CN103207944A - 一种电力统计指标关联性分析方法 - Google Patents

Abstract

本发明涉及一种电力统计指标关联性分析方法，该方法摆脱了传统统计指标相关性分析的固有思维方式，该方法运用相关性分析理论分析电力统计综合指标的相关性，梳理指标间的相关关系；然后引进计量经济学中的联动分析理论，寻找指标与核心指标间的因果引导关系，确定影响核心指标的关键指标；最后构建电力统计核心指标与关键指标间的相关度模型，并求取其灵敏度系数，量化其相关关系，确定其依赖和影响程度，形成以核心指标为中心的电力统计指标体系勾稽关系图。相对于传统方法，本发明能够更加直观、全面的了解统计指标间相关关系，给决策者提供直观、清晰、有效的支撑。

Description

一种电力统计指标关联性分析方法

技术领域

本发明属于电力统计分析技术领域，特别是关于一种电力统计指标关联性分析方法。

背景技术

电力企业建设和运营的许多规律存在于丰富、复杂的统计数据中，发现并量化这些潜在规律，对电力企业提高决策效率、改善决策水平具有比较重要的意义。文献《基于数据挖掘技术的供电企业关键绩效指标分析》公开了供电企业关键指标的分类与分层关系，以及指标与原始数据之间的关系。文献《基于数据挖掘的电力行业客户细分模型研究》利用数据挖掘方法，对所获得的电力行业的大量客户行为数据进行科学客观的分析，借助聚类分析手段建立客户精细化细分模型。文献《A data mining method for obtaining global power quality index》则公开了利用数据挖掘技术确定反映电能质量的综合指标的方法。然而，目前现有技术中对电力统计指标体系指标相关性的梳理、指标异动性和联动性的研究甚少，未形成直观全面的统计指标勾稽关系图。

发明内容

针对传统电力统计指标数据分析处理方面存在的问题，本发明提出了一种电力统计指标关联性分析方法，该方法运用相关性分析理论分析电力统计综合指标的相关性，梳理指标间的相关关系；然后引进计量经济学中的联动分析理论，寻找指标与核心指标间的因果引导关系，确定影响核心指标的关键指标；最后构建电力统计核心指标与关键指标间的相关度模型，并求取其灵敏度系数，量化其相关关系，确定其依赖和影响程度，形成以核心指标为中心的电力统计指标体系勾稽关系图，以集约化电网发展，精益化电网管理。

为实现上述目的，本发明采取以下技术方案：一种电力统计指标关联性分析方法，其包括以下步骤：

1）确定电力统计核心指标体系：从整个电力统计指标体系X中选取能够体现电网主要特征的核心指标，构成核心指标体系Z；

$X=\left[\begin{array}{c}{X}_1\\ X_2\\ .\\ .\\ .\\ X_i\end{array}\right]=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1n}\\ x_{21}& ...& ...& x_{2n}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{i1}& ...& ...& x_{\mathrm{in}}\end{array}\right],$ $Z=\left[\begin{array}{c}{Z}_1\\ Z_2\\ .\\ .\\ .\\ Z_i\end{array}\right]=\left[\begin{array}{cccc}{z}_{11}& z_{12}& ...& z_{1n}\\ z_{21}& ...& ...& z_{2n}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ z_{i1}& ...& ...& z_{\mathrm{in}}\end{array}\right]$

其中，指标时间序列为X_i＝(x_i1,x_i2,…,x_in)，核心指标时间序列为Z_i＝(z_i1,z_i2,…,z_in)，n是时间序列中的数据个数；

2）电力统计指标数据的相关性分析：采用相关系数法求取步骤1）的核心指标与电网指标体系中其余电力统计指标时间序列的相关系数r；根据相关系数的大小对电力统计指标相关度进行排序，去除与核心指标相关度低的指标以及核心指标本身，得到与核心指标相关性较强的新的电力统计指标体系A；

