CN111242424A - 质量数据的处理方法及装置 - Google Patents
质量数据的处理方法及装置 Download PDFInfo
- Publication number
- CN111242424A CN111242424A CN201911419937.1A CN201911419937A CN111242424A CN 111242424 A CN111242424 A CN 111242424A CN 201911419937 A CN201911419937 A CN 201911419937A CN 111242424 A CN111242424 A CN 111242424A
- Authority
- CN
- China
- Prior art keywords
- power grid
- supplier
- suppliers
- providers
- initial
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims description 47
- 230000006835 compression Effects 0.000 claims description 36
- 238000007906 compression Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 11
- 230000002950 deficient Effects 0.000 claims description 4
- 230000008439 repair process Effects 0.000 claims description 4
- 230000007547 defect Effects 0.000 description 23
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000012937 correction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013441 quality evaluation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
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
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种质量数据的处理方法及装置。其中,该方法包括:基于多个电网供应商的初始质量得分,获取多个电网供应商的初始排名结果,其中,基于电网供应商的至少一个质量指标来确定所述初始质量得分;基于每个电网供应商的有效样本数,确定所述每个电网供应商的可信度;基于所述多个电网供应商的初始质量得分,修正所述每个电网供应商的可信度,获取多个电网供应商的实际排名结果。本发明解决了缺少供应商覆盖网省数这一空间维度的参数,不能体现整个电网企业对供应商的认可度,导致某些向少数网省公司大量集中供货的供应商具有较高排名,无法反映其真实质量情况的技术问题。
Description
技术领域
本发明涉及电力领域,具体而言,涉及一种质量数据的处理方法及装置。
背景技术
电网公司逐年加大电网建设投资力度,每年的入网设备材料数量巨大,如果不严把设备质量关,一旦使不良供应商提供的不合格设备材料进入电网运行,将给电网安 全稳定运行带来隐患,甚至造成安全事故给社会造成巨大损失。然而目前设备制造商 对生产质量把控不严;电网企业缺乏较为完善的供应商绩效评价体系,设备运行质量 信息不能有效反馈到设备招标入网环节,导致电网设备质量问题突出。因此,亟需建 立一套运检环节电网设备供应商绩效评价算法,将设备运行质量信息全面反馈至物资 采购环节,为电网招标采购提供重要优选依据。
电网公司在物资质量和供应商管理方面制度及细则较多,但主要是针对电网公司内部物资质量和供应商管理的相关责任、流程与要求的说明,而对于供应商设备质量 的评价方法比较单一。目前主要方法是基于威尔逊置信区间的电网设备质量评价算法, 综合供应商设备数量、台年数等基础信息与近5年内发生的质量缺陷、非停、故障等 质量信息对供应商进行评分并排名,然后以正态分布原则确定供应商等级划分范围。
基于威尔逊置信区间的电网设备质量评价算法虽然已解决了小样本容量的可信度 问题,但其“马太效应”会使一些优质的小厂家始终排名靠后,无法依靠优质设备与 大厂家竞争。此外,目前的算法只涵盖了数量和时间两个维度的设备基础信息,而缺 少供应商覆盖网省数这一空间维度的参数,不能体现整个电网企业对供应商的认可度, 导致某些向少数网省公司大量集中供货的供应商具有较高排名,无法反映其真实质量 情况。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种质量数据的处理方法及装置,以至少解决缺少供应商覆盖网省数这一空间维度的参数,不能体现整个电网企业对供应商的认可度,导致某些 向少数网省公司大量集中供货的供应商具有较高排名,无法反映其真实质量情况的技 术问题。
