CN103700030A - 基于灰色粗糙集的电网建设项目后评价指标赋权方法 - Google Patents

Abstract

一种基于灰色粗糙集的电网建设项目后评价指标赋权方法。其包括构建指标体系：建立层次分级结构的电网建设项目后评价指标体系；求解每个指标的重要程度：采用灰色粗糙集相关原理，求解每个指标重要程度；将各专家打分结果作为原始的样本数据，基于后评价指标体系分层级逐次构建样本空间；采用每个专家的权重值，利用灰色粗糙集法计算各个指标的粗糙集；用归一化处理方法分配权重；将灰色粗糙集法计算出来的各层级指标的粗糙集进行归一化计算，得到各个指标的客观权重值。本发明采用灰色粗糙集的赋权方法，得出了电网建设项目后评价各层级指标的权重，为今后开展电网建设项目后评价工作提供了技术支持，规范了后评价指标体系。

Description

基于灰色粗糙集的电网建设项目后评价指标赋权方法

技术领域

本发明属于电网建设评价技术领域，特别是涉及一种基于灰色粗糙集的电网建设项目后评价指标赋权方法。

背景技术

目前，指标权重确定的客观赋权方法主要有：主成分分析法、熵值法、BP神经网络法。

（1）主成分分析法

主成分赋权分析法是利用降维的思想，设法把原来众多具有一定相关性的指标，经过重新组合转化为一组新的相互无关的综合指标来代替原来指标，同时根据实际分析研究的需要从中选取少数几个能尽可能多地反映原有指标信息的综合指标（即主成分）来进行分析的一种多元统计分析方法。

其缺点是权重的确定受专家经验知识的影响很大。

（2）熵值法

在信息理论中，熵是系统无序程度的量度，可以度量数据所提供的有效信息。熵值法就是根据各指标传输给决策者的信息量的大小来确定指标权重的方法。某项指标的差异越大，熵值越小，该指标包含和传输的信息越多，相应权重越大。

虽然这种基于客观性的权重分配方法具有实用性，但缺点是计算过程复杂，而且某些环节存在一定的不足。

（3）BP神经网络法

基于BP神经网络的多指标综合评价方法，将评价指标属性值进行归一化处理后作为BP神经网络模型的输入，将评价结果作为BP神经网络模型的输出，用足够多的样本训练这个网络，使其获取评价专家的经验、知识、主观判断及对指标重要性的倾向。训练好的BP神经网络模型根据待评价对象各指标的属性值，就可得到对评价对象的评价结果，再现评价专家的经验、知识、主观判断及对指标重要性的倾向，实现定性与定量的有效结合，保证评价的客观性和一致性。

其缺点是在综合评价中，被评对象各个特征指标之间一般没有统一的度量标准，并且在很多场合下得到的特征指标是定性描述而不是量值。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于灰色粗糙集的电网建设项目后评价指标赋权方法。

为了达到上述目的，本发明提供的基于灰色粗糙集的电网建设项目后评价指标赋权方法包括按顺序执行的下列步骤：

步骤一、构建指标体系的S01阶段：首先，建立层次分级结构的电网建设项目后评价指标体系；

步骤二、求解每个指标的重要程度的S02阶段：采用灰色粗糙集相关原理，求解每个指标的重要程度；将各专家打分结果作为原始的样本数据，基于上述后评价指标体系分层级逐次构建样本空间；采用每个专家的权重值，利用灰色粗糙集法计算各个指标的粗糙集；

步骤三、用归一化处理方法分配权重的S03阶段：根据每个指标的重要程度，用归一化处理方法分配权重；将灰色粗糙集法计算出来的各层级指标的粗糙集进行归一化计算，得到各个指标的客观权重值。

在S02阶段中，所述的采用灰色粗糙集理论，计算各个指标的粗糙集，即采用灰色粗糙集法计算各个指标的客观权重值，计算单个指标的合成值后进行归一化处理方法包括按顺序执行的下列步骤：

步骤一：对原始数据进行预处理的S201阶段，建立样本空间集，

X_i(X_i(1)，X_i(2)，……，X_i(n))，i=0，1，……，p；

步骤二，求差序列的S202阶段；

Δ_i(k)=|X₀(k)-X_i(k)|

Δ_i=(Δ_i(1),Δ_i(2),……，Δ_i(n)),i=0，1，……，p；

步骤三：求两级最大差和最小差的S203阶段；

M=max_imax_k(k)

m=min_imin_k(k)

