國網(wǎng)甘肅省電力公司 劉旭東 國網(wǎng)酒泉供電公司 楊正宇

引言

黨的十八大以來黨中央高度重視全面從嚴(yán)治黨，不斷完善黨內(nèi)監(jiān)督機(jī)制，創(chuàng)新監(jiān)督手段，使得既有監(jiān)督技術(shù)又有治理功能的巡視巡察工作高效開展。十九大對巡視巡察工作的新部署，深入推進(jìn)了巡察監(jiān)督質(zhì)與量并行發(fā)展，使其成為新時代黨內(nèi)監(jiān)督和政治建設(shè)的重要戰(zhàn)略性制度安排。電力企業(yè)是關(guān)系國家經(jīng)濟(jì)和社會發(fā)展的支柱型產(chǎn)業(yè)，健全的巡察制度能夠有效解決基層監(jiān)督乏力和消除監(jiān)督盲區(qū)等難題，是提高公司治理水平、落實(shí)政治責(zé)任的重要抓手，是保障健康持續(xù)穩(wěn)定發(fā)展的重要基礎(chǔ)。

現(xiàn)階段我國研究者對巡察監(jiān)督機(jī)制的研究主要圍繞在路徑、優(yōu)勢、能效、存在問題及發(fā)展策略等方面，并呈現(xiàn)出經(jīng)典文獻(xiàn)解讀、政治原理詮釋和工作經(jīng)驗(yàn)總結(jié)三個視角。但大都是從理論和經(jīng)驗(yàn)角度分析和總結(jié)，且都聚焦于巡察工作實(shí)現(xiàn)困境及相應(yīng)對策等巡察的“前半篇”文章上，忽略了“后半篇”文章對巡察監(jiān)督成效的影響。鮮有巡察整改及運(yùn)用效果研究，也是針對某種具體巡察模式依靠經(jīng)驗(yàn)分析總結(jié)得出，主觀因素強(qiáng)。

葉春燕等[1]指出電力企業(yè)巡察整改工作中仍存在政治站位不高、主體責(zé)任落實(shí)不到位、要求把握不夠、整改推進(jìn)受阻和相關(guān)機(jī)制不完善、整改成效打折扣等問題，需要建立健全的量化評估機(jī)制精準(zhǔn)化整改；趙波等[2]認(rèn)為電力巡視巡察工作還存在認(rèn)識性、共識性、實(shí)踐性和實(shí)效性等問題，缺乏一個科學(xué)有效的評估機(jī)制，以檢驗(yàn)監(jiān)督運(yùn)行效果、檢查巡察目標(biāo)實(shí)現(xiàn)、提升成果運(yùn)用成效。

巡察監(jiān)督工作是信息生產(chǎn)、加工、傳輸和轉(zhuǎn)化的過程，監(jiān)督信息的利用率和處理效率直接影響巡察工作成效，運(yùn)用信息技術(shù)既能提升巡察工作效率，保證監(jiān)督全面性，又能打破巡察信息壁壘，實(shí)現(xiàn)信息互動互通。評估機(jī)制是一種運(yùn)用評價體處理監(jiān)督信息的治理工具，通過工作經(jīng)驗(yàn)總結(jié)、舉一反三功效及時發(fā)現(xiàn)機(jī)制設(shè)計(jì)不足，實(shí)現(xiàn)巡察運(yùn)行成果和整改情況的精準(zhǔn)化測評，為電力企業(yè)巡察監(jiān)督管理提供優(yōu)化決策依據(jù)，提高巡察效率。

深度學(xué)習(xí)、機(jī)器學(xué)習(xí)等先進(jìn)技術(shù)的迅速發(fā)展為“制度+科技”的智慧巡察機(jī)制研究添加了新發(fā)展動力，基于先進(jìn)信息處理技術(shù)的巡察監(jiān)督評估機(jī)制，通過梳理和分析大數(shù)據(jù)信息，更精準(zhǔn)、更快捷的發(fā)現(xiàn)問題、反映問題。因此，本文構(gòu)建基于機(jī)器學(xué)習(xí)的電力巡察監(jiān)督評估體系，從投入-過程-產(chǎn)出三個維度設(shè)計(jì)評估指標(biāo)，分析電力巡察監(jiān)督質(zhì)效進(jìn)行評價，精準(zhǔn)檢驗(yàn)巡察監(jiān)督機(jī)制運(yùn)行效果，針對不足之處提出發(fā)展策略，為電力公司巡察監(jiān)督薄弱環(huán)節(jié)管控提供依據(jù)。

