一种配电网建设目标风险评估方法技术

本发明专利技术涉及一种配电网建设目标风险评估方法，从工程进度、质量、成本、安全等多个维度进行建设施工目标定义，然后运用系统动力学方法从技术要素、自然要素、政策要素等方面，科学全面识别建设目标影响要素，明确影响机理。然后进行影响因素度量分析，结合相关指标数据收集与整理，采用主成分分析法，得到因素在主成分上的载荷，对不同要素对于建设目标的影响程度进行分析与判断。选取主要影响因素作为风险判定的主要指标。所属影响因素预测及计算，结合不同因素类型与特点，选取适合的预测方法对因素进行预测计算，并根据预测结果作为风险评估的主要依据。本发明专利技术能够进一步提升配电网项目建设管理精细化水平。目建设管理精细化水平。目建设管理精细化水平。

【技术实现步骤摘要】
一种配电网建设目标风险评估方法


[0001]本专利技术涉及电网企业施工建设目标风险评估技术应用领域，一种配电网建设目标风险评估方法。

技术介绍

[0002]近年来，随着配电网投资规模逐步提升，配电网建设管理工作逐步被重视，由于当前内外部经营形势较为严峻，对配电网建设投入产出水平、精细化管理水平提出了严峻挑战，未来必须不断强化配电网建设标准化、规范化管理模式，提升配电网项目建设的质量、效率、效益。当前配电网建设管理中还存在诸多问题，随着配电网建设规模不断加大，建设任务不断加重，工程建设项目数量多、种类杂、涉及面广，配电网工程数量多、涉及地域广，安全质量存在潜在隐患，因此为进一步落实配电网建设目标实现程度，进一步提升配电网工程标准化、规范化、精益化管理水平，推动配电网工程由“低级工程转包型”向“高级项目管理型”蜕变，适应配电网建设与改造工程市场供给侧结构性改革要求。提出建设目标风险评估方法，有针对性的监控当前项目管理目标的实现程度，规避建设风险，提升配电网项目建设管理精细化水平。
[0003]目前，配电网项目建设目标风险评估，多为定性的评估，缺少定量数据的支撑，对于目标实现程度，没有很好的进行分解与评价。多应用多层次模糊综合评价法研究电网建设项目风险因素发生的概率和风险因素对工程项目的影响程度，进而分析评价电网建设项目中的风险，当前研究在风险评价时侧重于风险与风险之间的相互比较关系，却忽略了风险对项目目标的系统影响，因此评价模型与思路有待进一步完善。

