CN113554340A - 基于大数据的售电公司信用评估方法及装置 - Google Patents

基于大数据的售电公司信用评估方法及装置 Download PDF

Info

Publication number
CN113554340A
CN113554340A CN202110899176.5A CN202110899176A CN113554340A CN 113554340 A CN113554340 A CN 113554340A CN 202110899176 A CN202110899176 A CN 202110899176A CN 113554340 A CN113554340 A CN 113554340A
Authority
CN
China
Prior art keywords
credit
element matrix
evaluation index
index
matter element
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
Application number
CN202110899176.5A
Other languages
English (en)
Inventor
薛万磊
杨雍琦
吴健
刘宇明
傅磊
寇岩
徐楠
赵昕
赵选宗
仰文林
陈筱中
李晨辉
刘知凡
李校莹
李立佳
李兵抗
郭森
赵会茹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
North China Electric Power University
Economic and Technological Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
North China Electric Power University
Economic and Technological Research Institute of State Grid Shandong Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, North China Electric Power University, Economic and Technological Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110899176.5A priority Critical patent/CN113554340A/zh
Publication of CN113554340A publication Critical patent/CN113554340A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • 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
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Educational Administration (AREA)
  • Mathematical Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于大数据的售电公司信用评估方法，建立信用评价指标体系，针对其指标，设有相应的评价指标权重wi，采用模糊BWM方法确定评价指标权重wi；基于信用评价指标体系，建立经典域物元矩阵和节域物元矩阵；经典域物元矩阵将信用等级分级；基于经典域物元矩阵和节域物元矩阵，建立关联函数；采用网络爬虫技术从电力交易平台提取待评估售电公司的所有指标数据，作为当前样本数据；基于关联函数，计算当前样本数据与各信用等级的综合关联度，将对应综合关联度最高的信用等级，确定为当前样本数据的信用等级。本发明采用物元可拓模型对有配网资产的售电公司进行信用评估，评估结果更具全面性、系统性和客观性。

