基于大型能源类工程的项目风险评价研究

孙其伟，黄婷婷，宫 剑

（上海财经大学 a.信息化办公室;b.信息管理工程学院，上海 200433）

基于大型能源类工程的项目风险评价研究

孙其伟a，黄婷婷b，宫 剑a

（上海财经大学 a.信息化办公室;b.信息管理工程学院，上海 200433）

能源是一个国家经济社会发展的动力源泉，随着我国“十二五”规划的开展，经济持续稳定增长，对能源的需求量不断增加，大批能源类项目正在不断投资新建中，这些新兴的能源项目往往规模大、建设期长、投资额巨大。本文以大型能源类工程项目为研究对象，建立了相应的风险评价指标体系，提出了支持向量机和CART决策树相结合的综合评价方法，对该方法进行实证研究，并对某石化项目案例进行分析，获得了较好的评价效果。

能源;工程项目；风险评价；支持向量机；CART决策树

0 引 言

能源作为国民经济的支柱和社会发展的强大动力，是各产业运营的保障，能源类项目的兴建也受到了广泛关注。

目前我国正处于能源类工程项目扩张建设时期，较短时间内大量工程密集开工。由于大型工程类项目普遍具有一次性等特征，项目中的风险管理变得尤为重要。随着各大能源类工程项目建设规模的不断增大，风险所导致的损失程度也越来越惊人，建设过程中所涉及的不确定因素也日益增多。能源类项目因其产品的特殊性和环境的复杂性，不确定因素更多，潜在危险更加难以预测。如何充分认识项目中的风险并对其加以分析和评价对项目投资决策和建设至关重要，因此，迫切需要加强对大型能源类工程类项目建设过程中的风险管理。

国内外学者分别对能源类项目的风险管理和风险评价方法做了一定研究。能源类项目的风险管理研究始于20世纪中后期，Crayson首次将风险分析方法引入到石油工程项目中。R. Dahlgren（2003）将电力市场风险管理方面的文献大致归为7类，即：一般风险评估概念、竞价决策、电价预测、套期保值方法、电源规划、市场分析以及市场运行。Sergey P.Kolos，Ehud I.Ronn（2007）通过现货和期货价格来评估能源市场价格风险，证明了萨缪尔森效应。Dashan Huang等（2009）在原油的VaR模型基础上，介绍了一种新的指数加权移动平均模型，用来评价石油的市场价格风险。Nguyen（2007）在大量问卷的基础上对越南的石油和天然气项目进行研究，提出了一系列的重要风险因素，包括项目周期长、设计差、项目小组的组织能力差、投标失误和与业主沟通问题等。朱伟等（2000）对石油工程项目投资阶段的风险进行了评价，从外部环境风险和内不可控制风险两方面来进行风险划分，包括资源风险、市场风险、金融风险、社会风险、完工风险、经营管理风险和人员风险等。杨立东（2007）以哈尔滨石化分公司的MEK项目为实践对象，分析了该项目在建设、技术、生产、市场、财务和环境方面的风险因素，并分别提出了相关的风险防范措施，对石化工程项目的风险管理具有一定的参考作用。黄国英（2011）对能源类项目的投资风险进行研究，运用因子分析法提出了大型能源类项目的风险评价指标体系，从经济政策、资源、技术、环境和管理等角度分析其投资阶段的风险因素。

综合前人的研究结果，虽然对工程类项目的风险管理研究较多，但是以大型能源类项目为研究对象，针对其共性特征进行风险管理研究的文献较少。另外，现有文献对项目的投资风险研究较多，但其指标体系较少涉及工程项目建设过程中的风险因素，因此，对能源类工程建设期内的风险进行管理，建立相应的风险指标体系有待做进一步研究与完善。

