摘要：建立完善的售電公司信用評價體系，有助于規范電力市場交易、提高電力市場的機制建設和行業管理水平。將核主成分分析法和物元可拓理論相結合，構建 KPCA-MEE 售電公司信用評價模型。在所設計的售電公司信用評價指標體系基礎上，采用核主成分分析法實現指標體系降維并確定指標權重，可有效避免主成分分析法中因各指標貢獻率過度分散而影響評價效果的弊端。然后應用物元可拓理論對售電公司進行信用等級評價，解決評價對象的模糊性、不確定性問題，為等級評價提供可靠依據。基于4家售電公司的運營數據進行算例分析，計算結果證明該模型的有效性和合理性。

關鍵詞：電力市場;信用評價;核主成分分析;物元可拓;售電公司

0 引言

隨著中國電力體制改革的加速推進，電力市場化競爭逐步加劇，出現了售電公司這類新型電力市場主體。目前國內尚無對售電公司信用進行科學評價的方法，建立完善的售電公司信用評價體系，能夠為電力用戶選擇售電公司提供標準;

確保輸供電平衡、激發售電公司提升自身的售電服務水平;在規范電力市場交易、維護電力市場穩定性等方面具有積極意義;能夠提高電力市場的機制建設和行業管理水平。因此，亟須構建科學合理的售電公司信用評價體系。

目前，國內電力市場主體信用評價的研究對象主要是電力用戶 [1-2] ，尚無針對售電公司的信用評價研究，但評價模型是通用的，可以通過其他主體信用評價指標和方法，進而構建售電公司信用評價模型。現行的主要評價方法有模糊綜合評價 [3] 、理想解法 [4] 等，但上述方法無法解決評價信息重復或計算過程復雜等問題，物元可拓 (matter-element extension, MEE) 理論能夠兼顧不確定性和模糊性，又能體現出評價指標對兩級級別的差異及統一級別內部的不同狀態，已經應用到了產品質量評價 [5] 和產業安全評價 [6] 等領域，并取得較好的評價效果。因此，本文嘗試將物元可拓評價方法運用到售電公司信用評價研究中，但售電公司信用評價指標之間存在多重相關性，冗余指標數據會損害模型的仿真能力，直接運用物元可拓模型開展售電公司信用評價會產生一定誤差，因此，需要使用一種特征提取方法以準確提取變量間的重要信息特征。同時，原始數據中存在非線性屬性，采用傳統特征提取方法可能會出現較大偏差，核主成分分析 (kernel principal componentanalysis，KPCA) 是一種非線性主成分評價模型，能更有效地處理變量間的非線性關系，廣泛應用于特征提取研究 [7] ，因此，本文將 KPCA 和 MEE相結合對售電公司進行信用評價。

本文設計售電公司信用評價指標體系和指標分級標準;構建 KPCA-MEE 售電公司信用綜合評價模型，利用核主成分分析法實現指標降維，并應用 MEE 模型完成售電公司信用評價。以 4 家售電公司為案例進行算例分析，驗證 KPCA-MEE 售電公司信用綜合評價模型的有效性。

1 售電公司信用評價指標體系設計

1.1 售電公司信用評價指標體系

建立售電公司信用評價模型的首要環節是構建科學合理的信用評價指標體系，通過監測和分析相關指標反映售電公司的信用情況。根據《售電企業及電力大用戶信用評價指標體系(試行)》，以如下原則構建售電公司信用評價指標體系。

(1)科學性原則：選取的指標能夠通過觀察、統計、評議等方式得到明確的定性或定量結論 [8] 。

(2)系統性原則：指標體系要盡可能涵蓋售電公司信用情況的特征，并形成系統，指標既要有相關性、層次性，也要有整體性，要能夠全面地評價售電公司的信用情況。

(3)定性與定量相結合的原則：售電公司的信用評價指標體系需要根據不同評價內容的特點采用不同性質的評價指標，能更準確地反映電力客戶信用的現狀和趨勢。

(4)簡約性原則：體現售電公司的守信能力與意愿的內容十分繁雜，為保證評價體系的有效性，指標應具有高概括力，從而反映最重要的特征 [9] 。

依據上述原則和行業試行標準，確定售電公司信用評價指標體系，如表 1 所示。其中，一級指標包含基本條件、守信能力、守信意愿、守信表現、財務狀況、信用記錄 6 項。該指標體系利用 17 個二級指標 [10-11] 和 28 個三級指標合理地體現售電公司的技術水平、經濟水平、守信水平，對企業信用評價具有重要影響的因素。