根据本发明实施例的一个方面,提供了一种质量数据的处理方法,包括:基于多个电网供应商的初始质量得分,获取多个电网供应商的初始排名结果,其中,基于电 网供应商的至少一个质量指标来确定所述初始质量得分;基于每个电网供应商的有效 样本数,确定所述每个电网供应商的可信度;基于所述多个电网供应商的初始质量得 分,修正所述每个电网供应商的可信度,获取多个电网供应商的实际排名结果。
可选的,所述质量指标包括如下至少之一:电网供应商发生缺陷的扣分、发生非停的扣分、发生故障的扣分、发生通报的扣分。
可选的,将所述每个电网供应商的有效样本数所确定的置信区间,作为所述可信度,其中,所述有效样本数的容量越大,对应的置信区间越窄,下限值与样本均值差 值越小;所述有效样本数的容量越小,置信区间越宽,下限值与样本均值差值越大。
可选的,在之前,所述方法还包括:获取任意一个电网供应商的样本数ni和网省覆盖度为ci;基于所述样本数ni和网省覆盖度为ci,确定所述电网供应商的有效样本 数nei。
可选的,基于所述多个电网供应商的初始质量得分,修正所述每个电网供应商的可信度,获取多个电网供应商的实际排名结果包括:使用压缩比模型对所述电网供应 商的置信区间半径进行差异化压缩;基于差异化压缩的结果,修正所述电网供应商的 可信度。
可选的,通过如下公式表征所述压缩比模型:
其中,p为供应商的初始得分;Pdown为p的置信区间下限,即为供应商的最终得分;n表示样本容量,根据供应商样本容 量选取设备数、台年数或百台年数;z表示对应置信水平为1-α的z统计常量,置信 水平为95%时,z统计常量为1.96。
可选的,在基于所述多个电网供应商的初始质量得分,修正所述每个电网供应商的可信度,获取多个电网供应商的实际排名结果之后,所述方法还包括:将所述电网 供应商覆盖网省数c作为样本数影响因子,再次使用所述压缩比模型对所述电网供应 商当前修缮后的可信度再次分进行修正。
可选的,在获取多个电网供应商的实际排名结果之后,所述方法还包括:基于置信区间的排名算法将所述多个电网供应商按照所述实际排名结果进行分类,并根据设 备评价细度及供应商数量对分类结果中的分级类别数量进行调整。
根据本发明实施例的另一方面,还提供了一种质量数据的处理装置,其特征在于,包括:获取模块,用于基于多个电网供应商的初始质量得分,获取多个电网供应商的 初始排名结果,其中,基于电网供应商的至少一个质量指标来确定所述初始质量得分; 确定模块,用于基于每个电网供应商的有效样本数,确定所述每个电网供应商的可信 度;修正模块,用于基于所述多个电网供应商的初始质量得分,修正所述每个电网供 应商的可信度,获取多个电网供应商的实际排名结果。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介 质所在的设备执行所述的质量数据的处理方法。
根据本发明实施例的另一方面,还提供了一种电子装置,其特征在于,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机 可读指令,其中,所述计算机可读指令运行时执行所述的质量数据的处理方法。
在本发明实施例中,采用基于多个电网供应商的初始质量得分,获取多个电网供应商的初始排名结果,基于每个电网供应商的有效样本数,确定所述每个电网供应商 的可信度,基于所述多个电网供应商的初始质量得分,修正所述每个电网供应商的可 信度,获取多个电网供应商的实际排名结果的方式,达到了修正电网质量可信度的目 的,从而解决了缺少供应商覆盖网省数这一空间维度的参数,不能体现整个电网企业 对供应商的认可度,导致某些向少数网省公司大量集中供货的供应商具有较高排名, 无法反映其真实质量情况的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图 中:
图1是根据本发明实施例的一种质量数据的处理方法的流程图;
图2是根据本发明实施例的一种质量数据的处理装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例 仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领 域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于 本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这 样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在 这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的 任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方 法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚 地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种质量数据的处理方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执 行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处 的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种质量数据的处理方法,如图1所示,该方法包括 如下步骤:
步骤S102,基于多个电网供应商的初始质量得分,获取多个电网供应商的初始排名结果,其中,基于电网供应商的至少一个质量指标来确定所述初始质量得分。
具体的,获取多个电网供应商的初始质量得分,该质量得分是由至少一个质量指标来确定所述初始质量得分,然后由处理器对所有的质量得分进行排序,并将排名结 果进行存储并输出,以供后续处理和分析流程之用。
可选的,所述质量指标包括如下至少之一:电网供应商发生缺陷的扣分、发生非停的扣分、发生故障的扣分、发生通报的扣分。
综合分析设备数量、设备投运时间、质量缺陷、故障、非停及质量事件通报等因素,制定以下供应商得分机制:
(1)台年数计算
设开展供应商评价的周期内起始年份和终止年份分别为Yl和Yu。则投运设备数为n的A供应商中,某投运年份为yi的设备台年数ti为:
供应商A的总台年数TA为:
(2)供应商初始得分计算
从设备投运开始,设备运行得分以初值s0和步长f呈等差数列递增,第j年的得 分sj为:
sj=s0+f×(j-1) (3)
若设备第j’年出现缺陷,该年得分为:
sj'=sd (4)
其中,sd为缺陷发生当年得分初值(与无缺陷年份初值不同),d为修正扣分值(根据相应设备评价导则得出),k为扣分系数(具体取值详见公式14)。
设备发生缺陷次年视为设备重新投运,该年得分自s0起重新计算,设备投运y 年后该设备的运行得分Si为:
综上,该供应商设备运行得分SΣ为:
在得到供应商运行得分后,考虑供应商存在缺陷、故障、非停及质量事件通报等情况,对其进行量化处理:
供应商发生缺陷的扣分值为:
D=∑d (7)
应商发生ns次非停的计算扣分值为:
Ds=ns×ds (8)
供应商发生nf次故障的计算扣分值为:
Df=nf×df (9)
供应商发生nbp次省公司通报的计算扣分值为:
Dbp=nbp×dbp (10)
供应商发生nbs次国网公司通报的计算扣分值为:
Dbs=nbs×dbs (11)
供应商发生nd次省公司家族性缺陷的计算扣分值为:
Dd=nd×dd (12)
式(7)~(12)中,ds为设备发生非停的单次扣分值,df为发生故障的单次扣分值,dbp为发生省公司通报的单次扣分值,dbs为发生国网公司通报的单次扣分值,dd为 发生省公司家族缺陷的单次扣分值。
对于设备台年数为T的某供应商,其初始得分p为:
针对各类设备扣分情况不同,引入动态调整因子,解决了设备运行情况或缺陷故障情况单方面影响评价结果的问题,确保评价全面反映设备质量状况。平衡设备运行 得分与缺陷扣分值在设备的权重,设置扣分系数k:
式中,r为某类评价细度的扣分总值Σ(D+Df+Ds+Dbp+Dbs+Dd)与无缺陷运行得分Sp之比,rmax、rmin分别为所有评价细度最大值和最小值。
2.2.3计算有效样本数
设某评价细度第i个供应商的样本数为ni,其网省覆盖度为ci,则其平均网省样 本数gi为ni/ci,网省覆盖度达到阈值的供应商的最大平均网省样本数为gmax,因此有 效样本数nei可以定义为:
由上式可知,当某供应商的网省覆盖度没有达到该细度的阈值且平均网省样本数大于gmax时,该供应商的有效样本数则不等于原样本数ni,而等于gmax与其网省覆盖 度为ci的乘积,以此来减少该供应商参评的样本数,从而降低其第一次威尔逊得分。
步骤S104,基于每个电网供应商的有效样本数,确定每个电网供应商的可信度。
具体的,由于需要根据可信度来进行修正操作,本发明实施例为了得到每个电网供应商的具体的可信度是多少,,需要将每个电网供应商的有效样本数加以利用并进行 分析。
可选的,将所述每个电网供应商的有效样本数所确定的置信区间,作为所述可信度,其中,所述有效样本数的容量越大,对应的置信区间越窄,下限值与样本均值差 值越小;所述有效样本数的容量越小,置信区间越宽,下限值与样本均值差值越大。
具体的,为了得到每个电网供应商的有效样本数所确定的置信区间,即可信度区间,本发明实施例采用“威尔逊置信区间”排名算法,以供应商初始得分排名的基础 指标,通过置信区间(即可信度)进行修正。即样本容量越大,置信区间越窄,下限 值与样本均值差值越小;样本容量越小,置信区间越宽,下限值与样本均值差值越大, 从而很好地解决了小样本容量评价的准确性问题。
可选的,在之前,所述方法还包括:获取任意一个电网供应商的样本数ni和网省覆盖度为ci;基于所述样本数ni和网省覆盖度为ci,确定所述电网供应商的有效样本 数nei。
具体的,为解决传统威尔逊排名算法存在的“马太效应”,引入“压缩比”改进算 法模型,对供应商的置信区间半径进行差异化压缩,以提升样本数小但设备质量突出 的供应商的排名。该压缩比模型综合考虑了评价细度范围内的每台年平均扣分值λ为 DΣ/T∑(DΣ为评价细度范围内发生的所有质量问题的总扣分,TΣ为评价细度范围内所 有供应商的设备总台年数)、供应商设备平均运行年限x为T/N(T为供应商的设备台 年数,N为供应商的设备数)、供应商的有效样本数n及扣分值为D,如下所示:
压缩比模型可以差异化地提升优质供应商的排名,在同一评价细度中,供应商的提升幅度与其扣分值呈负相关,且与其样本数呈正相关;在不同评价细度之间,供应 商的得分提升幅度还与评价细度的每台年平均扣分值呈正相关。
引入压缩比后的威尔逊置信区间下限表示为:
式中:p为供应商的初始得分;Pdown为p的置信区间下限,即为供应商的最终得分;n表示样本容量,根据供应商样本容量选取设备数、台年数或百台年数;z表示对 应置信水平为1-α的z统计常量,置信水平为95%时,z统计常量为1.96。
