[发明专利]一种基于DEA和SVM的电网运维效率评价方法

摘要

本发明公开了一种基于DEA和SVM的电网运维效率评价方法，首先将电网决策单元DMU的所有数据分为输入(投入)、输出(产出)和环境数据，环境数据用于聚类分析，通过模糊聚类后再进行评价，从而保证决策单元DMU的同类可比性。将输入和输出数据用于DEA评价中，创新地考虑非期望输入输出和期望输入输出关系，优化传统DEA算法仅针对低投入高产出的策略限制。考虑到时间维度对评价的重要性，将加入全尺度多时间维度的遗忘函数以全面评价DMU效率绝对得分和相对得分。将DEA评价结果的效率标签用于指导SVM算法进行有监督学习训练，训练结果模型可用于简化评价流程。本发明方法对效率评价相关方向研究具有重要科学意义和应用价值。

主权项

1.一种基于DEA和SVM的电网运维效率评价方法，其特征在于，该方法包括以下步骤：步骤1、采用模糊聚类算法，将决策单元DMU根据聚类结果分成若干类，剔除环境因素对效率评价的影响；模糊聚类算法预先设定聚类中心数目c和模糊指数m，通过隶属度矩阵μij和聚类中心cj的迭代更新，直到损失函数Jm收敛；隶属度矩阵μij和聚类中心cj的迭代更新规则满足以下公式： c j = Σ i = 1 N μ i j m x i Σ i = 1 N μ i j m ]]> μ i j = 1 Σ k = 1 C d ( x i , c j ) 2 m - 1 d ( x i , c k ) ]]>损失函数Jm收敛规则满足以下公式： J m = Σ i = 1 N Σ j = 1 C μ i j m d 2 ( x i , c j ) ]]>‖Jm‖＜ε其中ε是一个无穷小量；xi表示待聚类样本，d(xi,cj)表示待聚类样本xi与聚类中心cj的欧式距离；i表示样本数据的下标，k表示聚类中心的下标；N表示样本总数，K表示聚类中心的总数；步骤2、考虑效率评价的多样性场景，综合研究非期望输入输出和期望输入输出对模型的修正影响，通过非线性变量线性化等价处理后，最终期望和非期望输入输出的DEA修正模型的目标函数满足以下公式： θ = MaxΣ p θ a p + Σ j θ y j + Σ q θ b q ]]>其中表示期望输入方向的效率得分，表示期望输出方向的效率得分，表示非期望输出方向的效率得分，目标函数求和表示总效率得分最大；DEA修正模型的约束条件满足以下公式：∑k(λk+μk)Xik≤Xir Σ k ( λ k + μ k ) A p k ≥ A p r + θ a p ]]> Σ k λ k Y j k ≥ Y j r + θ y j ]]> Σ k λ k B q k ≥ B q r - θ b q ]]>∑k(λk+μk)＝1 λ k , μ k ≥ 0 , ∀ k ∈ K ]]>其中，r表示待评价决策单元的下标，k表示所有决策单元的下标，K表示所有决策单元的总数；Xik表示非期望输入的i维向量，Apk表示期望输入的p维向量,Yjk表示期望输出的j维向量，Bqk表示非期望输出的q维向量；决策变量λk是第k个决策单元的线性组合权重因子，μk是弱Podinovskis参数；步骤3、将步骤2得到的效率得分θ记为绝对效率得分，引入随时间变化的评价特征，获得相对评价效率得分θdelta；综合绝对评价和相对评价结果，使用权重β，计算最终的综合效率得分θ*：θ*＝θ+βθdelta,β∈(0,+∞)步骤4、将步骤3得到的综合效率得分θ*，引入衰减系数α和衰减函数，表征全时间尺度综合效率得分θ**： θ * * = Σ τ e - α ( t 0 - τ ) ( θ + βθ d e l t a ) ]]>其中，t0表示当前评价时间点，τ表示历史时间点；步骤5、根据步骤1-4获得决策单元DMU是否处于效率前沿面的标签，将该标签作为支持向量机SVM的分类标签，通过历史数据对支持向量机SVM模型进行学习训练，得到简化的评价分类模型；将待评价决策单元DMU数据输入简化的评价分类模型，直接得出DMU是否处于效率前沿面的分类结果。