3）电力统计指标数据的联动性分析：3.1）对指标体系A与核心指标体系Z中的指标时间序列进行平稳性检验，辨别出平稳时间序列和非平稳时间序列：①对于平稳时间序列，直接进行格兰杰因果分析；②对于非平稳时间序列，再进行一次差分：若差分后的时间序列有物理意义，则对差分后的时间序列进行格兰杰因果分析；若差分后的时间序列无物理意义，则去除该指标时间序列，对余下的时间序列进行格兰杰因果分析；其中，经过平稳性检验后，A和Z分别变换成可进行格兰杰因果分析的指标体系C和核心指标体系B；3.2）通过格兰杰因果分析，找出指标体系C中与核心指标体系B中的核心指标有因果引导关系的指标，将这些指标构成关键指标体系D_f：

$D_f=\left[\begin{array}{c}{D}_{f1}\\ D_{f2}\\ .\\ .\\ .\end{array}\right]=\left[\begin{array}{ccc}{D}_{f11}& D_{f12}& ...\\ D_{f21}& D_{f22}& ...\\ .& .& \\ .& .& ...\\ .& .& \end{array}\right]$

其中，与核心指标B_i对应的关键指标体系为

i＝1,2,…，

中又含有多个关键指标

g＝1,2,…；

4）采用相关度模型建立方法，辨识模型参数，构建电力统计关键指标与核心指标的相关度模型，并借助模型检验统计量判定相关度模型的拟合程度和模型参数的可靠性；

5）通过灵敏度系数法辨别电力统计关键指标与核心指标的灵敏度；

6）构建电力统计指标体系逻辑勾稽关系图。

上述步骤2.1）中，采用了皮尔森相关系数法求出各指标与核心指标间的所述相关系数r：

$r=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}(x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_i)(z_{\mathrm{ij}}-{\stackrel{\‾}{z}}_i)}{\sqrt{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_i)}^2\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(z_{\mathrm{ij}}-{\stackrel{\‾}{z}}_i)}^2}},$ j＝1,2,…,n

上式中，

分别表示指标时间序列X_i和核心指标时间序列Z_i的平均值。

上述步骤3.1）中，所述的平稳性检验模型如下：

${\mathrm{\Δy}}_N=c+{{\mathrm{\ρy}}_{N-1}+\mathrm{\β}}_2{\mathrm{\Δy}}_{N-1}+...+{\mathrm{\β}}_p{\mathrm{\Δy}}_{N-(p-1)}+u_N$

上式中，Δ表示差分，p为滞后阶数，c是常数项，y_N、y_N-1和y_N-(p-1）是指标体系A和核心指标体系Z中任意一指标时间序列Y第N个、第N-1个以及第N-(p-1）个时刻的值，u_N为随机误差项，

k＝1,2,…,p，j＝k+1，α_k、α_j是随机游走模型中的回归系数，原假设为H₀:ρ＝0，备择假设为H₁:ρ＜0，若检验结果拒绝原假设，则说明该时间序列不存在单位根，为平稳时间序列。

上述步骤4）中，所述的相关度模型如下：

上式中，B_i是核心指标体系B中的核心指标，g＝1,2,…是关键指标体系

中与核心指标B_i对应的关键指标；

为待求回归系数，θ为随机误差项。

上述步骤4）中，所述的模型检验统计量为以下三种中的一种：①相关系数的平方r²，用于表征模型对回归指标的解释程度；②检验统计量F，用于表征模型的显著程度；③模型参数检验统计量t，用于表征模型参数的显著程度。

上述步骤5）中，所述的灵敏度系数辨别模型如下：

$s_{\mathrm{ig}}=\frac{{\∂B}_i}{{\∂D}_{f_{\mathrm{ig}}}}/\frac{B_i}{D_{f_{\mathrm{ig}}}},$ i＝1,2,…，g＝1，2,…

上式中，B_i是核心指标体系B中的核心指标，

是与B_i对应的第g个关键指标，s_ig是核心指标B_i对其关键指标时间序列

的敏感系数。

本发明解决上述问题采取的技术方案：

1、核心指标确定。本发明以电力生产运行经验以及电力系统主要绩效考核重点为依据，确定现有电力统计指标体系中，体现整个电力系统主要特征的核心指标体系，如：供电量（售电量）、线损、营业收入、利润等。

