基于DBN神经网络的能源电力企业发展评价方法

刘恒勇

(深圳供电局有限公司, 广东，深圳 518000)

国网公司基于双碳目标，提出了建设具有中国特色国际领先的能源互联网的战略。战略通过坚强网架和数字化转型实现电网向智慧化转型。在全球能源互联网建设过程中，涉及到能源电力企业的大量投资和商业化运营，因此，能源电力企业的发展关键指标评价显得十分重要。在传统的能源电力企业发展评价中，各指标关联隐含信息挖掘不够，评价指标可信度不高[1-2]，从而造成评价准确率低[3]。开展能源电力企业发展的全面评价就变得十分重要。

国内外大量学者对能源电力企业发展评价做了研究。文献[4]基于熵权法，从环保、服务、技术和市场四个方面对进行综合评估。文献[5]基于理想化目标排序，对世界典型的能源电力企业指标进行评估。文献[6]基于有序加权平均方法，通过对电力区域发展水平的分析，实现综合评价。文献[7]通过对政治、法律、投资聚类分析，进行综合评估。文献[8]从安全、经济等方面进行主成分分析，实现能源企业综合评估。由此可见，能源电力企业发展评估方法多样，且取得了一定的成效。但上述研究中对于发展评价指标中的关联信息挖掘不足，评价结果可信度不高。

为解决能源电力企业发展评价中存在的关联信息挖掘不足，评价准确率低的问题，本文提出了一种基于深度置信网络(DBN)神经网络的能源电力企业发展评价方法。在对国内外电力企业发展年报数据聚类的基础上，形成发展评估关键指标体系。然后通过采用改进粒子群算法调整能指标的权重并进行发展评价。最后，采用本文所提方法对国内部分能源电力企业发展进行综合评估，其结果验证了本文所提方法的有效性。

能源电力企业发展评价方法框架如图1所示。该框架主要包括发展评价数据提取、建立发展评级体系、评估指标权重调整和能源电力企业发展评价和DBN置信度分析五个环节。

图1 能源电力企业发展评价框架图

在发展评价数据提取环节，本文所提方法通过在线文本转换的方式，在能源电力企业的发展年报数据中，抽取发展评价数据。同时，为解决提取数据存在字符识别错误的情况，本文所提方法采用插值计算，对提取的数据进行清洗，提高评价模型计算的准确性。在建立发展评级体系环节，通过近邻传播聚类算法，对所提取的能源电力数据进行聚类分析，从企业规模、效率、供电服务等类别获取发展指标的关键特性，形成能源电力企业发展关键评价指标，并以此建立能源电力企业的发展评价体系。在评价指标权重调整环节，为解决全球各区域发展差异的问题，结合区域发展特性，采用改进粒子群算法调整能源电力企业发展评价指标的权重，以提高方法在不同地区的适应度。在能源电力企业发展评价环节，从能源电力企业发展评价类别和发展关键评价指标出发，企业规模、效率、供电服务等类别分别对能源电力企业进行评价，准确获取能源电力企业的评估结果。在DBN置信度分析环节，为验证能源电力企业发展评估的准确性，通过可信度分析方法，对能源电力企业发展评价结果进行验证。

2.1 能源电力企业发展评价数据提取

国内外的能源电力企业在每年的年底均会发布企业年报，年报中包含了投资、售电量、人员规模等数据，是能源电力企业发展评级的基础数据[9]。本文通过在线文本转换方式实现企业年报文字数据提取，以减少数据提取工作量。

在数据清洗部分，采用线性插值[10]方法对能源电力企业的缺失数据进行预估，设有na个能源电力企业发展指标序列，设两个相邻的能源电力企业发展指标值为xo和xq，插值为ba和ca，缺失值xp为

(1)

通过插值计算，可有效消除错误数据对模型的影响。

2.2 建立发展评级体系

设聚类边缘的对角线中位值为Ga，近邻传播聚类的搜索阈值为γ，偏向参数为Da，相似度矩阵Sa为

Sa=Ga+γDamin

(2)

设聚类数量为nb，ka为a数据点到聚类中心的平均距离，kb为b数据点到聚类中心的平均距离，聚类中心之间的距离为kab，聚类值z为

(3)