Description

基于大数据的售电公司信用评估方法及装置
技术领域
本发明涉及一种基于大数据的售电公司信用评估方法及装置。
背景技术
电力行业这一基础性能源产业在我国的经济发展中始终处于无可替代的地位，但是现如今，对于我国电力行业的信用评价体系的发展来说，在标准性和规范性仍然存在许多不足的地方，使得电力行业的信用风险无法在第一时间发现并且避免。随着我国电力交易规模进一步扩大，电力市场主体正朝多样化的竞争格式开展。发电企业一直作为市场上的重要主体，并且随着越来越多的售电公司的成立，市场竞争愈发激烈，健全和完善电力行业信用体系，是建设现代市场体系的必要条件。
现有技术中，对于售电公司的信用评估方法多以专家主观定性评价为主，没有采用多属性决策方法进行综合评估，没有考虑带配网资产的售电公司情况，没有充分运用处理相关指标数据，评估结果缺乏全面性、系统性和客观性。
随着大数据新技术的快速发展和日趋成熟，建立以大数据挖掘为核心的客户信用评价体系，是信用评价业适应新技术的根本保障。因此，建立一套全新的、满足目前国网公司对有配网资产的售电公司信用评估方法成为国网信用评价体系发展的当务之急。
发明内容
本发明的发明目的在于提供一种基于大数据的售电公司信用评估方法及装置，采用物元可拓模型对有配网资产的售电公司进行信用评估，评估结果更具全面性、系统性和客观性。
基于同一发明构思，本发明具有两个独立的技术方案：
第一方面，本发明实施例提供的一种基于大数据的售电公司信用评估方法，包括如下步骤：
步骤1：建立信用评价指标体系，针对所述信用评价指标体系中的指标，设有相应的评价指标权重wi，采用模糊BWM方法确定评价指标权重wi；
步骤2：基于所述信用评价指标体系，建立经典域物元矩阵和节域物元矩阵；所述经典域物元矩阵将信用等级分级；
步骤3：基于所述经典域物元矩阵和节域物元矩阵，建立关联函数；
步骤4：根据所述信用评价指标体系，采用网络爬虫技术从电力交易平台提取待评估售电公司的所有指标数据，作为评估售电公司信用的当前样本数据；
步骤5：基于所述关联函数，计算当前样本数据与各信用等级的综合关联度，将对应综合关联度最高的信用等级，确定为当前样本数据的信用等级。
作为本实施例一种可能的实现方式，所述建立信用评价指标体系的过程包括以下步骤：
采集售电公司在电力交易平台的注册信息及历史交易信息数据；
对采集的数据提取售电公司的信用变量数据；
对售电公司的信用变量数据进行分类处理；
根据信用变量数据的类别构建信用评价指标体系的一级评价指标、二级评价指标、三级评价指标、四级评价指标，共有n个四级评价指标。
作为本实施例一种可能的实现方式，步骤1中，所述一级评价指标包括基础信用指标C1、市场交易信用指标C2、奖励指标C3和惩罚指标C4。
作为本实施例一种可能的实现方式，所述基础信用指标C1下设的二级评价指标包括，基本情况C11市场信息注册情况C12历史信用记录C13，
所述市场交易信用指标C2下设的二级评价指标包括，市场化交易能力C21、交易参与情况C22、交易执行情况C23、交易结算情况C24、配网运行情况C25，
所述奖励指标C3下设的二级评价指标包括积极主动性C31，
所述惩罚指标C4下设的二级评价指标包括虚假信息C41、不履行交易结果C42、非期望行为C43。
作为本实施例一种可能的实现方式，所述基于所述信用评价指标体系建立节域物元矩阵的过程包括以下步骤：
针对信用评价指标体系中的指标，从采集的数据获取每个指标上的取值，得到单个指标的拓广量值范围并形成该指标的节域；
根据所有指标的拓广量值范围，形成包含所有指标拓广量值范围的节域物元矩阵。
作为本实施例一种可能的实现方式，所述基于所述信用评价指标体系建立经典域物元矩阵的过程包括以下步骤：
以节域物元矩阵为基础，将单个指标的拓广量值范围的下限设定为0，上限设定为1，形成无量纲化的经典域<0,1>；
根据待评价的信用等级数量对经典域进行分解得到经典域物元；
根据所有指标的经典域物元将节域物元矩阵转化为经典域物元矩阵。
作为本实施例一种可能的实现方式，所述基于所述经典域物元矩阵和节域物元矩阵，建立关联函数的过程包括以下步骤：
从电力交易平台中提取待评价的售电公司在信用评价指标体系中各个指标的取值，形成待评的经典域物元矩阵和节域物元矩阵；
通过插值法将待评的经典域物元矩阵和节域物元矩阵进行无量纲化处理，得到无量纲的待评的经典域物元矩阵和节域物元矩阵；
根据无量纲化的待评的经典域物元矩阵和节域物元矩阵构建关联函数。
作为本实施例一种可能的实现方式，步骤2中，所述经典域物元矩阵为：
Figure BDA0003197960660000041
式中，信用等级共分为j级，RL1表示第1级信用等级对应的经典域物元矩阵，RLj表示第j级信用等级对应的经典域物元矩阵，U表示待评价事物，cn表示第n个评价指标，〔anj,bnj〕表示第j级信用等级下，第n个评价指标所对应的标准量值范围；
所述节域物元矩阵为：
Figure BDA0003197960660000042
式中，RL表示节域物元矩阵，cn表示第n个评价指标，〔an,bn〕表示第n个评价指标所对应的拓广量值范围，指标的取值范围根据历史情况中全国范围售电公司相应指标的综合水平确定。
作为本实施例一种可能的实现方式，步骤3中，所述关联函数表示物元的量值取为实轴上一点x时，物元符合要求的取值范围程度；
关联函数为：
Figure BDA0003197960660000051
其中，
Figure BDA0003197960660000052
