CN104376502A - 基于灰色关联度的电力客户信用综合评价方法 - Google Patents

Abstract

本发明涉及一种基于灰色关联度的电力客户信用综合评价方法，属于电力分析领域。考虑大用户直购电违约电量比、新能源发电并网量的电力客户信用评价新指标，从电力客户的用电缴费信用、电力法规信用、电力合作信用、经营能力信用、社会交往信用、抵押信用保障、发展前景信用等七个方面构建了一套电力客户信用等级评价指标体系。综合层次分析法、熵权法和神经网络法三种不同属性的评价方法，采用组合权重，通过最小化各“单一评价权重”与“组合权重”的偏差确定线性组合系数，充分提炼评价对象的潜在信息，避免单一评价方法的片面性。相比现有技术，本发明具有采用灰色关联度分析法、易于操作、效率高、所需数据少的特点。

Description

基于灰色关联度的电力客户信用综合评价方法

技术领域

本发明属于电力分析领域，特别涉及一种电力客户信用综合评价方法。 

背景技术

据统计，2013年我国发电量5.32万亿千瓦时，同比增长约7.5％，电力消费弹性为0.974。其中：水力发电量8700亿千瓦时；火力发电量4.2万亿千瓦时；核电发电量1100亿千瓦时；风力发电量1340亿千瓦时；太阳能发电量70亿千瓦时；生物质发电量420亿千瓦时。为了合理分配这些越来越庞大的发电供应量，同时监督电力的使用情况，电力客户信用评价工作显得越来越重要。 

同时，新能源发电并网量指标反映了用户对节能减排号召的响应程度以及用电自己自足的程度。越大说明用户对节能减排的响应越积极，具有较强的环保公益形象，社会信誉加，违约可能性相对较小。同时新能源发电不仅可以自己自足部分电量，而且按照国家2013年印发的《分布式发电管理暂行办法》相关规定，用户还可以获得相应的新能源发电补贴，越大说明用户用电自己自足能力越强，需付给供电企业的电费压力越小，甚至还可以抵消电费并获得盈利。 

目前，常见的电力客户信用评价的方法主要有聚类分析、灰色关联分析GRA、逼近理想点距离等。聚类分析受奇异值影响很大，对初始选值敏感，需事先指定聚类数目，在样本不充足、数据不准确时效率较低。逼近理想点距离法简单易懂，但不能解决指标间相关造成的信息重复问题。 

所以，本领域亟需一种新的技术来改变这样的现状。 

发明内容

本发明所要解决的技术问题：针对现有技术的不足和缺陷，本发明提供一种采用灰色关联度分析法、易于操作、效率高、所需数据少的基于灰色关联度的电力客户信用综合评价方法。 

本发明是这样设计的：基于灰色关联度的电力客户信用综合评价方法，其特征是：包括以下步骤： 

步骤一：采集电力客户的用电缴费信用、电力法规信用、电力合作信用、经营能力信用、社会交往信用、抵押信用保障、发展前景信用的数据，用于电 力客户信用综合评价； 

步骤二：构建基于灰色关联度的电力客户信用综合评价模型，即构造理想指标集合，通过分析步骤一中的数据离散程度确定分辨系数，从而构建评价对象的关联度系数矩阵，生成关联度向量； 

步骤三：综合使用主观赋权的层次分析法、客观赋权的熵权法、智能赋权的神经网络法，通过最小化每个“单一评价权重”与“组合权重”的偏差确定线性组合系数，得到目的权重向量； 

步骤四：基于步骤二和步骤三计算电力客户的关联度，关联度值越大，代表电力客户信用越好，关联度值越小，代表电力客户信用越差，根据关联度对各电力客户进行排序，得到电力客户信用综合评价报告。 

所述的步骤二中构建的基于灰色关联度的电力客户信用综合评价模型包括新能源发电并网量和大用户直购电违约电量比两个指标。 

所述的步骤三最终能获得基本权重向量、可能权重向量和最满意权重向量三种权重向量，将最满意权重向量作为目的权重向量。 

通过上述设计方案，本发明可以带来如下有益效果： 

本发明采用的灰色关联分析即是针对评价事物的灰色性，通过对已有***数据的数学处理，通过比较事物间的关联程度，了解***内部的相互关系和变化趋势，适用于样本较少、信息不全等情况下的***。 

本发明提出的方法综合层次分析法和遗传算法，并利用了数据提供的客观信息，更加科学、可靠、综合地对电力客户信用进行评价,避免单一评价方法的片面性，在不同权重间寻找到均衡不一致性的最满意组合权重。同时，灰色关联度综合评价模型具有易于操作、效率高、所需数据少等特点，可以使评价效果更理想。可以有效地界定客户的信用等级，为供电企业开展差异性用电服务和营销策略提供重要的参考依据，从而帮助供电企业提高电费回收率，降低经营风险。 