对项目的风险评价方法从定性和定量的角度一般可分为多种，主要有决策树法、LEC（作业条件危险性评价法）、AHP（层次分析法）、模糊综合评价法、敏感性分析法、蒙特卡罗法、人工神经网络风险评价法、基于模糊相似优先的范例推理方法和SVM（支持向量机评价法）等。国内外多名学者对这些方法在项目风险评价中的应用进行了探究。Steven Pender（2001）和Hyo-Nam Cho（2002）提出运用通过风险测量、敏感性分析、概率分析和模拟技术等方法对风险出现的后果和概率及分布进行定量分析，为后来学者的研究起到指引作用。Prasanta Kumar Dey(2002)对大型建设项目中成本、工期、质量的风险评价进行研究，并将层次分析法和决策树法组合运用到实证分析中。Franck Marle等（2010）基于风险因素之间的相互作用对复杂项目中的风险评估进行研究，提出了可以识别两风险因素之间相互关系的风险结构模型（RSM），并用来解决项目风险聚类问题。张俊玲等（2004）对工程项目投资风险进行了分析，建立了房地产工程项目的评价指标体系，包括政策、城市规划、社会、市场、财务、金融、经营管理、营销策略、项目控制、实施技术、自然条件和区位条件12项风险，并应用BP神经网络建立风险模型进行实证研究。张丽霞，施国庆（2005）应用该指标体系，使用支持向量机（SVM）的方法对工程项目风险进行预测，但指标权值问题有待进一步探究。王翔等（2011）对项目风险做了进一步研究，将Labroche（2002）提出的蚁群簇聚类方法（AntClust）应用到工程风险评价中，并采用前文的指标体系和数据进行实证，测试结果一致，并解决了应用SVM方法在参数选择中的问题。孙宾等（2010）和孙军（2010）分别对模糊综合评价法进行研究，前者利用改进的模糊综合评价法对火电项目的投资风险进行了评价，利用加权平均法确定综合评价指标的计算，并将熵权法对权重的计算进行改进；后者对ERP厂商选择外包合作伙伴进行了风险评估研究。段利东（2010）对火电厂建设项目运营初期的风险进行评价，构建了建设期风险、政策性风险、运营过程风险、财务风险、环保风险、财务风险和可持续发展风险的指标体系，运用模糊综合评价法和层次支持向量机对风险进行评价，并提出了相应的规避建议方案。程铁信 等（2010）将CART决策树应用到水利项目招投标阶段的风险评价中。陈景辉（2011）将AHP法与G1法相结合对指标体系进行综合赋权，但是G1法对AHP法的改进仅是不需一致性检验从而降低复杂性，因此这种赋权法意义不大。

综上所述，神经网络、支持向量机等方法可以获得较好的预测效果，但只能得到最终的风险值，无法对风险影响因素进行识别；决策树等方法虽然直观性和可解释性较好，但泛化能力较差。并且神经网络方法和决策树方法都需要大量的样本数据作为基础，在样本较小的情况下适用性较差。因此，当实际项目中无法获得足够大的样本数据时，如何将定性方法与定量方法相结合，并得到直观解释结果的风险评价方法尚有待进一步研究。

本文在前人研究的基础上，综合国内外参考文献的指标体系和大型能源类项目的共性特征，建立了相应的全面风险评价指标体系，并在该指标体系基础上提出了SVM和CART决策树相结合的综合评价方法，该方法可以有效地将方法的泛化性和可理解性相结合，从而为决策者提供风险决策支持。

1 大型能源类工程项目风险评价模型

1.1 能源类工程项目风险指标体系的建立

本文采用专家调查法与统计分析法对工程项目的风险因素进行识别。首先通过与从事多年项目管理研究的学者和具有多年大型工程项目实际管理经验的专家进行研讨，并查阅总结相关文献，对风险因素进行了初步识别和归类，进而设计并发放了风险调查问卷，识别项目中可能存在的风险。

1.1.1 自然风险

自然风险主要是指施工项目中可能遇到的各类与人类活动无关的风险，这类风险往往破坏性大且后果严重，一般可分为可预测性风险和不可预测性风险。可预测性风险包括台风、暴雨、暴雪等可以提前预知的自然灾害；不可预测性风险包括洪水、地震、火山爆发、泥石流等难以事前预知的自然灾害。