式中，|x0|＝|b-a|为有界区间x0＝[a,b]的模；p(x,xo)为实轴上任一点x到区间x0的距离，a和b分别表示，某一级信用评级关于第u个指标cu的级别评价指标标准量值范围的下限值和上限值，所述评价指标标准量值范围是指，在所述经典域物元矩阵中，点x所对应的评价指标标准量值范围；
Figure BDA0003197960660000053
式中，p(x,xn)为实轴上定义为实轴上任意点x到区间xn的距离；c和d分别表示，评价指标拓广量值范围的下限值和上限值；所述评价指标拓广量值范围是指，在所述节域物元矩阵中，点x所对应的评价指标拓广量值范围。
作为本实施例一种可能的实现方式，步骤4中，基于所述关联函数，计算当前样本数据j与各信用等级的综合关联度Kj：
Figure BDA0003197960660000054
式中，Kj(s)为当前样本数据j与第s级信用等级的关联度，wi为第i个评价指标所占的权重，n为评价指标的个数，Ki(j,s)为对应第s级信用等级下，当前样本数据j对应第i个评价指标的关联函数值；
将对应综合关联度Kj最高的信用等级，确定为当前样本数据j的信用等级。
作为本实施例一种可能的实现方式，步骤1中，采用模糊BWM方法确定评价指标权重wi，包括如下步骤：
步骤1.1：采用三角模糊数定义模糊集；
步骤1.2:确定指标体系，设有n个待赋权指标；
步骤1.3：确定最优和最劣指标，在n个待赋权指标中，确定指标权重最大和最小的指标，即最优和最劣指标；
步骤1.4：设定三角模糊数下指标间的比较规则，确定最优和最劣判断向量；
步骤1.5：基于最优和最劣判断向量，求解最优模糊权重向量；
步骤1.6：基于所述最优指标和最劣指标比较结果，对权重结果进行一致性检验。
第二方面，本发明实施例提供的一种基于大数据的售电公司信用评估装置，包括处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述装置运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如上述任意基于大数据的售电公司信用评估方法的步骤。
本发明具有的有益效果：
本发明建立信用评价指标体系，针对所述信用评价指标体系中的指标，设有相应的评价指标权重wi，采用模糊BWM方法确定评价指标权重wi；基于所述信用评价指标体系，建立经典域物元矩阵和节域物元矩阵；所述经典域物元矩阵将信用等级分级；基于所述经典域物元矩阵和节域物元矩阵，建立关联函数；根据所述信用评价指标体系，采用网络爬虫技术从电力交易平台提取待评估售电公司的所有指标数据，作为评估售电公司信用的当前样本数据；基于所述关联函数，计算当前样本数据与各信用等级的综合关联度，将对应综合关联度最高的信用等级，确定为当前样本数据的信用等级。本发明采用物元可拓模型对有配网资产的售电公司进行信用评估，评估结果更具全面性、系统性和客观性；本发明将模糊理论和BWM方法相结合，运用模糊BWM方法，提高了传统BWM方法的适用范围。
本发明信用评价指标体系包括一级评价指标、二级评价指标、三级评价指标、四级评价指标，共有n个四级评价指标。所述一级评价指标包括基础信用指标C1、市场交易信用指标C2、奖励指标C3和惩罚指标C4。所述基础信用指标C1下设的二级评价指标包括，基本情况C11市场信息注册情况C12历史信用记录C13，所述市场交易信用指标C2下设的二级评价指标包括，市场化交易能力C21、交易参与情况C22、交易执行情况C23、交易结算情况C24、配网运行情况C25，所述奖励指标C3下设的二级评价指标包括积极主动性C31，所述惩罚指标C4下设的二级评价指标包括虚假信息C41、不履行交易结果C42、非期望行为C43。本发明从基础信用、交易信用、奖励和惩罚指标等维度充分考虑了含配网资产的售电公司在电力市场中的信用表征，进一步保证评估结果全面性、系统性和客观性。
附图说明
图1是根据一示例性实施例示出的一种基于大数据的售电公司信用评估方法的流程图；
图2是根据一示例性实施例示出的一种基于大数据的售电公司信用评估装置的结构图。
具体实施方式
下面结合附图所示的实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。
实施例一：
如图1所示，本发明实施例提供的一种基于大数据的售电公司信用评估方法，包括如下步骤：
步骤1：建立信用评价指标体系，针对所述信用评价指标体系中的指标，设有相应的评价指标权重wi，采用模糊BWM方法确定评价指标权重wi。
本发明以售电公司在电力交易平台注册信息(企业基本情况、信用记录等)及历史交易信息(电力交易能力、交易执行情况、交易结算情况、配网运行情况、激励及惩戒情况等)为基础，运用计算机技术自动提取注册信息和历史交易指标，形成有配网资产的售电公司信用评价指标体系。
所述建立信用评价指标体系的过程包括以下步骤：
采集售电公司在电力交易平台的注册信息及历史交易信息数据；
对采集的数据提取售电公司的信用变量数据；
对售电公司的信用变量数据进行分类处理；
根据信用变量数据的类别构建信用评价指标体系的一级评价指标、二级评价指标、三级评价指标、四级评价指标，共有n个四级评价指标。
所述一级评价指标包括基础信用指标C1、市场交易信用指标C2、奖励指标C3和惩罚指标C4。
所述基础信用指标C1下设的二级评价指标包括，基本情况C11市场信息注册情况C12历史信用记录C13；
所述市场交易信用指标C2下设的二级评价指标包括，市场化交易能力C21、交易参与情况C22、交易执行情况C23、交易结算情况C24、配网运行情况C25；