附图说明

下面结合附图说明和具体实施方式对本发明作进一步说明。 

图1为本发明基于灰色关联度的电力客户信用综合评价方法的采集数据的种类。 

图2为本发明基于灰色关联度的电力客户信用综合评价方法的流程图。 

具体实施方式

如图所示的基于灰色关联度的电力客户信用综合评价方法，其特征是：包括以下步骤： 

步骤一：采集电力客户的用电缴费信用、电力法规信用、电力合作信用、经营能力信用、社会交往信用、抵押信用保障、发展前景信用的数据，用于电力客户信用综合评价； 

步骤二：构建基于灰色关联度的电力客户信用综合评价模型，即构造理想指标集合，通过分析步骤一中的数据离散程度确定分辨系数，从而构建评价对象的关联度系数矩阵，生成关联度向量； 

步骤三：综合使用主观赋权的层次分析法、客观赋权的熵权法、智能赋权的神经网络法，通过最小化每个“单一评价权重”与“组合权重”的偏差确定线性组合系数，得到目的权重向量； 

步骤四：基于步骤二和步骤三计算电力客户的关联度，关联度值越大，代表电力客户信用越好，关联度值越小，代表电力客户信用越差，根据关联度对各电力客户进行排序，得到电力客户信用综合评价报告。 

所述的步骤二中构建的基于灰色关联度的电力客户信用综合评价模型包括新能源发电并网量和大用户直购电违约电量比两个指标。 

所述的步骤三最终能获得基本权重向量、可能权重向量和最满意权重向量三种权重向量，将最满意权重向量作为目的权重向量。 

大用户直购电违约电量比指标反映了用户在社会交往中的信用以及稳定性。大用户直购电合同作为一种特殊的商业合同，是评价电力客户信用指标体系中社会交往信用因素中最为密切、最为直接的一项，也是最易获得准确信息的一项。另一方面，直购电违约电量需要用户支付相应的违约罚款，会增加企业的电费成本。因此，越小说明用户的社会交往信用越好，稳定性越强，自身统筹规划能力越强，电费成本越小。该指标可表示为用户造成的月合同电量低于直购电合同签约电量97％的偏差部分电量与直购电合同签约月用电量的比值。 

本发明基于灰色***理论的灰色关联度分析方法建立评价决策模型： 

一、关联系数的确定 

构造理想(基准)指标集合，电力客户i的指标与理想指标间的关联系数为： 

${\mathrm{\ξ}}_{\mathrm{ik}}=\frac{\underset{1\≤i\≤m,1\≤j\≤n}{\min }|x_{0j}-x_{\mathrm{ij}}|+\mathrm{\ρ}\underset{1\≤i\≤m,1\≤j\≤n}{\max }|x_{0j}-x_{\mathrm{ij}}|}{|x_{0k}-x_{\mathrm{ik}}|+\mathrm{\ρ}\underset{1\≤i\≤m,1\≤j\≤n}{\max }|x_{0j}-x_{\mathrm{ij}}|};$

利用上述公式(2)可计算得到关联系数矩阵： 

$E=\left[\begin{array}{cccc}{\mathrm{\ξ}}_{11}& {\mathrm{\ξ}}_{12}& ...& {\mathrm{\ξ}}_{1n}\\ {\mathrm{\ξ}}_{21}& {\mathrm{\ξ}}_{22}& ...& {\mathrm{\ξ}}_{2n}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ {\mathrm{\ξ}}_{m1}& {\mathrm{\ξ}}_{m2}& ...& {\mathrm{\ξ}}_{\mathrm{mn}}\end{array}\right].$

二、分辨系数的确定 

从上式可知ρ的大小直接影响最终结果，为了充分体现关联的整体性，采用折衷方法，即计算和ρ的关系曲线与坐标轴的面积S确定ρ的取值范围。由于指标样本存在着不同程度的离乱程度，量化该指标可记为所有样本差值绝对值的均值： 

${\mathrm{\Δ}}_v=\frac{1}{\mathrm{nm}}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}|x_{\mathrm{ij}}-x_{0j}|;$

并记，则ρ的取值范围为2。 

三、关联度的确定 

利用灰色关联系数矩阵计算得到各电力客户指标集合与理想指标集合的加权关联度向量：R^T＝ξω＝[R₁R₂ … R_m]，式中 

$R_i=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ξ}}_{\mathrm{ik}}{\mathrm{\ω}}_k,$