1.1.2 社会风险

社会因素主要指社会政治经济等宏观环境对项目的影响。①产业政策影响：由于能源类项目是申报并批复后开展的大型工程类项目，项目实施情况与能源产业的相关政策密切相关，国民经济计划的调整、政府扶持产业导向的变化等都会对项目产生影响，严重时可能会导致已开工的项目难以继续进行，进而造成不可弥补的经济损失。②行业标准变化：行业标准是指该行业内统一使用的标准规范，这些标准的变化实施必然将对有关的项目在施工或验收方面产生影响。③利率税率变动影响：利率和税率的变动会对项目的资金周转等产生影响，继而产生成本方面的风险以及企业内部相关的财务风险，这些都会对能源类项目产生影响。④汇率变化影响：汇率变动可能会对进出口原材料的价格产生影响，导致工程收益发生变化。⑤市场价格变化：能源类产品价格的变动会影响能源市场的需求和收益，能源类工程项目也与其密切相关，具体表现为石油价格变动、电价变动等。据美国国家能源部统计，石油价格年均波动为37.8%~48.5%，电价波动高达359.8%，而我国发改委在近些年对成品油价格进行了多次调整，波动频率和幅度均较大。⑥通货膨胀：通货膨胀可能会对原材料的采购价格产生影响，进而对工程的成本和收益产生影响。⑦群体性事件：群体性事件主要指由某些特定矛盾激发导致特定人群临时聚集对社会造成负面影响的群体活动，这些事件会对项目的正常施工、工程进度等产生阻碍。

1.1.3 技术风险

包括项目施工和工艺中所涉及的技术，本文主要从以下几方面来进行分析：①勘测设计技术：对施工现场环境的勘测是项目得以顺利进行的保证，使用成熟的勘测技术实时监控现场条件的变化将对项目产生重要的影响。②技术选择风险：能源行业对技术依赖性大，技术和工艺的先进性和实用性直接影响了工程的生产效率和产品品质，例如水电、火电项目需要对热负荷预测、发电技术进行选择，石化项目对锅炉方案、催化裂化等技术进行选择。③施工技术难度：在对技术进行选择后，项目中具体技术的实施难度成为项目的主要风险因素，容易造成严重损失，需要对其进行严格控制。

1.1.4 资源风险

资源主要是指项目实施过程中的各项投入，主要包括人力、物力和财力等。①施工人员风险：施工队伍是项目的具体实施者，其到位情况对项目的进度产生影响，而施工人员的素质直接影响工程的效率和质量，是项目的重要人力资源保障。②设备风险：能源类项目因其行业的特殊性，涉及的大中型复杂设备众多，例如电力行业的三大主机、热控、辅机等，石化行业的油罐、储罐、排水阻油设备等，这些设备的良好管理直接影响其生产效率和使用寿命。③物资供应风险：工程物资需求量众多，物资的短缺或运输的延误会对项目的进度产生严重影响，需要与供应商做好沟通协调以保证物资的正常供应。④资金风险：大型工程项目投资额大，资金占用时间长，项目资金主要来自自筹经费、政府款项、合作方投资，以及融资获得的资金，可靠的资金来源是项目得以顺利完工的重要经济保障。

1.1.5 组织管理风险

企业的内部运营会直接影响项目的成败，包括企业的组织结构、管理者决策、相应制度、风险意识等。①财务绩效风险：企业的财务绩效情况影响项目的资金、物资等供应，对企业的资产负债表、现金流量表和利润表要严格监控，维持良好的财务状况。②组织运营风险：企业整体的组织结构影响着企业的运营管理，包括企业管理职能部门的划分，人员的组织和协调、决策的制定和实施、参与方的沟通和配合等。③法务合同风险：工程项目从招投标到最终的完工都涉及一系列的相关法务合同，涵盖了承建、工期、责任、资源等多方面，与项目管理重要因素都密切相关，对于风险责任的界定有重要的意义。④信息管理风险：现代项目均采用相关项目软件如P3软件等，进行进度、成本、质量等多方面的管理，有效地帮助项目方进行信息管理，保持信息的及时性、准确性和安全性有助于项目的实施和决策制定。

1.1.6 进度风险

进度是工程项目管理三大基本要素之一，是工程中需要严格计划控制的重要因素，大型能源类工程项目能否按时完工涉及每一个分包工程和子工序的进度控制。本文主要选取总进度完工风险和关键工序完工风险作为衡量指标，其中，总进度完工风险通过计算实际进度与计划进度的差值来进行衡量，关键工序完工风险通过计算关键工序实际进度与关键工序计划进度的差值来进行衡量。

1.1.7 成本风险

成本是项目经济因素的一个方面，前面已对资金供应等进行了讨论界定，这里的成本风险主要指工程款项的使用情况，即工程预算费用是否超支、成本控制情况等，主要通过计算成本绩效指数来衡量。