2、相关性的梳理。本发明利用相关性分析理论对电力统计指标与电力核心指标间的相关关系进行粗略的描述，确定其相关性强弱程度。

3、联动性的分析。本发明基于联动性理论对电力统计指标进行判断，得出各指标随另一项指标变化方向一致性的程度，确定其长期同步运动趋势，系统的分析梳理电力统计指标之间的勾稽关系，辨别影响核心指标的关键指标。

4、构建相关度模型。本发明基于指标间相关性分析与机理意义分析，通过回归分析方法，构建核心指标与其关键指标的相关度模型，从而为横向和纵向分析核心指标提供基础，以实现对核心指标当前状态的实时监测以及对其未来状态的预测。

5、灵敏度辨识。本发明通过辨识关键指标与核心指标间的灵敏度系数，进一步量化关键指标与核心指标间的引导关系，从而能够确定它们彼此间的依赖和影响程度。

本发明可以广泛用于各种类型电网，直观、全面的了解统计指标间相关关系，形成一套新的电力统计综合指标分析体系，给决策者提供直观、清晰、有效的支撑。

附图说明

图1是本发明的具体实施流程图；

图2是本发明以核心指标为中心构建的电力统计指标勾稽关系图。

具体实施方式

如图1所示，本发明包括以下步骤：

1）确定电力统计核心指标体系

依据电网生产运行经验及电网主要绩效考核的关键，从整个电力统计指标体系X中选取能够体现电网主要特征的核心指标，构成核心指标体系Z。

其中，指标时间序列为X_i＝(x_i1,x_i2,…,x_in)，核心指标时间序列为Z_i＝(z_i1,z_i2,…,z_in)，n是时间序列中的数据个数。

2）电力统计指标数据的相关性分析：

2.1）一般而言，数据时间序列相关性的强弱程度可以借助相关系数进行衡量。本发明采用相关系数法求取步骤1）获得的核心指标与电网指标体系中其余电力统计指标时间序列的相关系数。本实施例中，优先采用了皮尔森相关系数法求出各指标与核心指标间的相关系数r：

$r=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}(x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_i)(z_{\mathrm{ij}}-{\stackrel{\‾}{z}}_i)}{\sqrt{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_i)}^2\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(z_{\mathrm{ij}}-{\stackrel{\‾}{z}}_i)}^2}},$ j＝1,2,…,n

上式中，

分别表示指标时间序列X_i和核心指标时间序列Z_i的平均值。

2.2）根据相关系数r的大小对电力统计指标关联度进行排序，去除相关度低的相关指标及核心指标本身，得到与核心指标相关性较强的指标体系A。

3）电力统计指标数据的联动性分析：

在经过步骤2）的相关性分析，去除与核心指标相关度低的指标及核心指标本身，得到与核心指标相关性较强的统计指标体系A后，为清楚的知道其与核心指标的因果、伴随及联动关系，本发明引进计量经济学中的联动分析理论，对指标体系A与核心指标体系Z进行格兰杰因果分析，从而确定指标与核心指标的长期同步运动趋势及因果引导关系。

3.1）在进行因果引导关系分析前，需先对A和Z中的指标时间序列进行平稳性检验。

本实施例中采用的平稳性检验模型如下：

${\mathrm{\Δy}}_N=c+{{\mathrm{\ρy}}_{N-1}+\mathrm{\β}}_2{\mathrm{\Δy}}_{N-1}+...+{\mathrm{\β}}_p{\mathrm{\Δy}}_{N-(p-1)}+u_N$

上式中，Δ表示差分，p为滞后阶数，c是常数项，设Y是指标体系A和Z中任意一指标时间序列，y_N-1表示指标时间序列Y第N-1时刻的值，同理y_N和y_N-(p-1)，u_N为随机误差项。

k＝1,2,…,p，j＝k+1，α_k、α_j是随机游走模型中的回归系数，原假设（统计学中通常以H₀表示）为H₀:ρ＝0，备择假设（统计学中则以H₁表示）为H₁:ρ＜0。若检验结果拒绝原假设，则说明该序列不存在单位根，为平稳序列。