步骤四：计算关联系数，求得粗糙集的S204阶段；

${\mathrm{\γ}}_{0i}\left(k\right)=\frac{m+\mathrm{ZM}}{{\mathrm{\Δ}}_i\left(k\right)+\mathrm{ZM}},Z\∈\left(\mathrm{0,1}\right),k=\mathrm{1,2},...,n,i=\mathrm{1,2},...,p,$

其中：Z为分辨系数，它的取值只影响关联系数的大小，不影响关联度，一般取0.5；

求得关联度：

${\mathrm{\γ}}_{0i}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\γ}}_{0i}\left(k\right),i=\mathrm{1,2},...,p.$

得到各属性的关联度为γ(a₁)，γ(a₂)，…，γ(a_m)。

在S03阶段中，所述的归一化处理方法为将各个指标的粗糙集代入归一化处理公式：

$w_k=\frac{r_k}{{\mathrm{\Σ}}_{k=1}^n{r}_k}$

因此得到一级指标的权重值；

由上面的计算步骤得到各属性的关联度为γ(a₁)，γ(a₂)，…，γ（a_m)，将其进行归一化处理，把关联度作为属性权重的一种度量，得到属性权重：

${\mathrm{\η}}_i=\frac{\mathrm{\γ}\left(a_i\right)}{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{\γ}\left(a_j\right)},$ 且 $\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\η}}_i=1..$

本发明的效果：

本发明采用灰色粗糙集的赋权方法，得出了电网建设项目后评价各层级指标的权重，为今后开展电网建设项目后评价工作提供了技术支持，规范了后评价指标体系。

附图说明

图1为本发明提供的基于灰色粗糙集的电网建设项目后评价指标赋权方法流程图。

具体实施方式

下面结合附图和具体实施例对本发明提供的基于灰色粗糙集的电网建设项目后评价指标赋权方法进行详细说明。

如图1所示，本发明提供的基于灰色粗糙集的电网建设项目后评价指标赋权方法包括按顺序执行的下列步骤：

步骤一、构建指标体系的S01阶段：首先，建立层次分级结构的电网建设项目后评价指标体系；

根据后评价内容从实施管理评价、财务评价、技术评价、社会影响评价四个方面着手，建立四个一级指标并赋予不同的测评权重；为了充分评价某一个一级指标，可以在一级指标下面再根据评审需要建立若干个二级指标及其测评权重。

项目实施管理评价主要包括对项目前期立项评价、建设实施评价、投资控制评价、基础管理评价等二级指标的评价。

电网建设项目的技术评价应充分考虑电网的现状和相互关联性，针对后评价项目类型、特点建立各有侧重、切实可行的技术评价指标体系来进行评价。技术评价二级评价指标一般包括电网结构布局、供电可靠性、电压质量、供电能力等。

电网建设项目财务评价的主要工作是分析盈利能力和清偿能力，主要侧重于区域电网建设投入产出的经济评价。

项目社会影响评价是分析评价对象为实现所在地区各项社会发展目标所做贡献与影响以及对社会的适应性，目的是使项目与社会发展相适应和协调，保证项目顺利实施并发挥持续效益，增强项目有利影响、减轻或消除不利影响，促进社会进步与发展。主要包括：环境影响评价、对居民生活的影响、对地区经济的影响、利益相关方的效益评价四个二级指标。

为进一步展示后评价指标体系与实际工程项目的关系，保证后评价工作的可操作性，需要基于层次分析法，对各个二级指标继续分解成三、四个三级指标。

步骤二、求解每个指标的重要程度的S02阶段：采用灰色粗糙集相关原理，求解每个指标的重要程度，即采用灰色粗糙集理论，计算各个指标的粗糙集，求解每个指标的重要程度；将各专家打分结果作为原始的样本数据，基于上述后评价指标体系分层级逐次构建样本空间；采用每个专家的权重值，利用灰色粗糙集法计算各个指标的粗糙集；

步骤三、用归一化处理方法分配权重的S03阶段：根据每个指标的重要程度，用归一化处理方法分配权重，即根据每个指标的重要程度，利用归一化处理方法来求解各指标的权重；将灰色粗糙集法计算出来的各层级指标的粗糙集进行归一化计算，得到各个指标的客观权重值。

