楊玉，侯星晨，宋亞珍

摘? 要： 為提高電能表庫(kù)存資產(chǎn)管理水平，以某公司各縣級(jí)庫(kù)房為例，分析庫(kù)房管理風(fēng)險(xiǎn)和資產(chǎn)賬實(shí)風(fēng)險(xiǎn)。使用Light GBM算法建立異常資產(chǎn)識(shí)別模型，能在電能表計(jì)量數(shù)據(jù)中準(zhǔn)確識(shí)別出異常的電表資產(chǎn)，準(zhǔn)確度達(dá)91%，查全率為72%。構(gòu)建庫(kù)房風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系，使用組合賦權(quán)評(píng)價(jià)庫(kù)房管理風(fēng)險(xiǎn)，評(píng)價(jià)結(jié)果與預(yù)期一致。該方法可支撐庫(kù)房資產(chǎn)盤點(diǎn)和庫(kù)房管理績(jī)效考核，提升庫(kù)存管理的智能化程度。

關(guān)鍵詞： 電能表; 庫(kù)存資產(chǎn); Light GBM算法; 組合賦權(quán)

中圖分類號(hào)：TM9? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1006-8228（2022）01-64-04

Lean management of inventory meter assets based on

Light GBM and combined weighting

Yang Yu， Hou Xingchen， Song Yazhen

（Zhengzou Institute of Finance and Economics， Zhengzhou， Henan 450053， China）

Abstract： In order to improve the management level of electric energy meter inventory assets， taking the county-level warehouses of a company as an example， the warehouse management risk and asset risk are analyzed. The Light GBM algorithm is used to establish the abnormal asset identification model， which can accurately identify the abnormal meter assets in the meter quantity data， with an accuracy of 91% and a recall rate of 72%. Build the warehouse risk evaluation index system， use the combined weighting to evaluate the warehouse management risk， and the evaluation results are consistent with the expectation. This method can support the inventory of warehouse assets and the performance evaluation of warehouse management， and improve the intelligence of inventory management.

Key words： electric energy meter; inventory assets; Light GBM algorithm; combined weighting

0 引言

近年來(lái)，隨著城鎮(zhèn)化的不斷推進(jìn)，電力資產(chǎn)拆回和新資產(chǎn)配置業(yè)務(wù)激增，庫(kù)存資產(chǎn)管理壓力增大，各網(wǎng)省頻繁曝出資產(chǎn)賬實(shí)不一致情況，傳統(tǒng)的庫(kù)存管理方式已經(jīng)難以支撐現(xiàn)今的庫(kù)存管理工作，亟待新的管理方式和技術(shù)的出現(xiàn)。張偉昌等提出構(gòu)建資產(chǎn)全壽命周期管理法案，明確管理職責(zé)，優(yōu)化組織結(jié)構(gòu)[1-2]。部分學(xué)者基于資產(chǎn)全壽命周期管理的視角，分別從資產(chǎn)狀態(tài)、可靠性、LCC等方面提出評(píng)估和風(fēng)險(xiǎn)管控方案[3-7]。但這些研究的重點(diǎn)是對(duì)運(yùn)行資產(chǎn)的風(fēng)險(xiǎn)管控，缺少對(duì)庫(kù)存資產(chǎn)的研究。

鑒于此，本文以某公司庫(kù)存電能表為例，使用Light GBM和組合賦權(quán)方法，分別構(gòu)建異常資產(chǎn)識(shí)別模型和庫(kù)房風(fēng)險(xiǎn)評(píng)估模型，預(yù)測(cè)異常電表資產(chǎn)和評(píng)價(jià)庫(kù)房管控水平，為資產(chǎn)盤點(diǎn)和庫(kù)房管理提供支撐，同時(shí)也可為電網(wǎng)資產(chǎn)全壽命周期管理和庫(kù)存資產(chǎn)研究提供參考。

