CN107818406A - 电力营销质量评估效率优化方法、系统、介质及计算机 - Google Patents
电力营销质量评估效率优化方法、系统、介质及计算机 Download PDFInfo
- Publication number
- CN107818406A CN107818406A CN201710965481.3A CN201710965481A CN107818406A CN 107818406 A CN107818406 A CN 107818406A CN 201710965481 A CN201710965481 A CN 201710965481A CN 107818406 A CN107818406 A CN 107818406A
- Authority
- CN
- China
- Prior art keywords
- assessment
- index
- evaluation
- evaluation index
- mrow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本申请提供一种电力营销质量评估效率优化方法、系统、计算机设备及存储介质，包括：判断评估指标类型，评估指标类型包括平行指标和层级指标；获取评估指标类型对应的预设质量评估策略；根据预设质量评估策略得到评估指标的评估权重；根据评估权重和预设对应得分得到评估指标的评估得分，评估得分用于评估电力营销质量。上述电力营销质量评估效率优化方法、系统、计算机设备及计算机可读存储介质，通过在评估前先判断评估指标的类型，再根据类型对应的质量评估策略确定评估指标的评估权重，最后计算得到评估指标的评估得分，不需要人工进行一一权重设置，避免了人为设置权重可能引入的严重干扰，且操作便捷，提高了电力营销质量评估的效率。
Description
技术领域
本申请涉及电力营销技术领域，特别是涉及一种电力营销质量评估效率优化方法、系统、计算机设备及计算机可读存储介质。
背景技术
电力营销工作质量评估是对电力营销业务单位工作质量进行的一次体检，通过评估结果客观反映工作水平，并起到对下一阶段的工作进行指导、改进的作用。工作质量评估主要包括确定评估方法、收集评估内容、开展评估评估、发布评估报告等步骤，其中，评估方法包括确定评估维度及各维度评估内容、设置各维度及下属评估指标权重系数等。有效的评估方法是工作质量评估工作有效开展的重要支撑，合理设置各维度及下属评估指标权重系数是确定科学客观的评估方法的关键。
当前电力营销工作质量评估方法主要针对业务问题率、监控指标完成率等指标类别，分维度、分专业进行评估。然而，传统的电力营销工作质量评估方法中各维度、各指标的权重系数多凭人工主观经验设置，顶层指标凭工作经验及主观上的重视程度设置，底层指标权重均等化，权重设置存在着较大成分的人为干扰。尤其在评估指标繁多时，由人工一一设置各指标的权重，过程繁杂，效率低，也容易引入较大的人为干扰，影响评估结果。
发明内容
基于此，有必要针对上述问题，提供一种可以消除人为干扰，操作便捷，能够提高评估效率的电力营销质量评估效率优化方法、系统、计算机设备及计算机可读存储介质。
一种电力营销质量评估效率优化方法，包括：
判断评估指标类型，所述评估指标类型包括平行指标和层级指标；
获取所述评估指标类型对应的预设质量评估策略；
根据所述预设质量评估策略得到评估指标的评估权重；
根据所述评估权重和所述评估指标预设对应得分，获取所述评估指标的评估得分，所述评估得分用于评估电力营销质量。
在一个实施例中，所述获取所述评估指标类型对应的预设质量评估策略的步骤包括：
若所述评估指标类型为平行指标，则获取得到变异系数法质量评估策略；
若所述评估指标类型为层级指标，则获取得到神经网络拟合法质量评估策略。
在一个实施例中，所述根据所述预设质量评估策略得到所述评估指标的评估权重的步骤包括：
若所述评估指标为平行指标，则获取所述评估指标的方差和均值；
根据所述评估指标的方差和均值的比值得到变异系数；
根据所述变异系数的占比得到所述评估指标的所述评估权重。
在一个实施例中，所述根据所述预设质量评估策略得到所述评估指标的评估权重的步骤包括：
若所述评估指标为层级指标，则构建神经网络模型，将所述评估指标中的下层指标作为所述神经网络模型的输入，将所述评估指标中的上层指标作为所述神经网络模型的输出；
训练所述神经网络模型，记录训练中的训练误差；
当所述训练误差小于预设阈值时，从所述神经网络模型中提取所述评估指标的所述评估权重。
一种电力营销质量评估效率优化系统，包括：
类型判断模块，用于判断评估指标类型，所述评估指标类型包括平行指标和层级指标；
评估策略获取模块，用于获取所述评估指标类型对应的预设质量评估策略；
评估权重计算模块，用于根据所述预设质量评估策略得到评估指标的评估权重；