技术实现思路

[0004]有鉴于此，本专利技术的目的是提供一种配电网建设目标风险评估方法，与已有的风险评价相比，强调风险对各项目施工目标的直接影响，弱化风险与风险之间相互比较关系，从而为电网建设项目提供一种准确、易操作的风险评价方法，为配电网项目精细化管理提供有力抓手。
[0005]本专利技术采用以下方案实现：本实施例提供一种配电网建设目标风险评估方法，包括以下步骤：
[0006]步骤S1：采用系统动力学进行建设目标定义及影响因素识别分析；
[0007]步骤S2：进行影响因素度量分析；
[0008]步骤S3：进行影响要素指标值预测；
[0009]步骤S4：进行风险评估。
[0010]进一步地，所述步骤S2的具体内容为：
[0011]主成分分析法通常用来指标的降维处理,并且能够通过得到的方差贡献率和载荷矩阵计算出各指标的权重值；主成分分析的理论如下:
[0012]主成分分析法要先确立p个评价指标,然后对每个指标采集n组数据,得到矩阵:
[0013][0014]然后采用Z
‑
score标准化方法对其处理得到矩阵Z＝(z
ij
)
n*p
,再按照式：
[0015][0016]求得相关系数矩阵,R＝(r
ij
)
p*p
；注意到相关系数矩阵等于协方差矩阵,因此有:
[0017]A
T
RA＝Λ＝diag(λ1,λ2,
…
,λ
p
)
[0018]式中:λ1,λ2,
…
,λ
p
为矩阵R的p个特征值；A＝(a
ij
)
p*p
,为p个特征值对应的规范正交特征向量；
[0019]令Y＝A
T
Z,写成矩阵的形式如下:
[0020][0021]式中:y
i
为第i主成分,且将主成分按数值由大到小依次排列；z1,z2,
…
,z
p
为矩阵Z中的n维行向量；对主成分矩阵Y进行协方差运算得：
[0022][0023]显然,第i主成分的方差等于其相对应的特征值,而任意两个不同主成分之间的相关性为零；至此,评价指标被主成分指标代替,原有指标体系内各评价指标之间的相关性被完全消除；为进一步简化指标集,定义主成分的y
i
方差对总方差的贡献率即为所求的波动权值；定义前m个主成分方差累计贡献率可见,ω
i
反映第i主成分指标承载原有指标体系信息量的百分比,ρ反映前m个主成分指标累计承载原有指标体系信息量的百分比；选取前m个主要成分来综合评价工程目标；
[0024]利用主成分分析法对各影响因素进行主成分分析,得到各影响因素的权重排序矩阵；
[0025]通过计算得到方差表和主成分载荷矩阵表；根据累计方差总贡献率大于85％来选取相应主成分的个数；各项影响因素的权重按照下式进行计算。
[0026][0027]式中:a
ij
表示对应第j影响因素第i个主成分的载荷值，看作是各主成分的占
比权重；σ
i
表示第i个主成分的方差贡献率，看作是各主成分的波动权重。k
j
表示第j个影响因素的最终权重指标，为各主成分占比权重的加权平均。
[0028]然而，根据分析对象的不同，主成分分析法尤其相对的适应性，需要通过KMO(Kaiser
‑
Meyer
‑
Olkin)统计量来检验对象是否适合用主成分进行分析；所述KMO检验，是用于比较变量间简单相关系数和偏相关系数的指标主要应用于多元统计的因子分析；
[0029][0030]式中:r
jk
是j元素与k元素的简单相关系数，p
jk
是j和k的偏相关系数；KMO统计量是取值在0和1之间；当所有变量间的简单相关系数平方和远远大于偏相关系数平方和时，KMO值接近1.KMO值越接近于1,意味着变量间的相关性越强，原有变量越适合作因子分析；当所有变量间的简单相关系数平方和接近0时，KMO值接近0.KMO值越接近于0，意味着变量间的相关性越弱，原有变量越不适合作因子分析；
[0031]Kaiser给出了常用的KMO度量标准:0.9以上表示非常适合；0.8表示适合；0.7表示一般；0.6表示不太适合；0.5以下表示极不适合。
[0032]进一步地，所述步骤S3的具体内容为：
[0033]首先对影响要素指标进行分类，从识别出来的影响因素与导致其发生变化的相关要素之间是否具有线性结构关系，能够将不同指标进行初步分类，其中具有线性关系的指标采用多元线性回归模型，不具有线性关系的指标，采取神经网络模型；
[0034]所述多元线性回归的具体内容为：设变量x1,x2,
…
,xp是p(p>1)个线性无关的可控变量，y是随机变量，他们之间的关系为：
[0035][0036]式中：b0,b1,
…
,b
p
，σ2都是待求的未知参数，ε为随机误差，这就是p元线性回归模型；
[0037]对变量x1,x2,
…
,x
p
和y作n次独立观察，可得容量为n的一个样本
[0038](x
i1
,x本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种配电网建设目标风险评估方法，其特征在于：包括以下步骤：步骤S1：采用系统动力学进行建设目标定义及影响因素识别分析；步骤S2：进行影响因素度量分析；步骤S3：进行影响要素指标值预测；步骤S4：进行风险评估。2.根据权利要求1所述的一种配电网建设目标风险评估方法，其特征在于：所述步骤S2的具体内容为：主成分分析法通常用来指标的降维处理,并且能够通过得到的方差贡献率和载荷矩阵计算出各指标的权重值；主成分分析的理论如下:主成分分析法要先确立p个评价指标,然后对每个指标采集n组数据,得到矩阵:然后采用Z
‑
score标准化方法对其处理得到矩阵Z＝(z
ij
)
n*p
,再按照式：求得相关系数矩阵,R＝(r
ij
)
p*p
；注意到相关系数矩阵等于协方差矩阵,因此有:A
T
RA＝Λ＝diag(λ1,λ2,
…
,λ
p
)式中:λ1,λ2,
…
,λ
p
为矩阵R的p个特征值；A＝(a
ij
)
p*p
,为p个特征值对应的规范正交特征向量；令Y＝A
T
Z,写成矩阵的形式如下:式中:y
i
为第i主成分,且将主成分按数值由大到小依次排列；z1,z2,
…
,z
p
为矩阵Z中的n维行向量；对主成分矩阵Y进行协方差运算得：显然,第i主成分的方差等于其相对应的特征值,而任意两个不同主成分之间的相关性为零；至此,评价指标被主成分指标代替,原有指标体系内各评价指标之间的相关性被完全消除；为进一步简化指标集,定义主成分的y
i
方差对总方差的贡献率即为所求的波动权值；定义前m个主成分方差累计贡献率可见,ω
i
反映第i主成分指标承载原有指标体系信息量的百分比,ρ反映前m个主成分指标累计承载原有指标体系
信息量的百分比；选取前m个主要成分来综合评价工程目标；利用主成分分析法对各影响因素进行主成分分析,得到各影响因素的权重排序矩阵；通过计算得到方差表和主成分载荷矩阵表；根据累计方差总贡献率大于85％来选取相应主成分的个数；各项影响因素的权重按照下式进行计算。式中:a
ij
表示对应第j影响因素第i个主成分的载荷值，看作是各主成分的占比权重；σ
i
表示第i个主成分的方差贡献率，看作是各主成分的波动权重。k
j
表示第j个影响因素的最终权重指标，为各主成分占比权重的加权平均。然而，根据分析对象的不同，主成分分析法尤其相对的适应性，需要通过KMO统计量来检验对象是否适合用主成分进行分析；所述KMO检验，是用于比较变量间简单相关系数和偏相关系数的指标主要应用于多元统计的因子分析；式中:r
jk
是j元素与k元素的简单相关系数，p
jk
是j和k的偏相关系数；KMO统计量是取值在0和1之间；当所有变量间的简单相关系数平方和远远大于偏相关系数平方和时，KMO值接近1.KMO值越接近于1,意味着变量间的相关性越强，原有变量越适合作因子分析；当所有变量间的简单相关系数平方和接近0时，KMO值接近0.KMO值越接近于0，意味着变量间的相关性越弱，原有变量越不适合作因子分析；Kaiser给出了常用的KMO度量标准:0.9以上表示非常适...

【专利技术属性】
技术研发人员：林剑，翁晓春，喻婧，陈雪，陈大才，郭智源，余定文，李继宇，林奕夫，赖举添，
申请(专利权)人：国网福建省电力有限公司，
类型：发明
国别省市：