三种方法的乡镇减灾能力评估结果比较——以某市区18个乡镇为例

减灾能力是区域防灾减灾、应急救援和恢复重建过程中所具有的综合能力。以某市区“第一次全国自然灾害综合风险普查”基础调查数据为例，分别采用秩和比法(RSR)、非整秩和比法(非整RSR)和TOPSIS法对该区18个乡镇的减灾能力进行定量化评估，从评估模型的实用性、数值大小、等级排名、整体趋势、计算工作量等五方面进行对比分析。结果表明：三种模型均适用于区域减灾能力定量化评估，可根据区域评估目的和需求进行选择。总体上，以秩和比法优劣分档最佳、信息损失最大，TOPSIS法信息损失最小、优劣分档最差。而基于非整秩和比法评估原理，利用线性插值法对各评价指标进行编秩，所编秩次与原指标值间存在更为紧密的线性对应关系，既克服了秩和比法源数据的信息损失，又能对TOPSIS法的优劣分档进行优化。因此，改进后的非整秩和比法的信息损失与优劣分档均比较适中，是三者中的较优选择。对非整秩和比法的研究可为减灾能力定量化评估提供参考。     

基于相对风险管控能力的化工企业风险分级方法

综合考虑企业的固有风险与风险管控能力，建立一种化工企业安全生产风险分级的新方法。通过潜在生命损失值评估企业固有风险，确定风险分级判据；引入过程量与动态量构建化工企业风险管控能力评估指标体系，并基于云模型评估企业风险管控能力；提出相对风险管控能力系数概念，描述风险管控能力与固有风险相互作用下的企业安全生产风险等级。案例应用结果表明：根据相对风险管控能力系数的大小，可识别出固有风险等级低而安全生产风险等级高的企业，基于相对风险管控能力的风险分级方法具有可行性、有效性和实用性，对企业风险管控工作具有科学指导价值。     

基于集成机器学习的电力系统窃电行为辨别方法

电力系统中窃电行为对线损计算和电网经济运行造成不利影响，严重影响电力市场的经济秩序。基于此，本文提出了一种基于集成机器学习的电力系统窃电辨别方法，以快速准确的辨别窃电行为。首先，该方法建立了基于改进神经网络的电力系统窃电行为特征提取模型，利用实测数据与神经网络全变量重构值进行比较，以获取用电数据的抽象行为特征；然后，利用提取出的窃电行为特征，采用集成机器学习方法进一步推导出电力系统窃电行为辨别方法；最后，基于实际数据集，验证了所提算法具有较高的检测灵敏度和分类精度。