1 電力巡察評估模型選擇與指標(biāo)體系構(gòu)建

1.1 電力巡察評估模型

科學(xué)有效的評估方法能及時發(fā)現(xiàn)電力巡察過程中存在的問題，是提高巡察質(zhì)量的重要保障。目前國內(nèi)針對電力巡察評估的研究鮮有，綜合分析近年來應(yīng)用較多的評價方法：加權(quán)平均法、模糊聚類法、層次分析法及灰色關(guān)聯(lián)法等方法，均存在主觀因素強(qiáng)、非線性描述差等問題。隨著人工智能的興起，基于神經(jīng)網(wǎng)絡(luò)的評價模型得到推廣，并取得了豐碩的成果，但存在結(jié)構(gòu)設(shè)計(jì)困難、易陷入局部最優(yōu)和結(jié)果穩(wěn)定性差等難題。支持向量機(jī)模型彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)算法的不足，提高了評價精度，但核函數(shù)和參數(shù)的確定比較困難。

上述模型側(cè)重于評價的精確性，沒有對評價結(jié)果可靠性分析，則單一評價方法很難得到滿意的結(jié)果。本文針對以往評估模型中存在的問題，將相關(guān)向量機(jī)引入電力巡察監(jiān)督中，構(gòu)建基于多核函數(shù)相關(guān)向量機(jī)（Multi kernel Relevance Vector Machine，MK-RVM）的電力巡察評估模型（圖1），建立評價指標(biāo)與電力巡察結(jié)果之間復(fù)雜函數(shù)關(guān)系，利用粒子群算法和遺傳算法優(yōu)化MK-RVM 參數(shù)，運(yùn)用置信區(qū)間對MK-RVM 評價結(jié)果進(jìn)行不確定性分析，保證評價結(jié)果的可靠性。改進(jìn)后的MKRVM 模型為評估方法提供了參考與借鑒，為電力巡察監(jiān)督管控提供了實(shí)踐依據(jù)。

圖1 POS-GA-MK-RVM 的電力巡察評估架構(gòu)

1.2 電力巡察評估指標(biāo)體系

本文根據(jù)專家咨詢、調(diào)查問卷和資料收集等多種方式，并結(jié)合相關(guān)文件及“4364”問題整改閉環(huán)體系，按照一致性原則，基于電力巡察全過程，構(gòu)建了“投入—過程—產(chǎn)出”三維度評估指標(biāo)（圖2）。投入維度考察巡察監(jiān)督機(jī)構(gòu)和責(zé)任主體的思想認(rèn)識和實(shí)踐行動；過程維度考察巡察監(jiān)督機(jī)構(gòu)和責(zé)任主體的制度與隊(duì)伍建設(shè)、整改落實(shí)與成果運(yùn)用以及協(xié)同聯(lián)動等推進(jìn)性。產(chǎn)出維度分析認(rèn)知度、成效度和滿意度等情況。

圖2 電力巡察評估指標(biāo)體系

2 多核函數(shù)相關(guān)向量機(jī)原理及優(yōu)化

2.1 MK-RVM 模型

RVM 是由Tipping 提出的一種機(jī)器學(xué)習(xí)方法，具有精度高、收斂速度快、參數(shù)少、稀疏性高、核函數(shù)不受條件限制等優(yōu)勢[3]。

假設(shè)樣本集D={Xi,Ti}Ni=1，Xi是輸入向量，Ti是目標(biāo)值，N 是樣本數(shù)，則RVM 回歸模型為：Ti=Y(X,W)=WiK(X,Xi)+εi，式中：K(X,Xi)為核函數(shù)；W 為權(quán)值，W=[W0,W1,…,WN]t，εi為滿足高斯分布的噪聲εi～N(0,σ2)。似然函數(shù)：P(T|W,σ2)=(2πσ2)-N/2exp{-1/(2σ2)‖T-ΦW‖2}，式中：T=(T1,T2,…,TN)，Φ 為核函數(shù)結(jié)構(gòu)矩陣，Φ=[φ(X1),φ(X2),…,φ(XN)]T，φ(X1)=[1,K(Xi,X1),K(Xi,X2),…,K(Xi,XN)]T。

