏈風險發生概率。首先,從多個角度估算出電網供應鏈的波動,根據相關原理[6],計算供應鏈風險與供應鏈波動之間的關系:

W=UN(c1)-KeifN(c2)

(5)

其中,W表示供應鏈波動,K表示供應鏈各環節的價格波動,C表示電網輸電執行價格,U表示電網資產的市場價值,i表示突發事件發生時間以及時間周期,f表示電網無風險收益值,N(·)表示標準正態累積分布函數,根據c1、c2計算結果獲得。則有:

(6)

(7)

其中,αi表示電網資產的穩定程度。已知式(5)存在兩個未知變量,但在一個方程中無法得到兩個變量,因此,在本次研究中引入電網企業波動率αi與供應鏈資產波動率αj的關系函數,則有:

(8)

將式(8)與式(5)聯立,通過非線性迭代得到電網資產價值以及其在突發事件下的波動率。根據此公式可確定供應鏈發生波動的頻率,已知電網資產價值較為固定,且短期波動多為長期波動出現頻率的2倍,則有:

(9)

式中,GD表示短期波動,HD表示長期波動。根據此公式可得到風險發生概率CO,則有:

(10)

其中,W(U1)表示電網供應鏈的期望值,其通過公式可表示為

W(U1)=U(1+l)

(11)

式中,l為電網資產的預計增長率,根據此數據可完成式(11)的計算過程,并由此公式得到供應鏈風險發生概率經驗值與預期值的關系示意圖,具體如圖2所示。

圖2 供應鏈風險發生概率經驗值與預期值關系示意圖

由圖2可知,在此計算過程中存在供應鏈風險發生高頻點,將此點作為風險發生閾值點,確定電網供應鏈是否發生風險。

1.3 識別電網供應鏈風險

在上文中完成了電網供應鏈風險診斷工作,在本環節中將主要對電網供應鏈風險等級以及風險發生環節的診斷工作展開設定。基于電網供應鏈組成部分的復雜性,本次研究中選用全概率理論,給出突發事件情況下J種風險事件Y1,…,YN,且此部分事件的約束條件可表示為

p(Y1)+…+p(YN)=1

(12)

考慮到電網供應鏈風險時間的隨機潮流分布可表示為

p(X)=p(X|Y1)p(Y1)+…+p(X|Yi)p(Yi)

(13)

其中,Yi表示第i個供應鏈環節狀態,p(Yi)表示此環節狀態發生風險的概率,X表示隨機潮流,p(X)表示突發事件下的隨機潮流分布,p(X|Yi)表示第i個供應鏈環節在突發事件下的隨機潮流分布。由此可得到p(Yi)的風險概率:

(14)

其中,χi表示第i個環節的風險率,n表示風險高發事務,m表示供應鏈中正常運行事務。同時,根據此公式確定電網供應鏈整體的可靠性,則有:

(15)

根據此公式確定電網供應鏈風險發生環節與事件,同時可明確電網供應鏈在突發事件下的整體穩定性。至此,突發事件下電網供應鏈多因素擾動風險識別方法設計完成。

2 實驗分析

2.1 實驗數據來源

本次實驗采集20家相關企業的運營數據,使用深度優先算法識別出15個屬于電網供應鏈的企業。獲取此部分企業的運營、信貸、交易數據,得到100萬條數據,將其存儲在實驗數據庫中。對此部分進行處理,得到相應的數據特征向量,并篩選出關鍵屬性。根據屬性將數據劃分為企業運行情況、信貸情況、利率、合約等多個組成部分,并將其劃分為正常、較為正常、次級、較為異常以及異常數據,默認后三組為不良數據。根據上述結果完成實驗數據處理工作,并將其作為實驗的主要內容。

針對處理后的數據,按照相關規定,對實驗數據中的正負樣本進行統計,統計結果表明正負樣本比重存在較大差異,數據分布直方圖如圖3所示。

為了增強本次實驗所得結果的準確性,本次實驗選擇樣本數據中的正常數據,約為300 000條,避免不良數據導致的指標測試不準確問題。

2.2 不同方法的數據處理性能對比

根據上文中設定的實驗方案,得到了不同方法的數據處理結果。針對數據處理要求,對實驗數據準確率、識準率以及召回率進行分析,通過對原始數據處理的形式,對比處理后與處理前數據的差異,使用統計分析軟件對不同方法處理后的數據進行整體分析,所得結果如表1所示。

表1 實驗數據處理結果

由表1中數據可以看出,改進SCOR(供應鏈運作參考模型)風險識別方法和特征選擇風險識別方法的風險識別準確率、識別率以及召回率均無法達到0.9,低于本文提出的新型風險識別方法。因此,根據此結果可知,本文提出的新型方法的數據處理能力較高,使用此部分數據可得到可靠性較高的風險識別結果。

2.3 所提方法的風險識別性能和耗時指標測試

在進行不同方法使用效果對比前,先對新型方法的識別效果進行評估,此次評估結果通過ROC曲線形式展示,具體如圖4所示。

圖4 新型方法ROC曲線繪制結果

由上述圖像可以看出,本研究提出的新型方法的風險識別精度達到99.0%左右,ROC曲線位于x=y曲線上方,說明此方法具有較好的風險識別能力。使用此方法可得到可靠性較高的風險識別方法,具有一定的使用價值。

將主要對不同方法的識別耗時進行分析。使用計算機記錄識別工作的結束時間與起始時間,并使用下述公式計算識別耗時,并將其作為實驗結果輸出,

?=t2-t1

(16)

其中,t1表示識別工作的完成時間,t2表示識別工作的起始時間。為使實驗結果輸出更加細致,將實驗數據按照年限劃分為3組,多次驗證不同方法的識別耗時,確定新型方法的使用效果。識別過程耗時情況實驗結果如圖5所示。

圖5 識別過程耗時情況

兩種傳統方法的風險識別耗時始終大于11 s,且最高耗時已經高達24 s。與傳統方法相比,新型方法在3組實驗中均在最短的時間內完成了風險識別工作,最低耗時約為4 s,最高耗時約為11 s,識別耗時指標符合當前要求。綜合上述分析結果可知,新型方法的使用效果優于其他兩種風險識別方法。

3 總結

針對電網供應鏈的特點,本次研究中設計了一種突發事件下電網供應鏈多因素擾動風險識別方法。此方法在一定程度上解決了當前風險識別方法在使用中存在的性能問題。

但由于技術的限制,此方法還存在部分問題需要解決,在日后的研究中將對此部分性能問題進行優化與完善,以期通過此方法維護電網供應鏈穩定性,促進電網相關企業發展。