步骤S106,基于所述多个电网供应商的初始质量得分,修正每个电网供应商的可信度,获取多个电网供应商的实际排名结果。
具体的,根据本发明实施例上述实施过程所获取的电网供应商的初始质量得分,来修正每个供应商的可信度,该可信度为待修正值,当修正完毕之后,可以根据修正 后的可信度进行排序,利用处理器中的排序模块对各个电网供应商的可信度进行由大 到小的排名,并将该排名结果作为最终的多个电网供应商的实际排名结果,并输出给 用户端使用户进行使用。
可选的,基于所述多个电网供应商的初始质量得分,修正所述每个电网供应商的可信度,获取多个电网供应商的实际排名结果包括:使用压缩比模型对所述电网供应 商的置信区间半径进行差异化压缩;基于差异化压缩的结果,修正所述电网供应商的 可信度。
可选的,通过如下公式表征所述压缩比模型:
其中,p为供应商的初始得分;Pdown为p 的置信区间下限,即为供应商的最终得分;n表示样本容量,根据供应商样本容量选 取设备数、台年数或百台年数;z表示对应置信水平为1-α的z统计常量,置信水平 为95%时,z统计常量为1.96。
具体的,以供应商初始得分排名的基础指标,通过置信区间(即可信度)进行修正。即样本容量越大,置信区间越窄,下限值与样本均值差值越小;样本容量越小, 置信区间越宽,下限值与样本均值差值越大,从而很好地解决了小样本容量评价的准 确性问题。
为解决传统威尔逊排名算法存在的“马太效应”,引入“压缩比”改进算法模型, 对供应商的置信区间半径进行差异化压缩,以提升样本数小但设备质量突出的供应商 的排名。该压缩比模型综合考虑了评价细度范围内的每台年平均扣分值λ为DΣ/T∑ (DΣ为评价细度范围内发生的所有质量问题的总扣分,TΣ为评价细度范围内所有供 应商的设备总台年数)、供应商设备平均运行年限x为T/N(T为供应商的设备台年数, N为供应商的设备数)、供应商的有效样本数n及扣分值为D,如下所示:
压缩比模型可以差异化地提升优质供应商的排名,在同一评价细度中,供应商的提升幅度与其扣分值呈负相关,且与其样本数呈正相关;在不同评价细度之间,供应 商的得分提升幅度还与评价细度的每台年平均扣分值呈正相关。
引入压缩比后的威尔逊置信区间下限表示为:
式中:p为供应商的初始得分;Pdown为p的置信区间下限,即为供应商的最终得分;n表示样本容量,根据供应商样本容量选取设备数、台年数或百台年数;z表示对 应置信水平为1-α的z统计常量,置信水平为95%时,z统计常量为1.96。
可选的,在基于所述多个电网供应商的初始质量得分,修正所述每个电网供应商的可信度,获取多个电网供应商的实际排名结果之后,所述方法还包括:将所述电网 供应商覆盖网省数c作为样本数影响因子,再次使用所述压缩比模型对所述电网供应 商当前修缮后的可信度再次分进行修正。
可选的,在获取多个电网供应商的实际排名结果之后,所述方法还包括:基于置信区间的排名算法将所述多个电网供应商按照所述实际排名结果进行分类,并根据设 备评价细度及供应商数量对分类结果中的分级类别数量进行调整。
具体的,为了使得实际排名结果对于电网供应商更具实用性,需要根据“威尔逊置信区间”排名算法将设备由高到低分为A、B、C、D、E五类,其中A类占10%;B 类占20%;C类占40%,D类占20%,E类占10%(根据具体设备评价细度及供应商数量 可调整分级类别数量)。若供应商该评价细度存在国网公司认定家族性缺陷,则降1 级处理,有效期为2年。
定义A级为93-100分,B级为85分-92分,C级为77-84分,D级为69-76分,E 级为60-68分。根据分级情况,对设备得分进行分段“线性函数归一化”,最终得到每 一个供应商具体得分值(百分制)。
根据本发明实施例的另一方面,还提供了一种质量数据的处理装置,如图2所示,包括:获取模块20,用于基于多个电网供应商的初始质量得分,获取多个电网供应商 的初始排名结果,其中,基于电网供应商的至少一个质量指标来确定所述初始质量得 分;确定模块22,用于基于每个电网供应商的有效样本数,确定所述每个电网供应商 的可信度;修正模块24,用于基于所述多个电网供应商的初始质量得分,修正所述每 个电网供应商的可信度,获取多个电网供应商的实际排名结果。
获取模块20,用于基于多个电网供应商的初始质量得分,获取多个电网供应商的初始排名结果,其中,基于电网供应商的至少一个质量指标来确定所述初始质量得分。
具体的,获取多个电网供应商的初始质量得分,该质量得分是由至少一个质量指标来确定所述初始质量得分,然后由处理器对所有的质量得分进行排序,并将排名结 果进行存储并输出,以供后续处理和分析流程之用。
可选的,所述质量指标包括如下至少之一:电网供应商发生缺陷的扣分、发生非停的扣分、发生故障的扣分、发生通报的扣分。
综合分析设备数量、设备投运时间、质量缺陷、故障、非停及质量事件通报等因素,制定以下供应商得分机制:
(1)台年数计算
设开展供应商评价的周期内起始年份和终止年份分别为Yl和Yu。则投运设备数为n的A供应商中,某投运年份为yi的设备台年数ti为:
供应商A的总台年数TA为:
(2)供应商初始得分计算
从设备投运开始,设备运行得分以初值s0和步长f呈等差数列递增,第j年的得 分sj为:
sj=s0+f×(j-1) (3)
若设备第j’年出现缺陷,该年得分为:
sj'=sd (4)
其中,sd为缺陷发生当年得分初值(与无缺陷年份初值不同),d为修正扣分值(根据相应设备评价导则得出),k为扣分系数(具体取值详见公式14)。
