電網企業數字化項目投資成效評價*

于杰 李金超，2

(1.華北電力大學經濟與管理學院，北京 102206；2.新能源電力與低碳發展研究北京市重點實驗室，北京 102206)

0 引言

隨著數字化浪潮席卷全球，數字化轉型成為各行業關注的熱點[1]。數字化轉型創造出了新的應用場景，為企業帶來全方位的變革。因此，在新形勢下，電網企業需要創造數字化轉型的有利條件，關注數字化轉型效益，在總體戰略體系的指引下，積極培育數字文化，推動電網企業數字化轉型，促進電力行業創新發展。

在有限的資金條件下，如何合理地對電網公司決策方法進行調整和優化，提高項目績效，對于企業可持續發展十分重要。邵春福等[2]認為，層次分析法(Analytic Hierarchy Process，AHP)可應用于多目標綜合分析及網絡系統理論評價，但需要豐富的專家樣本數據，否則難以保證評價結果的有效性。劉利源等[3]以支持向量機(Support Vector Machine ，SVM)為基礎，提出一種改進AHP結合DS證據理論的故障診斷方法，但增加了計算的復雜度。孟慶蘭[4]提出基于AHP和SVM的組合評價方法(AHP-SVM)，提高了分類的準確性和評價結果的準確度。

最小二乘支持向量機(Least Squares Support Vector Machine，LSSVM)[5]基于結構風險最小化理論，能夠平衡模型復雜度和學習能力，適用于樣本少、維度多的問題，在回歸分析和分類領域中得到廣泛應用。此外，阿基米德優化算法(Archimedes Optimization Algorithm，AOA)[6]基于隨機采樣尋找全局最優解，具有較高的收斂速度和全局搜索能力，適用于多種優化問題。楊海柱等[7]通過AOA-LSSVM組合模型對序列進行預測，有效提高了預測精度。但是，目前在數字化項目經濟效益研究方面還存在空白。

本文針對電網企業數字化項目投資評價特點，提出一種組合評價模型，將AHP、信息熵(Entropy)、AOA、LSSVM 4種方法有機結合。首先，通過AHP-Entropy對數字化項目進行組合賦權，綜合考慮專家主觀經驗與指標值的局部差異，以客觀反映實際情況[8]；其次，基于AOA良好的尋優能力和LSSVM較好的機器學習能力，構建AOA-LSSVM投資成效評價模型，對數字化項目進行預測，旨在為數字化項目投資成效評價提供參考。

1 電網企業數字化項目投資成效評價指標體系構建

電網企業數字化項目包括智能電網、數據處理、基礎設施建設、能源管理系統、安全保障和應用系統開發，旨在實現電力生產、傳輸和分配的高效化、智能化和可控化，提高電網運行效率和管理水平，實現可持續發展。

電網企業數字化項目具有投資規模大、收益周期長、技術更新快、經濟效益高、對人力資源要求高等特點。而數字化技術的應用能夠提高電網的運行效率和管理水平，降低運營成本，實現較高的經濟效益。

根據電網企業數字化項目特點，針對相應的業務場景，遵循相關型、重要性、可比性和系統性等原則，分別從系統安全、示范創新、經濟效益、服務質量和管理水平5個方面建立一級指標，并設置相應的15個二級指標，構建電網企業數字化項目投資效益評價指標體系，如圖1所示。

