本发明属于公司运营效益综合评价
技术领域：
，尤其涉及一种售电公司运营效益评价方法。
背景技术：
目前我国电力市场正处于新一轮体制改革过程中，随着售电侧的放开，市场上逐步构建起多元化售电主体。面对复杂的售电市场环境和激烈的竞争格局，运营效益直接反映售电公司当前所处市场地位和发展优劣状况。因此，构建科学、合理的运营效益评价指标体系、选取合理的模型对售电公司运营效益进行综合评价，有利于售电公司了解自身在售电市场中所处的地位，分析其竞争优劣势，对售电公司实现可持续发展目标是一项具有重要意义的工作。售电公司运营效益综合评价的核心即评价指标体系与综合评价模型的构建。目前我国正处于售电侧放开初期，针对售电公司及其运营效益开展综合评价的研究较少，面向售电公司运营效益尚未建立起完善的评价指标体系。并且针对运营效益综合评价，多采用传统的评价方法,如：层次分析法、物元分析法、模糊综合评价法等，且均存在一定的不足，评价速度有待提高。人工智能算法在自动运行和快速预测方面具有显著优势，通过机器学习泛化主观赋权，可实现相对误差较小的预测和快速评价。但是，人工智能算法的参数有待进一步优化以提高机器的分类精度。技术实现要素：针对上述问题，本发明提出了一种售电公司运营效益评价方法，其特征在于，包括以下步骤：步骤1：构建售电公司运营效益指标评价体系，并采集各运营效益评价指标数据；步骤2：对采集的各运营效益评价指标数据进行标准化处理；步骤3：采用熵权法对售电公司运营效益评价指标进行赋权，确定各指标权重；步骤4：采用itm法计算售电公司运营效益的相对接近度，将计算得到的相对接近度作为综合评价值，用于对售电公司运营效益进行综合评价；步骤5：采用maso-lssvm智能算法优化参数，并将优化后的lssvm算法应用于售电公司运营效益综合评价；步骤6：对maso-lssvm智能算法进行训练，通过对售电公司运营效益的自动运算，得到预测综合评价值。所述步骤1构建售电公司运营效益指标评价体系，是从财务收益、生产运营、营销水平、内部管理水平及社会效益五个方面，以售电公司运营效益为总评价目标构建的三级综合评价指标体系。所述步骤2对采集的各运营效益评价指标数据进行标准化处理的具体方法为：1)采用专家打分将定性指标量化处理假设共邀请权威专家m位，第k位专家对第t个售电公司定性指标i的打分分值为stik,则通过所有专家打分量化的定性指标i的分值为：2)对适中型和极小型指标进行一致化处理，统一转化为极大型指标，具体过程如下；适中型指标：式中，xij为适中型指标经一致化处理后的值，为指标初始值；[q1,q2]为区间型指标的最佳合理区间；dl为指标允许下限；du为指标允许上限；极小型指标：其中，xij′为极小型指标经一致化处理后的值，为指标初始值；3)对所有评价指标进行标准化处理，即：其中，为指标经标准化处理后的值，xij为原始指标经打分量化和一致化处理后的值，m为评价对象数量，n为评价指标项数。所述步骤3采用熵权法对售电公司运营效益评价指标进行赋权的方法为：(1)构造标准化判断矩阵假设用于综合评价的售电公司共m个，评价指标共n项，则经标准化处理的指标数据构建的标准化判断矩阵x*为：式中，为标准化处理后的指标值；(2)计算各项指标的信息熵式中，k为m取对数的倒数值，fij为第i项指标下第j个评价对象的特征比重，m为评价对象数量；(3)对运营效益评价指标赋权其中，式中，wj为各项指标权重，hj为各项指标的信息熵。所述itm法是在传统topsis算法的基础上，定义计算得到的正、负理想解存在绝对状态，并且所评价对象处于绝对正、负理想解之间。