3.2）经步骤3.1）辨别出出平稳时间序列和非平稳时间序列后：

①对于平稳时间序列，直接进行格兰杰因果分析；

②对于非平稳时间序列，再进行一次差分：

若差分后的时间序列有物理意义，则对差分后的时间序列进行格兰杰因果分析；

若差分后的时间序列无物理意义，则去除该指标时间序列，对余下的时间序列进行格兰杰因果分析；

其中，经过平稳性检验后，A和Z分别变换成可进行格兰杰因果分析的指标体系C和核心指标体系B。

本发明采用的格兰杰因果分析模型如下：

$b_{\mathrm{iM}}=\underset{l=1}{\overset{q}{\mathrm{\Σ}}}{\mathrm{\δ}}_l{c}_{i(M-l)}+\underset{m=1}{\overset{h}{\mathrm{\Σ}}}{\mathrm{\ξ}}_m{b}_{i(M-m)}+{\mathrm{\ϵ}}_M,$ l＝1,2,…,q，m＝1,2,…,h

上式中，C_i和B_i是可进行格兰杰因果分析的指标体系C和核心指标体系B中任意两指标时间序列，c_i(M-l)为指标时间序列C_i第M-l时刻的值，b_i(M-m)为指标时间序列B_i第M-m时刻的值，δ_l与ξ_m为检验模型中待确定的回归系数，q与h为检验模型的滞后阶数，b_iM为指标时间序列B_i第M时刻的值，ε_M为随机误差项。

通过上述格兰杰因果分析模型，可以检验出C_i是否是引起B_i变动的原因，同样还能将C_i与B_i互换，得出B_i是否是引起C_i变动的原因，从而找出C中与B中的核心指标有因果引导关系的指标，并将这些指标构成新的指标体系D_f。依据格兰杰因果检验的物理意义，本发明将与核心指标具有因果引导关系的指标定义为关键指标，D_f即为关键指标体系集合：

其中，与核心指标B_i对应的关键指标体系为

i＝1,2,…，

中又含有多个关键指标

g＝1,2,…。每一个核心指标所对应的关键指标的个数可能不一致。

4）构建电力统计关键指标与核心指标的相关度模型：

本发明采用相关及回归等相关度模型建立方法，辨识模型参数，构建电力统计核心指标的相关度模型。

上式中，B_i是核心指标体系B中的核心指标，

是关键指标体系

中与核心指标B_i对应的关键指标；

为待求回归系数，θ为随机误差项。回归分析方法可以是常用的多元回归分析法、逐步回归分析法、或逻辑回归分析法等等。在建立相关度模型后，然后借助模型检验统计量判定模型的拟合程度和模型参数的可靠性，其中，模型检验统计量可以包括：

①相关系数的平方r²，用于表征模型对回归指标的解释程度；

②检验统计量F，用于表征模型的显著程度；

③模型参数检验统计量t，用于表征参数的显著程度。

5）辨别关键指标灵敏度：

求取关键指标与核心指标的相关度模型后，为表征关键指标对核心指标的影响程度，量化其影响关系，可通过灵敏度系数法，辨别其敏感程度。

灵敏度系数辨别模型如下：

$s_{\mathrm{ig}}=\frac{{\∂B}_i}{{\∂D}_{f_{\mathrm{ig}}}}/\frac{B_i}{D_{f_{\mathrm{ig}}}},$ i＝1,2,…，g＝1，2,…

上式中，B_i是核心指标体系中的核心指标，

表示与其对应的第g个关键指标；s_ig表示核心指标B_i对其关键指标时间序列

的敏感系数。

5）构建电力统计综合指标体系逻辑勾稽关系图：

如图2所示，本发明通过统计指标的相关关系分析、关键指标挖掘、核心指标的相关度模型构建、灵敏度系数的求取逐步形成了电力统计指标体系逻辑勾稽关系图。

上述各实施例仅用于说明本发明，其中各部件的结构、连接方式等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (10)