通過上式得出W 和σ2，為避免擬合過渡，引入超參數(shù)α，運(yùn)用Gauss 先驗(yàn)分布賦予權(quán)重W 零均值，公式：輸入向量Xi和目標(biāo)值Ti的概率評估式為：P(T＊|T)=∫P(T＊|W,α,σ2)P(W,α,σ2|T)dWdαdσ2，根據(jù)貝葉斯理論調(diào)整得：P(W|T,α,σ2)=(2π)-(N+1)/2|Σ|-1/2exp{-1/2(W-μ)tΣ-1(W-μ)}，式中：Φ 為協(xié)方差，Σ=(σ2,ΦtΦ+A)-1；為權(quán)重平均值，μ=σ-2ΣΦtT，A 為超參數(shù)的對角矩陣，A=diag(a0,a1,…,aN)。

更新超參數(shù)和方差公式為：

式中：Σi為Σ的 第i個對角元素；γi=1-αiΣi。通過Mackay 迭代本公式得到超參數(shù)α 和方差σ2的估計(jì)值，更新μ 和Σ，滿足超參數(shù)值不變收斂要求時，得到σ 的最優(yōu)估值αMP和σ2MP。最后以Y＊作為X＊的輸出值計(jì)算相應(yīng)的輸出期望Y＊和噪音方差σ2，公式如下：

RVM 的性能取決于核函數(shù)特性，同一場景下不同核函數(shù)模型結(jié)果有所差異。受不確定性、非線性和外部環(huán)境等因素影響，單核函數(shù)在評估電力巡察監(jiān)督問題時精度不佳。楊柳等[4]將局部高斯核函數(shù)和全局多項(xiàng)核函數(shù)組合成混合線性加權(quán)核函數(shù)，通過實(shí)驗(yàn)證明：混合核函數(shù)模型性能優(yōu)于單核函數(shù)及改進(jìn)單核函數(shù)模型的性能。

本文線性加權(quán)混合核函數(shù)，建立基于多核學(xué)習(xí)的相關(guān)向量機(jī)模型，解決電力巡察監(jiān)督難題，提高模型評估精度和穩(wěn)定性。其線性加權(quán)組合核函數(shù)公式為式中：K 為核函數(shù)的個數(shù)；Ws為S 核函數(shù)的權(quán)重。多核函數(shù)線性組合構(gòu)造示意圖如圖3。

圖3 多核函數(shù)線性組合構(gòu)造圖

選取置信度為95%的置信區(qū)間，估計(jì)MKRVM 算法估計(jì)的和的置信區(qū)間，分析結(jié)果可靠性，公式如下：

式中：ε 為落在置信區(qū)間內(nèi)的樣本數(shù)；AV 為樣本i 的實(shí)測值；ρ1值越大，MK-RVM 模型評估結(jié)果的可信度越高；ρ2值越小，MK-RVM 模型評估結(jié)果的可靠性越高。

2.2 基于PSO-GA 算法MK-RVM 參數(shù)優(yōu)化

遺傳算法(genetic algorithm，GA)是一種通過復(fù)制、交叉和變異等操作獲得最優(yōu)解的超啟發(fā)式搜索算法。粒子群優(yōu)化(particle swarm optimiza_tion，PSO)是一種通過個體“學(xué)習(xí)”優(yōu)秀者仿真生物群體覓食行為的全局智能優(yōu)化算法[5]。PSO 算法具有更簡潔、更強(qiáng)智能性和更快速度等優(yōu)勢，但粒子位置是通過比較自身位置、周圍位置和最優(yōu)位置進(jìn)行更新的，模式單一，收斂速度慢，極易陷入局部極值。GA的進(jìn)化模式提高了解的多樣性，但求解過程中會產(chǎn)生冗余迭代，計(jì)算時間長，求解效率低。因此，結(jié)合GA 和PSO 算法實(shí)現(xiàn)應(yīng)用及優(yōu)化效果優(yōu)勢互補(bǔ)，能夠極大地提高算法效率。