1.1 系統安全

系統安全是指為系統工程和安全工程提供有力支持，保障系統安全運行。

1.1.1 保護基礎信息

保護基礎信息是指數字化項目是否能夠保護應用信息，是否能夠部署安全系統保障業務運行，并對敏感信息加密保護，掌握加密信息情況。

1.1.2 檢測系統漏洞

檢測系統漏洞主要包括自身檢測漏洞的能力和提前檢測到的漏洞次數。通過提升系統的積極防御能力，提高系統的安全性。

1.1.3 防范攻擊及預警

防范攻擊及預警是指數字化項目能否對通信進行加密，以保護數據的完整性。通過統計預警次數和預警速度判斷系統的提前預警能力，體現系統的安全性。

1.2 示范創新

示范創新是指電網企業通過數字化轉型拉動上下游產業發展，對其他產業具有重要示范和導向作用。

1.2.1 綠色環境

綠色環境是指項目在環境保護方面的提升能力，以促進企業和社會不斷進步、經濟持續發展、環境日益改善。

1.2.2 技術示范

技術示范是指電網企業通過數字化轉型提升技術水平，對其他產業技術創新具有重要示范和導向作用。

1.2.3 業務創新

業務創新是指電網企業應開發符合市場需求的產品，建立適應市場的業務創新體系，以實現可持續發展。

1.2.4 企業形象

企業形象是指企業踐行對客戶承諾，提供高品質、高效率和高價值的產品和服務，建立穩定的客戶群體，贏得客戶信任和良好口碑。

1.3 經濟效益

經濟效益可以用來評價一個項目是否成功。數字化項目評價也要立足于效益數字化。

1.3.1 節約成本

節約成本是指評估數字化項目實施前后的經濟效益，判斷項目成本是否降低，并計算實際減少的成本投資，反映項目的實際效益。

1.3.2 新增收入

新增收入是指衡量項目對企業新增直接和間接收益的提升，以更好地評估項目效益。

1.4 服務質量

服務質量是服務營銷的核心。數字化項目的服務質量是針對供應商和用戶而言。

1.4.1 專業程度

服務人員需要具有一定的專業技能和良好的溝通技巧，能夠提供高水平服務，滿足客戶需求。

1.4.2 服務效率

服務效率主要評價在服務過程中能否有效節約供應商和客戶的時間，辦公效率是否得到有所提升。

1.4.3 反應速度

反應速度是指能夠積極響應客戶和供應商需求，快速提供服務的效率。快速響應和解決問題是提高服務質量的重要內容。

1.5 管理水平

數字化項目管理水平應從橫向和縱向綜合考慮，評價項目管理者解決問題的能力和速度。

1.5.1 管理效率

管理效率主要包括通過項目實施是否提高了管理速度、是否提供了科學有效的效率分析方法、是否提高了管理水平。

1.5.2 管理質量

管理質量以實際結果為基準，判斷通過項目是否提高了工作任務的完成情況、工作效率和效益等，體現項目管理水平。

1.5.3 普及程度

普及程度主要評價數字化項目軟件在企業員工間的普及和應用程度，是否有助于員工提高工作效率。

2 電網企業數字化項目投資成效評價模型構建

2.1 基于AHP-Entropy的組合賦權

在數字化項目投資效益評價中，若遞階結構指標集較小，則AHP方法更為適合，能夠較為準確地反映各因素權重。同時，熵值法作為一種廣泛應用的客觀賦權方法，不需要依賴主觀判斷，操作簡便。因此，采用AHP與熵值法相結合的賦權方法，充分考慮主觀與客觀因素，從而更加真實、全面地評價電網企業數字化項目投資效益。AHP-Entropy組合賦權計算步驟如下：

(1)基于AHP的主觀權重計算。公式如下

W′=(w′1，w′2，…，w′m)

(1)

(2)基于熵權的客觀權重計算。公式如下

W″=(w″1，w″2，…，w″m)

(2)

(3)采用線性加權求和法計算投資成效指標的組合權重。公式如下

W=(w1，w2，…，wm)

(3)

2.2 基于AOA改進LSSVM方法的投資成效評價模型

LSSVM是SVM的一種擴展形式，通過采用等式約束降低參數數量，簡化求解過程[9]。AOA可以實現局部搜索和全局搜索平衡，具快速收斂和高求解精度的特點。基于AOA-LSSVM模型，結合群體智能優化和機器學習理論，能夠提高求解速度和穩定性。

2.2.1 LSSVM評價原理

LSSVM采用最小二乘線性方程作為損失函數，適用于分類和回歸問題，具有較好的泛化能力，能夠簡化求解過程并減少參數數量。與標準SVM方法相比，LSSVM能夠更加穩定地處理高維數據，避免過度擬合和欠擬合的問題。在LSSVM算法優化過程中，采用二范數作為目標函數可以將二次問題轉化為線性方程組，從而簡化Lagrange乘子的求解過程[10]。這種轉化不僅提高了算法的收斂速度和準確性，還有效解決了二次規劃問題的不可行性和不穩定性。

LSSVM回歸函數模型一般公式為

f(x)=mTφ(x)+b

(4)

式中，m為特征空間的權重向量；φ(x)為LSSVM的核函數；b為偏差量。

按照結構風險最小化原則，獲得式(5)中m和b參數的精確值，即

(5)

式中，ei為回歸誤差向量；j為正則化參數。

引入Lagrange乘子λi對式(6)進行優化，可得

(6)

通過KKT條件推導求解，得到

(7)

消除上式中的m和ei，得到LSSVM負荷預測模型，即

(8)

在式(8)中，K(xi，xj)為核函數，本文取徑向基函數為核函數，其表達式為

(9)

式中，σ為核函數的寬度因子。

2.2.2 AOA搜索 LSSVM參數最優解

AOA是一種基于種群的元啟發式算法，將群體個體作為搜索對象。在隨機初始種群，迭代更新每個對象的密度、體積和加速度，確定其新位置，以解決適應度問題。更新對象的加速度根據其與其他對象的碰撞情況決定，直至滿足終止條件。具體步驟如下。

2.2.2.1 初始化

(1)初始化所有對象的位置，即

Oi=lbi+rand×(ubi-lbi)(i=1，2，…，N)

(10)

式中，ubi、lbi分別為搜索空間上、下限；N為種群規模；Oi為個體i的在流體中的初始位置。

(2)初始化第i個物體的體積(vol)和密度(den)，即

式中，rand為[0，1]內的隨機數。

(3)初始化物體的加速度(acc)，即

acci=lbi+rand×(ubi-lbi)