1 現(xiàn)狀分析

現(xiàn)有的電力計(jì)量自動(dòng)化系統(tǒng)主要包括三部分，營(yíng)銷系統(tǒng)、采集系統(tǒng)和MDS系統(tǒng)，三大系統(tǒng)上存儲(chǔ)了資產(chǎn)的狀態(tài)信息和流程信息。這些特征信息蘊(yùn)含了資產(chǎn)異常和庫(kù)存風(fēng)險(xiǎn)的判別規(guī)則，結(jié)合現(xiàn)有業(yè)務(wù)流程，通過(guò)對(duì)這些特征數(shù)據(jù)的挖掘，實(shí)現(xiàn)對(duì)異常資產(chǎn)的精確識(shí)別和對(duì)庫(kù)房的準(zhǔn)確評(píng)價(jià)。

2018年6月25日對(duì)全省各庫(kù)存單位的電能表盤點(diǎn)，發(fā)現(xiàn)有235799塊電表丟失，平均丟失率為21%，其中最大丟失率為74.4%，表丟失情況嚴(yán)重。2020年對(duì)部分市縣公司進(jìn)行核查，發(fā)現(xiàn)盤虧表6613塊，占盤點(diǎn)總量的15%，丟表數(shù)量仍然較多。詳細(xì)指標(biāo)數(shù)據(jù)如表1所示。

2 異常資產(chǎn)識(shí)別模型

電能表賬實(shí)不一致可分為賬上有表實(shí)際無(wú)表和賬上無(wú)表實(shí)際有表，本文只分析前者，后者屬于計(jì)量問(wèn)題，在此不與討論，后文所指賬實(shí)不一致僅指賬上有表而實(shí)際無(wú)表。

2.1 特征構(gòu)建

賬實(shí)不一致的原因主要由于不規(guī)范的庫(kù)存管理導(dǎo)致，如表出庫(kù)未記錄、表擺放混亂無(wú)法找到等。據(jù)此，結(jié)合不同電能表的使用頻率的差異，以營(yíng)銷電能表檔案為基礎(chǔ)，結(jié)合電能表庫(kù)房流轉(zhuǎn)流程，構(gòu)造異常資產(chǎn)識(shí)別特征。詳細(xì)的特征信息如表2所示，其中前九個(gè)為樣本特征，最后一個(gè)為樣本標(biāo)簽。

2.2 Light GBM算法介紹

異常資產(chǎn)識(shí)別本質(zhì)是根據(jù)資產(chǎn)特征分類資產(chǎn)的類別，即區(qū)分是否異常。此分析是一個(gè)典型的二分類問(wèn)題，本文對(duì)多種有監(jiān)督算法進(jìn)行了測(cè)試，其中Light GBM算法表現(xiàn)最好。

LightGBM 是一種梯度提升決策樹(shù)框架，相較決策樹(shù)算法，該模型降低內(nèi)存使用率、有更好的準(zhǔn)確性，能夠處理大規(guī)模數(shù)據(jù)。Light GBM通過(guò)控制葉子節(jié)點(diǎn)數(shù)量及樹(shù)的深度來(lái)避免模型過(guò)擬合問(wèn)題，計(jì)算代價(jià)小，并且使用基于直方圖的決策樹(shù)算法進(jìn)行特征選擇，極大的降低計(jì)算和存儲(chǔ)成本。其中，GBM（Gradient Boosting Machine）即梯度提升樹(shù)，隸屬于Boosting算法。Boosting算法的核心內(nèi)容可由公式⑴體現(xiàn)。

[fx=q=1QαqT（x，θq）]? ⑴

其中，f（x）為訓(xùn)練樣本對(duì)應(yīng)目標(biāo)值;Q為基學(xué)習(xí)器的個(gè)數(shù);[αq]為第q個(gè)基學(xué)習(xí)器的權(quán)重系數(shù);[θq]為學(xué)習(xí)器分類的參數(shù);[T（x，θq）]為參與學(xué)習(xí)訓(xùn)練的第q個(gè)基學(xué)習(xí)器。

