论文摘要：正确分析和评价电力企业信息化水平，对于提高电力行业的整体信息化水平，增强电力企业的竞争力，具有重要的现实意义。通过应用BP神经网络理论，对电力企业信息化水平进行综合评价，建立了评价体系的数学模型。该模型在收敛速度、网络适应能力方面是可行的、适用的。实验结果表明：该模型克服了传统电力企业信息化水平评价过程的复杂性，具有方便准确、可靠.快速的特点，辨识精度高。
论文关键词：BP神经网络 电力企业 信息化水平 评价 指标体系
0引言
电力行业是国内应用信息技术较早的行业之一，先后经历了生产过程自动化、管理信息化等建设阶段。目前，电力信息化呈现出基础设施齐备、数据庞杂、应用广泛等特点，已从量化范畴提升到质的高度。对电力企业进行有效的信息化评价和管理，是提升信息化水平和实现企业信息化可持续发展的重要保障。
如何积极开展信息化建设来降低运营成本?通过何种指标来科学评价我国电力企业的信息化发展水平?这是当前电力行业必须解决的一个问题，而目前我国还没有一套完整的电力企业信息化水平评价指标体系正式发布。通过构建科学、实用、有效的电力企业信息化水平评价体系，采用具有学习、记忆、归纳、容错及自学习、自适应能力的BP神经网络算法，科学、有效、客观地评价电力企业信息化水平，有利于规范和完善电力企业信息化建设，促进电力信息化健康，快速地发展。
1电力企业信息化水平评价指标体系的建立
1.1建立的原则
(1)简明科学原则。评价指标体系应明确反映电力企业信息化水平高低与指标间的关系，避免无关的指标列入，指标体系的大小也应适宜。若评价指标体系过大、指标层次过多、指标过细，则势必将评价者的注意力吸引到细小问题上;而若评价指标体系过小、指标层次过少、指标过粗，则不能充分反映和评价电力企业信息化的整体设计与使用情况。
(2)公正合理原则。即评价指标应能客观、公正、合理地体现电力企业信息化水平的动态性。
(3)易于操作原则。评价指标体系在实际应用中应具有可操作性，指标含义明确、可靠，数据易于收集，可供不了解指标体系建立过程的人员进行操作与应用。
(4)以定量指标为主，辅以一定的定性指标。评价指标尽可能以定量指标为主，但全部采用定量指标也不能完全反映电力企业信息化水平的整体情况，所以要辅以一些描述性的定性指标。
1.2指标体系的内容
结合电力企业信息化水平评价指标体系建立的原则，从3个层次来构建电力企业信息化水平评价指标体系，主要由业务支持程度、IT绩效水平、信息技术水平、IT管理能力、IT持续发展能力等五大方面构成，如表l所示。
1.3指标值的确定及归一化处理
在上述55个三级指标中，有定性指标和定量指标之分。根据指标的评价准则又可分为3类指标：正向指标、负向指标和优化指标。由于不同的指标从不同侧面反映电力企业信息化水平，指标之间又由于量纲不同，所以无法进行比较。因此，为了便于最终评价值的确定，需要对各指标进行无量纲化处理，即对评价指标做标准化、正规化处理，以便消除指标量纲的影响。考虑神经网络训练的收敛问题，对所有指标分3种情况进行无量纲化处理。
(1)定性指标。定性指标有工程建设情况、信息安全措施、信息安全制度的完善程度、信息安全制度的执行情况、企业职工IT素质等。这些指标的评价值采用专家打分的办法进行评价，取值为0.0～1.0之间。
(2)正向定量指标。是指标值越大越好的指标，包括：设备的运行率、安全运行时间、物资供应保障率、劳动生产率、网络覆盖率、联通率等。因这类指标越大越好，故选用所有电力企业的最大值为该指标的理想值，进行无量纲化处理。
(3)负向定量指标。是指其值越小越好的指标，包括采购成本、生产成本、平均响应时间等。这类指标是越小越好，因此，选取所有电力企业的最小值为该指标的理想值，并进行无量纲化处理。