评估得分计算模块，用于根据所述评估权重和所述评估指标预设对应得分，获取所述评估指标的评估得分，所述评估得分用于评估电力营销质量；
所述类型判断模块、所述评估策略获取模块、所述评估权重计算模块及所述评估得分计算模块依次连接。
在一个实施例中，还包括与所述评估策略获取模块连接的评估策略存储模块；
所述评估策略存储模块包括与所述评估策略获取模块连接的第一评估策略存储单元，所述第一评估策略存储单元存储有变异系数法质量评估策略。
在一个实施例中，所述评估策略存储模块还包括与所述评估策略获取模块连接的第二评估策略存储单元，所述第二评估策略存储单元存储有神经网络拟合法质量评估策略。
一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的电力营销质量评估效率优化方法。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的电力营销质量评估效率优化方法。
上述电力营销质量评估方法、系统、计算机设备及计算机可读存储介质，先判断纳入评估范围的评估指标的类型为平行指标或层级指标，再根据评估指标的类型获取对应的质量评估策略并进一步得到评估指标的评估权重，最后根据评估权重和评估指标预设对应得分得到评估得分。本申请通过在评估前先判断评估指标的类型，再根据类型对应的质量评估策略确定评估指标的评估权重，最后计算得到评估指标的评估得分，不需要人工进行一一权重设置，避免了人为设置权重可能引入的严重干扰，且操作便捷，提高了电力营销质量评估的效率。
附图说明
图1为本申请一实施例的电力营销质量评估效率优化方法流程示意图；
图2为本申请一实施例的电力营销质量评估效率优化方法中的根据所述预设质量评估策略得到评估指标的评估权重的步骤的流程示意图；
图3为本申请一实施例的电力营销质量评估效率优化方法中的根据所述预设质量评估策略得到评估指标的评估权重的步骤的流程示意图；
图4为本申请一实施例中的电力营销质量评估效率优化方法的流程示意图；
图5为本申请一实施例的电力营销质量评估效率优化方法与传统评估方法的对比曲线图；
图6为本申请一实施例的电力营销质量评估效率优化系统结构示意图。
具体实施方式
为使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本申请，并不限定本申请的保护范围。
图1为本申请一实施例的电力营销质量评估效率优化方法流程示意图，如图1所示，一种电力营销质量评估效率优化方法，包括，
步骤S101，判断评估指标类型，所述评估指标类型包括平行指标和层级指标。
电力营销工作是指在不断变化的电力市场中，以电力客户需求为中心，通过供用电关系，使电力用户能够使用安全、可靠、合格、经济的电力商品，并得到周到、满意的服务。通过对电力营销的理念与问题分析，让用户更好的理解此类营销的优缺点。电力营销工作质量评估正是对电力营销业务单位工作质量进行的一次体检，通过评估结果客观反映工作水平，并起到对下一阶段的工作进行指导、改进的作用。电力营销工作质量评估内容包括营业事故及差错、服务质量、计量管理、三大系统运行情况、营销统计、合同管理、稽查质量、其他管理工作等，适用于供电企业各级经营管理人员进行营业工作质量评估分析，本申请涉及的评估指标对应于针对上述电力营销工作质量评估内容。如对于业扩管理类别的评估指标，其包括业扩业务平均办理时间(一般居民)、业扩业务平均办理时间(低压客户)、业扩业务平均办理时间(高压双电源)、业扩业务平均办理时间(高压单电源)及业扩工程电子化移交完成率等5项评估指标；管理线损类别的评估指标包括分线线损异常率和分台区线损异常率等2项评估指标。
本申请中将电力营销质量评估的各类评估指标根据其相互关系进行类型分类，归纳为具有平行关系的平行指标和具有上下层关系的层级指标。如上述业扩管理类别下的5项指标间即为平行关系，该5项指标为平行指标；管理线损与其下包括的分线线损异常率和分台区线损异常率为上下层关系，管理线损、分线线损异常率和分台区线损异常率即为层级指标。通过对评估指标类型进行分类，可以将所有评估指标划分成平行指标或层级指标。
步骤S103，获取所述评估指标类型对应的预设质量评估策略。
质量评估策略是针对评估指标进行处理评估的方法，包括设置评估指标的权重，以用于电力营销工作质量评估。不同评估指标类型对应于不同的预设质量评估策略，如平行指标和层级指标分别对应于不同的质量评估策略，在对所有评估指标归纳分类后，根据评估指标的类型查询并获取得到对应的质量评估策略。
步骤S105，根据所述预设质量评估策略得到评估指标的评估权重。
权重是一个相对的概念，是针对某一指标而言，某一指标的权重是指该指标在整体评价中的相对重要程度。权重表示在评价过程中，是被评价对象的不同侧面的重要程度的定量分配，对各评价因子在总体评价中的作用进行区别对待。评估权重即为评估指标在整体评估过程中，在所有评估指标中的相对重要程度，具体为对其重要程度的定量分配，以体现该评估指标在整体评估过程中的作用程度。在获取评估指标对应的预设质量评估策略后，根据质量评估策略计算得到该评估指标相应的评估权重。