通过近邻传播聚类算法，获取发展指标的关键特性，并以此建立能源电力企业的发展评价体系，如表1所示。

表1 能源电力企业发展评级体系指标

2.3 评估指标权重调整

为适应不同区域的能源电力企业发展差异，本文结合区域发展特性，采用改进粒子群算法[11]调整能源电力企业发展评价指标的权重。

设改进粒子群的惯性因子为φ，粒子的速度为ja，rand()为鉴于0,1之间的随机数，粒子群的总数为nc，学习因子为la和lb，更新后的权重wi为：

wi=φ+la×rand()×(ja)+lb×rand()×(ja)

(4)

2.4 能源电力企业发展评价

由式2至4的能源电力企业发展评价关键指标对能源电力企业的发展进行综合评价，从而提高能源电力企业发展评价在不同区域的适应层度。

2.5 DBN置信度分析

为解决能源电力企业发展评价结果准确度可信认证[12]的问题，本文采用DBN神经网络对能源电力企业发展评价结果进行可信度分析。

设能源电力企业发展评价指标权重为wa，DBN神经网络启动函数为δ，运行的网络层数为ne，输入为H，通过DBN神经网络验证输出Un为

(5)

基于DBN神经网络的能源电力企业发展评价方法仿真流程如图2所示。

图2 能源电力企业发展评价仿真流程图

步骤1：通过在线文本转换的方式，在能源电力企业的发展年报数据中，抽取发展评价数据，并采用插值计算对能源电力企业的发展年报数据进行提取清洗，消除错误数据对模型评价带来的影响。

步骤2：从企业规模、效率、供电服务等类别方面，对所提取的能源电力数据进行聚类分析，获取发展指标的关键特性，形成能源电力企业发展关键评价指标，并建立评价体系。

步骤3：为解决全球各区域发展差异的问题，结合区域发展特性，采用改进粒子群算法调整能源电力企业发展评价指标的权重，以适应全球不同区域的评价要求。

步骤4：从能源电力企业发展评价类别和发展关键评价指标出发，企业规模、效率、供电服务等类别，分别对能源电力企业发展关键指标进行评估。

步骤5：对能源电力企业发展评价结果进行可信度分析，以验证能源电力企业发展评估的准确性。

采用本文所提的基于DBN神经网络的能源电力企业发展评价方法，将国内某能源电力能源电力企业进行发展评价。

(1) 能源电力企业发展指标建立准确性分析

采用本文所提基于DBN神经网络的能源电力企业发展评价方法与TOPSIS方法比较其指标建立准确性，选择能源企业的数量为5、10、15、20、30、40、50、75、100个，每个能源电力企业提取5年的企业年报数据。以此建立指标体系，并将此类指标与最终人工调整后的实际指标进行对比分析。

由表2可见，基于DBN神经网络的能源电力企业发展评价方法指标建立准确性高于TOPSIS方法。

表2 能源电力企业发展指标建立准确性分析表

(2) 能源电力企业发展评价准确性分析

采用本文所提的基于DBN神经网络的能源电力企业发展评价方法与TOPSIS方法比较企业发展评价准确性，选择城市个数为5、10、15、20、30、40、50、75、100个。两种方法的准确性比较如图3所示。

图3 能源电力企业发展评价准确性图

由图3可见，基于DBN神经网络的能源电力企业发展评价方法指标评估准确性高于TOPSIS方法。

(3) 能源电力企业发展评价结果

基于DBN神经网络的能源电力企业发展评价方法评价结果如表3所示。

表3 配电网发展建设差异分析表

为解决能源电力企业发展评价中存在的关联信息挖掘不足，评价准确率低的问题，本文提出了一种基于DBN神经网络的能源电力企业发展评价方法。在对能源电力企业年报数据进行分析的基础上，建立能源电力企业的发展评价体系。并结合区域特征，采用改进粒子群算法调整能源电力企业发展评价指标的权重。其次，在完成能源电力企业发展评价后，采用DBN神经网络分析评价的有效性。最后，通过国内部分能源电力企业发展进行综合评估，其结果验证了本文所提方法的有效性。

下一步，将结合自寻优的深度神经网络对能源电力企业关键评价指标选择做进一步优化。

推荐访问:神经网络 企业发展 能源