(12)

在該環節對初始總體進行評估，并選擇具有最佳適應度值的對象。

2.2.2.2 更新密度和體積

更新第t+1次迭代的第i個物體的密度和體積，得到

式中，denbest和volbest是到目前為止發現的物體的最好密度和體積。

2.2.2.3 轉移算子與密度算子

物體在發生碰撞后會試圖達到平衡狀態，在AOA中通過轉移運算符TF實現。TF將搜索從勘探轉換為開發，即

(14)

式中，轉移因子逐漸增加，直到達到1；t和tmax分別表示當前迭代次數和最大迭代次數。

同理，密度遞減因子也有助于AOA從全局到局部的搜索，隨著時間的推移而減少，即

(15)

式中，dt+1隨著迭代次數的增大而減小，這使得其能夠在已經確定的有希望的區域內收斂。

2.2.3 勘探階段

2.2.3.1 物體之間發生碰撞

如果TF<0.5，物體之間發生碰撞，則隨機選擇一個物體(mr)并更新t+1次迭代物體加速度，得到

(16)

式中，deni、voli和acci分別表示物體i的密度、體積和加速度；denmr、volmr和accmr分別表示隨機物體的密度、體積和加速度。

2.2.3.2 物體之間無碰撞

如果TF>0.5，物體之間無碰撞，則

(17)

式中，accbest表示物體的最優加速度。

2.2.3.3 標準化加速度

標準化加速度公式如下

2.2.4 位置更新

如果TF≤0.5(勘探階段)，計算第t+1次第i個物體的位置，即

(19)

式中，C1=2。

如果TF>0.5(開發階段)，則更新其位置，得到

(20)

式中，C2=6；T隨迭代次數增加，與轉移算子成正比用T=C3×TF定義。在[C3×0.3，1]范圍內，T隨迭代增加，并從最佳位置開始有一定的百分比。F是改變運動方向的標志，即

(21)

式中，P=2×rand-C4。

2.2.5 適應度函數

使用目標函數f評估每個對象，并記錄迄今為止找到的最優解，記為xbest、denbest、volbest和accbest。

3 算例分析

3.1 參數設置

本次調查問卷對象涵蓋不同部門、不同職級的專家。40名專家職稱構成如下：教授級高級工程師20名、高級工程師16名、工程師4名。

設AOA算法初始參數C1=2、C2=6、C3=1、C4=2、u=0.9、l=0.1，種群數量為30，最大迭代次數為40，正則化系參數和核參數的取值范圍分別為[0.6，190]和[0.1，195]。將50個項目的得分值作為AOA-LSSVM模型的輸入向量。其中，編號1～40的項目作為模型的訓練集，編號41～50的項目作為模型的測試集。

3.2 結果分析

本文主要選取50個已經投入使用的項目，并采用改進AHP-Entropy組合賦權法對這些項目進行投資成效評價。隨機選取40個項目的評價值作為訓練集，將其余10個項目的評價值作為測試集，以檢驗AOA-LSSVM模型精度。50個項目的評價值見表1。

表1 50個項目的評價值

基于Matlab 2022a平臺進行仿真分析，AOA-LSSVM模型訓練集預測值和實際值對比圖如圖2所示，AOA-LSSVM模型訓練集預測誤差圖如圖3所示。

圖2 AOA-LSSVM模型訓練集預測值和實際值對比圖

圖3 AOA-LSSVM模型訓練集預測誤差圖

訓練集誤差計算結果見表2。由此可見，訓練集預測誤差浮動不超過4%，擬合度超過90%，說明小樣本訓練效果較好。

表2 訓練集誤差計算結果

AOA-LSSVM模型測試集預測值和實際值對比圖如圖4所示，AOA-LSSVM模型測試集預測誤差圖如圖5所示。

圖4 AOA-LSSVM模型測試集預測值和實際值對比圖

圖5 AOA-LSSVM模型測試集預測誤差圖

測試集誤差計算結果見表3。由此可知，測試集預測誤差浮動不超過21%，擬合度達到94%，小樣本預測效果較好，說明AOA-LSSVM模型具有較高的預測精度，能夠用于數字化項目投資成效評價預測。

表3 測試集誤差計算結果

4 結語

(1)本文提出的組合評價模型結合了4種研究方法的優勢，綜合考慮了專家的主觀經驗和項目實際情況，受噪點影響較小且更加直觀，更適用于數字化項目評價。

(2)AOA算法能夠更準確搜索LSSVM模型的最優超參數，提高投資成效評價精度。LSSVM模型具有較小的大樣本依賴性，適用于數據較少的情況，可推廣到其他領域，為項目投資成效評價和控制提供參考。

(3)通過算例驗證了模型的可行性，為項目投資的合理性和有效性提供有力支撐。今后，電網企業數字化項目應融合傳統產業，優化升級產業結構，以提高國網企業發展水平。