1.1.8 质量风险

工程项目的质量主要包括完工工序的合格情况和项目的安全质量等。

1.1.9 可持续发展风险

工程项目是一个长期建设使用运转的主体，在对其风险进行评估时，也需考虑其社会效益和环境效益，以及为投资企业创造的价值。本文主要从社会影响（即工程项目对社会环境造成的破坏）、企业收益风险（如水电、火电项目的持续供电风险，石化项目的产能风险）、环境风险（即项目产生的废水、废气、废渣等对环境造成的污染和项目施工造成周围环境稳态的破坏）3个方面进行风险衡量。

根据前面的风险识别和专家咨询，本文综合国内外参考文献的指标体系建立了大型能源类工程项目的全面风险评价指标体系，其中包含9个一级指标和31个二级指标，具体见表1。

表1 大型能源类工程项目风险评价指标体系

1.2 基于SVM和CART的风险评价方法

支持向量机作为机器学习的算法，具有更强的泛化能力，却因为其黑箱性而难以理解，而决策树算法因为分类结果显示为树型结构而具有良好的可理解性，但其泛化能力却比不上支持向量机。因此，本文将这两种算法相结合，首先使用支持向量机来预处理训练样本，然后再使用CART决策树算法来处理预处理后的样本并生成决策树，从而得到直观的风险分析图。

对于决策树方法，算法处理的有效样本数越多，那么算法对于特征空间的覆盖率将越大，即泛化能力更强。本文通过前文建立的SVM模型，采用可重复采样方法（Bootstrap Sampling）来对样本进行扩大，作为CART决策树模型的输入。这种方法增加了分类器集成的差异度，从而提高了泛化能力，主要有以下两个原因：一是利用支持向量机的泛化能力预处理原始训练集，使新的训练样本集包含了更多有助于预测分类的信息；二是从同样的样本集中，随机生成特征向量的方法提高了有效样本的数目，使得样本数得以满足决策树的训练要求。

本文将样本集中各项目风险因素的分值作为模型的输入，将项目的风险值作为模型的输出，对模型进行训练，得到决策树。CART决策树在众多属性中选择Gini系数最小的一个或多个属性作为树节点的分裂变量，把测试变量分到各分支中，重复该过程建立一棵充分大的初始分类树，然后用剪枝算法进行剪枝，得到一系列嵌套的分类树，最后用测试数据进行测试从而得到最优分类树。

本文的模型建立过程按以下步骤进行：

（1）对问卷数据进行处理，建立样本特征集S；

（2）选定部分样本作为模型训练集S1，剩下的样本作为模型测试集S2建立SVM分类模型M1；

（3）使用训练集S1对模型M1进行训练，选定SVM模型M1相应的核函数K(xi,x)和参数；

（4）用测试集的数据S2对SVM模型M1进行测试，测验证模型的精度；

（5）用训练好的SVM模型M1来生成新样本集S′，综合S和″形成新的样本集，作为决策树模型的输入；

（6）使用样本集S″来建立决策树模型M2，整个算法的最终显示结果为决策树。

整个建模过程如图1所示。

图1 基于SVM和决策树的模型构建流程图

1.2.1 建立特征集

通过对项目风险的评价，可以得到各二级指标的具体分值和项目总体风险值，因此，可以构建基于大型能源类项目风险指标体系的样本特征集S。

1.2.2 SVM模型训练

本文利用Matlab 7.1建立模型。在众多SVM软件中，台湾大学林智仁等人开发的LibSVM软件包较为简单、易用，且快速有效，故选用LibSVM 2.91-1来进行建立模型。

2014年是藏历马年和藏族人的转山之年，此所谓“马年转山，羊年转湖”。是年八月，笔者等一行五人在开展三江源环境保护项目工作之际，按照传统路线骑马穿越阿尼玛卿山。此时藏医学家、莫多寺的托美活佛率100多位阿尼(女僧)亦朝拜神山。也许是转山的功德，我们有幸在兴海县邂逅托美活佛，并且跨过蓝色的曲什安河，走进草原深处的曼巴扎仓。

设有n个项目数据，第i个项目中第j项指标中的评分为tij，该分值与权重ωj的乘积为rij，风险值为Ri,可以构建训练样本集S1，包括输入样本P和输出样本Q。

在训练中，需要确定模型的惩罚因子C和核宽度σ。目前还没有一个较有效的方法来确定这类参数，本文使用svmtrain内建的交叉验证法Cross Validation来进行参数选择，构建C-SVC模型如下：