步骤S107，根据所述评估权重和所述评估指标预设对应得分，获取所述评估指标的评估得分，所述评估得分用于评估电力营销质量。
在得到评估指标的评估权重后，根据该评估权重，结合该评估指标上预设的对应得分的乘积计算得到评估指标的评估得分。评估指标的预设对应得分是针对该评估指标内容工作情况的打分，如上述管理线损类别的评估指标包括的分线线损异常率和分台区线损异常率的指标，对应得分分别可以为针对分线线损异常率的工作情况的打分，针对分台区线损异常率的工作情况的打分。评估得分是评估指标的对应得分结合评估权重后的综合分数，可以让评估得分体现出该评估指标在整体评估过程中的作用程度。如上述管理线损类别的评估指标包括的分线线损异常率和分台区线损异常率的指标，若分线线损异常率的评估权重为0.4，对应得分为90分，分台区线损异常率的评估指标为0.6，对应得分为80分，则分线线损异常率的评估得分为36分，分台区线损异常率的评估得分为48分。计算得到的评估得分可以体现出该指标在整体评估过程中，在所有评估指标中的相对重要程度，该评估得分可用于对电力营销工作质量进行评估。
上述电力营销质量评估效率优化方法，先判断纳入评估范围的评估指标的类型为平行指标或层级指标，再根据评估指标的类型获取对应的质量评估策略并进一步得到评估指标的评估权重，最后根据评估权重及评估指标预设对应得分得到评估得分。本申请通过在评估前先判断评估指标的类型，再根据类型对应的质量评估策略确定评估指标的评估权重，最后计算得到评估指标的评估得分，不需要人工进行一一权重设置，避免了人为设置权重可能引入的严重干扰，且操作便捷，提高了电力营销质量评估的效率。
进一步地，步骤S103包括，若所述评估指标类型为平行指标，则获取得到变异系数法质量评估策略；若所述评估指标类型为层级指标，则获取得到神经网络拟合法质量评估策略。
不同评估指标类型对应于不同的预设质量评估策略，在判断完评估指标类型之后，根据该评估指标类型获取对应的预设质量评估策略。质量评估策略是针对评估指标进行处理评估的方法，包括各种评估参数，具体的可以包括评估指标的权重，以用于电力营销工作质量评估。通过质量评估策略的处理，可以得到评估指标对应的评估方法参数，如得到评估指标的评估权重。
进一步地，当评估指标为平行指标时，获取得到变异系数法质量评估策略；当评估指标为层级指标时，获取得到神经网络拟合法质量评估策略。变异系数又称“标准差率”，是衡量资料中各观测值变异程度的一个统计量。当进行两个或多个资料变异程度的比较时，如果度量单位与平均数相同，可以直接利用标准差来比较。如果单位和(或)平均数不同时，比较其变异程度就不能采用标准差，而需采用标准差与平均数的比值(相对值)来比较。变异系数法(Coefficientof variation method)是直接利用各项指标所包含的信息，通过计算得到指标的权重，此方法的基本做法是：在评价指标体系中，指标取值差异越大的指标，也就是越难以实现的指标，这样的指标更能反映被评价单位的差距。对于层级指标，通过变异系数法质量评估策略获取评估指标的评估参数，具体的可以通过变异系数法计算得到各评估指标的评估权重。对于层级指标，通过神经网络拟合法质量评估策略获取评估指标的评估参数。神经网络(Neural Networks，NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题，神经网络模型是以神经元的数学模型为基础来描述的，通过拟合神经网络模型，可以从神经网络模型中提取出所需的评估指标参数，如评估权重。
进一步地，步骤S103还包括，查询所述评估指标类型对应的预设质量评估策略。预设的质量评估策略可以预先存储，当判断完评估指标的类型后，查询评估指标对应的预设质量评估策略，从而或得到对应的预设质量评估策略。
进一步地，如图2所示，步骤S105具体可以包括，
步骤S151，若所述评估指标为平行指标，则获取所述评估指标的方差和均值。
当判断评估指标的类型为平行指标，并获取得到平行指标对应的预设质量评估策略后，根据该对应的预设质量评估策略计算评估指标的评估权重。计算各评估指标的方差和均值，评估指标的方差根据公式(1)求解，
公式(1)中，si为第i个指标的方差，N为第i个指标的历史数据数量，xij为第i个指标的第j个历史数据；为第i个指标所有历史数据的均值，历史数据是指该指标之前的得分数据。
步骤153，根据所述评估指标的方差和均值的比值得到变异系数。
在得到第i个评估指标的方差si和均值后，根据公式(2)求解该指标的变异系数，
公式(2)中，αi为第i个指标的变异系数，si为第i个指标的方差，为第i个指标所有历史数据的均值。
步骤155，根据所述变异系数的占比得到所述评估指标的所述评估权重。
得到第i个评估指标的变异系数αi后，根据公式(3)计算该评估指标的评估权重，