在S01阶段中，所述的电网建设项目后评价指标体系如下表：

在S02阶段中，所述的采用灰色粗糙集理论，计算各个指标的粗糙集，即采用灰色粗糙集法计算各个指标的客观权重值，计算单个指标的合成值后进行归一化处理的方法包括按顺序执行的下列步骤：

步骤一：对原始数据进行预处理的S201阶段，建立样本空间集，

X_i=(X_i(1)，X_i(2)，……，X_i(n))，i=0，1，……，p；

步骤二，求差序列的S202阶段；

Δ_i(k)=|X₀(k)-X_i(k)|

Δ_i=(Δ_i(1)，Δ_i(2)，……，Δ_i(n))，i=0，1，……，p；

步骤三：求两级最大差和最小差的S203阶段；

M=max_imax_k(k)

m=min_imin_k(k)

步骤四：计算关联系数，求得粗糙集的S204阶段；

${\mathrm{\γ}}_{0i}\left(k\right)=\frac{m+\mathrm{ZM}}{{\mathrm{\Δ}}_i\left(k\right)+\mathrm{ZM}},Z\∈\left(\mathrm{0,1}\right),k=\mathrm{1,2},...,n,i=\mathrm{1,2},...,p,$

其中：Z为分辨系数，它的取值只影响关联系数的大小，不影响关联度，一般取0.5.

求得关联度：

${\mathrm{\γ}}_{0i}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\γ}}_{0i}\left(k\right),i=\mathrm{1,2},...,p.$

得到各属性的关联度为γ(a₁)，γ(a₂)，…，γ(a_m)。

在S03阶段中，所述的归一化处理方法为将各个指标的粗糙集代入归一化处理公式：

$w_k-\frac{r_k}{{\mathrm{\Σ}}_{k=1}^n{r}_k}$

因此可以得到一级指标的权重值；

由上面的计算步骤得到各属性的关联度为γ(a₁)，γ(a₂)，…，γ(a_m)，将其进行归一化处理，把关联度作为属性权重的一种度量，得到属性权重：

${\mathrm{\η}}_i=\frac{\mathrm{\γ}\left(a_i\right)}{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{\γ}\left(a_j\right)},$ 且 $\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\η}}_i=1..$

本发明提供的基于灰色粗糙集的电网建设项目后评价指标赋权方法实现了对电网建设项目后评价指标的定性分析向定量分析的转化，采用灰色粗糙集的赋权方法得出各指标权重；电网建设项目后评价指标包括实施管理评价、财务评价、技术评价、社会影响评价等方面。

下面具体说明一级指标权重值的计算方法，其它二级、三级指标的计算过程类似；

采用灰色粗糙集法计算各个指标的客观权重值，计算单个指标的合成值后进行归一化处理；以一级指标处理过程为例：

步骤一：对原始数据进行预处理，建立样本空间集。X_i=(X_i(1)，X_i(2)，……，X_i(n))，=0，1，……，p

此处，

X₀=(0.4，0.3，0.3，0.35，0.4，0.3，0.2，0.3)

X₁=(0.3，0.3，0.1，0.35，0.4，0.3，0.3，0.25)

X₂=(0.2，0.3，0.3，0.2，0.1，0.3，0.3，0.25)

X₃=(0.1，0.1，0.3，0.1，0.1，0.1，0.2，0.2)

步骤二，求差序列，

Δ_i(k)=|X₀(k)-X_i(k)|

Δ_i=(Δ_i(1)，Δ_i(2)，……，Δ_i(n))，i=0，1，……，p

$\mathrm{\Δ}=\left[\begin{array}{cccccccc}0& 0& 0& 0& 0& 0& 0& 0\\ 0.1& 0& 0.2& 0& 0& 0& 0.1& 0.05\\ 0.2& 0& 0& 0.15& 0.3& 0& 0.1& 0.05\\ 0.3& 0.2& 0& 0.25& 0.3& 0.2& 0& 0.1\end{array}\right]$

步骤三：求两级最大差和最小差，

M=max_imax_k(k)

m=min_imin_k(k)

M=(0.3 0.2 0.2 0.25 0.3 0.2 0.1 0.1)

m=(0.1 0 0 0 0 0 0 0.05)