设备发生缺陷次年视为设备重新投运,该年得分自s0起重新计算,设备投运y 年后该设备的运行得分Si为:
综上,该供应商设备运行得分SΣ为:
在得到供应商运行得分后,考虑供应商存在缺陷、故障、非停及质量事件通报等情况,对其进行量化处理:
供应商发生缺陷的扣分值为:
D=∑d (7)
应商发生ns次非停的计算扣分值为:
Ds=ns×ds (8)
供应商发生nf次故障的计算扣分值为:
Df=nf×df (9)
供应商发生nbp次省公司通报的计算扣分值为:
Dbp=nbp×dbp (10)
供应商发生nbs次国网公司通报的计算扣分值为:
Dbs=nbs×dbs (11)
供应商发生nd次省公司家族性缺陷的计算扣分值为:
Dd=nd×dd (12)
式(7)~(12)中,ds为设备发生非停的单次扣分值,df为发生故障的单次扣分值,dbp为发生省公司通报的单次扣分值,dbs为发生国网公司通报的单次扣分值,dd为 发生省公司家族缺陷的单次扣分值。
对于设备台年数为T的某供应商,其初始得分p为:
针对各类设备扣分情况不同,引入动态调整因子,解决了设备运行情况或缺陷故障情况单方面影响评价结果的问题,确保评价全面反映设备质量状况。平衡设备运行 得分与缺陷扣分值在设备的权重,设置扣分系数k:
式中,r为某类评价细度的扣分总值Σ(D+Df+Ds+Dbp+Dbs+Dd)与无缺陷运行得分Sp之比,rmax、rmin分别为所有评价细度最大值和最小值。
2.2.3计算有效样本数
设某评价细度第i个供应商的样本数为ni,其网省覆盖度为ci,则其平均网省样 本数gi为ni/ci,网省覆盖度达到阈值的供应商的最大平均网省样本数为gmax,因此有 效样本数nei可以定义为:
由上式可知,当某供应商的网省覆盖度没有达到该细度的阈值且平均网省样本数大于gmax时,该供应商的有效样本数则不等于原样本数ni,而等于gmax与其网省覆盖 度为ci的乘积,以此来减少该供应商参评的样本数,从而降低其第一次威尔逊得分。
确定模块22,用于基于每个电网供应商的有效样本数,确定所述每个电网供应商的可信度。
具体的,由于需要根据可信度来进行修正操作,本发明实施例为了得到每个电网供应商的具体的可信度是多少,,需要将每个电网供应商的有效样本数加以利用并进行 分析。
可选的,将所述每个电网供应商的有效样本数所确定的置信区间,作为所述可信度,其中,所述有效样本数的容量越大,对应的置信区间越窄,下限值与样本均值差 值越小;所述有效样本数的容量越小,置信区间越宽,下限值与样本均值差值越大。
具体的,为了得到每个电网供应商的有效样本数所确定的置信区间,即可信度区间,本发明实施例采用“威尔逊置信区间”排名算法,以供应商初始得分排名的基础 指标,通过置信区间(即可信度)进行修正。即样本容量越大,置信区间越窄,下限 值与样本均值差值越小;样本容量越小,置信区间越宽,下限值与样本均值差值越大, 从而很好地解决了小样本容量评价的准确性问题。
可选的,在之前,所述方法还包括:获取任意一个电网供应商的样本数ni和网省覆盖度为ci;基于所述样本数ni和网省覆盖度为ci,确定所述电网供应商的有效样本 数nei。
具体的,为解决传统威尔逊排名算法存在的“马太效应”,引入“压缩比”改进算 法模型,对供应商的置信区间半径进行差异化压缩,以提升样本数小但设备质量突出 的供应商的排名。该压缩比模型综合考虑了评价细度范围内的每台年平均扣分值λ为 DΣ/T∑(DΣ为评价细度范围内发生的所有质量问题的总扣分,TΣ为评价细度范围内所 有供应商的设备总台年数)、供应商设备平均运行年限x为T/N(T为供应商的设备台 年数,N为供应商的设备数)、供应商的有效样本数n及扣分值为D,如下所示:
压缩比模型可以差异化地提升优质供应商的排名,在同一评价细度中,供应商的提升幅度与其扣分值呈负相关,且与其样本数呈正相关;在不同评价细度之间,供应 商的得分提升幅度还与评价细度的每台年平均扣分值呈正相关。
引入压缩比后的威尔逊置信区间下限表示为:
式中:p为供应商的初始得分;Pdown为p的置信区间下限,即为供应商的最终得分;n表示样本容量,根据供应商样本容量选取设备数、台年数或百台年数;z表示对 应置信水平为1-α的z统计常量,置信水平为95%时,z统计常量为1.96。
修正模块24,用于基于所述多个电网供应商的初始质量得分,修正所述每个电网供应商的可信度,获取多个电网供应商的实际排名结果。
具体的,根据本发明实施例上述实施过程所获取的电网供应商的初始质量得分,来修正每个供应商的可信度,该可信度为待修正值,当修正完毕之后,可以根据修正 后的可信度进行排序,利用处理器中的排序模块对各个电网供应商的可信度进行由大 到小的排名,并将该排名结果作为最终的多个电网供应商的实际排名结果,并输出给 用户端使用户进行使用。
可选的,基于所述多个电网供应商的初始质量得分,修正所述每个电网供应商的可信度,获取多个电网供应商的实际排名结果包括:使用压缩比模型对所述电网供应 商的置信区间半径进行差异化压缩;基于差异化压缩的结果,修正所述电网供应商的 可信度。
可选的,通过如下公式表征所述压缩比模型:
其中,p为供应商的初始得分;Pdown为p 的置信区间下限,即为供应商的最终得分;n表示样本容量,根据供应商样本容量选 取设备数、台年数或百台年数;z表示对应置信水平为1-α的z统计常量,置信水平 为95%时,z统计常量为1.96。