公式(3)中，ωi为第i个评估指标的评估权重，αi为第i个评估指标的变异系数，M为所有平行指标的数量。
当判断出评估指标为平行指标时，利用变异系数法质量评估策略计算评估指标的评估权重。具体的，根据各指标所有历史数据值，先获取评估指标的方差和均值，再根据该方差和均值的比值获得变异系数，最后根据每一个评估指标的变异系数在所有评估指标的变异系数总和中的占比，得到每一个评估指标的评估权重。利用变异系数法求评估权重，可以体现评估指标得分的离散程度和平均水平。得分越离散，说明该评估指标越有区分度，评估权重应较大；得分的平均水平越低，说明执行该评估指标的难度越大，评估权重应较大。
进一步地，如图3所示，步骤S105具体可以包括，
步骤S152，若所述评估指标为层级指标，则构建神经网络模型，将所述评估指标中的下层指标作为所述神经网络模型的输入，将所述评估指标中的上层指标作为所述神经网络模型的输出。
当判断评估指标的类型为层级指标，并获取得到层级指标对应的预设质量评估策略后，根据该对应的预设质量评估策略计算评估指标的评估权重，具体的，采用神经网络算法来拟合上下层之间的关系，从而确定评估权重。更具体的，构建神经网络模型，神经网络模型是由大量的神经元互联而构成的网络模型，根据网络模型中神经元的互联方式，主要可以分为前馈神经网络、反馈神经网络及自组织网络三种。具体的，可以构建前馈神经网络模型，这种网络只在训练过程会有反馈信号，而在分类过程中数据只能向前传送，直到到达输出层，层间没有向后的反馈信号，每一层的输出变量作为下一层的输入变量。如公式(4)所示，将评估指标中的下层指标作为神经网络模型的输入，
公式(4)中，矩阵X为神经网络模型的输入，N为第i个评估指标的历史数据数量，M为输入神经网络模型的评估指标数量，即下层指标的数量，x1j为第1个下层指标的第j个历史数据，x1N为第1个下层指标的第N个历史数据，xij为第i个下层指标的第j个历史数据，xMj为第M个下层指标的第j个历史数据，xMN为第M个下层指标的第N个历史数据。
如公式(5)所示，将评估指标中的上层指标作为神经网络模型的输出，
公式(5)中，矩阵Y为神经网络模型的输出，N为第i个评估指标的历史数据数量，K为神经网络模型输出的评估指标数量，即上层指标的数量，y1j为第1个上层指标的第j个历史数据，y1N为第1个上层指标的第N个历史数据，yij为第i个上层指标的第j个历史数据，yKj为第K个上层指标的第j个历史数据，yKN为第K个上层指标的第N个历史数据。
通过上述公式(4)、(5)，将评估指标中的下层指标作为神经网络模型的输入，将评估指标中的上层指标作为神经网络模型的输出，从而构建了神经网络模型。如对于层级指标：管理线损、分线线损异常率和分台区线损异常率。根据该层级指标构建的神经网络中，管理线损即为上层指标，作为神经网络模型的输出；分线线损异常率和分台区线损异常率即为下层指标，作为神经网络模型的输入。
步骤S154，训练所述神经网络模型，记录训练中的训练误差。
神经网络模型构建完成后，需要对模型进行训练学习并记录训练学习中的训练误差。神经网络的训练主要是指使用训练算法来调整神经元间的联接权，使得网络输出更符合实际。具体的，可以采用有导师学习算法与无导师学习等算法对神经网络模型进行训练。进一步地，当采用有导师学习算法如BP算法(Error Back Propagation)进行模型训练时，将一组训练集送入神经网络模型，该训练集包括各类评估指标，根据神经网络模型的实际输出与期望输出间的差别来调整连接权，对每个评估指标均重复输入神经网络模型、获得输出的动作，直到对整个训练集来说，训练误差小于预设阈值为止，从而完成对神经网络模型的训练。
步骤S156，当所述训练误差小于预设阈值时，从所述神经网络模型中提取所述评估指标的所述评估权重。
当训练误差小于预设阈值时，表明神经网络模型的训练已完成，其工作时输出可满足要求，此时，从该神经网络模型中提取评估指标的评估权重。
当判断评估指标的类型为层级指标，并获取得到层级指标对应的预设质量评估策略后，根据该对应的预设质量评估策略计算评估指标的评估权重。具体的，将评估指标中的下层指标作为神经网络模型的输入，将评估指标中的上层指标作为神经网络模型的输出，构建神经网络模型，然后训练该神经网络模型直至训练误差小于预设阈值，最后从该神经网络中提取评估指标的评估权重。利用构建的神经网络模型提取评估权重，充分考虑了层级指标间的关系，使各评估指标的评估权重分配更加合理。
进一步地，步骤S156可以包括：根据Garson算法构建提取公式，所述提取公式为
公式(6)中，Qik为第i个所述下层指标与第k个所述上层指标之间的所述评估权重，M为所述神经网络模型输入层的神经元个数，P为隐含层的神经元数量；wij为第i个所述下层指标与第j个隐含层神经元之间的权重，vjk为第j个隐含层神经元与第k个所述上层指标之间的权重；根据所述提取公式从所述神经网络模型中提取所述评估指标的所述评估权重。
