电力物资供应商履约风险预警评价模型及研究

钟富力， 钟上升， 韦沣乘， 李仕涛， 莫洲， 梁思欣

(1.广西电网物资有限责任公司， 广西， 南宁 530001； 2.广西电网有限责任公司， 广西， 南宁 530001；3.思创智汇(广州)科技有限公司， 广东， 广州 510600)

0 引言

随着电力物资需求量的不断增大，电力物资的持续供应也要得到保障。目前电力物资难以实现大量的存储，具有产出多少供应多少的特点，电力物资供应链中存在着多种风险。针对该风险，相关文献对此也做出了研究，文献[1]基于BP神经网络的电力物资供应商履约风险预警，该方法能够发挥人工智能学习的功能，减少了计算的复杂程度并提高了运算的精确度，但对于预警的精确度还有待提高，不能达到实时预警的效果[1]。文献[2]基于AHP的电力物资供应商履约风险预警，该方法具有简化评估程序的功能，计算简单易懂，能够很好地评估风险，并对风险进行预警处理，但此方法在对风险进行预警处理时，不能够对比出风险的严重性，预警的效果达不到及时处理[2]。

针对上述文献中的不足，本文提出了电力物资供应商履约风险预警，采用了电力物资供应商履约风险评估与定级体系，实现对电力物资供应商履约风险进行分级评价处理，采用基于ACO-SVM算法的电力物资供应商履约风险预警，实现电力物资供应商履约风险预警处理[3]。

1 电力物资供应商履约风险预警模型的设计

本文提出了设计电力物资供应商履约风险管控预警模型，该模型包括履约管理活动、履约风险管理和预警约束系统三大模块[4]，电力物资供应商履约风险预警模型如图1所示。

图1 电力物资供应商履约风险预警模型

该模型中履约管理活动中采用企业资源计划(ERP)系统，该系统集合了信息技术和先进的管理思想，是现代企业的运行模式。在电力物资供应商履约风险模型中，ERP是针对电力物资管理使用的接口，该系统具有缩短核心业务流程的时间和成本的优点，ERP系统最基本的表现就是运行集成化，实现电力物资供应商履约的管理活动[5]。

履约风险管理中采用WBS-RBS风险识别技术，该技术是兼顾全局和细节的风险识别方法。将整个电力物资供应商的电力物资进行分解，分解到可以分析电力物资风险的程度，结合电力物资分解和风险结构分解，识别出电力物资供应商履约风险。采用层次分析法对识别出的风险进行分析，建立电力物资供应商层次分析风险评价模型，对风险进行归纳、评价相对重要性程度的排序，并做出一致性检验。

预警约束模块采用的是基于BIM和PT的风险预警模型。该模型首先使用PT采集电力物资的数据，经过制度、流程、过程、供应商评价等一系列的流程分析，最后实现预警约束。其中，电力物资供应商履约风险预警运行机制体系如图2所示。

图2 电力物资履约风险预警运行机制体系

电力物资履约风险预警运行机制体系，主要分为5个模块：履约风险识别、分析、评估、报警机制和风险管控约束机制。履约风险分析机制建立风险定性分析和定量分析，采用因果矩阵和关联图；履约风险评估机制采用定性和定量相结合的方法，确定风险点等级，利用风险评估LECC方法；履约风险报警机制是对电力物资供应商是否持续供应优质电力的一种判断；风险管控约束机制是对风险规避、风险控制、风险自留、风险转移等风险管控策略，基于管控策略制定履约管控方案[6]。

2 电力物资供应商履约风险评估方法

电力物资风险评估分为3个步骤。

步骤一 电力物资风险评估定义

本文提到的风险评估方法定义如下：

RRisk(Xt,f)=

(1)

式中，Xt,f为t时刻的预计运行状态，Xt,j为t时刻发生的负荷状态，Pr(Xt,j|Xt,f)为t时刻发生Xt,j的概率，Ei为第i个预测事故[7]，Pr(Ei)为第i个事故发生的概率，MSev(Ei,Xt,j)为在第j个运行条件下发生第i个预测事故的严重程度。

