基于Light GBM与组合赋权的库存电表资产精益化管理

杨玉，侯星晨，宋亚珍

摘  要： 为提高电能表库存资产管理水平，以某公司各县级库房为例，分析库房管理风险和资产账实风险。使用Light GBM算法建立异常资产识别模型，能在电能表计量数据中准确识别出异常的电表资产，准确度达91%，查全率为72%。构建库房风险评价指标体系，使用组合赋权评价库房管理风险，评价结果与预期一致。该方法可支撑库房资产盘点和库房管理绩效考核，提升库存管理的智能化程度。

关键词： 电能表; 库存资产; Light GBM算法; 组合赋权

中图分类号：TM9          文献标识码：A     文章编号：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，随着城镇化的不断推进，电力资产拆回和新资产配置业务激增，库存资产管理压力增大，各网省频繁曝出资产账实不一致情况，传统的库存管理方式已经难以支撑现今的库存管理工作，亟待新的管理方式和技术的出现。张伟昌等提出构建资产全寿命周期管理法案，明确管理职责，优化组织结构[1-2]。部分学者基于资产全寿命周期管理的视角，分别从资产状态、可靠性、LCC等方面提出评估和风险管控方案[3-7]。但这些研究的重点是对运行资产的风险管控，缺少对库存资产的研究。

鉴于此，本文以某公司库存电能表为例，使用Light GBM和组合赋权方法，分别构建异常资产识别模型和库房风险评估模型，预测异常电表资产和评价库房管控水平，为资产盘点和库房管理提供支撑，同时也可为电网资产全寿命周期管理和库存资产研究提供参考。

1 现状分析

现有的电力计量自动化系统主要包括三部分，营销系统、采集系统和MDS系统，三大系统上存储了资产的状态信息和流程信息。这些特征信息蕴含了资产异常和库存风险的判别规则，结合现有业务流程，通过对这些特征数据的挖掘，实现对异常资产的精确识别和对库房的准确评价。

2018年6月25日对全省各库存单位的电能表盘点，发现有235799块电表丢失，平均丢失率为21%，其中最大丢失率为74.4%，表丢失情况严重。2020年对部分市县公司进行核查，发现盘亏表6613块，占盘点总量的15%，丢表数量仍然较多。详细指标数据如表1所示。

2 异常资产识别模型

电能表账实不一致可分为账上有表实际无表和账上无表实际有表，本文只分析前者，后者属于计量问题，在此不与讨论，后文所指账实不一致仅指账上有表而实际无表。

2.1 特征构建

账实不一致的原因主要由于不规范的库存管理导致，如表出库未记录、表摆放混乱无法找到等。据此，结合不同电能表的使用频率的差异，以营销电能表档案为基础，结合电能表库房流转流程，构造异常资产识别特征。详细的特征信息如表2所示，其中前九个为样本特征，最后一个为样本标签。

2.2 Light GBM算法介绍

异常资产识别本质是根据资产特征分类资产的类别，即区分是否异常。此分析是一个典型的二分类问题，本文对多种有监督算法进行了测试，其中Light GBM算法表现最好。

LightGBM 是一种梯度提升决策树框架，相较决策树算法，该模型降低内存使用率、有更好的准确性，能够处理大规模数据。Light GBM通过控制叶子节点数量及树的深度来避免模型过拟合问题，计算代价小，并且使用基于直方图的决策树算法进行特征选择，极大的降低计算和存储成本。其中，GBM（Gradient Boosting Machine）即梯度提升树，隶属于Boosting算法。Boosting算法的核心内容可由公式⑴体现。

[fx=q=1QαqT（x，θq）]  ⑴

其中，f（x）为训练样本对应目标值;Q为基学习器的个数;[αq]为第q个基学习器的权重系数;[θq]为学习器分类的参数;[T（x，θq）]为参与学习训练的第q个基学习器。