Garson算法是基于连接权的分析方法，用连接权值的乘积来计算输入变量对输出变量的影响程度或相对贡献值。具体的，根据Garson算法得到公式(6)，M为神经网络模型输入层的神经元个数，P为隐含层的神经元数量；wij为第i个下层指标与第j个隐含层神经元之间的权重，vjk为第j个隐含层神经元与第k个上层指标之间的权重，Qik为第i个下层指标与第k个上层指标之间的所述评估权重，通过公式(6)，可以计算得到所有层级指标的评估权重。
进一步地，步骤S107包括：根据所述评估指标的对应得分和所述评估权重的乘积得到所述评估指标的所述评估得分；根据所述评估得分对所述电力营销质量进行评估。
在获得各评估指标的评估权重后，再根据各评估指标的对应得分得到各评估指标的评估得分。其中，各评估指标的对应得分是指每项评估指标的实际打分，是依据评估指标内容对应的营销工作质量的打分值，将该实际打分乘以评估指标的评估权重，即得到评估指标的评估得分。如公式(7)所示，
公式(7)中，score为最后的评估总得分，N为下层指标或平行指标数量，xi为第i个评估指标上的评估得分，ωi为第i个评估指标的评估权重。获得各评估指标的评估得分后，计算评估得分的总和，即得到评估总得分，该评估总得分可用于电力营销工作质量的评估。
进一步地，也可以直接使用评估得分对电力营销工作质量进行分项评估，具体如何通过评估得分进行评估对比，可依据实际情况选择。
上述电力营销质量评估效率优化方法，通过利用大数据分析技术，基于各评估指标的历史表现情况，对各维度、各评估指标的评估权重进行合理地设置，最大程度排除人为干扰因素在电力营销工作质量评估中的影响。
图4为本申请一实施例中的电力营销质量评估效率优化方法的流程示意图。如图4所示，电力营销质量评估开始后，先判断评估指标类型；
当该评估指标为平行指标时，计算评估指标的方差si和均值xi，然后计算方差si和均值xi的比值得到变异系数，根据变异系数的占比得到评估指标的评估权重，最后，将各评估指标的对应得分乘以对应的评估权重再求和后得到评估总得分，利用该评估总得分对电力营销质量进行评估；
当该评估指标为层级指标时，首先将评估指标中的下层指标作为神经网络模型的输入，将评估指标中的上层指标作为神经网络模型的输出，构建神经网络模型，然后训练该神经网络模型直至训练误差小于预设阈值，接着从该神经网络中利用Garson算法提取评估指标的评估权重，最后，将各评估指标的对应得分乘以对应的评估权重再求和后得到评估总得分，利用该评估总得分对电力营销质量进行评估。
本实施例中，先判断纳入评估范围的评估指标的类型为平行指标或层级指标，再根据评估指标的类型获取对应的变异系数法质量评估策略或神经网络模拟法质量评估策略并进一步得到各评估指标的评估权重，在根据评估权重得到各评估指标的评估得分，最后对所有评估指标的评估得分求和后得到评估总得分，利用该评估总得分对电力营销质量进行评估。本实施例的电力营销质量评估效率优化方法通过在评估前先判断评估指标的类型，对于不同类型的评估指标采用不同的质量评估策略确定评估指标的评估权重，进而计算相应的评估得分，使得电力营销质量评估时考虑了指标间的相互关系，在权重设置上最大化排除人工可能引入的各种干扰，基于各指标的历史表现情况，利用大数据分析技术确定各维度、各指标的权重系数，可以实现对评估对象的各准确的评价。
如图5所示，为本申请一实施例的电力营销质量评估效率优化方法与传统评估方法的对比曲线图。可以看出，根据本申请提供的电力营销质量评估效率优化方法确定的新权重计算得到的评估总得分比根据传统评估方法中旧权重得到的评估总得分上下波动更大，更加有区分度，更加符合实际工作质量评估的需要。
此外，对应于上述电力营销质量评估效率优化方法，本申请还提供一种电力营销质量评估效率优化系统。如图6所示，为本申请一实施例的电力营销质量评估效率优化系统结构示意图，包括：
类型判断模块100，用于判断评估指标类型，所述评估指标类型包括平行指标和层级指标；
评估策略获取模块200，用于获取所述评估指标类型对应的预设质量评估策略；
评估权重计算模块300，用于根据所述预设质量评估策略得到评估指标的评估权重；
400，用于根据所述评估权重和所述评估指标预设对应得分，获取所述评估指标的评估得分，所述评估得分用于评估电力营销质量；
所述类型判断模块100、所述评估策略获取模块200、所述评估权重计算模块300及所述评估得分计算模块400依次连接。
进一步地，还包括与所述评估策略获取模块200连接的评估策略存储模块；
所述评估策略存储模块包括分别与所述评估策略获取模块连接的第一评估策略存储单元，所述第一评估策略存储单元存储有变异系数法质量评估策略。
进一步地，所述评估策略存储模块还包括与所述评估策略获取模块连接的第二评估策略存储单元，所述第二评估策略存储单元存储有神经网络拟合法质量评估策略。