优化函数：

决策函数：

其中，（w,b）∈Rn×R是控制函数的参数，决策规则由决策函数给出；C为惩罚因子，用于在结构风险和经验风险之间进行平衡；ξi为松弛变量，用于控制支持变量的个数和泛化能力的大小。

就函数拟合而言，径向基函数（Radial Basis Function，RBF）能使SVM以任意精度逼近非线性函数曲线，以将样本映射到一个更高维空间，可以处理当类标签和特征之间的关系为非线性时的样例，其函数拟合性优于多项式核函数。因此本文选用RBF核函数构建模型。此时，决策函数形式变为：

1.2.3 SVM模型测试

构建测试样本集S2，构建方法与步骤2相同，包括输入样本P軌和输出样本Q軒。

利用训练得到的最优模型M，输入测试样本P軌，得到预测值F，将其与真实值Q軒进行比较，计算出预测精度以评价模型的预测效果。

利用已建立的模型，本文通过Matlab来随机生成样本集，该样本集中含有m个项目各风险指标的分值，分值范围与前文的评分规则一致，这些分值与权重ωj相乘后即得到新的输入样本集P′：

将P′输入到已建立的SVM模型中，即可得到新的输出样本集Q′：

这些新样本集S′与原有样本集S即构成了新的样本集S″。

1.2.5 建立CART决策树模型

本文使用Matlab的treefit工具箱来建立CART决策树模型，以前文建立的样本集S″来对模型进行训练和测试，其中风险因素作为模型的输入，风险类型作为模型的输出，最终结果为显示决策树t，该树可以用来解释风险结果的相关规则。其中CART决策树的分支规则如下：在众多属性中选择Gini系数最小的一个或多个属性作为初始根节点，将测试变量分到各个分支中，然后重复该过程建立一棵充分大的树，并利用测试数据计算模型精度。

2 实证研究

2.1 数据获取

本文通过问卷调查的方式来确定指标体系的权重和风险评价值，该问卷主要分为3个部分：①项目的基本信息；②风险指标重要性的评判；③项目风险评分。

在初期调研中，共发放问卷50份，回收问卷34份，其中有效问卷28份。

2.2 基于SVM和CART的项目风险评价

2.2.1 建立特征集

利用问卷的28组数据，建立初步样本特征集S。在初步数据集的基础上，利用前面章节建立的指标体系权重对数据进行处理，结果作为模型的输入数据。其中，23组项目数据作为训练样本，5组项目数据作为测试样本。

2.2.2 SVM模型训练

本文使用LibSVM中的svmtrain来训练样本，产生Model文件，这就是我们建立的模型。在训练过程中对模型的惩罚因子C和核宽度σ，即确定SVM模型中的c和g，通过svmtrain内建的交叉验证法Cross Validation来进行参数选择，最终结果显示，当C=60，g=0.8时，模型的精度达到了86.4%，预测效果较好。

模型参数确定见表2。

根据建立的模型，最终结果如下：

偏置项系数为b=[0.211 75;-0.018 032;2.40 43]T，支持向量的个数为l=17，分别为1类风险6个，2类风险6个，3类风险5个。

2.2.3 SVM模型测试

下面使用前文中测试组的5组项目数据样本来进行测试，预测结果见表3。

结果显示，这5组测试集的数据全部预测成功，预测精度达到了100%。

表2 SVM模型参数设定

2.2.4 基于Bootstrap Sampling的样本扩大

利用已建立的模型，本文通过Matlab来生成80个新样本S′，这些样本与前文的28个样本共形成108个样本，作为CART决策树模型的输入S″。

表3 SVM模型预测结果

2.2.5 建立CART决策树模型

以前文建立的样本集S″来作为模型输入，首先选取S″中的98组数据来建立训练测试集traindataset，用剩下的10组数据建立测试数据集testdataset，通过调用treefit函数来建立决策树模型，通过调用treeval函数来利用建立好的模型进行预测，并计算分类精度DT_mean和DT_var，最终显示树结果如图2所示。