本文根據(jù)GA 和PSO 算法以往研究在比例分配和信息傳遞的不足，設(shè)計(jì)了一種改進(jìn)PSO-GA 算法，主要有以下特點(diǎn)：層次性，PSO 對種群個體代數(shù)后只選取最優(yōu)粒子M 進(jìn)行遺傳操作；兩次信息傳遞，PSO 選取最優(yōu)個體作為GA 初始種群為第一次信息傳遞，GA 操作后運(yùn)用PSO 對個體的速度和位置進(jìn)行更新為第二次信息傳遞，其優(yōu)化過程如圖4。

圖4 PSO-GA 算法優(yōu)化過程圖

具體步驟如下：

（1）初始化粒子群個數(shù)pop_size、最優(yōu)粒子個數(shù)M、GA交叉概率pc和變異概率pm和粒子最大速度v_maz 參數(shù)；（2）生成粒子群個數(shù)pop_size，計(jì)算目標(biāo)函數(shù)值；（3）令混合算法進(jìn)化代數(shù)gen=1；（4）判斷gen 是否≤max_gen，若是進(jìn)行步驟（5），否則轉(zhuǎn)到步驟（14）；（5）令PSO 進(jìn)化代數(shù)k=1；（6）判斷k 是否≤max_k，若是進(jìn)行步驟（7），否則轉(zhuǎn)到步驟（9）；（7）根據(jù)以下公式對粒子的位置和速度進(jìn)行更新。

（8）按目標(biāo)函數(shù)值排序pop_size，選取M 個最小粒子；（9）令k=k+1，轉(zhuǎn)到步驟（6）；（10）根據(jù)位置值由公式生成pop_size-M 個GA 個體；（11）根據(jù)以下公式通過pc、pm進(jìn)行交叉和變異。

（12）將pop_size-M 和M 結(jié)合，組成新的pop_size 粒子；（13）令gen=gen+1，轉(zhuǎn)到步驟（4）；得出最優(yōu)解。

3 算例分析

為驗(yàn)證本文所構(gòu)建方法的合理性和有效性，以某電力公司巡察機(jī)制運(yùn)行效果為例進(jìn)行評估。對不足之處提出針對性的發(fā)展優(yōu)化策略。電力公司巡察辦組織相關(guān)部門和基層單位對巡察全過程工作情況展開研討、座談和測評，根據(jù)電力巡察質(zhì)量評分表進(jìn)行0～1打分，具體信息如表1。并將樣本分成訓(xùn)練集（占2/3，共15個樣本數(shù)據(jù)）和測試集（占1/3，共7個樣本數(shù)據(jù)）進(jìn)行電力巡察評估。

表1 電力公司巡察監(jiān)督質(zhì)量樣本數(shù)據(jù)

3.1 MK-RVM 模型的構(gòu)建

根據(jù)現(xiàn)有常用核函數(shù)選擇適用于電力公司樣本數(shù)據(jù)的核函數(shù)，如表2，然后根據(jù)公式(X,Xi)進(jìn)行混合核函數(shù)的線性組合。采用PSO-GA算法通過訓(xùn)練數(shù)據(jù)的學(xué)習(xí)優(yōu)化MK-RVM 模型，確定最優(yōu)參數(shù)：[0.62，0.273，0.891]，將最優(yōu)參數(shù)代入模型求解出αMP、σ2MP和Σ 等參數(shù)，最后將所有參數(shù)代入公式（1），完成MK-RVM 模型的構(gòu)建。

表2 選擇核函數(shù)

3.2 結(jié)果可靠性與評估精度分析

將訓(xùn)練樣本和測試樣本向量Xi=[X11,X12,…X34]輸入到MK-RVM 模型中進(jìn)行評估，結(jié)果如表3，并得出電力巡察質(zhì)量期望Y`和σY，將其代入公式（2）中，繪制評估結(jié)果的95%置信度置信區(qū)間圖，如圖5。

表3 電力巡察質(zhì)效評估結(jié)果

選取最大相對誤差（maximum relative error，MaxRE）、平均相對誤差（mean relative error，Meare）和均方根誤差（root mean square error，RMSE）（相關(guān)計(jì)算式如公式3）作為評估精度指標(biāo)，并根據(jù)后驗(yàn)差比和小誤差概率劃分成4個精度等級，如表4所示，分析測試集評估結(jié)果，如表5所示。