1.2 指標分級標準

根據各指標值的歷史數據和專家意見，對各個指標進行信用等級劃分及取值范圍規定。售電公司信用評價指標分級標準如表 2 所示，其中基礎信息、企業資質、基礎管理、產品品牌指標、營銷能力、設備技術能力、信用管理、制度規范、交易管理、合同履行、電力調度管理的三級指標(除交易電量、設備完好率外)均由德爾菲法決定：定性指標采用 50 分制和百分制，0 分為條件最差，根據行業專家打分情況取均值，作為

定性指標的最終指標值。

2 售電公司信用綜合評價模型

2.1 核主成分分析法

核主成分分析是一種非線性主成分評價模型，可有效地處理變量間的非線性關系，廣泛應用于多指標的綜合評價中 [12-13] ，相比主成分分析能夠取得更合理的指標約簡結果。該方法可以將大量指標變量中包含的信息壓縮為少數能反映原有信息特征的綜合變量指標，通過對綜合變量指標的分析，處理變量之間的非線性關系，同時保證原有數據信息量的丟失達到最小化 [14] ，其基本步驟如下。

之后可以運用傳統主成分分析中提取主成分的方法計算某一數據點在特征向量上的投影，最終求出該點的核主成分。

2.2 物元可拓模型

物元可拓模型是通過建立目的物元、條件物元、對象物元和關系元，利用物元可拓集和關聯函數定量分析矛盾問題的方法，其理論基礎是把評價指標體系及其特征值作為物元，利用評價級別和實際數據來表示經典域、節域，并計算出關聯度，最終形成定量的綜合評價方法 [15] 。該方法由于能夠有效抓住關鍵策略，最大限度地滿足主系統、將不相容的矛盾轉化為相容關系，從而實現全局性最佳決策目標，被廣泛應用于評價領域 [16-18] ，且評價性能表現良好。模型具體計算步驟如下。

(1)確定同征物元體和物元矩陣。物元 R 是以事物 、特征 及事物關于該特征的量值所組成的三元組，記作

售電公司信用評價模型中售電公司的信用情況代表物元 [19] 。若一個事物U需要n個特征

其相應的量值用

來描述，則為n維物元，可用物元矩陣為

2.3 構建 KPCA-MEE 售電公司信用評價模型

K P C A - M E E 模 型 利 用 核 主 成 分 分 析 法(KPCA)對指標進行降維，并應用 MEE 模型分析售電公司信用水平。應用該模型評價售電公司信用的流程如圖 1 所示。

3 算例分析

3.1 KPCA 分析

(1)樣本數據采集。以 4 家售電公司(分別為 ZG 電氣、HR 電力、Y 電力、NMH 電)經處理后的運營數據為樣本進行算例實證分析，應用上文所構建的售電公司信用評價指標體系，采用KPCA-MEE 模型進行綜合評價。為保證模型適用性，樣本企業中包含了獨立的售電公司、由發電集團企業內部組建的售電公司等多種不同性質的售電公司。具體數據如表 3 所示。

(2)該售電公司的信用評價指標體系中，部分指標值越小代表風險越小，部分指標越大代表信用水平越低，為排除各個評價指標值量綱和數量級的不同對結果造成的影響，首先需要對售電公司各信用評價指標和評價的等級標準數據進行預處理。

(3)選取多項式為本試驗的核函數，取值為 s=0.000 015，m = 0.03，d = 3，則

價，同時 4 個主元所對應的貢獻率經數據歸一化處理后即為 KPCA-MEE 評價模型中所應用的指標權重(0.574 754 53，0.256 402 47，0.106 286 061，0.062 556 939)。

3.2 MEE 物元可拓評價

利用通過 KPCA 法所得的綜合指標及其權重，將處理后數據代入 MEE 評價模型中，計算關聯度結果如表 5 所示。

通過表 5 可以看出，ZG 電氣的信用水平對Ⅱ級的隸屬度高，為 0.091 465 594;HR 電力和Y 電力的信用水平對Ⅰ級的隸屬度高，分別為0.117 890 455 和 0.111 574 501;NMH 電的信用水平對Ⅳ級的隸屬度高，為 0.062 435 975。因此，4 個樣本售電公司中，NMH 電的信用等級最高，信用水平屬于Ⅳ級;HR 電力和 Y 電力的信用評級最低，都屬于Ⅰ級;ZG 電氣雖然擁有最大年售電量，但綜合考慮 ZG 電氣的市場交易行為表現，其信用水平并沒有被單一地評判為高級，而是處于Ⅱ級，屬于中下游水平。

該算例可證明，本文所構建的模型不僅考慮了供電規模，更兼顧了供電可靠性、安全性等方面，能夠較為準確合理地評價市場上各售電公司的信用等級，具有較高的準確性和客觀性，對購電主體選擇交易對象具有較大的參考價值。同時可以進一步說明經過 KPCA 處理指標之后進行MEE 信用評價，能夠有效剔除冗雜信息并得到科學合理的評價結果，提升評價的準確性和客觀性。

4 結語

本文將核主成分分析法和物元可拓模型結合起來，構建了 KPCA-MEE 售電公司綜合信用評價模型，實現優化售電公司信用評價指標體系、客觀合理地評價售電公司信用水平的目標。并應用模型對 4 家售電公司的信用水平進行評價，KPCA-MEE 售電公司綜合信用評價模型所得結果與現實情況一致，說明該模型具有較高的可靠性和合理性，可以為電力市場針對售電公司的選擇決策提供依據，在一定程度上維護電力市場穩定平衡。

參考文獻：

趙琳, 張富春, 董興華, 等. 大電力客戶信用綜合評價體系研究[J].

電力科學與工程, 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, 陳曉盛, 等. 基于 BP 神經網絡電力大客戶信用等級評價研究[J]. 電力需求側管理, 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, 孫艷復, 康俊杰. 基于熵權法與改進 TOPSIS 法的電力企業競爭力評價[J]. 華北電力大學學報 (自然科學版), 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]張勇剛, 張學偉, 高遠,等. 物元可拓法在烤煙感官質量評價中的應用[J]. 西北農業學報, 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]李向東, 李南. 基于物元可拓分析的高新技術產業安全研究[J]. 科學學與科學技術管理, 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]牛東曉, 馬天男, 王海潮,等. 基于 KPCA 和 NSGAⅡ優化 CNN 參數的電動汽車充電站短期負荷預測[J]. 電力建設, 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]彭張林, 張愛萍, 王素鳳,等. 綜合評價指標體系的設計原則與構建流程[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, 吳吉義, 章劍林,等. 電子商務環境下中小企業信用評價[J]. 系統工程理論與實踐, 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. 創業板上市公司基于新指標視角的發展能力評價模型及應用研究[J]. 工業技術經濟, 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.鄭和忠, 魏長江, 王樹華. 基于主成分分析和核主成分分析的地震屬性優化的研究[J]. 青島大學學報 (自然科學版), 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]呂蔚,王新峰, 孫智信. 基于核主成分分析的高校科技創新能力評價研究[J]. 國防科技大學學報, 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, 耿國華. KPCA 方法過程研究與應用[J]. 計算機工程與應用, 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]李義超, 廖枝靈, 杜易成. 基于物元可拓模型的地方政府信用風險評估及對策[J]. 經濟經緯, 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]何玉鈞, 劉毅, 周生平. 基于物元可拓模型的電力通信網風險評估[J]. 電力系統保護與控制, 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]張晶晶,馬傳明,匡恒,等. 青島市土壤重金屬污染的物元可拓評價[J]. 中國環境科學, 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國地方政府融資平臺風險研究[J].

經濟理論與經濟管理, 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.