2.3 模型訓(xùn)練與測(cè)試

抽取目前已有的25535條數(shù)據(jù)，其中有1166個(gè)盤虧表和24369個(gè)盤平表。對(duì)數(shù)據(jù)進(jìn)行清洗構(gòu)建專家樣本，采用分層抽樣將數(shù)據(jù)拆分為訓(xùn)練集和測(cè)試集。最優(yōu)分類模型中各指標(biāo)的重要性如圖1所示。由圖1可知表齡、首次運(yùn)行時(shí)長(zhǎng)和狀態(tài)持續(xù)時(shí)長(zhǎng)的重要程度較高，表明異常和正常電表在這些指標(biāo)上差異較明顯。

使用測(cè)試集測(cè)試模型得到混淆矩陣如表3?？倲?shù)234個(gè)異常樣本中，模型能識(shí)別948個(gè)，異常樣本的查全率為72%，準(zhǔn)確度為91%。正常樣本的查全率為99%，準(zhǔn)確度為98%，總體準(zhǔn)確度為98%。由于異常樣本數(shù)據(jù)量較小，異常樣本查全率的大幅度提高需要更多的盤點(diǎn)結(jié)果支撐。

3 庫(kù)房風(fēng)險(xiǎn)評(píng)價(jià)模型

3.1 指標(biāo)體系構(gòu)建

以電能表、周轉(zhuǎn)柜和計(jì)量點(diǎn)去評(píng)估庫(kù)房風(fēng)險(xiǎn)，其中電能表從資產(chǎn)、存儲(chǔ)、狀態(tài)、配送、運(yùn)行和拆回五個(gè)狀態(tài)去考慮，周轉(zhuǎn)柜從入庫(kù)率、應(yīng)用率兩方面去衡量，結(jié)合業(yè)務(wù)專家的工作經(jīng)驗(yàn)，分解庫(kù)房風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)，構(gòu)建層次指標(biāo)。如圖2所示。

3.2 組合賦權(quán)方法介紹

使用最小信息熵綜合熵權(quán)法和特征向量法，以組合權(quán)重對(duì)庫(kù)房管理進(jìn)行評(píng)價(jià)。

⑴ 特征向量法

特征向量法是一種主觀評(píng)價(jià)方法，主要利用指標(biāo)的判斷矩陣。記[A]為指標(biāo)間的相對(duì)重要性評(píng)價(jià)，則有以下矩陣：

A = [a11a12a21a21La1nLa2nMMan1an1MMLann]? ⑵

由于[aij≈wi/wj]，則[Aw≈nw]，即[（A-nE）w=0]，可得：[Aw*=λ*max]，對(duì)[w*]進(jìn)行歸一化，即可得權(quán)重。

⑵ 最小信息熵

綜合指標(biāo)的主觀權(quán)重[w1j][w1j]和客觀權(quán)重[w2j][w2j]可得組合權(quán)重[wj]與[w1j][w1j]和[w2j]應(yīng)盡可能接近。利用信息熵原理，使用拉格朗日乘子法優(yōu)化可得計(jì)算式⑶。

[Wj=（w1jw2j）0.5j=1n（w1jw2j）0.5（i=1，2，…，n）]? ⑶

3.3 庫(kù)房評(píng)價(jià)

從營(yíng)銷和MDS數(shù)據(jù)庫(kù)中抽取2020年12月份的104個(gè)市縣單位統(tǒng)配的電能表、周轉(zhuǎn)柜的資產(chǎn)信息。通過(guò)專家溝通獲得各指標(biāo)的相對(duì)重要性判斷矩陣，使用特征向量法從對(duì)各指派進(jìn)行評(píng)價(jià)。但特征向量賦權(quán)主要依賴專家的業(yè)務(wù)經(jīng)驗(yàn)，在指標(biāo)的重要性對(duì)比上容易引人個(gè)人偏好，造成指標(biāo)權(quán)重與實(shí)際的偏差。因此，引人熵值法，通過(guò)數(shù)據(jù)自身蘊(yùn)含的信息量大小去劃分指標(biāo)的權(quán)重分布。其中指標(biāo)權(quán)重如表4所示。