步骤四：计算关联系数，求得粗糙集。

${\mathrm{\γ}}_{0i}\left(k\right)=\frac{m+\mathrm{ZM}}{{\mathrm{\Δ}}_i\left(k\right)+\mathrm{ZM}},Z\∈\left(\mathrm{0,1}\right),k=\mathrm{1,2},...,n,i=\mathrm{1,2},...,p,$

${\mathrm{\γ}}_{0i}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\γ}}_{0i}\left(k\right),i=\mathrm{1,2},...,p.$

$\mathrm{\γ}=\left[\begin{array}{cccccccc}1.67& 1& 1& 1& 1& 1& 1& 2\\ 1& 1& 0.33& 1& 1& 1& 0.33& 1\\ 0.71& 1& 1& 0.45& 0.33& 1& 0.33& 1\\ 0.56& 0.33& 1& 0.33& 0.33& 0.33& 1& 0.67\end{array}\right]$

η=（1.21 0.83 0.73 0.57）

步骤五：将各个指标的粗糙集进行归一化处理，计算公式为：

$w_k=\frac{r_k}{{\mathrm{\Σ}}_{k=1}^n{r}_k}$

w=（0.36 0.25 0.22 0.17）

因此可以得到一级指标的权重值。

Claims (3)

1.一种基于灰色粗糙集的电网建设项目后评价指标赋权方法，其特征在于：其包括按顺序执行的下列步骤：

步骤一、构建指标体系的S01阶段：首先，建立层次分级结构的电网建设项目后评价指标体系；

步骤二、求解每个指标的重要程度的S02阶段：采用灰色粗糙集相关原理，求解每个指标的重要程度；将各专家打分结果作为原始的样本数据，基于上述后评价指标体系分层级逐次构建样本空间；采用每个专家的权重值，利用灰色粗糙集法计算各个指标的粗糙集；

步骤三、用归一化处理方法分配权重的S03阶段：根据每个指标的重要程度，用归一化处理方法分配权重；将灰色粗糙集法计算出来的各层级指标的粗糙集进行归一化计算，得到各个指标的客观权重值。

2.根据权利要求1所述的基于灰色粗糙集的电网建设项目后评价指标赋权方法，其特征在于：在S02阶段中，所述的采用灰色粗糙集理论，计算各个指标的粗糙集，即采用灰色粗糙集法计算各个指标的客观权重值，计算单个指标的合成值后进行归一化处理方法包括按顺序执行的下列步骤：

步骤一：对原始数据进行预处理的S201阶段，建立样本空间集，

X_i=(X_i(1)，X_i(2)，……，X_i(n))，i=0,1,……，p；

步骤二，求差序列的S202阶段；

Δ_i(k)=|X₀(k)-X_i(k)|

Δ_i=(Δ_i(1)，Δ_i(2),……，Δ_i(n))，i=0，1，……,p；

步骤三：求两级最大差和最小差的S203阶段；

M=max_imax_k(k)

m=min_imin_k(k)

步骤四：计算关联系数，求得粗糙集的S204阶段；

${\mathrm{\γ}}_{0i}\left(k\right)=\frac{m+\mathrm{ZM}}{{\mathrm{\Δ}}_i\left(k\right)+\mathrm{ZM}},Z\∈\left(\mathrm{0,1}\right),k=\mathrm{1,2},...,n,i=\mathrm{1,2},...,p,$

其中：Z为分辨系数，它的取值只影响关联系数的大小，不影响关联度，一般取0.5；

求得关联度：

${\mathrm{\γ}}_{0i}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\γ}}_{0i}\left(k\right),i=\mathrm{1,2},...,p.$

得到各属性的关联度为γ(a₁)，γ(a₂)，…，γ(a_m)。

3.根据权利要求1所述的基于灰色粗糙集的电网建设项目后评价指标赋权方法，其特征在于：在S03阶段中，所述的归一化处理方法为将各个指标的粗糙集代入归一化处理公式：

$w_k=\frac{r_k}{{\mathrm{\Σ}}_{k=1}^n{r}_k}$

因此得到一级指标的权重值；

由上面的计算步骤得到各属性的关联度为γ(a₁)，γ(a₂)，…,γ(a_m)，将其进行归一化处理，把关联度作为属性权重的一种度量，得到属性权重：

${\mathrm{\η}}_i=\frac{\mathrm{\γ}\left(a_i\right)}{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{\γ}\left(a_j\right)},$ 且 $\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\η}}_i=1..$

Images