上述电力营销质量评估效率优化系统，先判断纳入评估范围的评估指标的类型为平行指标或层级指标，再根据评估指标的类型获取对应的质量评估策略并进一步得到评估指标的评估权重，最后根据评估权重得到评估得分。本申请通过在评估前先判断评估指标的类型，再根据类型对应的质量评估策略确定评估指标的评估权重，最后计算得到评估指标的评估得分，不需要人工进行一一权重设置，避免了人为设置权重可能引入的严重干扰，且操作便捷，提高了电力营销质量评估的效率。
此外，对应于上述对应于上述电力营销质量评估效率优化方法及系统，本申请还提供一种计算机设备。在一个实施例中，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行所述程序时实现如上述各实施例中的任意一种电力营销质量评估效率优化方法。
该计算机设备，其处理器执行程序时，通过实现如上述各实施例中的任意一种电力营销质量评估效率优化方法，从而可以先判断纳入评估范围的评估指标的类型为平行指标或层级指标，再根据评估指标的类型获取对应的质量评估策略并进一步得到评估指标的评估权重，最后根据评估权重得到评估得分。本申请通过在评估前先判断评估指标的类型，再根据类型对应的质量评估策略确定评估指标的评估权重，最后计算得到评估指标的评估得分，不需要人工进行一一权重设置，避免了人为设置权重可能引入的严重干扰，且操作便捷，提高了电力营销质量评估的效率。
此外，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性的计算机可读取存储介质中，如本申请实施例中，该程序可存储于计算机系统的存储介质中，并被该计算机系统中的至少一个处理器执行，以实现包括如上述各电力营销质量评估效率优化方法的实施例的流程。
此外，本申请还提供一种存储介质，在一个实施例中，其上存储有计算机程序，其中，该程序被处理器执行时实现如上述各实施例中的任意一种电力营销质量评估效率优化方法。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电力营销质量评估效率优化方法，其特征在于，包括：
判断评估指标类型，所述评估指标类型包括平行指标和层级指标；
获取所述评估指标类型对应的预设质量评估策略；
根据所述预设质量评估策略得到评估指标的评估权重；
根据所述评估权重和所述评估指标预设对应得分，获取所述评估指标的评估得分，所述评估得分用于评估电力营销质量。
2.根据权利要求1所述的电力营销质量评估效率优化方法，其特征在于，所述获取所述评估指标类型对应的预设质量评估策略的步骤包括：
若所述评估指标类型为平行指标，则获取得到变异系数法质量评估策略；
若所述评估指标类型为层级指标，则获取得到神经网络拟合法质量评估策略。
3.根据权利要求1所述的电力营销质量评估效率优化方法，其特征在于，所述根据所述预设质量评估策略得到所述评估指标的评估权重的步骤包括：
若所述评估指标为平行指标，则获取所述评估指标的方差和均值；
根据所述评估指标的方差和均值的比值得到变异系数；
根据所述变异系数的占比得到所述评估指标的所述评估权重。
4.根据权利要求1所述的电力营销质量评估效率优化方法，其特征在于，所述根据所述预设质量评估策略得到所述评估指标的评估权重的步骤包括：
若所述评估指标为层级指标，则构建神经网络模型，将所述评估指标中的下层指标作为所述神经网络模型的输入，将所述评估指标中的上层指标作为所述神经网络模型的输出；
训练所述神经网络模型，记录训练中的训练误差；
当所述训练误差小于预设阈值时，从所述神经网络模型中提取所述评估指标的所述评估权重。
5.根据权利要求4所述的电力营销质量评估效率优化方法，其特征在于，所述从所述神经网络模型中提取所述评估指标的所述评估权重包括：
根据Garson算法构建提取公式，所述提取公式为
<mrow>
<msub>
<mi>Q</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>P</mi>
</munderover>
<mrow>
<mo>(</mo>
<mo>|</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>v</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>r</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>r</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>P</mi>
</munderover>
<mrow>
<mo>(</mo>