所述奖励指标C3下设的二级评价指标包括积极主动性C31；
所述惩罚指标C4下设的二级评价指标包括虚假信息C41、不履行交易结果C42、非期望行为C43。
本发明从基础信用、交易信用、奖励和惩罚指标等维度充分考虑了含配网资产的售电公司在电力市场中的信用表征，进一步保证评估结果全面性、系统性和客观性。
信用评价指标体系具体如下表所示：
Figure BDA0003197960660000091
Figure BDA0003197960660000101
采用模糊BWM方法确定评价指标权重wi，包括如下步骤：
步骤1.1：采用三角模糊数定义模糊集；
三角模糊数，其隶属度函数可以定义如下：
Figure BDA0003197960660000102
因此，任一三角模糊数可以表示为
Figure BDA0003197960660000103
三角模糊数可以通过去模糊化转变为实数：
Figure BDA0003197960660000104
此外，三角模糊数的基本算法如下：
Figure BDA0003197960660000105
Figure BDA0003197960660000106
Figure BDA0003197960660000107
Figure BDA0003197960660000108
步骤1.2:确定指标体系，设有n个待赋权指标。
假定共有n个待赋权指标，记为C＝(c1，c2，...，cn)
步骤1.3：确定最优和最劣指标，在n个待赋权指标中，确定指标权重最大和最小的指标，即最优和最劣指标，记为CB和CW。
步骤1.4：设定三角模糊数下指标间的比较规则，确定最优和最劣判断向量。
模糊BWM下指标比较规则如下表所示：
Figure BDA0003197960660000111
其次，分别比较各个指标和最优指标的重要性程度，得到模糊最优判断向量：
Figure BDA0003197960660000112
式中，
Figure BDA0003197960660000113
是最优指标和指标cj相比的模糊重要性，且有
Figure BDA0003197960660000114
例如，aB2是指最优指标和指标c2相比的模糊重要性。
同样地，分别比较各个指标和最劣指标的重要性程度，得到模糊最劣判断向量：
Figure BDA0003197960660000115
式中，
Figure BDA0003197960660000116
是指标cj和最劣指标相比的模糊重要性，且有
Figure BDA0003197960660000117
例如，aw2是指最劣指标和指标c2相比的模糊重要性。
步骤1.5：基于最优和最劣判断向量，求解最优模糊权重向量；
类似于BWM权重求解原理，模糊BWM最优权重也应满足：各指标的实际模糊权重和最优/最劣指标的模糊权重的关系应尽可能贴近于所构造的最优/最劣判断向量，即对于任意指标cj，
Figure BDA0003197960660000118
和
Figure BDA0003197960660000119
应尽可能趋近于0。基于这一原理，可通过求解下述优化问题得到模糊BWM的最优权重向量：
Figure BDA0003197960660000121
式中，
Figure BDA0003197960660000122
式(5)可以转化为下述非线性优化问题：
Figure BDA0003197960660000123
式中，
Figure BDA0003197960660000124
由于lξ≤mξ≤uξ，可令
Figure BDA0003197960660000125
则式(6)可以写成：
Figure BDA0003197960660000126
其中，
Figure BDA0003197960660000127
为将指标j的模糊权重值转化为精确值，其可通过式(8)计算得出。
Figure BDA0003197960660000128
求解式(7)，即可得到最优模糊BWM权重向量
Figure BDA0003197960660000131
步骤1.6：基于所述最优指标和最劣指标比较结果，对权重结果进行一致性检验。
以最优指标和最劣指标比较结果
Figure BDA0003197960660000132
作为一致性检验的对象，针对模糊BWM方法下不同的
Figure BDA0003197960660000133
相关学者提出了对应的一致性指标值CI，模糊BWM一致性指标值如下表所示：
Figure BDA0003197960660000134
对于计算得到的权重结果，根据
Figure BDA0003197960660000135
选择对应的CI值，构造一致性比率指标CR：
CR＝k*/CI
当CR<0.1，则认为权重结果是一致的。
步骤2：基于所述信用评价指标体系，建立经典域物元矩阵和节域物元矩阵；所述经典域物元矩阵将信用等级分级。
所述基于所述信用评价指标体系建立节域物元矩阵的过程包括以下步骤：
针对信用评价指标体系中的指标，从采集的数据获取每个指标上的取值，得到单个指标的拓广量值范围并形成该指标的节域；
根据所有指标的拓广量值范围，形成包含所有指标拓广量值范围的节域物元矩阵。
所述基于所述信用评价指标体系建立经典域物元矩阵的过程包括以下步骤：
以节域物元矩阵为基础，将单个指标的拓广量值范围的下限设定为0，上限设定为1，形成无量纲化的经典域<0,1>；
根据待评价的信用等级数量对经典域进行分解得到经典域物元；
根据所有指标的经典域物元将节域物元矩阵转化为经典域物元矩阵。