风险的评估与定级体系是将更显评估过程中的预测事故产生的风险看作一个单独的个体[8]，即RRisk，风险的结构定义如图3所示。

图3 风险定义结构图

电力物资风险的定义：

(2)

式中，L表示RRisk的风险等级；K表示RRisk的种类，P表示RRisk发生的概率，S表示RRisk发生的严重程度，NREASON表示发生RRisk的原因集，QCONSEQ表示发生RRisk的后果集，R表示发生风险的原因，C表示发生风险的后果。

R={Kr,Dr,Pr}

(3)

式中，Kr表示R的种类，Dr表示对R的描述，Pr表示R的发生概率。

C={Kc,Dc,Sc}

(4)

式中，Kc表示C的种类，Dc表示对C的描述，Sc表示C发生的严重程度。

步骤二 电力物资风险的分类

根据电力物资实时故障概率，可计算出预测的事故发生概率。设电力物资在预测的事故中发生停运的状态集为Ω，电力物资总共有N个，电力物资的停止运行的概率为P1,P2,…,PN，则预测事故发生的概率为

(5)

由于计算出的预测概率会根据电力物资的寿命长短的不同而数量级不同，对其划分定级标准限值也会随之变动，因为电力物资停止运行的概率一般很小，因此式(5)计算预测事故的发生概率可以写成[9]：

(6)

在对风险发生概率确定等级之前，首先对每个预测电力物资故障运行状态进行风险评估。若存在风险，应先对发生风险的概率进行定级，对之后的风险定级带来方便。本研究中风险的等级分为三类：一级风险、二级风险和三级风险[10]。此种分类方法是根据风险发生的概率进行划分的，发生风险的概率在1×10-4以上的为一级风险，概率在1×10-5～1×10-4为二级风险，概率在1×10-6～1×10-5为三级风险，其中一级风险最为严重。

步骤三 电力物资发生风险定级

电力物资发生风险的严重程度来定级，可分为减供负荷型风险严重程度定级、重载或过载型风险严重程度定级、电压偏移型风险严重程度定级、电网解列型风险严重程度定级、厂站全停型风险严重程度定级和重要用户全停型风险严重程度定级。

根据风险发生的概率等级和风险的严重程度，即可得到风险的等级：

L=round((1-μ)LP+μLS)

(7)

式中，LP表示风险发生概率的等级，LS表示风险严重程度的定级，μ表示取值区间为(0,1)的权重系数，round(·)表示四舍五入取整。

式(7)中，μ为1时，则表示传统的确定性的安全评估方法，然而风险评估应具备发生风险的可能性和风险发生过后的后果，因此将μ的取值范围设定在(0,1)区间内。当μ接近1时，风险等级接近风险发生后的结果，若μ接近0时，则风险等级侧重于发生风险的可能性。

3 基于ACO-SVM算法的电力物资供应商履约风险预警

电力物资供应商履约风险预警，本文采用了基于ACO-SVM算法，此算法是通过求解连续空间的函数问题，计算出来的最终路径代表函数的最优解，通过C,ε和σ在系统中的节点上的值进行体现，并且使用SVM参数优化对信息素进行浓度更新。选择的三个变量，都是通过6个十进制数位值进行表示，采用10行*18列的平面结构。在电力物资供应商履约风险预警的应用中分为二个步骤。

步骤一 电力物资供应商履约风险预警的目标函数选择

本文研究的方法是使用最基本的Ant-Cycle模型，创建支持向量机训练误差模型，目标函数选取均值方差，选择最优的参数组合，使得SVM回归模型有最小的方根误差，即

(8)

式中，MSE表示目标函数，x(i,true)和x(i,pred)表示第i个训练样本的实际值和预测值。

步骤二 电力物资供应商履约风险预警模型算法的描述

首先，估计出支持向量机参数C,ε和σ中各分量的取值范围。

然后，进行电力物资供应商履约风险预警的概率计算，即

(9)