<mo>|</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>v</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>r</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>r</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
式中，Qik为第i个所述下层指标与第k个所述上层指标之间的所述评估权重，M为所述神经网络模型输入层的神经元个数；P为隐含层的神经元数量；wij为第i个所述下层指标与第j个隐含层神经元之间的权重；vjk为第j个隐含层神经元与第k个所述上层指标之间的权重；
根据所述提取公式从所述神经网络模型中提取所述评估指标的所述评估权重。
6.一种电力营销质量评估效率优化系统，其特征在于，包括：
类型判断模块，用于判断评估指标类型，所述评估指标类型包括平行指标和层级指标；
评估策略获取模块，用于获取所述评估指标类型对应的预设质量评估策略；
评估权重计算模块，用于根据所述预设质量评估策略得到评估指标的评估权重；
评估得分计算模块，用于根据所述评估权重和所述评估指标预设对应得分，获取所述评估指标的评估得分，所述评估得分用于评估电力营销质量；
所述类型判断模块、所述评估策略获取模块、所述评估权重计算模块及所述评估得分计算模块依次连接。
7.根据权利要求6所述的电力营销质量评估效率优化系统，其特征在于，还包括与所述评估策略获取模块连接的评估策略存储模块；
所述评估策略存储模块包括与所述评估策略获取模块连接的第一评估策略存储单元，所述第一评估策略存储单元存储有变异系数法质量评估策略。
8.根据权利要求7所述的电力营销质量评估效率优化系统，其特征在于，所述评估策略存储模块还包括与所述评估策略获取模块连接的第二评估策略存储单元，所述第二评估策略存储单元存储有神经网络拟合法质量评估策略。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任意一项所述的电力营销质量评估效率优化方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5任意一项所述的电力营销质量评估效率优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710965481.3A CN107818406A (zh) | 2017-10-17 | 2017-10-17 | 电力营销质量评估效率优化方法、系统、介质及计算机 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710965481.3A CN107818406A (zh) | 2017-10-17 | 2017-10-17 | 电力营销质量评估效率优化方法、系统、介质及计算机 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107818406A true CN107818406A (zh) | 2018-03-20 |
Family
ID=61608327
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710965481.3A Pending CN107818406A (zh) | 2017-10-17 | 2017-10-17 | 电力营销质量评估效率优化方法、系统、介质及计算机 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107818406A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108664401A (zh) * | 2018-05-11 | 2018-10-16 | 阿里巴巴集团控股有限公司 | 埋点合理性的评估方法及装置 |
| CN109492757A (zh) * | 2018-11-28 | 2019-03-19 | 中科赛诺（北京）科技有限公司 | 资料集成方法及装置 |
| CN110298532A (zh) * | 2019-04-28 | 2019-10-01 | 国网浙江省电力有限公司电力科学研究院 | 一种基于量化积分计算的营销全业务管控评价系统 |
| CN111767950A (zh) * | 2020-06-29 | 2020-10-13 | 国电南京自动化股份有限公司 | 一种基于Pb-SVM的电力营销数据关键指标评估方法及系统 |
| CN113327047A (zh) * | 2021-06-16 | 2021-08-31 | 国网江苏省电力有限公司营销服务中心 | 基于模糊综合模型的电力营销服务渠道决策方法及系统 |
| CN113344451A (zh) * | 2021-07-02 | 2021-09-03 | 广东电网有限责任公司 | 一种基于配电变压器的评价指标权重确定方法及相关装置 |