表4 電力巡察評估精度等級

表5 電力巡察評估精度及可靠性指標(biāo)

由表4可知，電力公司巡察監(jiān)督工作評估結(jié)果為“好”，且由后驗(yàn)差比和小誤差概率確定的評估結(jié)果等級驗(yàn)證了本文所構(gòu)建的MK-RVM 模型的高精度性。由圖5可知，訓(xùn)練和測試樣本的實(shí)際值均在MK-RVM 模型的95%置信區(qū)間內(nèi)，表明了評估結(jié)果的可靠性。

圖5 評估結(jié)果置信區(qū)間圖

3.3 優(yōu)化策略

雖然電力公司巡察的評估結(jié)果為“好”，但在評估過程中，通過表3的質(zhì)效評估結(jié)果分析出該電力公司在巡察隊(duì)伍建設(shè)、巡察協(xié)同及聯(lián)動性、巡察工作方式和整改與運(yùn)用機(jī)制等方面仍需改進(jìn)和完善，現(xiàn)針對不足之處提出針對性的優(yōu)化策略。

創(chuàng)新電力巡察方式方面，有機(jī)結(jié)合“常規(guī)”、“專項(xiàng)”、“機(jī)動式”等多種方法，通過“提級”和“交叉”巡察解決“人情社會”難題。電力巡察隊(duì)伍建設(shè)方面，建立一體化的信息管理平臺，拓寬巡察信息共享范圍，加強(qiáng)部門和人員之間的交流溝通，破除“信息壁壘”。強(qiáng)化巡察干部的管理職能，將干部考評、晉級與巡察工作聯(lián)系起來，建立一套客觀、可量化的電力巡察干部標(biāo)準(zhǔn)。

巡察協(xié)同及聯(lián)動性方面，推動巡察機(jī)制的協(xié)調(diào)性，建立上下聯(lián)動的巡察戰(zhàn)略。上下聯(lián)動的巡察機(jī)制能集約化監(jiān)督資源，使其成為有機(jī)整體，增強(qiáng)巡察過程中部門之間的聯(lián)動性，提高巡察監(jiān)督工作的可操作性，避免巡察制度間的摩擦。

巡察整改與運(yùn)用方面，不斷完善巡察問題責(zé)任制，在進(jìn)行巡察問題整改時要明確整改責(zé)任人，并且要規(guī)定整改時限和效果，同時設(shè)置獎罰標(biāo)準(zhǔn)。建立反饋問題申訴機(jī)制，明確巡察工作指向，使其更加具有科學(xué)化。對巡察結(jié)果信息的公開設(shè)置合理的密級，使電力巡察工作既能發(fā)現(xiàn)和解決問題，又能把握界限，充分激發(fā)政治活力和工作動力，避免“動輒得咎”。

4 結(jié)語

研究電力巡察監(jiān)督機(jī)制，推動電力巡察高質(zhì)量發(fā)展，對建設(shè)具有中國特色、國際領(lǐng)先水平的能源企業(yè)有重要意義。因此本文構(gòu)建了基于線性混合核函數(shù)和遺傳算法與粒子群算法優(yōu)化參數(shù)的多核相關(guān)向量機(jī)模型，對電力巡察監(jiān)督質(zhì)效進(jìn)行評估，通過案例數(shù)據(jù)分析了該模型評估結(jié)果的可靠性和精確度，得出以下結(jié)論。

精度性?；诟倪M(jìn)的MK-RVM 模型的某電力公司巡察評估結(jié)果的最大相對誤差、平均相對誤差、均方根誤差和后驗(yàn)差比的值均較小，小誤差概率值更趨于1，得出的巡察工作的評估等級為“好”。

可靠性。某電力公司巡察訓(xùn)練樣本和測試樣本的實(shí)際值均在基于MK-RVM 的電力巡察評估模型估計(jì)結(jié)果的95%置信度的置信區(qū)間內(nèi)，從而驗(yàn)證了評估結(jié)果的可靠性，所構(gòu)建的模型具有高精度和高可靠性。