经典域物元体是由标准对象UB和它的n个特征Ci及其标准量值范围XBi＝[aBi，bBi]组成的物元。假设售电公司信用评价指标分为j个级别，经典域xuj＝[auj，buj]为第j级信用评级(用Mi表示)关于第u个指标cu的级别评定标准，取值范围根据全国售电公司相应指标的历史综合水平确定。
售电公司信用水平的经典域物元矩阵RLj为：
Figure BDA0003197960660000141
式中，信用等级共分为j级，RL1表示第1级信用等级对应的经典域物元矩阵，RLj表示第j级信用等级对应的经典域物元矩阵，U表示待评价事物，cn表示第n个评价指标，〔anjbnj〕表示第j级信用等级下，第n个评价指标所对应的标准量值范围。
节域物元为由标准对象UB和它的n个特征Ci及其标准量值范围加以拓广的量值Xpi＝[api，bpi]组成的物元，假设cu(u＝1，2，...)为评价售电公司信用情况的u个评价指标，售电公司信用情况关于评价指标的相应取值范围为xj＝[au，bu]，也就是节域。指标的取值范围根据历史情况中全国范围售电公司相应指标的综合水平确定，由上述原理可知，售电公司信用评价的节域物元矩阵为：
Figure BDA0003197960660000151
式中，RL表示节域物元矩阵，cn表示第n个评价指标，〔an bn〕表示第n个评价指标所对应的拓广量值范围，指标的取值范围根据历史情况中全国范围售电公司相应指标的综合水平确定。
Figure BDA0003197960660000152
所述节域物元矩阵：节域是指售电公司信用评价指标体系中各个指标的拓广量值范围。针对信用评价指标体系中的单个指标，运用计算机技术自动提取统计期内(通常为一年)在交易平台中存在信息记录的售电公司在该指标上的取值，进而得到该指标的拓广量值范围(指标的最大值和最小值)，进而形成该指标的节域。最终，通过多次提取不同指标取值信息，得到所有指标的拓广量值范围，进而形成包含所有指标拓广量值范围的节域物元矩阵。该过程可以通过计算机系统自动完成，只需接入电力交易平台，计算机系统会自动提取相关的数据信息并形成节域物元矩阵。
所述经典域物元矩阵：以节域物元矩阵为基础，对于节域物元矩阵中的单个指标，以该指标的拓广量值范围为基础，拓广量值范围下限设定为0，上限设定为1，形成无量纲化的经典域＜0，1＞，进而根据待评价的信用等级数量对经典域进行分解得到经典域物元，如设定信用等级为Ⅰ－Ⅳ级，则经典域＜0，1＞对应的经典域物元为＜0.75，1＞、＜0.5，0.751＞、＜0.25，0.5＞、＜0，0.25＞。最终，对所有指标进行上述出力，进而将节域物元矩阵转化为经典域物元矩阵，该转化过程可以通过计算机系统自动完成，只需在计算机系统中设定待评价的信用等级数量并输入节域矩阵。
步骤3：基于所述经典域物元矩阵和节域物元矩阵，建立关联函数。
所述基于所述经典域物元矩阵和节域物元矩阵，建立关联函数的过程包括以下步骤：
从电力交易平台中提取待评价的售电公司在信用评价指标体系中各个指标的取值，形成待评的经典域物元矩阵和节域物元矩阵；
通过插值法将待评的经典域物元矩阵和节域物元矩阵进行无量纲化处理，得到无量纲的待评的经典域物元矩阵和节域物元矩阵；
根据无量纲化的待评的经典域物元矩阵和节域物元矩阵构建关联函数。
所述关联函数表示物元的量值取为实轴上一点x时，物元符合要求的取值范围程度；
关联函数为：
Figure BDA0003197960660000161
其中，
Figure BDA0003197960660000162
式中，|x0|＝|b-a|为有界区间x0＝[a,b]的模；p(x,xo)为实轴上任一点x到区间x0的距离，a和b分别表示，某一级信用评级关于第u个指标cu的级别评价指标标准量值范围的下限值和上限值，所述评价指标标准量值范围是指，在所述经典域物元矩阵中，点x所对应的评价指标标准量值范围；
Figure BDA0003197960660000163
式中，p(x,xn)为实轴上定义为实轴上任意点x到区间xn的距离；c和d分别表示，评价指标拓广量值范围的下限值和上限值；所述评价指标拓广量值范围是指，在所述节域物元矩阵中，点x所对应的评价指标拓广量值范围。
所述关联函数以经典域物元矩阵、节域物元矩阵为基础。首先，通过计算机技术在交易平台中提取待评价的售电公司在信用评价指标体系中各个指标的取值，形成待评物元矩阵；其次，通过插值法，以待评物元矩阵和节域物元矩阵为基础，将待评物元矩阵进行无量纲化处理，得到无量纲的待评物元矩阵，该过程可以通过计算机系统自动实现，只需输入待评物元矩阵和节域物元矩阵。最后，以无量纲化的待评物元矩阵和经典域物元矩阵为基础，运用计算机系统自动计算得到关联函数值。其中，关联函数值的计算依赖于关联函数形式，本发明中给出了关联函数的形式，在计算机系统中，运用MATLAB编程技术，将关联函数固化到系统中，使用者只需在系统中输入无量纲化的待评物元矩阵和经典域物元矩阵，系统可以自动运用固化的关联函数计算得到关联函数值。
步骤4：根据所述信用评价指标体系，采用网络爬虫技术从电力交易平台提取待评估售电公司的所有指标数据，作为评估售电公司信用的当前样本数据。
当前样本数据来源于售电公司在电力交易平台的注册信息(企业基本情况、信用记录等)及历史交易信息(电力交易能力、交易执行情况、交易结算情况、配网运行情况、激励及惩戒情况等)，通过计算机技术自动提取注册信息和历史交易信息指标数据。
步骤5：基于所述关联函数，计算当前样本数据与各信用等级的综合关联度，将对应综合关联度最高的信用等级，确定为当前样本数据的信用等级。