图2 基于SVM的CART决策树结果图

该决策树的精度为90.00%，var值为0.1，预测效果较好。

通过该结果分析可知，影响大型能源类项目风险的主要风险因素包括技术选择风险、预算超支风险、勘测设计的工作深度——现场条件的变化、通货膨胀、环境风险等风险因素。

2.3 对比分析

本文结合SVM和CART决策树算法的结果，采用两种方法进行对比分析。方法一是结合BP神经网络和CART决策树的方法；方法二是仅使用CART决策树方法进行分类。

2.3.1 基于BP神经网络和CART决策树算法的项目风险评价

本文通过建立BP神经网络与CART决策树相结合的算法来与前文的算法进行对比，初始数据集同样选用S，通过Matlab神经网络工具箱建立BP模型，经调试，建立了31个输入节点，8个中间节点和1个输出节点的神经网络模型，训练次数设为1 000，目标值为le-3，使用BP神经网络模型来生成80个新的样本，将这108个样本作为决策树的输入。决策树的训练样本和测试样本数量设置与前文一致，最终显示树结果如图3所示。

图3 基于BP神经网络的CART决策树结果图

该决策树的精度为70.00%，var值为0.233 3，预测效果比SVM与CART决策树相结合的方法差。

2.3.2 基于CART决策树的项目风险评价

考虑仅使用CART决策树算法来对样本进行训练和测试的情况，测试数据集为S，同样选用23组数据来进行训练，5组数据来进行测试，最终结果显示如图4所示。

图4 基于原始数据集的CART决策树结果图

该决策树的精度为80.00%，var值为0.20，预测效果比SVM加CART决策树方法差。另外，此棵决策树最终只显示两个风险指标作为影响因素，进一步说明了决策树在小样本时的解释实用性较差，需要基于大量数据才能得出更好的解释效果。

3 结论

本文在能源类工程项目大量兴建的背景下，对大型能源类工程项目建设过程中的风险因素进行识别和分析，并建立了相关的风险评价模型，总体来看，主要开展了以下3个方面的工作：

（1）从大型能源类项目风险管理和风险评价方法两个方面对前人的研究进行综述，并在此基础上提出大型能源类项目的风险评价指标体系，从自然风险、社会风险等多个角度对项目中的风险因素进行具体识别。

（2）基于小样本情况提出了SVM和CART决策树相结合的综合风险评价方法，并通过问卷调查的方式，获得了涵盖石化、火电、水电等相关能源类项目的数据，最后利用SVM较强的泛化能力和CART决策树的可理解性来对项目风险进行评价，从而为项目管理者对该项目的风险识别和评价提供了重要的参考依据。

（3）将本文提出的方法分别与CART决策树、神经网络与CART决策树相结合的方法进行对比分析，结果显示，本文的方法在分类精度和模型的可解释性方面均优于其他两种算法。

[1]黄国英.大型能源项目投资风险管理研究[D].西安：西安科技大学,2011.

[2]李柏年，吴礼斌.Matlab数据分析方法[M].北京：机械工业出版社，2012.

[3]李文富，郭树霞.基于BP神经网络的风电项目市场投资风险评价[J].华北电力大学学报:社会科学版，2011(12):95-97.

[4]苏晓影,贺跃,郑建军.一种基于神经网络集成的决策树构造方法[J].计算机仿真，2006(11):95-98.

[5]孙宾，曾勇红，孙利.改进模糊综合评判在火电项目投资风险分析中的应用[J].武汉大学学报:工学版，2010(2):194-197.

[6]孙军,等.基于模糊层次分析法的ERP厂商项目外包合作伙伴的评价与选择[J].项目管理技术,2010(5):73-76.

[7]张丽霞，施国庆.基于支持向量机的工程项目风险预测研究[J].计算机工程与应用，2005(21):224-226.

[8]朱伟,等.石油建设项目投资风险评价方法探讨[J].天然气工业，2000 (11):99-101。

[9]Franck Marle,Ludovic-Alexandre Vidal,Jean-Claude Bocquet.Interactions based Risk Clustering Methodologies and Algorithms for Complex Project Management[J].Internatioanl Journal of Production Economics,2010(11): 1-10.

[10]Nguyen Van Thuyet,Stephen O Ogunlana.Risk Management in Oil and Gas Cconstruction Projects in Vietnam[J].International Journal of Energy Sector Management,2007(1):175-194.

[11]R Dahlgren,C C Liu,J Lawarree.Risk Assessment in Energy Trading [J].IEEE Trans on Power Systems,2003(18):503-511.

10.3969/j.issn.1673-0194.2015.05.066

TP183

A

1673-0194（2015）05-0133-05

2014-12-22

上海市科学技术委员会科研计划项目（13dz1508402）。