所述步骤4采用itm法对售电公司运营效益进行综合评价，首先通过指标权重和标准化数据构造加权判断矩阵，其次确定绝对正、负理想解并计算测算评价对象与绝对理想解之间的欧式距离，最后计算售电公司运营效益的相对接近度，即综合评价得分，具体步骤为：(1)构造加权判断矩阵r＝(rij)m×n式中，rij为加权后的指标值；wj为各项指标权重；为原始指标经标准化处理后的值；(2)确定绝对正、负理想解绝对正理想解:经过标准化处理得到：x+＝(1，1，…，1)t绝对负理想解:经过标准化处理得到：x-＝(0，0，…，0)t式中，为指标的绝对正理想解；为指标的绝对负理想解；(3)测算各售电公司运营效益与绝对正、负理想解之间的欧氏距离；各售电公司运营效益与绝对正理想解的欧氏距离为：各售电公司运营效益与绝对负理想解的欧氏距离为：(4)计算各售电公司运营效益的相对接近度，计算得到的相对接近度的值即综合评价得分，所述各售电公司运营效益的相对接近度的计算公式为：(5)按照各售电公司运营效益的相对接近度ci的大小对售电公司的运营效益进行优劣排序，ci值越大则对应的售电公司运营效益越优。所述步骤5采用maso-lssvm智能算法优化参数，即通过maso算法优化lssvm参数，具体方法为：s1:输入历史数据，建立lssvm的训练样本集和测试样本集；s2:设定优化参数并确定蚁群的初始优化位置；假设蚁群中蚂蚁数为n且初始随机分布在解空间中，设定蚁群的初始优化位置为xi(i＝1，2，…，n)，每只蚂蚁的初始位置为xi1，xi2，…，xid；设定优化参数为误差惩罚系数c和核函数宽度σ，其优化目标函数为：s.t.c∈[cmin,cmax]σ∈[σmin,σmax]式中，yi为第i个历史样本数据对应的输出值；为第i个历史样本数据对应的lssvm输出预测值；s.t.c为误差惩罚系数，cmin为最小误差惩罚系数，cmax为最大误差惩罚系数，σmin为最小核函数宽度，σmax为最大核函数宽度；s3:建立lssvm预测模型；式中，ai为拉格朗日乘子；k(x,xj)为径向基核函数；σ为核函数宽度；b为偏置参数；x为给定的输入样本；xj为第j个输入样本；s4:计算适应度和初始信息素，蚂蚁i的初始信息素计算方法如下：式中，f(xi)为第i个样本的适应度；为第i个样本的第j个网络输出节点下的训练输出值；yj为第i个样本的第j个网络输出节点下的输出期望值；m为重构相空间中的相点数量；m为蚁群规模大小；δτ(i)＝exp(-f(xi))当f(xi)≥0时，0＜δτ(i)≤1；当f(xi)→+∞时，δτ(i)→0；对f(xi)作如下调整：最终确定蚂蚁i的初始信息素大小为：δτ(i)＝exp(-f*(xi))式中，f(xi)为适应度，f*(xi)为调整后的适应度，为适应度均值，δτ(i)为初始信息素大小，avg为f(xi)均值，为给定的f(xi)均值；s5:根据上次迭代中蚂蚁所在处信息素浓度大小排序确定最优蚂蚁xbest；在随机抽取的蚂蚁个体中，选取信息素浓度最大处的蚂蚁作为目标个体xobj；s6:进行蚂蚁搜索寻优，最优蚂蚁在其邻域内作小步长局部搜索寻优，其余蚂蚁向目标个体移动并作大步长搜索寻优；其中，小步长局部搜索寻优求解过程如下：xbest'＝xbest±(xbest×0.01)当f(xbest')＜f(xbest)时，xbest'＝xbest+(xbest×0.01)；当f(xbest')≥f(xbest)时，xbest'＝xbest-(xbest×0.01)；xi'＝xbest±h×δδ＝0.1·rand()式中，h为变化的搜索步长，hmax、hmin为给定常数，且hmin＝0.1hmax；xi'为最优蚂蚁搜索的位置，xi为蚂蚁i的位置，δ为随机数，iier为当前迭代次数，iier,max为迭代次数的最大值；大步长搜索寻优求解过程如下：假设蚁群中蚂蚁总量为n，随机抽取p只蚂蚁：p＝r×n式中，r为动态抽取比例；确定蚂蚁下一次移动目标，从随机抽取出的p只蚂蚁中选择信息素最多的个体作为目标，则最优移动目标的确定方法如下：式中，xbest为上一次迭代计算中的最优蚂蚁，xj为蚂蚁j的位置，τ(xi)为蚂蚁i所在处的信息素浓度，τ(xj)max为蚂蚁个体所在处的最大信息素浓度；蚂蚁i向目标移动的规则如下：xi＝(1-λ)xi+λxobj,(0＜λ＜1)式中，λ为权重系数；s7:更新每只蚂蚁所在处的信息素浓度，更新公式如下：τ(i)*＝τ(i)ρ+δτ(i)，ρ∈(0,1)式中，ρ为信息素残留系数；τ(i)*为更新后的信息素浓度，τ(i)为更新前的信息素浓度，δτ(i)为信息素变化量；s8:判断是否满足迭代终止条件，即判断是否达到设定的最大运行次数，若达到则进行步骤s9，否则返回步骤s5；s9:停止迭代，输出最优参数。所述步骤6的具体过程为：将基于itm的售电公司运营效益综合评价得分和加权判断矩阵数据作为maso-lssvm智能算法的输入对机器进行训练，训练后maso-lssvm智能算法通过自动运算，输出相对误差较小的预测综合评价值。本发明的有益效果在于：1、本发明采用改进的topsis法(itm法)对售电公司运营效益进行综合评价，能够消除评价过程中可能出现的逆序问题，为售电公司制定未来阶段的运营和发展模式提供科学而全面的参考依据。2、本发明利用改进的蚁群算法(maso)优化lssvm的参数，可节省lssvm智能算法的训练时间且具有较高的收敛精度，可用于快速预测综合评价值。3、本发明提出的一种基于itm-maso-lssvm的售电公司运营效益评价方法，首先通过itm法得到售电公司运营效益综合评价值，然后运用maso-lssvm智能算法对售电公司运营效益进行自动运算和快速评价，得到预测的运营效益综合评价值，该方法为售电公司进行运营效益综合评价提供了一种新的思路。附图说明附图1为基于itm-maso-lssvm模型的售电公司运营效益评价方法流程图；附图2为售电公司运营效益评价指标体系；附图3为基于itm的20家售电公司运营效益综合评价得分；具体实施方式下面结合附图和实施例对本发明进行详细说明。为了实现对售电公司运营效益科学、准确、快速的综合评价，并基于评价结果为售电公司未来制定合理的运营发展模式提供决策依据，本发明在考虑售电公司可持续发展目标的基础上，提出了基于itm-maso-lssvm的售电公司运营效益评价方法。所述评价方法的流程图如图1所示，包括以下步骤：步骤1：构建售电公司运营效益指标评价体系，并采集各运营效益评价指标数据；步骤2：对采集的各运营效益评价指标数据进行标准化处理；步骤3：采用熵权法对售电公司运营效益评价指标进行赋权，确定各指标权重；步骤4：采用itm法计算售电公司运营效益的相对接近度，将计算得到的相对接近度作为综合评价值，用于对售电公司运营效益进行综合评价；步骤5：采用maso-lssvm智能算法优化参数，并将优化后的lssvm算法应用于售电公司运营效益综合评价；步骤6：对maso-lssvm智能算法进行训练，通过对售电公司运营效益的自动运算，得到预测综合评价值。具体的，所述步骤1中，构建售电公司运营效益指标评价体系，是从财务收益、生产运营、营销水平、内部管理水平及社会效益五个维度，以售电公司运营效益为总评价目标，构建的三级综合评价指标体系，并采集各运营效益评价指标数据。具体的，所述步骤2中，对采集的各运营效益评价指标数据进行预处理，采用专家打分量化定性指标、将评价指标类型一致化、最后对运营效益评价指标进行标准化处理。具体包括以下子步骤：1)采用专家打分将定性指标量化处理假设共邀请权威专家m位，第k位专家对第t个售电公司定性指标i的打分分值为stik,则通过所有专家打分量化的定性指标i的分值为：2)将定性指标量化处理后，需要对适中型和极小型指标进行一致化处理，统一转化为极大型指标的方法如下：适中型指标：式中，xij为适中型指标经一致化处理后的值，为指标初始值；[q1,q2]为区间型指标的最佳合理区间；dl为指标允许下限；du为指标允许上限；极小型指标：其中，xij′为极小型指标经一致化处理后的值，为指标初始值；3)经定性指标量化和指标一致化处理后，对所有评价指标进行标准化处理，即：其中，为指标经标准化处理后的值，xij为原始指标经打分量化和一致化处理后的值，m为评价对象数量，n为评价指标项数。具体的，所述步骤3中，采用熵权法对售电公司运营效益评价指标进行赋权；熵权法可用于多对象、多指标的综合评价中，且适用于任何评价问题中指标权重的确定。熵是对不确定信息的度量，熵值越小则指标提供的信息含量越大，指标权重越高。本发明采用熵权法构造判断矩阵，用熵值衡量信息量的大小。通过计算信息熵对售电公司运营效益的评价指标赋权，消除指标权重的主观性，更利于体现数据信息的有序性。采用熵权法对指标赋权的过程如下：(1)构造标准化判断矩阵假设用于综合评价的售电公司共m个，评价指标共n项，则经标准化处理的指标数据构建的标准化判断矩阵x*为：式中，为标准化处理后的指标值；(2)计算各项指标的信息熵式中，k为m取对数的倒数值，fij为第i项指标下第j个评价对象的特征比重，m为评价对象数量；(3)对运营效益评价指标赋权其中，式中，wj为各项指标权重，hj为各项指标的信息熵。具体的，所述步骤4中，采用itm法计算售电公司运营效益的相对接近度，将计算结果作为综合评价值对售电公司运营效益进行综合评价。由于在多对象多属性的综合评价中，传统topsis法往往存在逆序问题而导致最终评价对象的优劣排序结果改变，甚至可能影响未来决策的正确性。因此本发明采用改进的topsis法(即itm法)对售电公司运营效益进行综合评价，消除评价过程中可能出现的逆序问题，为售电公司制定未来阶段的运营和发展模式提供科学而全面的参考依据。所述itm法是对传统topsis法确定的正、负理想解重新定义，认为正、负理想解存在绝对状态，评价对象永远处于绝对正、负理想解之间，即所评价的各售电公司的运营效益不可能高于绝对正理想解，也不可能低于绝对负理想解。绝对正、负理想解值的确定可由具体目标的实际情况而定或是由经验丰富的专家确定。基于itm法对售电公司运营效益进行综合评价，首先通过指标权重和标准化数据构造加权判断矩阵，其次确定绝对正、负理想解并计算测算评价对象与绝对理想解之间的欧式距离，最后计算售电公司运营效益的相对接近度，即综合评价得分，具体步骤如下：(1)构造加权判断矩阵r＝(rij)m×n式中，rij为加权后的指标值；wj为各项指标权重；为原始指标经标准化处理后的值；(2)确定绝对正、负理想解绝对正理想解:经过标准化处理得到：x+＝(1，1，…，1)t绝对负理想解:经过标准化处理得到：x-＝(0，0，…，0）t式中，为指标的绝对正理想解；为指标的绝对负理想解；(3)测算各售电公司运营效益与绝对正、负理想解之间的欧氏距离；各售电公司运营效益与绝对正理想解的欧氏距离为：各售电公司运营效益与绝对负理想解的欧氏距离为：(4)计算各售电公司运营效益的相对接近度，计算得到的相对接近度的值即综合评价得分，所述各售电公司运营效益的相对接近度的计算公式为：(5)按照各售电公司运营效益的相对接近度ci的大小对售电公司的运营效益进行优劣排序，ci值越大则对应的售电公司运营效益越优。具体的，所述步骤5中，采用maso-lssvm智能算法优化参数，即通过maso算法优化lssvm参数。最小二乘支持向量机(lssvm)是支持向量机(svm)在二次损失函数下的形式，将不等式约束转化为带等式约束的二次规划线性求解问题，其优化目标中的损失函数为误差平方和损失函数，具有求解速度快的优点。采用径向基核函数的lssvm仅需要确定误差惩罚系数c和核函数宽度σ两个参数，可以极大地降低参数的搜索空间并加快建模速度，通过优化这两个参数可以进一步提高lssvm的分类精度。lssvm参数的优化方法众多，例如采用梯度下降法优化lssvm的参数，但存在易陷入局部最优的缺点；采用自适应遗传算法优化lssvm的参数，实操性较弱。采用蚁群算法(aso)优化lssvm的参数，由于aso算法的优化对象是离散问题且易陷入局部最优，将aso应用到连续优化问题时需要对算法进行改进，因而发明采用改进的蚁群算法(maso)完成对lssvm参数的优化，与蚁群算法(aso)不同，改进的蚁群算法(maso)是蚁群凭借某个区域内的信息素来判断行进路线，而非通过离散节点处留下的信息素判断行进路线。通过maso优化参数，可节省lssvm智能算法的训练时间且具有较高的收敛精度，可用于快速预测综合评价值，从而进一步提高lssvm的学习和泛化能力。maso算法的寻优过程如下：(1)确定蚁群的初始位置和初始信息素假设蚁群中蚂蚁数为n且初始随机分布在解空间中，蚁群的初始位置为xi(i＝1，2，…，n),每只蚂蚁的初始位置为xi1，xi2，…，xid。确定蚂蚁i的初始信息素大小如下：δτ(i)＝exp(-f(xi))其中，f(xi)为适应度。由上式可知，当f(xi)≥0时，0＜δτ(i)≤1；当f(xi)→+∞时，δτ(i)→0，对f(xi)作如下调整：其中，f*(xi)为调整后的适应度；最终确定蚂蚁i的初始信息素大小如下：δτ(i)＝exp(-f*(xi))(2)蚂蚁搜索寻优蚁群算法中，蚂蚁完成一次觅食搜索过程后将按照一定的规则判断接下来的移动方向。发明在maso中确定蚂蚁的两种移动规则以完成下一次觅食搜索。1)全局大步长搜索动态随机抽取确定下一个目标个体，蚁巢中除上一次迭代计算中的最优蚂蚁外，剩余蚂蚁都向选定的目标行进。蚂蚁进行全局大步长搜索寻优求解过程如下：设蚁群中蚂蚁总量为n，随机抽取p只蚂蚁如下：p＝r×n式中，r为动态抽取比例；iier为当前迭代次数；iier,max为迭代次数的最大值。确定蚂蚁下一次移动目标，从随机抽取出的p只蚂蚁中选择信息素最多的个体作为目标，最优移动目标的确定方法如下：式中，xbest为上一次迭代计算中的最优蚂蚁，位于目标蚂蚁处的信息素浓度越大则对蚁群中其他蚂蚁的吸引力也越大。蚂蚁i向目标移动的规则如下：xi＝(1-λ)xi+λxobj,(0＜λ＜1)2)邻域小步长搜索上一次迭代计算中的最优蚂蚁按照一定的搜索规则在邻域范围内进行局部搜索。最优蚂蚁进行搜索的规则如下：xi'＝xbest±h×δ其中，δ＝0.1·rand()；h为变化的搜索步长，hmax、hmin为给定常数，通常有hmin＝0.1hmax。公式xi'＝xbest±h×δ的加减号的确定如下：xbest'＝xbest±(xbest×0.01)当f(xbest')＜f(xbest)时取“+”；当f(xbest')≥f(xbest)时取“-”。(3)更新变化后的信息素在蚂蚁i完成上述搜索寻优过程后，目标处的信息素浓度将改变，信息素的更新如下：τ(i)*＝τ(i)ρ+δτ(i)式中，ρ为信息素残留系数且ρ∈(0,1)。综上所述，本发明提出的maso-lssvm智能算法优化参数的过程如下：step1:输入历史数据，建立lssvm的训练样本集和测试样本集；step2:设定优化参数并确定蚁群的初始优化位置；step3:建立lssvm预测模型；step4:计算适应度和初始信息素；step5:确定上次迭代计算中的最优蚂蚁xbest和目标个体xobj；step6:蚂蚁搜索寻优过程，其中最优蚂蚁在其邻域内作小步长局部搜索寻优，其余蚂蚁向目标个体移动并作大步长搜索寻优；step7:更新每只蚂蚁所在处的信息素浓度；step8:判断是否满足迭代终止条件，若满足则进行step9，若不满足则返回step5；step9:停止迭代，输出最优参数。其中，maso优化目标函数如下：s.t.c∈[cmin,cmax]σ∈[σmin,σmax]式中，yi为第i个历史样本数据对应的输出值；为第i个历史样本数据对应的lssvm输出预测值；s.t.c为误差惩罚系数，cmin为最小误差惩罚系数，cmax为最大误差惩罚系数，σmin为最小核函数宽度，σmax为最大核函数宽度。实施例1为了验证本发明的可行性及有效性，本实施例选取20家售电公司(编号为a-t)作为研究对象，构建相应的售电公司运营效益评价指标体系。首先基于itm对售电公司运营效益进行综合评价，然后基于itm评价结果将第1-15家售电公司(编号为a-o)的运营效益综合评价值作为maso-lssvm训练集样本，第16-20家售电公司(编号为p-t)的运营效益综合评价值作为测试集样本。模型的输入包括：基于itm所得售电公司运营效益综合评价值、运营效益评价指标权重与指标标准化数据构成的加权判断矩阵。模型的输出为预测的售电公司运营效益综合评价值。具体过程如下：1)基于评价指标体系构建的基本原则以及新电改背景下售电公司的实际运营情况，从财务收益、生产运营、营销水平、内部管理水平和社会效益五个维度出发，以售电公司运营效益为总评价目标，构建如图2所示的三级综合评价指标体系。采用熵权法对运营效益评价指标客观赋权，得评价指标权重如表1所示。基于itm对售电公司运营效益进行综合评价，计算评价对象相对接近度，得售电公司运营效益综合评价值如表2所示，由表2可以看出，基于itm计算所得相对接近度为各家售电公司综合评价得分，将相对接近度按大小排序，相对接近度越大则公司运营效益越优。最终得到20家售电公司运营效益综合评价优劣排序结果如图3和表3所示。表1售电公司运营效益评价指标权重表2基于itm的售电公司运营效益综合评价结果(相对接近度)售电公司综合评价得分(相对接近度)a0.2598b0.2413c0.1852d0.2559e0.2642f0.1870g0.1773h0.1539i0.2053j0.1861k0.2481l0.2748m0.2432n0.1848o0.2366p0.2143q0.2408r0.1867s0.1604t0.2773表3基于itm的20家售电公司运营效益综合评价结果排序由表1-表3可知，基于itm对20家售电公司运营效益进行综合评价，售电公司t的运营效益最优，综合评价得分为0.2773；售电公司h的运营效益最差，综合评价得分为0.1539。2)选取前15个售电公司(编号为a-o)作为训练样本集，将15组样本作为maso-lssvm模型的输入向量。选取后5个售电公司(编号为p-t)作为测试样本集，将训练后的模型用于测试样本集的评价。maso-lssvm训练结果和测试结果如表4和表5所示。表4maso-lssvm训练结果表5maso-lssvm测试结果售电公司综合评价得分测试结果相对误差(％)p0.21430.22012.72％q0.24080.2362-1.92％r0.18670.19293.31％s0.16040.16663.86％t0.27730.2711-2.22％由表4、表5可知，经maso-lssvm计算得出的售电公司运营效益预测数据与基于itm的综合评价得分相对误差较小，误差值最高为3.86％，最低为1.92％。3)为了进一步验证该模型的预测精度，本实施例通过mape、mse和rmse三个指标进行检验，检验结果如表6所示：表6模型预测精度检验结果指标训练样本测试样本mse2.26e-053.40e-05rmse4.75e-035.83e-03mape1.99e-022.81e-02由表6可知，经检验由maso-lssvm预测的训练样本和测试样本，其中训练样本的mse、rmse和mape分别为2.26e-05、4.75e-03和1.99e-02，测试样本的mse、rmse和mape分别为3.40e-05、5.83e-05和2.81e-02。该模型计算所得综合评价的预测值与实际值偏差较小，其综合评价结果是有效的。此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。当前第1页12