通過(guò)綜合賦權(quán)對(duì)各評(píng)價(jià)結(jié)果進(jìn)行評(píng)價(jià)，評(píng)價(jià)結(jié)果如圖3所示。

觀察各市縣單位的綜合評(píng)分分布情況，繪制地市評(píng)分的箱線圖如圖3所示，圖中小白圓點(diǎn)為地市評(píng)分離群點(diǎn)，可以看出單位4可庫(kù)房總體評(píng)分相對(duì)較好，單位1與單位5整體情況相對(duì)較差。結(jié)果與業(yè)務(wù)專家估計(jì)一致。

4 結(jié)束語(yǔ)

本文以某省公司電力資產(chǎn)為例，分別構(gòu)建異常資產(chǎn)識(shí)別模型和庫(kù)房風(fēng)險(xiǎn)評(píng)價(jià)模型，通過(guò)業(yè)務(wù)梳理構(gòu)建了異常資產(chǎn)識(shí)別特征集和庫(kù)房風(fēng)險(xiǎn)層次評(píng)價(jià)指標(biāo)體系，結(jié)合數(shù)據(jù)驗(yàn)證發(fā)現(xiàn)如下結(jié)論：異常資產(chǎn)有潛在的識(shí)別規(guī)律，通過(guò)Light GBM算法可以給出較為精準(zhǔn)的預(yù)測(cè);異常資產(chǎn)和正常資產(chǎn)在表齡、第一次運(yùn)行時(shí)長(zhǎng)和狀態(tài)持續(xù)時(shí)長(zhǎng)上的區(qū)別較大;庫(kù)房風(fēng)險(xiǎn)評(píng)價(jià)可通過(guò)電能表、計(jì)量點(diǎn)和周轉(zhuǎn)柜的數(shù)據(jù)去評(píng)價(jià);使用最小熵權(quán)法組合熵值法和特征向量法能取得更好的效果。

參考文獻(xiàn)（References）：

[1] 張偉昌，蔣秀芳，孟祥君，等.基于大數(shù)據(jù)分析的電網(wǎng)資產(chǎn)信息評(píng)估系統(tǒng)研究[J].自動(dòng)化與儀器儀表，2018（11）：50-52，57

[2] 齊立忠，徐雪松.資產(chǎn)全壽命周期管理體系標(biāo)準(zhǔn)化建設(shè)思路[J].標(biāo)準(zhǔn)科學(xué)，2016（12）：94-97

[3] Ranga C，ChandelA，Chandel R.Condition assessment of power transformers based on multi attributes using fuzzy logic[J].IETScience.Measurement & Technology，2017，11（8）：983-990

[4] Lin P C，Gu J C，Yang M T.Intelligent maintenance model for condition assessment of circuit breakers using fuzzy set theory and evidential reasoning[J].IET Generation，Transmission& Distribution，2014，8（7）：1244-1253

[5] PourahmadiF，F(xiàn)otuhi-FiruzabadM，DehghanianP.Applica-tion of Game Theory in Reliability Centered Maintenance of Electric Power Systems[J].IEEE Transactions on Industry Applications，2017，53（2）：936-946

[6] 劉文霞，郝永康，張馨月，等.基于數(shù)字化技術(shù)的電網(wǎng)資產(chǎn)管理關(guān)鍵技術(shù)及應(yīng)用[J].電網(wǎng)技術(shù)，2018，42（9）：2742-2751

[7] 任曉龍，戴光，耿澤飛.基于圖數(shù)據(jù)庫(kù)的電力資產(chǎn)畫像技術(shù)研究[J].電網(wǎng)與清潔能源，2017，33（11）：59-62，69