其中为指标k的权重，通过下面的公式寻找最优组合权重的方法确定权重。根据关联度对各电力用户进行排序，值越大，代表电力客户信用越好，反之值越小，代表电力客户信用越差。 

四、组合权重确定方法 

单一评价方法具有“偏好性”,这会导致评价结果出现漂移，为了避免单一方法确定权重存在的片面性，采用基于各单一评价权重与组合权重的偏差最小化方法，确定组合权重，将不同属性的评价方法融合，均衡统一成一个更客观、 更科学、更***的指标权重，即分别通过主观赋权的AHP法、客观赋权的熵权法和智能赋权的基于遗传算法的神经网络法得到基本权重向量、可能权重向量和最满意的权重向量。 

基本权重集和可能权重集： 

为了避免单一评价方法确定权重的片面性，考虑综合利用多种不同属性评价方法所传递的信息，即由不同评价方法确定基本权重集，并通过线性组合构建可能权重集。假设使用L种方法对指标分别赋权，即得到L个不同属性的权重向量，进而构造一个基本权重向量集，则由这L个权重向量构成线性组合为： 式中，为线性组合系数；为基于基本权重的一种可能权重向量。全部可能的权重向量集可表示为 

$\left\{\mathrm{\ω}\right|\mathrm{\ω}=\underset{h=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\λ}}_h{\mathrm{\ω}}_h^T,{\mathrm{\λ}}_h>0\},$

该向量集是对基本权重向量进行交叉、集化的结果。在构造了可能权重向量集后，关键是如何从众多可能权重集选出最满意的权重向量。 

最满意组合权重 

采用“加法”集成法综合了层次分析法和熵值法确定权重，但未对如何寻找最满意组合权重展开讨论。采用基于各单一评价权重与组合权重的偏差最小化方法，确定组合权重，即可归结为对式中的线性组合系数进行优化，使得与的偏差最小化。由此可推导出对称模型为： 

$\min {\left|\right|\underset{h=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\λ}}_h{\mathrm{\ω}}_h^T-{\mathrm{\ω}}_i^T\left|\right|}^2(i=\mathrm{1,2},...,L);\underset{h}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\λ}}_h=1.$

通过求解上述模型可获得一个与多种权重赋值方法相协调、相均衡一致的组合权重结果。根据矩阵的微分性质可得到最优化一阶导数条件，进而求得线性组合系数： 

$\underset{h=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\λ}}_h{\mathrm{\ω}}_i{\mathrm{\ω}}_h^T={\mathrm{\ω}}_i{\mathrm{\ω}}_h^T(i=\mathrm{1,2},...,L).$

下面以具体实例说明应用操作流程： 

选取吉林省供电公司2010到2012年的10个电力客户原始数据进行电力客户信用等级评价，构成维矩阵。 

针对不同类型的指标采用相应的归一处理方法，实现无量纲化。分别通过主观赋权的层次分析法(AHP)、客观赋权的熵权法以及智能赋权的基于遗传算法的神经网络法得到3个基本权重向量如表所示。 

各指标权重表格 

由此表可以得到灰色关联系数矩阵，并得到各电力客户指标集合与理想指标集合的关联度向量及排名。 

Claims (3)

1.基于灰色关联度的电力客户信用综合评价方法，其特征是：包括以下步骤：

步骤一：采集电力客户的用电缴费信用、电力法规信用、电力合作信用、经营能力信用、社会交往信用、抵押信用保障、发展前景信用的数据，用于电力客户信用综合评价；

步骤二：构建基于灰色关联度的电力客户信用综合评价模型，即构造理想指标集合，通过分析步骤一中的数据离散程度确定分辨系数，从而构建评价对象的关联度系数矩阵，生成关联度向量；

步骤三：综合使用主观赋权的层次分析法、客观赋权的熵权法、智能赋权的神经网络法，通过最小化每个“单一评价权重”与“组合权重”的偏差确定线性组合系数，得到目的权重向量；

步骤四：基于步骤二和步骤三计算电力客户的关联度，关联度值越大，代表电力客户信用越好，关联度值越小，代表电力客户信用越差，根据关联度对各电力客户进行排序，得到电力客户信用综合评价报告。

2.根据权利要求1所述的基于灰色关联度的电力客户信用综合评价方法，其特征在于：所述的步骤二中构建的基于灰色关联度的电力客户信用综合评价模型包括新能源发电并网量和大用户直购电违约电量比两个指标。

3.根据权利要求1所述的基于灰色关联度的电力客户信用综合评价方法，其特征在于：所述的步骤三最终能获得基本权重向量、可能权重向量和最满意权重向量三种权重向量，将最满意权重向量作为目的权重向量。