一种电网指标体系建立方法、装置以及计算设备

摘要

本发明公开了一种电网指标体系建立方法，在计算设备中执行，方法包括：创建指标体系，指标体系包括关键指标数据序列；采用敏感性分析方法对关键指标数据序列进行敏感性分析，确定影响第一参数的第一影响因素；建立第一影响因素与关键指标数据序列之间的量化关系，确定影响关键指标数据序列的第二影响因素；根据第二影响因素，采用聚类分析方法对关键指标数据序列进行分级处理；采用预定评价方法对分级处理后的关键指标数据序列进行评价，并输出分级处理后的关键指标数据序列。本发明还公开了相应的电网指标体系建立装置以及包含该电网指标体系建立装置的计算设备。

说明书

技术领域

本发明涉及一种电网指标体系建立方法、装置和计算设备。

背景技术

随着我国电力工业以及电力系统的迅速发展，电网规模不断扩大，形成了多层级的电网。例如，在全国电网下一级的省级电网承接特高压电网，连接众多发电企业，并直接面向中低压配网用户提供电能产品和服务。对于各级电网(如省级电网)的供电质量的监控至关重要。为加强供电质量监管，从2001年开始，欧盟能源监管机构委员会开始实施供电质量对标，欧洲电力供应质量对标体系包括三个维度，即供电持续性、电压质量、商业服务质量。美国联邦能源管理委员会组织各ISO和RTO、各利益相关方和专家共同研发评价和衡量ISO和RTO市场运行和绩效的评价方法，市场绩效评价主要包括可靠性、市场绩效和组织效率三个方面。

然而，国内外电网评价体系多以监管考核为主要功能，偏重于限定运营商需达到的最低业绩标准，并兼顾公共事业的社会责任等，对省级电网发展方向并没有明确的指向作用。已有的指标体系侧重国际比较和公司内部管理对标层面，未能考虑社会公众感知度，在指标体系内外融合程度、一流水平量化科学性方面未能开展深入研究。

发明内容

为此，本发明提供一种新的电网指标体系建立方法、装置和计算设备，以力图解决或者至少缓解上面存在的问题。

根据本发明的一个方面，提供一种电网指标体系建立方法，在计算设备中执行，方法包括：创建指标体系，指标体系包括关键指标数据序列；采用敏感性分析方法对关键指标数据序列进行敏感性分析，确定影响第一参数的第一影响因素；建立第一影响因素与关键指标数据序列之间的量化关系，确定影响关键指标数据序列的第二影响因素；根据第二影响因素，采用聚类分析方法对关键指标数据序列进行分级处理；采用预定评价方法对分级处理后的关键指标数据序列进行评价，并输出分级处理后的关键指标数据序列。

可选地，在根据本发明的方法中，建立第一影响因素与关键指标数据序列之间的量化关系的步骤包括：建立第一影响因素与关键指标数据序列之间的映射关系，采用结构方程模型进行拟合。

可选地，在根据本发明的方法中，预定评价方法为基于单个指标的直接横向比较法。

可选地，在根据本发明的方法中，预定评价方法为基于权重打分的方法。

根据本发明的一个方面，提供一种电网指标体系建立装置，驻留在计算设备中，该装置包括：创建单元，适于创建指标体系，指标体系包括关键指标数据序列；指标数据分析单元，适于采用敏感性分析方法对关键指标数据序列进行敏感性分析，确定影响第一参数的第一影响因素，以及适于建立第一影响因素与关键指标数据序列之间的量化关系，确定影响关键指标数据序列的第二影响因素；指标数据处理单元，适于根据第二影响因素，采用聚类分析方法对关键指标数据序列进行分级处理；指标体系评价单元，适于采用预定评价方法对分级处理后的指标体系进行评价，并输出分级处理后的关键指标数据序列。

可选地，在根据本发明的装置中，指标数据分析单元还适于：建立第一影响因素与关键指标数据序列之间的映射关系，采用结构方程模型进行拟合。

可选地，在根据本发明的装置中，预定评价方法为基于单个指标的直接横向比较法。

可选地，在根据本发明的装置中，预定评价方法为基于权重打分的方法。

根据本发明的一个方面，提供一种计算设备，包括如上的电网指标体系建立装置。

根据本发明的技术方案，对关键指标数据序列的分级处理使得指标体系可以进行差异化、全方位的评价。

附图说明

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。

图1示出了根据本发明的电网指标体系建立装置的示例计算设备100的框图；

图2示出了根据本发明一个示例型实施例的电网指标体系建立方法200的示意图；

图3示出了根据本发明一个示例型实施例的均匀分布的示意图；

图4示出了根据本发明一个示例型实施例的正态分布的示意图；以及

图5示出了根据本发明一个示例型实施例的电网指标体系建立装置500的结构图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明的电网指标体系建立装置驻留在计算设备中，图1布置为实现根据本发明的电网指标数据处理装置的示例计算设备100的框图。在基本的配置102中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。

取决于期望的配置，处理器104可以是任何类型的处理，包括但不限于：微处理器((μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。

取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。应用122可以包括被配置为电网指标体系建立装置600。在一些实施方式中，应用122可以布置为在操作系统上利用程序数据124进行操作。

计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。

网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。

计算设备100可以实现为小尺寸便携(或者移动)电子设备的一部分，这些电子设备可以是诸如蜂窝电话、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。计算设备100还可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。

图2示出了根据本发明一个示例性实施例的电网指标体系建立方法200的示意图。该方法驻留在计算设备100中执行。

本发明的方法旨在建立一个能够适应于中国不同省份之间的地域、经济发展等差异，能够合理评价关键指标的指标体系。

在步骤S210中，创建指标体系，所述指标体系包括关键指标数据序列，上述关键指标数据序列包括多组指标数据。

具体的关键指标数据序列可参考表1。

表1各国电网关键指标

随后，在步骤S220中，采用敏感性分析方法对关键指标数据序列进行敏感性分析，确定影响第一参数的第一影响因素。其中，第一参数为项目经济效益的变动，第一影响因素包括经济发展水平、能耗水平、能源洁净水平和社会发展水平。

随后，在步骤S230中，建立第一影响因素与关键指标数据序列之间的量化关系，确定影响关键指标数据序列的第二影响因素。其中，上述第二影响因素为影响关键指标数据序列的主要因素，包括经济发展水平和社会发展水平。

根据一种实施方式，建立第一影响因素与关键指标数据序列之间的映射关系，采用结构方程模型进行拟合，建立第一影响因素与关键指标数据序列之间的量化关系。

随后，在步骤S240中，根据第二影响因素，采用聚类分析方法对关键指标数据序列进行分级处理。其中，关键指标数据序列可以划分为发达、较发达、一般、欠发达、落后等5个阶段。

随后，在步骤S250中，采用预定评价方法对指标体系进行评价。并在步骤S260中，输出分级处理后的关键指标数据序列。所述的预定分析方法可以包括基于单个指标的直接横向比较法和基于权重打分的方法。

基于单个指标的直接横向比较法是将关键指标数据序列中的每组指标数据列序进行对比，客观性、针对性较强，但是整体性较弱。基于权重打分的方法是将关键指标数据序列中每组指标数据序列赋予一点的权重值，综合性较强，但会受一定的主观性影响。具体的分析方法如下：

采用基于单个指标的直接横向比较法对指标体系进行验证的具体方法如下：

首先，对关键指标数据进行分类，从统计上看，关键指标数据作为一种随机变量，其分布类型分为离散型分布和连续型分布。主要包括0-1分布、均匀分布、正态分布、偏态分布和长尾分布(zipf)等。

图3和图4分别示出了根据本发明一个实施例的均匀分布和正态分布的示意图。

各分布类型具体如下：

(1)0-1分布：设随机变量X只可能取0与1两个值，它的分布律是P{X＝k}＝p^k(1-p)^1-k,k＝0,1(0<p＜1)，则称X服从以p为参数的(0-1)分布或两点分布。

(2)均匀分布：若连续型随机变量X具有概率密度f(x),，则称X在区间(a，b)上服从均匀分布，如图3所示。公式如下：

(3)正态分布：如图4所示，正态分布是指多数频数集中在中央位置，两端的频数分布大致对称。若连续型随机变量X的概率密度为f(x)，其中，μ、σ(σ>0)为常数，则称X服从参数为μ、σ的正态分布或高斯分布。公式如下：

$>f\left(x\right)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{{(x-\mu )}^2}{2{\sigma }^2}},-\infty <x<\infty$>

(4)偏态分布：偏态分布是指频数分布不对称，集中位置偏向一侧，即统计数据峰值与平均值不相等的频率分布。偏态分布有两个特点：一是左右不对称(即所谓偏态)；二是当样本增大时，其均数趋向正态分布。根据峰值小于或大于平均值可分为正偏态分布和负偏态分布两种类型，其偏离的程度可用偏度刻画。

(5)长尾分布：在一个累计分布函数中，一个随机变量X的分布为$>\underset{x\to \infty }{\lim }\mathrm{Pr}(X>x+t|X>x)=1,t>0$>时，则称为长尾分布。

在理论上，长尾分布符合Zipf定律。Zipf定律是一个统计型的经验规律，可以描述为：在自然语言的语料库里，一个单词出现的频率与它在频率表里的排名成反比，频率最高的单词出现的频率大约是出现频率第二位的单词的2倍，出现频率第二位的单词则是出现频率第四位的单词的2倍。这个定律在很多分布里面得到了验证，比如人们的收入、互联网的网站数量和访问比例等，管理学中的80/20定律的思想也与之相似。

根据参数检验、非参数检验、P-P图和Q-Q图对关键指标数据序列的指标分布类型进行划分。

(1)参数检验

参数检验是对参数平均值、方差进行的统计检验，参数检验是推断统计的重要组成部分。参数检验是先由测得的样本数据计算检验统计量，若计算的统计量值落入约定显著性水平a时的拒绝域内，说明被检参数之间在所约定的显著性水平a下在统计上有显著性差异；反之，若计算的统计量值落入约定显著性水平a时的接受域内，说明被检参数之间在统计上没有显著性差异，是同一总体的参数估计值。参数检验适用于总体分布已知时，根据样本数据对总体分布的统计参数进行推断。此时，总体的分布形式是给定的或是假定的，只是其中一些参数的取值或范围未知，分析的主要目的是估计参数的取值，或对其进行某种统计检验。这类问题往往用参数检验来进行统计推断。它不仅仅能够对总体的特征参数进行推断，还能够实现两个或多个总体的参数进行比较。

(2)非参数检验

非参数检验是统计分析方法的重要组成部分，它与参数检验共同构成统计推断的基本内容。参数检验是在总体分布形式已知的情况下，对总体分布的参数如均值、方差等进行推断的方法。但是，在数据分析过程中，由于种种原因，人们往往无法对总体分布形态作简单假定，此时参数检验的方法就不再适用了。非参数检验正是一类基于这种考虑，在总体方差未知或知道甚少的情况下，利用样本数据对总体分布形态等进行推断的方法。由于非参数检验方法在推断过程中不涉及有关总体分布的参数，因而得名为“非参数”检验。非参数检验包括单样本K-S检验、总体分布的卡方检验、二项分布检验、变量值随机检验等。

单样本K-S检验方法能够利用样本数据推断样本来自的总体是否服从某一理论分布，是一种拟合优度的检验方法，适用于探索连续型随机变量的分布。例如，收集利用收集的住房状况调查的样本数据，分析家庭人均住房面积是否服从正态分布。单样本K-S检验的原假设是：样本来自的总体与指定的理论分布无显著差异，理论上可用于检验正态分布、均匀分布、指数分布和泊松分布等。

总体分布的卡方检验可以根据样本数据，推断总体分布与期望分布或某一理论分布是否存在显著差异，是一种吻合性检验，通常适于对有多项分类值的总体分布的分析。例如，医学家在研究心脏病人猝死人数与日期的关系时发现：一周之中，星期一心脏病人猝死者较多，其他日子则基本相当。当天的比例近似为2.8：1：1：1：1：1：1。现收集到心脏病人死亡日期的样本数据，推断其总体分布是否与上述理论分布相吻合。它的原假设是：样本来自的总体分布与期望分布或某一理论分布无差异。

二项分布检验是要通过样本数据检验样本来自的总体是否服从指定的概率为P的二项分布。在生活中有很多数据的取值是二值的，例如，人群可以分成男性和女性，产品可以分成合格和不合格，学生可以分成三好学生和非三好学生，投掷硬币实验的结果可以分成出现正面和出现反面等。通常将这样的二值分别用1或0表示。如果进行n次相同的实验，则出现两类(1或0)的次数可以用离散型随机变量X来描述。如果随机变量X为1的概率设为P，则随机变量X值为0的概率Q便等于1-P，形成二项分布。它的原假设是：样本来自的总体与指定的二项分布无显著差异。

变量值随机性检验通过对样本变量值的分析，实现对总体的变量值出现是否随机进行检验。例如，在投硬币时，如果以1表示出现的是正面，以0表示出现的是反面，在进行了若干次投币后，将会得到一个以1，0组成的变量值序列。这时可能会分析“硬币出现正反面是否是随机的”这样的问题。变量值随机性检验正是解决这类问题的一个有效方法。它的原假设是：总体变量值出现是随机的。变量随机性检验的重要依据是游程。所谓游程是样本序列中连续出现相同的变量值的次数。可以直接理解，如果硬币的正反面出现是随机的，那么在数据序列中，许多个1或许多个0连续出现的可能性将不太大，同时，1和0频繁交叉出现的可能性也会较小。因此，游程数太大或太小都将表明变量值存在不随机的现象。例：为检验某耐压设备在某段时间内工作是否持续正常，测试并记录下该时间段内各个时间点上的设备耐压的数据。现采用游程检验方法对这批数据进行分析。如果耐压数据的变动是随机的，可认为该设备工作一直正常，否则认为该设备有不能正常工作的现象。

(3)P-P图

P-P图是根据变量的累积比例与指定分布的累积比例之间的关系所绘制的图形。通过P-P图可以检验数据是否符合指定的分布。当数据符合指定分布时，P-P图中各点近似呈一条直线。如果P-P图中各点不呈直线，但有一定规律，可以对变量数据进行转换，使转换后的数据更接近指定分布。

(4)Q-Q图

Q-Q图是一种散点图，可以用于检验数据的分布。Q-Q图是用变量数据分布的分位数与所指定分布的分位数之间的关系曲线来进行检验的。P-P图和Q-Q图的用途完全相同，只是检验方法存在差异。以正态分布为例，其Q-Q图就是由标准正态分布的分位数为横坐标，样本值为纵坐标的散点图。要利用QQ图鉴别样本数据是否近似于正态分布，只需看QQ图上的点是否近似地在一条直线附近，而且该直线的斜率为标准差，截距为均值。用QQ图还可获得样本偏度和峰度的粗略信息。

关键指标数据序列级别的划分直接受指标类型的影响。因此，具有不同分布类型的关键指标数据序列，应采用不同的评价方法。

(1)0-1分布：0-1分布为离散型分布，所有关键指标数据的取值只有两种可能，因此这类关键指标的级别只需划分为两类即可。若关键指标数据的类型为正向型指标，则1为A段，0为B段；若关键指标数据的类型为负向型指标，则0为A段，1为B段。对于企业而言，这类关键指标数据的应对措施应是保持或力争进入A段，否则对关键指标数据排名影响较大。

(2)均匀分布：均匀分布中，关键指标数据在区间(a，b)的取值概率是均等的，这类关键指标数据可以通过寻找四分位点将关键指标数据等分为五份。若关键指标数据的类型为正向指标，则((4b+a)/5，b)为A段，((3b+2a)/5，(4b+a)/5)为B段，((2b+3a)/5，(3b+2a)/5)为C段，((b+4a)/5，(2b+3a)/5)为D段，(a，(b+4a)/5)为E段；若关键指标数据的类型为负向型指标，则(a，(b+4a)/5)为A段，((b+4a)/5，(2b+3a)/5)为B段，((2b+3a)/5，(3b+2a)/5)为C段，((3b+2a)/5，(4b+a)/5)为D段，((4a+b)/5，b)为E段。对于企业而言，这类关键指标数据的应对措施应是保持或力争进入A段或B段，否则对关键指标数据排名影响较大。

(3)正态分布：正态分布中，关键指标数据的取值概率虽不是均等，但是对称的，这类指标也可通过寻找四个分位点将指标分为五份。对标准正态分布而言，四个点分别为μ-1.96σ，μ-1σ，μ+1σ。若关键指标数据的类型为正向型指标，则(μ+1.96σ，∞)为A段，(μ+1σ，μ+1.96σ)为B段，(μ-1σ，μ+1σ)为C段，(μ-1.96σ，μ-1σ)为D段，(-∞，μ-1.96σ)为E段，且每一段的概率为分别为2.5％，13.37％，68.27％，13.37％，2.5％；若关键指标数据的类型为负向型指标，则(-∞，μ-1.96σ)为A段，(μ-1.96σ，μ-1σ)为B段，(μ-1σ，μ+1σ)为C段，(μ+1σ，μ+1.96σ)为D段，(μ+1.96σ，∞)为E段，且每一段的概率为分别为2.5％，13.37％，68.26％，13.37％，2.5％。对于企业而言，处于C段关键指标数据的企业占大部分，若C段关键指标数据的值与B段临界值较接近，则争取进入下一段位，若与D段临界值较接近，则应重点关注，防止下滑；若处于B段关键指标数据，则应衡量进入A段位的成本效益比，在经济可行的条件下力争进入A段；若处于A段应继续保持；处于D段或E段，应加倍努力，至少保证进入C段。

(4)偏态分布：偏态分布中，关键指标数据的分布既不是均匀的，又不是对称的，此时采取聚类分析法对数据进行分段。聚类分析法是以指标观测值为依据，按照统计分析中的分层聚类或迭代聚类法，将一些相似程度较大的样本聚合为一级别，同时将另一些相似程度较大的样本聚合为另一级别，此时可根据聚类分析得出的分类对指标进行分段。对企业而言，应至少保证进入数据聚集的区域，并争取进入优势区域。

(5)长尾分布：通过以上分析可知，长尾分布符合Zipf定律，Zipf定律是一个统计型的经验规律，而非理论定律，与管理学中的80/20定律的思想也与之相似。因此，分段评价时，对于前80％的数据，平均分为三部分，分别为A、B、C段；后20％的数据，平均分为两部分，分别为D、E段。

采用基于权重打分的综合分析法对指标体系进行验证的方法包括层次分析法、德尔菲法和熵值法，具体如下：

(1)层次分析法

首先，建立层次结构模型。利用层次分析法研究问题时，要把与问题有关的各种因素层次化，然后构造出一个树状结构的层次结构模型，称为层次结构图。

最高层为目标层(O)：问题决策的目标或理想结果，只有一个元素。

中间层为准则层(C)：包括为实现目标所涉及的中间环节各因素，每一因素为一准则，当准则多于9个时可分为若干个子层。

最低层为方案层(P)：方案层是为实现目标而供选择的各种措施，即为决策方案。

一般说来，各层次之间的各因素，有的相关联，有的不一定相关联；各层次的因素个数也未必一定相同.实际中，主要是根据问题的性质和各相关因素的类别来确定。

其次，构造判断(成对比较)矩阵，构造比较矩阵主要是通过比较同一层次上的各因素对上一层相关因素的影响作用。而不是把所有因素放在一起比较，即将同一层的各因素进行两两对比。比较时采用相对尺度标准度量，尽可能地避免不同性质的因素之间相互比较的困难。同时，要尽量依据实际问题具体情况，减少由于决策人主观因素对结果造成的影响。

设要比较n个因素C₁,C₂,…,C_n对上一层(如目标层)O的影响程度，即要确定它在O中所占的比重。对任意两个因素C_i和C_j，用a_ij表示C_i和C_j对O的影响程度之比，按1～9的比例标度来度量a_ij(i,j＝1,2,…,n)。于是，可得到两两成对比较矩阵A＝(a_ij)_n×n，又称为判断矩阵，显然a_ij＞0，其中，

$>a_{ji}=\frac{1}{a_{ij}},a_{ii}=1,(i,j=1,2,...,n)$>

比例标度的确定：a_ij取1-9的9个等级，a_ji取a_ij的倒数，1-9标度确定如下：

a_ij＝1，元素i与元素j对上一层次因素的重要性相同；

a_ij＝3，元素i比元素j略重要；

a_ij＝5，元素i比元素j重要；

a_ij＝7，元素i比元素j重要得多；

a_ij＝9，元素i比元素j的极其重要；

a_ij＝2n，n＝1,2,3,4…元素i与j的重要性介于a_ij＝2n-1与a_ij＝2n+1之间；

a_ij＝1/n，n＝1,2,…9当且仅当a_ji＝n。

由正互反矩阵的性质可知，只要确定A的上(或下)三角的n(n-1)/2个元素即可。在特殊情况下，如果判断矩阵A的元素具有传递性，即满足

a_ika_kj＝a_ij(i,j,k＝1,2,…,n)

则称A为一致性矩阵，简称为一致阵.

其次，层次单排序及一致性检验。通常情况下，由实际得到的判断矩阵不一定是一致的，即不一定满足传递性和一致性。实际中，也不必要求一致性绝对成立，但要求大体上是一致的，即不一致的程度应在容许的范围内。主要考查以下指标：

一致性指标：

一致性比率指标：

当CR＜0.10时，认为判断矩阵的一致性是可以接受的，则λ_max对应的特征向量可以作为排序的权重向量。此时

$>{\lambda }_{max}\approx \underset{i=1}{\overset{n}{\Sigma }}\frac{{(A·W)}_i}{{\mathrm{nw}}_i}=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}\frac{\underset{j=1}{\overset{n}{\Sigma }}{a}_{ij}{w}_j}{w_i}$>

其中，(A·W)_i表示A·W的第i个分量。

最后，计算组合权重和组合一致性检验。组合权重向量：设第k-1层上n_k-1个元素对总目标(最高层)的排序权重向量为：

$>W^{(k-1)}={(w_1^{(k-1)},w_2^{(k-1)},...,w_{n_{k-1}}^{(k-1)})}^T$>

第k层上n_k个元素对上一层(k-1层)上第j个元素的权重向量为$>{P_j}^{(k-1)}={(p_{1j}^{\left(k\right)},p_{2j}^{\left(k\right)},...,p_{n_{k}j}^{\left(k\right)})}^T,j=1,2,...,n_{k-1}.$>则矩阵$>P^{\left(k\right)}=[P_1^{\left(k\right)},P_2^{\left(k\right)},...,P_{n_{k-1}}^{\left(k\right)}]$>是n_k×n_k-1阶矩阵，表示第k层上的元素对第k-1层各元素的排序权向量。那么第k层上的元素对目标层(最高层)总排序权重向量为

$>\left(\begin{array}{c}{W}^{\left(k\right)}=P^{\left(k\right)}·W^{(k-1)}=[P_1^{\left(k\right)},P_2^{\left(k\right)},...,P_{n_{k-1}}^{\left(k\right)}]·W^{(k-1)}\\ ={(w_1^{\left(k\right)},w_2^{\left(k\right)},...,w_{n_{k-1}}^{\left(k\right)})}^T\end{array}\right)$>

或$>w_i^{\left(k\right)}=\underset{j=1}{\overset{n_{k-1}}{\Sigma }}{p}_{ij}^{\left(k\right)}{w}_j^{(k-1)},i=1,2,...,n_k$>

对任意的k＞2有一般公式W^(k)＝P^(k)·P^(k-1)·····P⁽³⁾·W⁽²⁾(k＞2)

其中，W⁽²⁾是第二层上各元素对目标层的总排序向量。

组合一致性指标：设k层的一致性指标为随机一致性指标为则第k层对目标层的(最高层)的组合一致性指标为组合随机一致性指标为$>{\mathrm{RI}}^{\left(k\right)}=({\mathrm{RI}}_1^{\left(k\right)},{\mathrm{RI}}_2^{\left(k\right)},...,{\mathrm{RI}}_{n_{k-1}}^{\left(k\right)})·W^{(k-1)},$>组合一致性比率指标为

$>{\mathrm{CR}}^{\left(k\right)}={\mathrm{CR}}^{(k-1)}+\frac{{\mathrm{CI}}^{\left(k\right)}}{{\mathrm{RI}}^{\left(k\right)}}(k\ge 3)$>

当CR^(k)＜0.10时，则认为整个层次的比较判断矩阵通过一致性检验。

(2)德尔菲法

德尔菲法是一种专家评分法，它首先根据评价对象的具体要求选定若干个评价项目，再根据评价项目制订出评价标准。通过匿名方式征询有关专家的意见，对专家意见进行统计、处理、分析和归纳，客观地综合多数专家经验与主观判断，对大量难以采用技术方法进行定量分析的因素做出合理估算，经过多轮意见征询、反馈和调整后，对债权价值和价值可实现程度进行分析的方法。操作步骤为：

①选择专家；

②确定影响债权价值的因素，设计价值分析对象征询意见表；

③向专家提供债权背景资料，以匿名方式征询专家意见；

④对专家意见进行分析汇总，将统计结果反馈给专家；

⑤专家根据反馈结果修正自己的意见；

⑥经过多轮匿名征询和意见反馈，形成最终分析结论。

专家分数的计算方法有：

①加法评价型

将评价各指标项目所得的分值加法求和，按总分来表示评价结果。此法用于指标间关系简单者。

公式为：$>W={\Sigma }_{i=1}^n{W}_i$>

其中：W为评价对象总分值；Wi为第i项指标得分值；n为指标项数。该法有两种方式：连加评分法和分计加法评价法。

②连积评价型

将各个项目的分值连乘，并按其乘积大小来表现业绩结果。这种方法灵敏度很高，被评价对象各指标间的关系特别密切，其中一项的分数连带影响到其他各项的总结果，即具有某项指标不合格，就对整体起否定作用的特点。

公式为：$>W={\Pi }_{i=1}^n{W}_i$>

其中，W为评价对象总分值，Wi为i项目分值，n为指标项目数。

③和数相乘评价型

将评价对象的评价指标分成若干组，先计算出各组评分值之和，然后再将各组评分值连乘，所得即是总的评分。者是考虑到各因素之间的关系密切程度不同和相互影响方式不同来确定的。