具体的,以供应商初始得分排名的基础指标,通过置信区间(即可信度)进行修正。即样本容量越大,置信区间越窄,下限值与样本均值差值越小;样本容量越小, 置信区间越宽,下限值与样本均值差值越大,从而很好地解决了小样本容量评价的准 确性问题。
为解决传统威尔逊排名算法存在的“马太效应”,引入“压缩比”改进算法模型, 对供应商的置信区间半径进行差异化压缩,以提升样本数小但设备质量突出的供应商 的排名。该压缩比模型综合考虑了评价细度范围内的每台年平均扣分值λ为DΣ/T∑ (DΣ为评价细度范围内发生的所有质量问题的总扣分,TΣ为评价细度范围内所有供 应商的设备总台年数)、供应商设备平均运行年限x为T/N(T为供应商的设备台年数, N为供应商的设备数)、供应商的有效样本数n及扣分值为D,如下所示:
压缩比模型可以差异化地提升优质供应商的排名,在同一评价细度中,供应商的提升幅度与其扣分值呈负相关,且与其样本数呈正相关;在不同评价细度之间,供应 商的得分提升幅度还与评价细度的每台年平均扣分值呈正相关。
引入压缩比后的威尔逊置信区间下限表示为:
式中:p为供应商的初始得分;Pdown为p的置信区间下限,即为供应商的最终得分;n表示样本容量,根据供应商样本容量选取设备数、台年数或百台年数;z表示对 应置信水平为1-α的z统计常量,置信水平为95%时,z统计常量为1.96。
可选的,在基于所述多个电网供应商的初始质量得分,修正所述每个电网供应商的可信度,获取多个电网供应商的实际排名结果之后,所述方法还包括:将所述电网 供应商覆盖网省数c作为样本数影响因子,再次使用所述压缩比模型对所述电网供应 商当前修缮后的可信度再次分进行修正。
可选的,在获取多个电网供应商的实际排名结果之后,所述方法还包括:基于置信区间的排名算法将所述多个电网供应商按照所述实际排名结果进行分类,并根据设 备评价细度及供应商数量对分类结果中的分级类别数量进行调整。
具体的,为了使得实际排名结果对于电网供应商更具实用性,需要根据“威尔逊置信区间”排名算法将设备由高到低分为A、B、C、D、E五类,其中A类占10%;B 类占20%;C类占40%,D类占20%,E类占10%(根据具体设备评价细度及供应商数量 可调整分级类别数量)。若供应商该评价细度存在国网公司认定家族性缺陷,则降1 级处理,有效期为2年。
定义A级为93-100分,B级为85分-92分,C级为77-84分,D级为69-76分,E 级为60-68分。根据分级情况,对设备得分进行分段“线性函数归一化”,最终得到每 一个供应商具体得分值(百分制)。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介 质所在的设备执行所述的质量数据的处理方法。
根据本发明实施例的另一方面,还提供了一种电子装置,其特征在于,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机 可读指令,其中,所述计算机可读指令运行时执行所述的质量数据的处理方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分, 可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件 可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所 显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模 块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到 多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案 的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成 的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时, 可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的 形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一 台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所 述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘 等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润 饰也应视为本发明的保护范围。
Claims (11)
1.一种质量数据的处理方法,其特征在于,包括:
基于多个电网供应商的初始质量得分,获取多个电网供应商的初始排名结果,其中,基于电网供应商的至少一个质量指标来确定所述初始质量得分;
基于每个电网供应商的有效样本数,确定所述每个电网供应商的可信度;
基于所述多个电网供应商的初始质量得分,修正所述每个电网供应商的可信度,获取多个电网供应商的实际排名结果。
2.根据权利要求1所述的方法,其特征在于,所述质量指标包括如下至少之一:电网供应商发生缺陷的扣分、发生非停的扣分、发生故障的扣分、发生通报的扣分。