1.一种电力统计指标关联性分析方法，其包括以下步骤：

1）确定电力统计核心指标体系：

从整个电力统计指标体系X中选取能够体现电网主要特征的核心指标，构成核心指标体系Z；

$X=\left[\begin{array}{c}{X}_1\\ X_2\\ .\\ .\\ .\\ X_i\end{array}\right]=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1n}\\ x_{21}& ...& ...& x_{2n}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{i1}& ...& ...& x_{\mathrm{in}}\end{array}\right],$ $Z=\left[\begin{array}{c}{Z}_1\\ Z_2\\ .\\ .\\ .\\ Z_i\end{array}\right]=\left[\begin{array}{cccc}{z}_{11}& z_{12}& ...& z_{1n}\\ z_{21}& ...& ...& z_{2n}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ z_{i1}& ...& ...& z_{\mathrm{in}}\end{array}\right]$

其中，指标时间序列为X_i＝(x_i1,x_i2,…,x_in)，核心指标时间序列为Z_i＝(z_i1,z_i2,…,z_in)，n是时间序列中的数据个数；

2）电力统计指标数据的相关性分析：

采用相关系数法求取步骤1）的核心指标与电网指标体系中其余电力统计指标时间序列的相关系数r；根据相关系数的大小对电力统计指标相关度进行排序，去除与核心指标相关度低的指标以及核心指标本身，得到与核心指标相关性较强的新的电力统计指标体系A；

3）电力统计指标数据的联动性分析：

3.1）对指标体系A与核心指标体系Z中的指标时间序列进行平稳性检验，辨别出平稳时间序列和非平稳时间序列：

①对于平稳时间序列，直接进行格兰杰因果分析；

②对于非平稳时间序列，再进行一次差分：

若差分后的时间序列有物理意义，则对差分后的时间序列进行格兰杰因果分析；

若差分后的时间序列无物理意义，则去除该指标时间序列，对余下的时间序列进行格兰杰因果分析；

其中，经过平稳性检验后，A和Z分别变换成可进行格兰杰因果分析的指标体系C和核心指标体系B；

3.2）通过格兰杰因果分析，找出指标体系C中与核心指标体系B中的核心指标有因果引导关系的指标，将这些指标构成关键指标体系D_f：

$D_f=\left[\begin{array}{c}{D}_{f1}\\ D_{f2}\\ .\\ .\\ .\end{array}\right]=\left[\begin{array}{ccc}{D}_{f11}& D_{f12}& ...\\ D_{f21}& D_{f22}& ...\\ .& .& \\ .& .& ...\\ .& .& \end{array}\right]$

其中，与核心指标B_i对应的关键指标体系为

，i＝1,2,…，

中又含有多个关键指标

g＝1,2,…；

4）采用相关度模型建立方法，辨识模型参数，构建电力统计关键指标与核心指标的相关度模型，并借助模型检验统计量判定相关度模型的拟合程度和模型参数的可靠性；

5）通过灵敏度系数法辨别电力统计关键指标与核心指标的灵敏度；

6）构建电力统计指标体系逻辑勾稽关系图。

2.如权利要求1所述的一种电力统计指标关联性分析方法，其特征在于：所述步骤2.1）中，采用了皮尔森相关系数法求出各指标与核心指标间的所述相关系数r：

$r=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}(x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_i)(z_{\mathrm{ij}}-{\stackrel{\‾}{z}}_i)}{\sqrt{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_i)}^2\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(z_{\mathrm{ij}}-{\stackrel{\‾}{z}}_i)}^2}},$ j＝1,2,…,n

上式中，

分别表示指标时间序列X_i和核心指标时间序列Z_i的平均值。

3.如权利要求1所述的一种电力统计指标关联性分析方法，其特征在于，所述步骤3.1）中，所述的平稳性检验模型如下：

${\mathrm{\Δy}}_N=c+{{\mathrm{\ρy}}_{N-1}+\mathrm{\β}}_2{\mathrm{\Δy}}_{N-1}+...+{\mathrm{\β}}_p{\mathrm{\Δy}}_{N-(p-1)}+u_N$