(4)优化指标。是指标具有一个最优的取值范围，太大或太小都不好的指标，包括电力企业资产负债率指标，该指标如果太大说明企业在信息化投资建设中将会出现资不抵债的情况，不利于电力企业的发展;如果该指标值很小则说明在企业信息化建设中没有发挥有限资本的价值。一般该指标取40%～60%比较理想，然后进行无量纲化处理。无量纲化处理方法如下：
(1)有量纲向无量纲的转化。采取一种二次抛物偏大型分布的数学模型描述：
(2)无量纲指标的处理。采取线性递增函数进行描述:
2电力企业信息化水平评价的神经网络专家系统
2.1 BP神经网络的基本原理
人工神经网络(ANN)是由大量简单的处理单元组成的非线性、自适应、自组织系统，它是在现代神经科学研究成果的基础上，试图通过模拟人类神经系统对信息进行加工、记忆和处理的方式，设计出的一种具有人脑风格的信息处理系统。它可广泛应用于预测、分类、模式识别和过程控制等各种数据处理场合，相对于传统的数据分析处理方法，更适合处理模糊、非线性和模式特征不明确的问题。
BP神经网络是单向传播的多层前向神经网络，网络可分为输入层、中间层(隐含层)和输出层，其中输入和输出都只有1层，中间层可有1层或多层。同层的网络结点之间没有连接，每个网络结点表示一个神经元，其传递函数通常采用Sigmoid型函数。每对神经元之间的连接上有一个加权系数W，它可以加强或减弱上一个神经元的输出对下一个神经元的刺激。这个加权系数通常称为权值，修改权值的规则称为权值算法。建立在BP神经网络基础上的专家系统根据一定的算法，通过对样本数据的学习确定网络权值。神经网络专家系统的权值确定、结构稳定后，就可以处理新的数据，给出相应的输出。
2.2基于BP网络的电力企业信息化水平评价的学习过程
BP神经网络电力企业信息化水平评价模型中，输入层包含55个神经元，分别接受55个电力企业信息化水平评价中三级指标的样本数据输入;中间层包含26个神经元;输出层有1个神经元，就是电力企业信息化水平评价结果，相应的BP网络结构如图1所示。
由于神经网络各层的初始连接权值是任意的，必须先对神经网络进行训练，使电力企业信息化水平评价结果的实际输出与期望值的偏差尽可能小。BP神经网络通过训练将学习样本的真实值与网络输出的误差反向传播到各层的神经元，采用梯度下降法不断调节各层的权值，减小因权值带来的偏差，从而使训练样本真实输出与网络输出的误差控制在设定的0.001误差范围内。具体BP神经网络学习过程如下：
(1)根据电力企业信息化水平评价指标要求，提供训练集。选人对网络输出即电力企业信息化水平有影响的三级指标x1，x2，……，x55作为输入自变量，以此确定输入节点的个数(本网络有55个输入节点);
(2)进行初始化。置所有权值为随机任意小，给定学习精度￡一10，目标误差为0.001，读入网络初始权重及学习样本。这里可通过对电力企业300名职工开展问卷调查，随机抽取前100组记录(样本序号为1～100)作为神经网络辩识模型的训练样本;
(3)按BP算法训练网络。学习过程流程如图2所示;
(4)判断学习精度是否达到要求，如达到转入下一步执行;否则返回上一步继续学习;
(5)储存并输出权值。利用训练好的网络进行测试(采用10个样本记录为例)，输出电力企业信息化水平的最终评价结果。
3实验结果及分析
采用BP神经网络对电力企业信息化水平进行辨识，输入层、隐含层和输出层的结点数分别为55×26×1。根据经验和试验，前100组记录用作学习样本，作为训练神经元连接权值用，学习精度￡=1×10;后10组(样本序号为291～300)样本作为测试检验用。经过反复多次学习，其学习结果(测试)如表2所示。
4结语
基于BP神经网络的电力企业信息化水平评价能够充分利用样本的有关信息和数据，通过高度的非线性映射，揭示电力企业信息化水平与其影响因素之间的内在作用机理，从而克服了电力企业信息化水平评价中建模和求解难的问题，弱化电力企业信息化水平评价指标权重确定过程中人为因素的影响，从而保证电力企业信息化水平评价结果的客观性和公正性。