3.根据权利要求1所述的方法,其特征在于,将所述每个电网供应商的有效样本数所确定的置信区间,作为所述可信度,其中,所述有效样本数的容量越大,对应的置信区间越窄,下限值与样本均值差值越小;所述有效样本数的容量越小,置信区间越宽,下限值与样本均值差值越大。
4.根据权利要求2所述的方法,其特征在于,在之前,所述方法还包括:
获取任意一个电网供应商的样本数ni和网省覆盖度为ci;
基于所述样本数ni和网省覆盖度为ci,确定所述电网供应商的有效样本数nei。
5.根据权利要求2所述的方法,其特征在于,基于所述多个电网供应商的初始质量得分,修正所述每个电网供应商的可信度,获取多个电网供应商的实际排名结果包括:
使用压缩比模型对所述电网供应商的置信区间半径进行差异化压缩;
基于差异化压缩的结果,修正所述电网供应商的可信度。
7.根据权利要求5至6中任意一项所述的方法,其特征在于,在基于所述多个电网供应商的初始质量得分,修正所述每个电网供应商的可信度,获取多个电网供应商的实际排名结果之后,所述方法还包括:
将所述电网供应商覆盖网省数c作为样本数影响因子,再次使用所述压缩比模型对所述电网供应商当前修缮后的可信度再次分进行修正。
8.根据权利要求1所述的方法,其特征在于,在获取多个电网供应商的实际排名结果之后,所述方法还包括:
基于置信区间的排名算法将所述多个电网供应商按照所述实际排名结果进行分类,并根据设备评价细度及供应商数量对分类结果中的分级类别数量进行调整。
9.一种质量数据的处理装置,其特征在于,包括:
获取模块,用于基于多个电网供应商的初始质量得分,获取多个电网供应商的初始排名结果,其中,基于电网供应商的至少一个质量指标来确定所述初始质量得分;
确定模块,用于基于每个电网供应商的有效样本数,确定所述每个电网供应商的可信度;
修正模块,用于基于所述多个电网供应商的初始质量得分,修正所述每个电网供应商的可信度,获取多个电网供应商的实际排名结果。
10.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行权利要求1至8中任意一项所述的质量数据的处理方法。
11.一种电子装置,其特征在于,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行权利要求1至8中任意一项所述的质量数据的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911419937.1A CN111242424B (zh) | 2019-12-31 | 2019-12-31 | 质量数据的处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911419937.1A CN111242424B (zh) | 2019-12-31 | 2019-12-31 | 质量数据的处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242424A true CN111242424A (zh) | 2020-06-05 |
CN111242424B CN111242424B (zh) | 2022-08-12 |
Family
ID=70870738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911419937.1A Active CN111242424B (zh) | 2019-12-31 | 2019-12-31 | 质量数据的处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242424B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016965A (zh) * | 2020-08-27 | 2020-12-01 | 国网北京市电力公司 | 设备供应商的评价方法及装置 |
CN112381441A (zh) * | 2020-11-24 | 2021-02-19 | 国网北京市电力公司 | 电网设备供应商排名的方法、装置与计算机可读存储介质 |
CN114580939A (zh) * | 2022-03-11 | 2022-06-03 | 国网福建省电力有限公司 | 一种设计施工监理承包商履约评价系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100198631A1 (en) * | 2009-01-30 | 2010-08-05 | Bank Of America Corporation | Supplier stratification |
CN106354737A (zh) * | 2015-07-24 | 2017-01-25 | 北京京东尚科信息技术有限公司 | 提供投票排名信息的方法和装置 |
CN107392426A (zh) * | 2017-06-20 | 2017-11-24 | 国网辽宁省电力有限公司 | 一种电力供应商的评价及选择方法 |
CN109784666A (zh) * | 2018-12-20 | 2019-05-21 | 国网北京市电力公司 | 设备质量的检测方法及装置 |
CN109784658A (zh) * | 2018-12-18 | 2019-05-21 | 北京市天元网络技术股份有限公司 | 光纤配线架设备质量自动评估方法及装置 |