上式中，Δ表示差分，p为滞后阶数，c是常数项，y_N、y_N-1和y_N-(p-1）是指标体系A和核心指标体系Z中任意一指标时间序列Y第N个、第N-1个以及第N-(p-1）个时刻的值，u_N为随机误差项， k＝1,2,…,p，j＝k+1，α_k、α_j是随机游走模型中的回归系数，原假设为H₀:ρ＝0，备择假设为H₁:ρ＜0，若检验结果拒绝原假设，则说明该时间序列不存在单位根，为平稳时间序列。

4.如权利要求2所述的一种电力统计指标关联性分析方法，其特征在于，所述步骤3.1）中，所述的平稳性检验模型如下：

${\mathrm{\Δy}}_N=c+{{\mathrm{\ρy}}_{N-1}+\mathrm{\β}}_2{\mathrm{\Δy}}_{N-1}+...+{\mathrm{\β}}_p{\mathrm{\Δy}}_{N-(p-1)}+u_N$

上式中，Δ表示差分，p为滞后阶数，c是常数项，y_N、y_N-1和y_N-(p-1）是指标体系A和核心指标体系Z中任意一指标时间序列Y第N个、第N-1个以及第N-(p-1）个时刻的值，u_N为随机误差项，

k＝1,2,…,p，j＝k+1，α_k、α_j是随机游走模型中的回归系数，原假设为H₀:ρ＝0，备择假设为H₁:ρ＜0，若检验结果拒绝原假设，则说明该时间序列不存在单位根，为平稳时间序列。

5.如权利要求1或2或3或4所述的一种电力统计指标关联性分析方法，其特征在于，所述步骤4）中，所述的相关度模型如下：

上式中，B_i是核心指标体系B中的核心指标，

g＝1,2,…是关键指标体系

中与核心指标B_i对应的关键指标；

为待求回归系数，θ为随机误差项。

6.如权利要求1或2或3或4所述的一种电力统计指标关联性分析方法，其特征在于，所述步骤4）中，所述的模型检验统计量为以下三种中的一种：

①相关系数的平方r²，用于表征模型对回归指标的解释程度；

②检验统计量F，用于表征模型的显著程度；

③模型参数检验统计量t，用于表征模型参数的显著程度。

7.如权利要求5所述的一种电力统计指标关联性分析方法，其特征在于，所述步骤4）中，所述的模型检验统计量为以下三种中的一种：

①相关系数的平方r²，用于表征模型对回归指标的解释程度；

②检验统计量F，用于表征模型的显著程度；

③模型参数检验统计量t，用于表征模型参数的显著程度。

8.如权利要求1或2或3或4或7所述的一种电力统计指标关联性分析方法，其特征在于，所述步骤5）中，所述的灵敏度系数辨别模型如下：

$s_{\mathrm{ig}}=\frac{{\∂B}_i}{{\∂D}_{f_{\mathrm{ig}}}}/\frac{B_i}{D_{f_{\mathrm{ig}}}},$ i＝1,2,…，g＝1,2,…

上式中，B_i是核心指标体系B中的核心指标，

是与B_i对应的第g个关键指标，s_ig是核心指标B_i对其关键指标时间序列

的敏感系数。

9.如权利要求5所述的一种电力统计指标关联性分析方法，其特征在于，所述步骤5）中，所述的灵敏度系数辨别模型如下：

$s_{\mathrm{ig}}=\frac{{\∂B}_i}{{\∂D}_{f_{\mathrm{ig}}}}/\frac{B_i}{D_{f_{\mathrm{ig}}}},$ i＝1,2,…，g＝1，2,…

上式中，B_i是核心指标体系B中的核心指标，是与B_i对应的第g个关键指标，s_ig是核心指标B_i对其关键指标时间序列

的敏感系数。

10.如权利要求6所述的一种电力统计指标关联性分析方法，其特征在于，所述步骤5）中，所述的灵敏度系数辨别模型如下：

$s_{\mathrm{ig}}=\frac{{\∂B}_i}{{\∂D}_{f_{\mathrm{ig}}}}/\frac{B_i}{D_{f_{\mathrm{ig}}}},$ i＝1,2,…，g＝1，2,…

上式中，B_i是核心指标体系B中的核心指标，

是与B_i对应的第g个关键指标，s_ig是核心指标B_i对其关键指标时间序列

的敏感系数。