式中，t表示算法的运行时刻，若电力物资选择了第i(i=1,2,…,18)种第j(j=1,2,…,10)个点，则参数的计算公式为

C=LLimits+(HLimits-LLimits)×x(1)

(10)

ε=LLimits+(HLimits-LLimits)×x(2)

(11)

σ=LLimits+(HLimits-LLimits)×x(3)

(12)

式中，x(1)=x(1)+(xaj-1)/10∧(m)，其中a的取值范围为[1,6]，且m=amod 6；x(2)=x(2)+(xbj-1)/10∧(m)，其中b的取值范围为[7,12],且m=bmod 6；x(3)=x(3)+(xcj-1)/10∧(m)，其中c的取值范围为[13,18]，且m=cmod 6。将得出的参数代入到支持向量机模型中求出均值方差(MSE)，并记录最优解的路径，更新每一列上的个点的信息素，即

τij(t+n)=(1-ρ)·τij(t)+Δτij(t)

(13)

式中，

对于电力物资供应商履约风险得出最优解的信息素ρ取不同的值，并且Q也取不同的值，为了能使算法能快速收敛到最优解的附近，对上述步骤进行循环，直到满足最大迭代次数或满足给定的精确值。根据风险值判断处于哪一风险等级，再发出相应的预警进行处理。

4 实验结果与分析

为了验证本文研究基于ACO-SVM算法的电力物资供应商履约风险预警的有效性，利用基于BP神经网络的电力物资供应商履约风险预警和基于AHP的电力物资供应商履约风险预警分别做相同的实验，并将得出的实验结果进行对比。实验中实验环境参数如表1所示。

表1 实验环境参数

首先在Microsoft Visual Studio平台中搭建系统，系统搭建好后进行训练，验证系统能够正常运行，本文所采用的数据为电力物资供应商数据库，总共数据为572个。其中，一级风险有35个，二级风险有48个，三级风险有56个，其余的正常。随机挑选200个数据进行系统训练，系统能够正常运行之后，进行3组实验。三种系统预警效果对比图如图4所示。

图4 预警效果对比分析

本文研究的基于ACO-SVM算法的电力物资供应商履约风险预警在10 s的时候预警效果就已经达到了70%，并且预警效果最高可达到92%；然而基于BP神经网络的电力物资供应商风险预警在10 s是达到48%，并且最高只能达到70%；基于AHP电力物资供应商履约风险预警在10 s预警效果达到60%，并且预警效果最高达到85%。由此可见，本文研究的电力物资供应商履约风险预警的预警效果优于其他两种。

为了验证研究系统的可靠性，本文还设计了对预警的准确度进行实验，利用数据库中的所有数据，进行对风险分级预警，实验结果对比如图5所示。

图5 风险预警数量对比

本文所研究的基于ACO-SVM算法的电力物资供应商履约风险预警，所测得的一级风险的预警个数为35个，二级风险的个数为48个，三级风险的个数为56个，与所加入数据的风险一致；然而基于BP神经网络的电力物资供应商履约风险预警测得的数据为一级风险32个，二级风险47个，三级风险50个，与试验数据有一定的偏差；基于AHP的电力物资供应商履约风险预警所测得的数据为一级风险29个，二级风险47个，三级风险49个，与实验数据有较大的偏差。综上所述，实验证明基于ACO-SVM算法的电力物资供应商履约风险预警的预警效果最好可达92%，并且预警的准确性也较高。

5 总结

本文设计了电力物资供应商履约风险预警模型，该模型采用了ERP系统，该系统集合了信息技术和先进的管理思想，实现电力物资供应商履约的管理活动。采用了WBS-RBS风险识别技术，实现了电力物资供应商的风险识别，再利用层次分析法对风险进行分析，利用风险评估LECC方法，准确地对风险进行评估。本文还研究了基于ACO-SVM算法的电力物资供应商履约风险预警，根据风险值判断处于哪一风险等级，再发出相应的预警进行处理。本研究为下一步技术的研究奠定基础。