2.3 模型训练与测试

抽取目前已有的25535条数据，其中有1166个盘亏表和24369个盘平表。对数据进行清洗构建专家样本，采用分层抽样将数据拆分为训练集和测试集。最优分类模型中各指标的重要性如图1所示。由图1可知表龄、首次运行时长和状态持续时长的重要程度较高，表明异常和正常电表在这些指标上差异较明显。

使用测试集测试模型得到混淆矩阵如表3。总数234个异常样本中，模型能识别948个，异常样本的查全率为72%，准确度为91%。正常样本的查全率为99%，准确度为98%，总体准确度为98%。由于异常样本数据量较小，异常样本查全率的大幅度提高需要更多的盘点结果支撑。

3 库房风险评价模型

3.1 指标体系构建

以电能表、周转柜和计量点去评估库房风险，其中电能表从资产、存储、状态、配送、运行和拆回五个状态去考虑，周转柜从入库率、应用率两方面去衡量，结合业务专家的工作经验，分解库房风险评价指标，构建层次指标。如图2所示。

3.2 组合赋权方法介绍

使用最小信息熵综合熵权法和特征向量法，以组合权重对库房管理进行评价。

⑴ 特征向量法

特征向量法是一种主观评价方法，主要利用指标的判断矩阵。记[A]为指标间的相对重要性评价，则有以下矩阵：

A = [a11a12a21a21La1nLa2nMMan1an1MMLann]  ⑵

由于[aij≈wi/wj]，则[Aw≈nw]，即[（A-nE）w=0]，可得：[Aw*=λ*max]，对[w*]进行归一化，即可得权重。

⑵ 最小信息熵

综合指标的主观权重[w1j][w1j]和客观权重[w2j][w2j]可得组合权重[wj]与[w1j][w1j]和[w2j]应尽可能接近。利用信息熵原理，使用拉格朗日乘子法优化可得计算式⑶。

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

3.3 库房评价

从营销和MDS数据库中抽取2020年12月份的104个市县单位统配的电能表、周转柜的资产信息。通过专家沟通获得各指标的相对重要性判断矩阵，使用特征向量法从对各指派进行评价。但特征向量赋权主要依赖专家的业务经验，在指标的重要性对比上容易引人个人偏好，造成指标权重与实际的偏差。因此，引人熵值法，通过数据自身蕴含的信息量大小去划分指标的权重分布。其中指标权重如表4所示。

通过综合赋权对各评价结果进行评价，评价结果如图3所示。

观察各市县单位的综合评分分布情况，绘制地市评分的箱线图如图3所示，图中小白圆点为地市评分离群点，可以看出单位4可库房总体评分相对较好，单位1与单位5整体情况相对较差。结果与业务专家估计一致。

4 结束语

本文以某省公司电力资产为例，分别构建异常资产识别模型和库房风险评价模型，通过业务梳理构建了异常资产识别特征集和库房风险层次评价指标体系，结合数据验证发现如下结论：异常资产有潜在的识别规律，通过Light GBM算法可以给出较为精准的预测;异常资产和正常资产在表龄、第一次运行时长和状态持续时长上的区别较大;库房风险评价可通过电能表、计量点和周转柜的数据去评价;使用最小熵权法组合熵值法和特征向量法能取得更好的效果。

参考文献（References）：

[1] 张伟昌，蒋秀芳，孟祥君，等.基于大数据分析的电网资产信息评估系统研究[J].自动化与仪器仪表，2018（11）：50-52，57

[2] 齐立忠，徐雪松.资产全寿命周期管理体系标准化建设思路[J].标准科学，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，Fotuhi-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，张馨月，等.基于数字化技术的电网资产管理关键技术及应用[J].电网技术，2018，42（9）：2742-2751

[7] 任晓龙，戴光，耿泽飞.基于图数据库的电力资产画像技术研究[J].电网与清洁能源，2017，33（11）：59-62，69