-
2017
- 2017-10-17 CN CN201710965481.3A patent/CN107818406A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108664401A (zh) * | 2018-05-11 | 2018-10-16 | 阿里巴巴集团控股有限公司 | 埋点合理性的评估方法及装置 |
| CN109492757A (zh) * | 2018-11-28 | 2019-03-19 | 中科赛诺（北京）科技有限公司 | 资料集成方法及装置 |
| CN110298532A (zh) * | 2019-04-28 | 2019-10-01 | 国网浙江省电力有限公司电力科学研究院 | 一种基于量化积分计算的营销全业务管控评价系统 |
| CN111767950A (zh) * | 2020-06-29 | 2020-10-13 | 国电南京自动化股份有限公司 | 一种基于Pb-SVM的电力营销数据关键指标评估方法及系统 |
| CN111767950B (zh) * | 2020-06-29 | 2023-09-22 | 国电南京自动化股份有限公司 | 一种基于Pb-SVM的电力营销数据关键指标评估方法及系统 |
| CN113327047A (zh) * | 2021-06-16 | 2021-08-31 | 国网江苏省电力有限公司营销服务中心 | 基于模糊综合模型的电力营销服务渠道决策方法及系统 |
| CN113344451A (zh) * | 2021-07-02 | 2021-09-03 | 广东电网有限责任公司 | 一种基于配电变压器的评价指标权重确定方法及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107818406A (zh) | 电力营销质量评估效率优化方法、系统、介质及计算机 | |
| CN104820716B (zh) | 基于数据挖掘的装备可靠性评估方法 | |
| CN104835103B (zh) | 基于神经网络和模糊综合评价的移动网络健康评价方法 | |
| CN102496069B (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
| CN105719048A (zh) | 一种基于主成分分析法及熵权法的中压配电网运行状态模糊综合评价方法 | |
| CN108038300A (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
| CN103840988A (zh) | 一种基于rbf神经网络的网络流量测量方法 | |
| CN104037943B (zh) | 一种提高电网电压质量的电压监测方法及系统 | |
| CN103810328B (zh) | 一种基于混合模型的变压器维修决策方法 | |
| CN107480341A (zh) | 一种基于深度学习的大坝安全综合评判方法 | |
| CN107274067B (zh) | 一种配电变压器过载风险评估方法 | |
| CN104318482A (zh) | 一套智能配电网综合评估体系和方法 | |
| CN104598993B (zh) | 基于眨眼次数的驾驶员疲劳驾驶预测方法 | |
| CN103514566A (zh) | 一种风险控制系统及方法 | |
| CN107451402A (zh) | 一种基于告警数据分析的设备健康度评估方法及装置 | |
| CN105956779A (zh) | 电力变压器运行状态评估方法和装置 | |
| CN110333414A (zh) | 电力变压器多层次状态评估方法 | |
| CN102609612B (zh) | 一种用于多参数仪表检定的数据融合方法 | |
| CN104331773A (zh) | 一种电网规划方案综合评估方法 | |
| CN110110977A (zh) | 一种基于改进主成分-层次分析的配电网评估方法 | |
| CN110490409B (zh) | 一种基于dnn的低压台区线损率标杆值设定方法 | |
| CN110175789A (zh) | 基于模糊层次和critic法的配电网诊断评估指标权重赋权方法 | |
| CN105160496A (zh) | 一种企业电力能效综合评估方法 | |
| CN105046377A (zh) | 基于bp神经网络筛选水库防洪调度方案优选指标的方法 | |
| CN108647869A (zh) | 工程评估方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180320 |