公式为：$>W={\Pi }_{i=1}^m{\Sigma }_{j=1}^n{W}_i$>

其中：W_ij为评价对象中第i组j指标值，m为评价对象的组数，n为i组中含有的指标项数

④加权评价型

将评价对象中的各项指标项目依照评价指标的重要程度，给与不同的权重，即对各因素的重要程度做区别对待。

$>W={\Sigma }_{i=1}^n{A}_i{W}_i$>

其中，W为评价对象总得分，Wi为评价对象的i指标项得分，Ai为i指标项的权值。

且：1)$>{\Sigma }_{i=1}^n{A}_i=1;$>2)0<A_i≤1

(3)熵值法

①数据矩阵

$>A={\left(\begin{array}{ccc}{X}_{11}& ...& X_{1m}\\ ·& ·& ·\\ ·& ·& ·\\ ·& ·& ·\\ X_{n1}& ...& X_{nm}\end{array}\right)}_{n\times m}$>

其中，X_ij为第i个方案第j个指标的数值。

②数据的非负数化处理

由于熵值法计算采用的是各个方案某一指标占同一指标值总和的比值，因此不存在量纲的影响，不需要进行标准化处理，若数据中有负数，就需要对数据进行非负化处理。此外，为了避免求熵值时对数的无意义，需要进行数据平移：

对于越大越好的指标：

$>X_{ij}^{\prime }=\frac{X_{ij}-\min (X_{1j},X_{2j},...,X_{nj})}{\max (X_{1j},X_{2j},...,X_{nj})-\min (X_{1j},X_{2j},...,X_{nj})}+1,i=1,2,...,n;j=1,2,...,m$>

对于越小越好的指标：

$>X_{ij}^{\prime }=\frac{\max (X_{1j},X_{2j},...,X_{nj})-X_{ij}}{\max (X_{1j},X_{2j},...,X_{nj})-\min (X_{1j},X_{2j},...,X_{nj})}+1,i=1,2,...,n;j=1,2,...,m$>

为了方便起见，仍记非负化处理后的数据为X_ij

③计算第j项指标下第i个方案占该指标的比重

$>P_{ij}=\frac{X_{ij}}{\underset{i=1}{\overset{n}{\Sigma }}{X}_{ij}},(j=1,2,...m)$>

④计算第j项指标的熵值

其中k＞0,ln为自然对数，e_j≥0。式中常数k与样本数m有关，

一般令k＝1/lnm,则0≤e≤1

⑤计算第j项指标的差异系数

g_j＝1-e_j

对于第j项指标，指标值X_ij的差异越大，对方案评价的作用越大，熵值就越小。

⑥求权数

$>W_j=\frac{g_j}{\underset{j=1}{\overset{m}{\Sigma }}{g}_j},j=1,2...m$>

⑦计算各方案的综合得分

$>S_i=\underset{j=1}{\overset{m}{\Sigma }}{W}_j*P_{ij},(i=1,2,...n)$>

根据本发明的技术方案，对关键指标数据序列的分级处理使得指标体系可以进行差异化、全方位的评价。

图5示出了根据本发明一个示例型实施例的电网指标体系建立装置500的结构图。该装置驻留在计算设备中，所述装置500包括：创建单元510、指标数据分析单元520、指标数据处理单元530和指标体系评价单元540。

创建单元510用于创建指标体系，所述指标体系包括关键指标数据序列。指标数据分析单元520采用敏感性分析方法对创建单元510中关键指标数据序列进行敏感性分析，确定影响第一参数的第一影响因素。建立第一影响因素与关键指标数据序列之间的映射关系，采用结构方程模型进行拟合，建立第一影响因素与关键指标数据序列之间的量化关系，确定影响关键指标数据序列的第二影响因素。指标数据处理单元530根据第二影响因素，采用聚类分析方法对关键指标数据序列进行分级处理。指标体系评价单元540采用预定评价方法对分级处理后的指标体系进行评价，并输出分级处理后的关键指标数据序列。

根据一种实施方式，预定评价方法为基于单个指标的直接横向比较法和基于权重打分的方法。具体请参考上文中的各个算法以及对应各个算法的实施例，此处不做过多解释。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。

如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。