基于所述关联函数，计算当前样本数据j与各信用等级的综合关联度Kj：
Figure BDA0003197960660000181
式中，Kj(s)为当前样本数据j与第s级信用等级的关联度，wi为第i个评价指标所占的权重，n为评价指标的个数，Ki(j,s)为对应第s级信用等级下，当前样本数据j对应第i个评价指标的关联函数值；将对应综合关联度Kj最高的信用等级，确定为当前样本数据j的信用等级。若Kj＝max{K j(s)}，则待评价电力企业信用应属于信用等级s。
下面以某一有配网资产的售电公司进行信用评价，进一步说明本发明信用评估方法。
首先，确定经典域和节域。本发明把评价指标分为Ⅰ-Ⅳ级，分别对应信用评价的优劣等级：好、较好、一般和不好，其中各个等级的评价标准为：Ⅰ级为<0.75，1>，Ⅱ级为<0.5，0.75>，Ⅲ级为<0.5，0.25>，Ⅳ级为<0，0.25>。进而确定节域和四个经典域。
Figure BDA0003197960660000182
Figure BDA0003197960660000183
Figure BDA0003197960660000184
Figure BDA0003197960660000185
Figure BDA0003197960660000186
其次，确定待评物元。对某一售电公司进行信用评价，首先设定个把个指标的取值范围，根据指标的实际取值对指标进行无量纲化处理，得到待评物元，如下表所示：
Figure BDA0003197960660000191
Figure BDA0003197960660000201
再次，利用Kj(xi)及
Figure BDA0003197960660000202
可计算出待评标的物PO关于各等级的关联度，这里以企业员工数量为例计算其指标关联度：
该电网公司员工数量为70人，指标值为20－100，利用插值法对其进行归一化处理可得值0.63，通过公式(8)计算可分别得K1(xi)、K2(xi)、K3(xi)、K4(xi)为－0.24，0.48，－0.26，－0.51。同理，可以得到所有指标的关联度，待评标的物关于各等级的关联度如下表所示：
Figure BDA0003197960660000211
Figure BDA0003197960660000221
最后，计算待评价售电公司的信用等级，即得到所有指标的值后确定评价等级：
根据公式(9)可得K1(P0)＝0.39，K2(P0)＝－0.01，K3(P0)＝－0.36，K4(P0)＝－0.43。又Kj＝maxKj(P0)，可以计算出来Kj＝K1(P0)＝0.39，这里表明该售电公司的信用水平等级为Ⅰ级，即“信用状况好”。
本发明采用物元可拓模型对有配网资产的售电公司进行信用评估，评估结果更具全面性、系统性和客观性；本发明将模糊理论和BWM方法相结合，运用模糊BWM方法，提高了传统BWM方法的适用范围。
实施例二：
如图2所示，本发明实施例提供的一种基于大数据的售电公司信用评估装置，包括处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述装置运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如上述任意基于大数据的售电公司信用评估方法的步骤。
具体地，上述存储器和处理器能够为通用的存储器和处理器，这里不做具体限定，当处理器运行存储器存储的计算机程序时，能够执行上述基于大数据的售电公司信用评估方法。
本领域技术人员可以理解，图2中示出的售电公司信用评估装置的结构并不构成对售电公司信用评估装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。
在一些实施例中，该售电公司信用评估装置还可以包括触摸屏可用于显示图形用户界面(例如，应用程序的启动界面)和接收用户针对图形用户界面的操作(例如，针对应用程序的启动操作)。具体的触摸屏可包括显示面板和触控面板。其中显示面板可以采用LCD(Liquid Crystal Display，液晶显示器)、OLED(Organic Light－Emitting Diode，有机发光二极管)等形式来配置。触控面板可收集用户在其上或附近的接触或者非接触操作，并生成预先设定的操作指令，例如，用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作。另外，触控面板可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位、姿势，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成处理器能够处理的信息，再送给处理器，并能接收处理器发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板，也可以采用未来发展的任何技术实现触控面板。进一步的，触控面板可覆盖显示面板，用户可以根据显示面板显示的图形用户界面，在显示面板上覆盖的触控面板上或者附近进行操作，触控面板检测到在其上或附近的操作后，传送给处理器以确定用户输入，随后处理器响应于用户输入在显示面板上提供相应的视觉输出。另外，触控面板与显示面板可以作为两个独立的部件来实现也可以集成而来实现。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

Claims (10)

1.一种基于大数据的售电公司信用评估方法，其特征在于，包括如下步骤：
步骤1：建立信用评价指标体系，针对所述信用评价指标体系中的指标，设有相应的评价指标权重wi，采用模糊BWM方法确定评价指标权重wi；
步骤2：基于所述信用评价指标体系，建立经典域物元矩阵和节域物元矩阵；所述经典域物元矩阵将信用等级分级；
步骤3：基于所述经典域物元矩阵和节域物元矩阵，建立关联函数；
步骤4：根据所述信用评价指标体系，采用网络爬虫技术从电力交易平台提取待评估售电公司的所有指标数据，作为评估售电公司信用的当前样本数据；
步骤5：基于所述关联函数，计算当前样本数据与各信用等级的综合关联度，将对应综合关联度最高的信用等级，确定为当前样本数据的信用等级。
2.根据权利要求1所述的基于大数据的售电公司信用评估方法，其特征在于：所述建立信用评价指标体系的过程包括以下步骤：
采集售电公司在电力交易平台的注册信息及历史交易信息数据；
对采集的数据提取售电公司的信用变量数据；
对售电公司的信用变量数据进行分类处理；
根据信用变量数据的类别构建信用评价指标体系的一级评价指标、二级评价指标、三级评价指标、四级评价指标。
3.根据权利要求1所述的基于大数据的售电公司信用评估方法，其特征在于：所述基于所述信用评价指标体系建立节域物元矩阵的过程包括以下步骤：
针对信用评价指标体系中的指标，从采集的数据获取每个指标上的取值，得到单个指标的拓广量值范围并形成该指标的节域；
根据所有指标的拓广量值范围，形成包含所有指标拓广量值范围的节域物元矩阵。
4.根据权利要求3所述的基于大数据的售电公司信用评估方法，其特征在于：所述基于所述信用评价指标体系建立经典域物元矩阵的过程包括以下步骤：
以节域物元矩阵为基础，将单个指标的拓广量值范围的下限设定为0，上限设定为1，形成无量纲化的经典域<0,1>；
根据待评价的信用等级数量对经典域进行分解得到经典域物元；
根据所有指标的经典域物元将节域物元矩阵转化为经典域物元矩阵。
5.根据权利要求4所述的基于大数据的售电公司信用评估方法，其特征在于：所述基于所述经典域物元矩阵和节域物元矩阵，建立关联函数的过程包括以下步骤：
从电力交易平台中提取待评价的售电公司在信用评价指标体系中各个指标的取值，形成待评的经典域物元矩阵和节域物元矩阵；
通过插值法将待评的经典域物元矩阵和节域物元矩阵进行无量纲化处理，得到无量纲的待评的经典域物元矩阵和节域物元矩阵；
根据无量纲化的待评的经典域物元矩阵和节域物元矩阵构建关联函数。
6.根据权利要求1所述的基于大数据的售电公司信用评估方法，其特征在于：步骤2中，所述经典域物元矩阵为：
Figure FDA0003197960650000021
Figure FDA0003197960650000031
式中，信用等级共分为j级，RL1表示第1级信用等级对应的经典域物元矩阵，RLj表示第j级信用等级对应的经典域物元矩阵，U表示待评价事物，cn表示第n个评价指标，〔anj,bnj〕表示第j级信用等级下，第n个评价指标所对应的标准量值范围；
所述节域物元矩阵为：
Figure FDA0003197960650000032
式中，RL表示节域物元矩阵，cn表示第n个评价指标，〔an,bn〕表示第n个评价指标所对应的拓广量值范围，指标的取值范围根据历史情况中全国范围售电公司相应指标的综合水平确定。
7.根据权利要求6所述的基于大数据的售电公司信用评估方法，其特征在于：步骤3中，所述关联函数表示物元的量值取为实轴上一点x时，物元符合要求的取值范围程度；
关联函数为：
Figure FDA0003197960650000033
其中，
Figure FDA0003197960650000034
式中，|x0|＝|b-a|为有界区间x0＝[a,b]的模；p(x,xo)为实轴上任一点x到区间x0的距离，a和b分别表示，某一级信用评级关于第u个指标cu的级别评价指标标准量值范围的下限值和上限值，所述评价指标标准量值范围是指，在所述经典域物元矩阵中，点x所对应的评价指标标准量值范围；
Figure FDA0003197960650000041
式中，p(x,xn)为实轴上定义为实轴上任意点x到区间xn的距离；c和d分别表示，评价指标拓广量值范围的下限值和上限值；所述评价指标拓广量值范围是指，在所述节域物元矩阵中，点x所对应的评价指标拓广量值范围。
8.根据权利要求7所述的基于大数据的售电公司信用评估方法，其特征在于：步骤4中，基于所述关联函数，计算当前样本数据j与各信用等级的综合关联度Kj：
Figure FDA0003197960650000042
式中，Kj(s)为当前样本数据j与第s级信用等级的关联度，wi为第i个评价指标所占的权重，n为评价指标的个数，Ki(j,s)为对应第s级信用等级下，当前样本数据j对应第i个评价指标的关联函数值；
将对应综合关联度Kj最高的信用等级，确定为当前样本数据j的信用等级。
9.根据权利要求1至8任何一项所述的基于大数据的售电公司信用评估方法，其特征在于：步骤1中，采用模糊BWM方法确定评价指标权重wi，包括如下步骤：
步骤1.1：采用三角模糊数定义模糊集；
步骤1.2:确定指标体系，设有n个待赋权指标；
步骤1.3：确定最优和最劣指标，在n个待赋权指标中，确定指标权重最大和最小的指标，即最优和最劣指标；
步骤1.4：设定三角模糊数下指标间的比较规则，确定最优和最劣判断向量；
步骤1.5：基于最优和最劣判断向量，求解最优模糊权重向量；
步骤1.6：基于所述最优指标和最劣指标比较结果，对权重结果进行一致性检验。
10.一种基于大数据的售电公司信用评估装置，其特征在于：包括处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述装置运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如权利要求1-9任一所述的基于大数据的售电公司信用评估方法的步骤。
CN202110899176.5A 2021-08-05 2021-08-05 基于大数据的售电公司信用评估方法及装置 Pending CN113554340A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110899176.5A CN113554340A (zh) 2021-08-05 2021-08-05 基于大数据的售电公司信用评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110899176.5A CN113554340A (zh) 2021-08-05 2021-08-05 基于大数据的售电公司信用评估方法及装置

Publications (1)

Publication Number Publication Date
CN113554340A true CN113554340A (zh) 2021-10-26

Family

ID=78105330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110899176.5A Pending CN113554340A (zh) 2021-08-05 2021-08-05 基于大数据的售电公司信用评估方法及装置

Country Status (1)

Country Link
CN (1) CN113554340A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115689394A (zh) * 2022-12-29 2023-02-03 上海意静信息科技有限公司 一种社会单位消防信用等级评价方法及评价系统
CN116485211A (zh) * 2023-06-16 2023-07-25 中国石油大学(华东) 电池堆综合性能评价多准则决策方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787073A (zh) * 2016-03-02 2016-07-20 上海源庐加佳信息科技有限公司 一种基于大数据挖掘技术的企业信用评价方法
CN107330590A (zh) * 2017-06-19 2017-11-07 华北电力大学 一种基于熵值法和物元可拓法的核电站安全运行评价方法
CN107506905A (zh) * 2017-08-01 2017-12-22 华北电力大学 一种改进的电网企业可持续发展综合评价方法
CN108009937A (zh) * 2016-11-01 2018-05-08 中国电力科学研究院 一种配电主设备健康状态的评估方法
CN108062634A (zh) * 2018-01-05 2018-05-22 国网上海市电力公司 一种售电公司的运营风险监控方法
CN108805743A (zh) * 2018-05-25 2018-11-13 华北电力大学 一种电网企业售电公司运营效益评价方法
CN110264030A (zh) * 2019-04-29 2019-09-20 国网山东省电力公司经济技术研究院 一种新旧动能转换成效评价方法及系统
CN111402017A (zh) * 2018-12-29 2020-07-10 顺丰科技有限公司 一种基于大数据的信用评分方法和系统
CN113095712A (zh) * 2021-04-25 2021-07-09 国家电网有限公司 企业授信评分获取方法、装置及计算机设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787073A (zh) * 2016-03-02 2016-07-20 上海源庐加佳信息科技有限公司 一种基于大数据挖掘技术的企业信用评价方法
CN108009937A (zh) * 2016-11-01 2018-05-08 中国电力科学研究院 一种配电主设备健康状态的评估方法
CN107330590A (zh) * 2017-06-19 2017-11-07 华北电力大学 一种基于熵值法和物元可拓法的核电站安全运行评价方法
CN107506905A (zh) * 2017-08-01 2017-12-22 华北电力大学 一种改进的电网企业可持续发展综合评价方法
CN108062634A (zh) * 2018-01-05 2018-05-22 国网上海市电力公司 一种售电公司的运营风险监控方法
CN108805743A (zh) * 2018-05-25 2018-11-13 华北电力大学 一种电网企业售电公司运营效益评价方法
CN111402017A (zh) * 2018-12-29 2020-07-10 顺丰科技有限公司 一种基于大数据的信用评分方法和系统
CN110264030A (zh) * 2019-04-29 2019-09-20 国网山东省电力公司经济技术研究院 一种新旧动能转换成效评价方法及系统
CN113095712A (zh) * 2021-04-25 2021-07-09 国家电网有限公司 企业授信评分获取方法、装置及计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李义超 等: "基于物元可拓模型的地方政府信用风险评估及对策", 《经济经纬》, vol. 33, no. 4, pages 133 - 138 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115689394A (zh) * 2022-12-29 2023-02-03 上海意静信息科技有限公司 一种社会单位消防信用等级评价方法及评价系统
CN116485211A (zh) * 2023-06-16 2023-07-25 中国石油大学(华东) 电池堆综合性能评价多准则决策方法
CN116485211B (zh) * 2023-06-16 2023-09-05 中国石油大学(华东) 电池堆综合性能评价多准则决策方法

Similar Documents

Publication Publication Date Title
de Oliveira et al. Forecasting mid-long term electric energy consumption through bagging ARIMA and exponential smoothing methods
Hatefi et al. An integrated fuzzy DEMATEL-fuzzy ANP model for evaluating construction projects by considering interrelationships among risk factors
Xu et al. Carbon price forecasting with complex network and extreme learning machine
Renigier-Biłozor et al. Automated valuation model based on fuzzy and rough set theory for real estate market with insufficient source data
Xu et al. Intelligent decision system for self‐assessment
Zavadskas et al. Selecting a contractor by using a novel method for multiple attribute analysis: Weighted Aggregated Sum Product Assessment with grey values (WASPAS-G)
Kim et al. Combining case-based reasoning with genetic algorithm optimization for preliminary cost estimation in construction industry
Cheng et al. Fuzzy case-based reasoning for coping with construction disputes
CN113554340A (zh) 基于大数据的售电公司信用评估方法及装置
Wang et al. Assessing effects of economic factors on construction cost estimation using deep neural networks
Cheung et al. Predicting project performance through neural networks
WO2007148867A1 (en) Method of technology evaluation
Hyung et al. Improved similarity measure in case-based reasoning: A case study of construction cost estimation
Murthy Techno-economic assessment
Ng EQUAL: A case-based contractor prequalifier
Hwang et al. CRAS‐CBR: Internal control risk assessment system using case‐based reasoning
JP2009518709A (ja) 技術評価方法
Chang et al. A fuzzy-based military officer performance appraisal system
Sarip et al. Fuzzy logic application for house price prediction
CN112950067A (zh) 基于模糊综合评价的电力用户用电能效评估方法
KR20130083053A (ko) 악성 해외건설 프로젝트 판별 시스템
Kim Interval estimation of construction cost using case-based reasoning and genetic algorithms
CN111489134B (zh) 数据模型的构建方法、装置、设备及计算机可读存储介质
Lyubchenko et al. Rating of organization's energy efficiency based on Harrington's desirability function
Ford et al. A new measure of sensitivity for social system simulation models

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