-
2019
- 2019-12-31 CN CN201911419937.1A patent/CN111242424B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100198631A1 (en) * | 2009-01-30 | 2010-08-05 | Bank Of America Corporation | Supplier stratification |
CN106354737A (zh) * | 2015-07-24 | 2017-01-25 | 北京京东尚科信息技术有限公司 | 提供投票排名信息的方法和装置 |
CN107392426A (zh) * | 2017-06-20 | 2017-11-24 | 国网辽宁省电力有限公司 | 一种电力供应商的评价及选择方法 |
CN109784658A (zh) * | 2018-12-18 | 2019-05-21 | 北京市天元网络技术股份有限公司 | 光纤配线架设备质量自动评估方法及装置 |
CN109784666A (zh) * | 2018-12-20 | 2019-05-21 | 国网北京市电力公司 | 设备质量的检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
徐林龙等: "一种基于威尔逊区间的商品好评率排名算法", 《计算机技术与发展》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016965A (zh) * | 2020-08-27 | 2020-12-01 | 国网北京市电力公司 | 设备供应商的评价方法及装置 |
CN112381441A (zh) * | 2020-11-24 | 2021-02-19 | 国网北京市电力公司 | 电网设备供应商排名的方法、装置与计算机可读存储介质 |
CN114580939A (zh) * | 2022-03-11 | 2022-06-03 | 国网福建省电力有限公司 | 一种设计施工监理承包商履约评价系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111242424B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242424B (zh) | 质量数据的处理方法及装置 | |
CN109359894B (zh) | 一种基于rpn的电力计量设备风险评价方法及装置 | |
KR100921618B1 (ko) | 기술창업기업에 대한 기술평가방법 | |
CN112102073A (zh) | 信贷风险控制方法及系统、电子设备及可读存储介质 | |
CN115796708B (zh) | 一种工程建设用的大数据智能质检方法、系统和介质 | |
CN111598457B (zh) | 一种电力无线网络质量的确定方法及装置 | |
CN111178672A (zh) | 一种基于平衡性的智能稽查方法 | |
CN112613971A (zh) | 一种用户信用风险评估方法、装置、计算机设备及存储介质 | |
Kraft et al. | Redesigning ratings: assessing the discriminatory power of credit scores under censoring | |
CN116012178A (zh) | 一种基于人工智能的自动化财务对账方法 | |
CN111275485A (zh) | 基于大数据分析的电网客户等级划分方法、系统、计算机设备及存储介质 | |
CN110781303A (zh) | 一种短文本分类方法及系统 | |
CN110659810A (zh) | 一种计算分析员可信程度的方法 | |
CN113283673A (zh) | 一种模型性能衰减评价方法、模型训练方法及装置 | |
Lněnička | E-government Development Index and its Comparison in the EU Member States | |
CN116341290B (zh) | 一种长贮装备可靠性抽样检测方法 | |
CN112037006A (zh) | 小微企业的信用风险识别方法及装置 | |
CN113065969A (zh) | 企业评分模型构建方法、企业评分方法、介质和电子设备 | |
CN116883153A (zh) | 一种基于人行征信的汽车金融预授信评分卡开发方法及终端 | |
CN116452054A (zh) | 一种电力系统物资抽检管理方法和装置 | |
CN115423600B (zh) | 数据筛选方法、装置、介质及电子设备 | |
CN110866829A (zh) | 一种基于集成学习模型的股价预测方法 | |
CN111882289B (zh) | 一种项目数据审核指标区间测算的装置和方法 | |
CN112528233B (zh) | 基于改进层次分析模型的审计数据处理方法 | |
CN114862053A (zh) | 一种材料供应商推送方法、系统及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |