深度｜基于KPCA-MEE的电力市场售电公司信用评价研究

摘要：建立完善的售电公司信用评价体系，有助于规范电力市场交易、提高电力市场的机制建设和行业管理水平。将核主成分分析法和物元可拓理论相结合，构建 KPCA-MEE 售电公司信用评价模型。在所设计的售电公司信用评价指标体系基础上，采用核主成分分析法实现指标体系降维并确定指标权重，可有效避免主成分分析法中因各指标贡献率过度分散而影响评价效果的弊端。然后应用物元可拓理论对售电公司进行信用等级评价，解决评价对象的模糊性、不确定性问题，为等级评价提供可靠依据。基于4家售电公司的运营数据进行算例分析，计算结果证明该模型的有效性和合理性。

关键词：电力市场;信用评价;核主成分分析;物元可拓;售电公司

0 引言

随着中国电力体制改革的加速推进，电力市场化竞争逐步加剧，出现了售电公司这类新型电力市场主体。目前国内尚无对售电公司信用进行科学评价的方法，建立完善的售电公司信用评价体系，能够为电力用户选择售电公司提供标准;

确保输供电平衡、激发售电公司提升自身的售电服务水平;在规范电力市场交易、维护电力市场稳定性等方面具有积极意义;能够提高电力市场的机制建设和行业管理水平。因此，亟须构建科学合理的售电公司信用评价体系。

目前，国内电力市场主体信用评价的研究对象主要是电力用户 [1-2] ，尚无针对售电公司的信用评价研究，但评价模型是通用的，可以通过其他主体信用评价指标和方法，进而构建售电公司信用评价模型。现行的主要评价方法有模糊综合评价 [3] 、理想解法 [4] 等，但上述方法无法解决评价信息重复或计算过程复杂等问题，物元可拓 (matter-element extension, MEE) 理论能够兼顾不确定性和模糊性，又能体现出评价指标对两级级别的差异及统一级别内部的不同状态，已经应用到了产品质量评价 [5] 和产业安全评价 [6] 等领域，并取得较好的评价效果。因此，本文尝试将物元可拓评价方法运用到售电公司信用评价研究中，但售电公司信用评价指标之间存在多重相关性，冗余指标数据会损害模型的仿真能力，直接运用物元可拓模型开展售电公司信用评价会产生一定误差，因此，需要使用一种特征提取方法以准确提取变量间的重要信息特征。同时，原始数据中存在非线性属性，采用传统特征提取方法可能会出现较大偏差，核主成分分析 (kernel principal componentanalysis，KPCA) 是一种非线性主成分评价模型，能更有效地处理变量间的非线性关系，广泛应用于特征提取研究 [7] ，因此，本文将 KPCA 和 MEE相结合对售电公司进行信用评价。

本文设计售电公司信用评价指标体系和指标分级标准;构建 KPCA-MEE 售电公司信用综合评价模型，利用核主成分分析法实现指标降维，并应用 MEE 模型完成售电公司信用评价。以 4 家售电公司为案例进行算例分析，验证 KPCA-MEE 售电公司信用综合评价模型的有效性。

1 售电公司信用评价指标体系设计

1.1 售电公司信用评价指标体系

建立售电公司信用评价模型的首要环节是构建科学合理的信用评价指标体系，通过监测和分析相关指标反映售电公司的信用情况。根据《售电企业及电力大用户信用评价指标体系(试行)》，以如下原则构建售电公司信用评价指标体系。

(1)科学性原则：选取的指标能够通过观察、统计、评议等方式得到明确的定性或定量结论 [8] 。

(2)系统性原则：指标体系要尽可能涵盖售电公司信用情况的特征，并形成系统，指标既要有相关性、层次性，也要有整体性，要能够全面地评价售电公司的信用情况。

(3)定性与定量相结合的原则：售电公司的信用评价指标体系需要根据不同评价内容的特点采用不同性质的评价指标，能更准确地反映电力客户信用的现状和趋势。

(4)简约性原则：体现售电公司的守信能力与意愿的内容十分繁杂，为保证评价体系的有效性，指标应具有高概括力，从而反映最重要的特征 [9] 。

依据上述原则和行业试行标准，确定售电公司信用评价指标体系，如表 1 所示。其中，一级指标包含基本条件、守信能力、守信意愿、守信表现、财务状况、信用记录 6 项。该指标体系利用 17 个二级指标 [10-11] 和 28 个三级指标合理地体现售电公司的技术水平、经济水平、守信水平，对企业信用评价具有重要影响的因素。

1.2 指标分级标准

根据各指标值的历史数据和专家意见，对各个指标进行信用等级划分及取值范围规定。售电公司信用评价指标分级标准如表 2 所示，其中基础信息、企业资质、基础管理、产品品牌指标、营销能力、设备技术能力、信用管理、制度规范、交易管理、合同履行、电力调度管理的三级指标(除交易电量、设备完好率外)均由德尔菲法决定：定性指标采用 50 分制和百分制，0 分为条件最差，根据行业专家打分情况取均值，作为

定性指标的最终指标值。

2 售电公司信用综合评价模型

2.1 核主成分分析法

核主成分分析是一种非线性主成分评价模型，可有效地处理变量间的非线性关系，广泛应用于多指标的综合评价中 [12-13] ，相比主成分分析能够取得更合理的指标约简结果。该方法可以将大量指标变量中包含的信息压缩为少数能反映原有信息特征的综合变量指标，通过对综合变量指标的分析，处理变量之间的非线性关系，同时保证原有数据信息量的丢失达到最小化 [14] ，其基本步骤如下。

之后可以运用传统主成分分析中提取主成分的方法计算某一数据点在特征向量上的投影，最终求出该点的核主成分。

2.2 物元可拓模型

物元可拓模型是通过建立目的物元、条件物元、对象物元和关系元，利用物元可拓集和关联函数定量分析矛盾问题的方法，其理论基础是把评价指标体系及其特征值作为物元，利用评价级别和实际数据来表示经典域、节域，并计算出关联度，最终形成定量的综合评价方法 [15] 。该方法由于能够有效抓住关键策略，最大限度地满足主系统、将不相容的矛盾转化为相容关系，从而实现全局性最佳决策目标，被广泛应用于评价领域 [16-18] ，且评价性能表现良好。模型具体计算步骤如下。

(1)确定同征物元体和物元矩阵。物元 R 是以事物 、特征 及事物关于该特征的量值所组成的三元组，记作

售电公司信用评价模型中售电公司的信用情况代表物元 [19] 。若一个事物U需要n个特征

其相应的量值用

来描述，则为n维物元，可用物元矩阵为

2.3 构建 KPCA-MEE 售电公司信用评价模型

K P C A - M E E 模 型 利 用 核 主 成 分 分 析 法(KPCA)对指标进行降维，并应用 MEE 模型分析售电公司信用水平。应用该模型评价售电公司信用的流程如图 1 所示。

3 算例分析

3.1 KPCA 分析

(1)样本数据采集。以 4 家售电公司(分别为 ZG 电气、HR 电力、Y 电力、NMH 电)经处理后的运营数据为样本进行算例实证分析，应用上文所构建的售电公司信用评价指标体系，采用KPCA-MEE 模型进行综合评价。为保证模型适用性，样本企业中包含了独立的售电公司、由发电集团企业内部组建的售电公司等多种不同性质的售电公司。具体数据如表 3 所示。

(2)该售电公司的信用评价指标体系中，部分指标值越小代表风险越小，部分指标越大代表信用水平越低，为排除各个评价指标值量纲和数量级的不同对结果造成的影响，首先需要对售电公司各信用评价指标和评价的等级标准数据进行预处理。

(3)选取多项式为本试验的核函数，取值为 s=0.000 015，m = 0.03，d = 3，则

价，同时 4 个主元所对应的贡献率经数据归一化处理后即为 KPCA-MEE 评价模型中所应用的指标权重(0.574 754 53，0.256 402 47，0.106 286 061，0.062 556 939)。

3.2 MEE 物元可拓评价

利用通过 KPCA 法所得的综合指标及其权重，将处理后数据代入 MEE 评价模型中，计算关联度结果如表 5 所示。

通过表 5 可以看出，ZG 电气的信用水平对Ⅱ级的隶属度高，为 0.091 465 594;HR 电力和Y 电力的信用水平对Ⅰ级的隶属度高，分别为0.117 890 455 和 0.111 574 501;NMH 电的信用水平对Ⅳ级的隶属度高，为 0.062 435 975。因此，4 个样本售电公司中，NMH 电的信用等级最高，信用水平属于Ⅳ级;HR 电力和 Y 电力的信用评级最低，都属于Ⅰ级;ZG 电气虽然拥有最大年售电量，但综合考虑 ZG 电气的市场交易行为表现，其信用水平并没有被单一地评判为高级，而是处于Ⅱ级，属于中下游水平。

该算例可证明，本文所构建的模型不仅考虑了供电规模，更兼顾了供电可靠性、安全性等方面，能够较为准确合理地评价市场上各售电公司的信用等级，具有较高的准确性和客观性，对购电主体选择交易对象具有较大的参考价值。同时可以进一步说明经过 KPCA 处理指标之后进行MEE 信用评价，能够有效剔除冗杂信息并得到科学合理的评价结果，提升评价的准确性和客观性。

4 结语

本文将核主成分分析法和物元可拓模型结合起来，构建了 KPCA-MEE 售电公司综合信用评价模型，实现优化售电公司信用评价指标体系、客观合理地评价售电公司信用水平的目标。并应用模型对 4 家售电公司的信用水平进行评价，KPCA-MEE 售电公司综合信用评价模型所得结果与现实情况一致，说明该模型具有较高的可靠性和合理性，可以为电力市场针对售电公司的选择决策提供依据，在一定程度上维护电力市场稳定平衡。

参考文献：

赵琳, 张富春, 董兴华, 等. 大电力客户信用综合评价体系研究[J].

电力科学与工程, 2016, 32(1): 31–36.

ZHAO Lin, ZHANG Fuchun, DONG Xinghua,et al. Research oncomprehensive assessment system of large electricity customercredit[J]. Electric Power Science and Engineering, 2016, 32(1):

31–36.[1]

王宇哲, 雷霞, 陈晓盛, 等. 基于 BP 神经网络电力大客户信用等级评价研究[J]. 电力需求侧管理, 2015, 17(5): 49–53.

WANG Yuzhe, LEI Xia, CHEN Xiaosheng, et al. Large powercustomer credit rating based on BP eural network[J]. Power DSM,

2015, 17(5): 49–53.

ZHU R, LIANG Q, ZHAN H. Analysis of aero-engine performance and ion based on fuzzy comprehensive evaluation[J]. Procedia Engineering, 2017, 174: 1202–1207.

[3]王敬敏, 孙艳复, 康俊杰. 基于熵权法与改进 TOPSIS 法的电力企业竞争力评价[J]. 华北电力大学学报 (自然科学版), 2010, 37(6):61–64.

WANG Jingmin, SUN Yanfu, KANG Junjie. Evaluation of competitive of power enterprises based on entropy and improved

TOPSIS[J]. Journal of North China Electric Power University (Natural Science Edition), 2010, 37(6): 61–64.

[4]张勇刚, 张学伟, 高远,等. 物元可拓法在烤烟感官质量评价中的应用[J]. 西北农业学报, 2010, 19(10): 96–100.

ZHANG Yonggang, ZHANG Xuewei, GAO Yuan, et al. Application of matter-element extension in sensory quality evaluation of flue-cured tobacco[J]. Acta Agriculturae Boreali-Occidentalis Sinica,2010, 19(10): 96–100.

[5]李向东, 李南. 基于物元可拓分析的高新技术产业安全研究[J]. 科学学与科学技术管理, 2009, 30(2): 142–147.LI Xiangdong, LI Nan. The evaluation of security for hi-tech industry based on hierarchy method[J]. Science of Science and Management of S.&T., 2009, 30(2): 142–147.

[6]牛东晓, 马天男, 王海潮,等. 基于 KPCA 和 NSGAⅡ优化 CNN 参数的电动汽车充电站短期负荷预测[J]. 电力建设, 2017, 38(3):85–92.

NIU Dongxiao, MA Tiannan, WANG Haichao, et al. Short-term load foreing of electric vehicle ging station based on KPCA and CNN parameters optimized by NSGAⅡ[J]. Electric Power Construction, 2017, 38(3): 85–92.

[7]彭张林, 张爱萍, 王素凤,等. 综合评价指标体系的设计原则与构建流程[J]. 科研管理, 2017, 38(S1): 209–215.

PENG Zhanglin, ZHANG Aiping, WANG Sufeng, et al. Designing principles and constructing processes of the comprehensive evaluation indicator system[J]. Science Research Management, 2017,38(S1): 209–215.

[8]李菁苗, 吴吉义, 章剑林,等. 电子商务环境下中小企业信用评价[J]. 系统工程理论与实践, 2012, 32(3): 555–560.

LI Jingmiao, WU Jiyi, ZHANG Jianlin, et al. Study on SMEs credit evaluation system in e-commerce environment[J]. System Engineering-Theory &Practice, 2012, 32(3): 555–560.

[9]郭宏. 创业板上市公司基于新指标视角的发展能力评价模型及应用研究[J]. 工业技术经济, 2016, 35(12): 76–83.

GUO Hong. The development capability evaluation model based on the new index of GEM listing corporation application research[J].

[10]Journal of Industrial Technological Economics, 2016, 35(12): 76–83.郑和忠, 魏长江, 王树华. 基于主成分分析和核主成分分析的地震属性优化的研究[J]. 青岛大学学报 (自然科学版), 2017, 30(3):76–80.

ZHENG Hezhong, WEI Changjiang, WANG Shuhua. Seismic attribute optimization research based on principal component analysis and kernel principal component analysis[J]. Journal of Qingdao

University(Natural Science Edition), 2017, 30(3): 76–80.

[11]吕蔚,王新峰, 孙智信. 基于核主成分分析的高校科技创新能力评价研究[J]. 国防科技大学学报, 2008, 30(3): 81–85.

LV Wei, WANG Xinfeng, SUN Zhixin. Application of the kernel principal component analysis method to university S&T innovation capability evaluation[J]. Journal of National University of Defense

Technology, 2008, 30(3): 81–85.

[12]JIANG L L, DENG Z Q, TANG S W. KPCA denoising and its application in machinery fault diagnosis[J]. Applied Mechanics&Materials, 2011, 103:274-278.

[13]杜卓明, 屠宏, 耿国华. KPCA 方法过程研究与应用[J]. 计算机工程与应用, 2010, 46(7): 8–10.

DU Zhuoming, TU Hong, GENG Guohua. KPCA method research and application process[J]. Computer Engineering and Applications,2010, 46(7): 8–10.

[14]李义超, 廖枝灵, 杜易成. 基于物元可拓模型的地方政府信用风险评估及对策[J]. 经济经纬, 2016, 33(4): 133–138.

LI Yichao, LIAO Zhiling, DU Yicheng. Local government credit risk assessment and ermeasures based on element extension model[J]. Economic Survey, 2016, 33(4): 133–138.

[15]何玉钧, 刘毅, 周生平. 基于物元可拓模型的电力通信网风险评估[J]. 电力系统保护与控制, 2017, 45(14): 64–69.

HE Yujun，LIU Yi，ZHOU Shengping. Risk evaluation for electric power communication network based on matter-element extensible model[J]. Power System Production and Control, 2017, 45(14):

64–69.

[16]张晶晶,马传明,匡恒,等. 青岛市土壤重金属污染的物元可拓评价[J]. 中国环境科学, 2017, 37(2): 661–668.

ZHANG Jingjing, MA Chuanming, KUANG Heng, et al. Assessment of heavy metals pollution in soil of Qingdao based on matter-element extension model[J]. China Environmental Science, 2017, 37(2):661–668.

[17]林立. 基于物元可拓模型的中国地方政府融资平台风险研究[J].

经济理论与经济管理, 2012(5): 65–71.

LIN Li. Research on the risks of the local government financing platform based on entropy-weight and matter-element model[J].

Economic Theory and Business Management, 2012(5): 65–71.