論文摘要：正確分析和評價電力企業信息化水平，對于提高電力行業的整體信息化水平，增強電力企業的競爭力，具有重要的現實意義。通過應用BP神經網絡理論，對電力企業信息化水平進行綜合評價，建立了評價體系的數學模型。該模型在收斂速度、網絡適應能力方面是可行的、適用的。實驗結果表明：該模型克服了傳統電力企業信息化水平評價過程的復雜性，具有方便準確、可靠.快速的特點，辨識精度高。

論文關鍵詞：BP神經網絡 電力企業 信息化水平 評價 指標體系

0引言

電力行業是國內應用信息技術較早的行業之一，先后經歷了生產過程自動化、管理信息化等建設階段。目前，電力信息化呈現出基礎設施齊備、數據龐雜、應用廣泛等特點，已從量化范疇提升到質的高度。對電力企業進行有效的信息化評價和管理，是提升信息化水平和實現企業信息化可持續發展的重要保障。

如何積極開展信息化建設來降低運營成本?通過何種指標來科學評價我國電力企業的信息化發展水平?這是當前電力行業必須解決的一個問題，而目前我國還沒有一套完整的電力企業信息化水平評價指標體系正式發布。通過構建科學、實用、有效的電力企業信息化水平評價體系，采用具有學習、記憶、歸納、容錯及自學習、自適應能力的BP神經網絡算法，科學、有效、客觀地評價電力企業信息化水平，有利于規范和完善電力企業信息化建設，促進電力信息化健康，快速地發展。

1電力企業信息化水平評價指標體系的建立

1.1建立的原則

(1)簡明科學原則。評價指標體系應明確反映電力企業信息化水平高低與指標間的關系，避免無關的指標列入，指標體系的大小也應適宜。若評價指標體系過大、指標層次過多、指標過細，則勢必將評價者的注意力吸引到細小問題上;而若評價指標體系過小、指標層次過少、指標過粗，則不能充分反映和評價電力企業信息化的整體設計與使用情況。

(2)公正合理原則。即評價指標應能客觀、公正、合理地體現電力企業信息化水平的動態性。

(3)易于操作原則。評價指標體系在實際應用中應具有可操作性，指標含義明確、可靠，數據易于收集，可供不了解指標體系建立過程的人員進行操作與應用。

(4)以定量指標為主，輔以一定的定性指標。評價指標盡可能以定量指標為主，但全部采用定量指標也不能完全反映電力企業信息化水平的整體情況，所以要輔以一些描述性的定性指標。

1.2指標體系的內容

結合電力企業信息化水平評價指標體系建立的原則，從3個層次來構建電力企業信息化水平評價指標體系，主要由業務支持程度、IT績效水平、信息技術水平、IT管理能力、IT持續發展能力等五大方面構成，如表l所示。

1.3指標值的確定及歸一化處理

在上述55個三級指標中，有定性指標和定量指標之分。根據指標的評價準則又可分為3類指標：正向指標、負向指標和優化指標。由于不同的指標從不同側面反映電力企業信息化水平，指標之間又由于量綱不同，所以無法進行比較。因此，為了便于最終評價值的確定，需要對各指標進行無量綱化處理，即對評價指標做標準化、正規化處理，以便消除指標量綱的影響?？紤]神經網絡訓練的收斂問題，對所有指標分3種情況進行無量綱化處理。

(1)定性指標。定性指標有工程建設情況、信息安全措施、信息安全制度的完善程度、信息安全制度的執行情況、企業職工IT素質等。這些指標的評價值采用專家打分的辦法進行評價，取值為0.0～1.0之間。

(2)正向定量指標。是指標值越大越好的指標，包括：設備的運行率、安全運行時間、物資供應保障率、勞動生產率、網絡覆蓋率、聯通率等。因這類指標越大越好，故選用所有電力企業的最大值為該指標的理想值，進行無量綱化處理。

(3)負向定量指標。是指其值越小越好的指標，包括采購成本、生產成本、平均響應時間等。這類指標是越小越好，因此，選取所有電力企業的最小值為該指標的理想值，并進行無量綱化處理。

(4)優化指標。是指標具有一個最優的取值范圍，太大或太小都不好的指標，包括電力企業資產負債率指標，該指標如果太大說明企業在信息化投資建設中將會出現資不抵債的情況，不利于電力企業的發展;如果該指標值很小則說明在企業信息化建設中沒有發揮有限資本的價值。一般該指標取40%～60%比較理想，然后進行無量綱化處理。無量綱化處理方法如下：

(1)有量綱向無量綱的轉化。采取一種二次拋物偏大型分布的數學模型描述：

(2)無量綱指標的處理。采取線性遞增函數進行描述:

2電力企業信息化水平評價的神經網絡專家系統

2.1 BP神經網絡的基本原理

人工神經網絡(ANN)是由大量簡單的處理單元組成的非線性、自適應、自組織系統，它是在現代神經科學研究成果的基礎上，試圖通過模擬人類神經系統對信息進行加工、記憶和處理的方式，設計出的一種具有人腦風格的信息處理系統。它可廣泛應用于預測、分類、模式識別和過程控制等各種數據處理場合，相對于傳統的數據分析處理方法，更適合處理模糊、非線性和模式特征不明確的問題。

BP神經網絡是單向傳播的多層前向神經網絡，網絡可分為輸入層、中間層(隱含層)和輸出層，其中輸入和輸出都只有1層，中間層可有1層或多層。同層的網絡結點之間沒有連接，每個網絡結點表示一個神經元，其傳遞函數通常采用Sigmoid型函數。每對神經元之間的連接上有一個加權系數W，它可以加強或減弱上一個神經元的輸出對下一個神經元的刺激。這個加權系數通常稱為權值，修改權值的規則稱為權值算法。建立在BP神經網絡基礎上的專家系統根據一定的算法，通過對樣本數據的學習確定網絡權值。神經網絡專家系統的權值確定、結構穩定后，就可以處理新的數據，給出相應的輸出。

2.2基于BP網絡的電力企業信息化水平評價的學習過程

BP神經網絡電力企業信息化水平評價模型中，輸入層包含55個神經元，分別接受55個電力企業信息化水平評價中三級指標的樣本數據輸入;中間層包含26個神經元;輸出層有1個神經元，就是電力企業信息化水平評價結果，相應的BP網絡結構如圖1所示。

由于神經網絡各層的初始連接權值是任意的，必須先對神經網絡進行訓練，使電力企業信息化水平評價結果的實際輸出與期望值的偏差盡可能小。BP神經網絡通過訓練將學習樣本的真實值與網絡輸出的誤差反向傳播到各層的神經元，采用梯度下降法不斷調節各層的權值，減小因權值帶來的偏差，從而使訓練樣本真實輸出與網絡輸出的誤差控制在設定的0.001誤差范圍內。具體BP神經網絡學習過程如下：

(1)根據電力企業信息化水平評價指標要求，提供訓練集。選人對網絡輸出即電力企業信息化水平有影響的三級指標x1，x2，……，x55作為輸入自變量，以此確定輸入節點的個數(本網絡有55個輸入節點);

(2)進行初始化。置所有權值為隨機任意小，給定學習精度￡一10，目標誤差為0.001，讀入網絡初始權重及學習樣本。這里可通過對電力企業300名職工開展問卷調查，隨機抽取前100組記錄(樣本序號為1～100)作為神經網絡辯識模型的訓練樣本;

(3)按BP算法訓練網絡。學習過程流程如圖2所示;

(4)判斷學習精度是否達到要求，如達到轉入下一步執行;否則返回上一步繼續學習;

(5)儲存并輸出權值。利用訓練好的網絡進行測試(采用10個樣本記錄為例)，輸出電力企業信息化水平的最終評價結果。

3實驗結果及分析

采用BP神經網絡對電力企業信息化水平進行辨識，輸入層、隱含層和輸出層的結點數分別為55×26×1。根據經驗和試驗，前100組記錄用作學習樣本，作為訓練神經元連接權值用，學習精度￡=1×10;后10組(樣本序號為291～300)樣本作為測試檢驗用。經過反復多次學習，其學習結果(測試)如表2所示。

4結語

基于BP神經網絡的電力企業信息化水平評價能夠充分利用樣本的有關信息和數據，通過高度的非線性映射，揭示電力企業信息化水平與其影響因素之間的內在作用機理，從而克服了電力企業信息化水平評價中建模和求解難的問題，弱化電力企業信息化水平評價指標權重確定過程中人為因素的影響，從而保證電力企業信息化水平評價結果的客觀性和公正性。