基于改进TOPSIS灰色关联投影法的优质电力量化评价

唐 润， 田京京， 马永翔*

(1.陕西理工大学 电气工程学院， 陕西 汉中 723000； 2.陕西理工大学 数学与计算机科学学院， 陕西 汉中 723000)

2015年3月《关于进一步深化电力体制改革的若干意见》颁布实施后，电力市场受到售电侧改革的影响逐渐市场化、供需方选择多样化、市场机制丰富化[1]。供电市场改革意在构建一个自由竞争的售电市场，有利于促进市场效率的提高和合理配置资源[2]。售电侧改革赋予的售电主体自主选择权给电力市场带来了前所未有的竞争压力，社会经济的高速发展促使电力用户对供电侧的服务质量要求提高，售电服务应当积极增强用户体验，创新服务模式，将多元化理念融入到业务与服务中[3]。因此，建立系统全面、客观准确的优质电力评价体系，可为售电公司针对用户的相关需求制定对应的服务策略，以及提高相关服务质量提供理论依据，从而促进售电侧改革，优化国内电力资源配置，形成多元化电力市场体系。

优质电力是优质电能与优质电力服务的统称[4]。根据国内市场售电的经验，用户在选择售电公司时，不仅仅在意电能质量和购电价格，同时还会考虑购电合同、服务便利性、维修成本等基本服务[5]。因此，电能质量的高低不能完全衡量是否为优质电力，还要考虑用电成本、维修成本、相关服务和用户感受等诸多因素。目前在优质电力的研究方面处于摸索阶段，研究的内容大多都停留在技术层面，注重电能质量的优质判断，例如电力园区划分供电电力质量等级[6]、电源市场化优化配置[7]、电力园区优质供电方案等[8]。而关于优质电力量化方法仅停留在传统的层次分析法[9]和熵权法[10]，鲜有文献对售电主体服务体系作用进行研究，或者未建立全面的电力评价指标体系。

1 优质电力评价体系的建立

科学的电力评价体系是电力营销部门制定决策的重要依据。现有的优质电力评价体系主要从用电质量、用电服务两个维度进行评价，但是在售电侧改革后，基本服务也将成为需求侧购电用户选择售电公司的依据之一。为此，本文在现有的优质电力评价体系基础上加入基本服务这一评价维度，由用电质量、用电成本和基本服务3个维度，10个评价指标构成了售电侧改革下的优质电力评价体系。

1.1 用电质量

供电可靠性一般指电网持续供电的能力[11]，同时也指电力系统在设备故障发生时，减少故障设备供应用户用电障碍并让电力系统继续保持稳定安全运行的能力。供电可靠性作为电力系统评判电能质量优劣的重要指标，直接影响电力用户的经济利益与用电感受[12]。增益价值是站在购电用户利益的角度考虑的重要因素，越高的增益价值越能带来购电用户更高的满意度与购买意愿。绿色电力需求是购电用户对于清洁能源的需求。越来越多的企业积极响应政府号召，在追求经济利益的同时更加注意环境效益与社会效益。因此，本文将供电可靠性、优质电力增益价值、绿色电力需求作为评价指标。

1.2 用电成本

随着售电侧改革，购电用户除考虑电能质量外，价格也将是各售电公司竞争的核心。调度员采用中断负荷的方法保证电力系统的安全稳定运行，将对用电方带来较大损失，因此需要通过签订可中断负荷合同来补偿用户损失。尽管优质电力有着科学的管理系统和安全稳定的运行系统，但是不能排除由于一些不可抗拒因素造成的电力事故[13]。此时将事故风险率和经济损失预估值考虑到用电成本中变得尤为重要。因此，将优质电力平均用电价格、可中断负荷补偿价格、故障损失期望作为评价指标。

1.3 基本服务

合同内容的合理、简洁、易懂，合同结构的灵活多样是保障购电用户需求的前提。清晰合理的合同有利于供需双方减少争端。无论多么优质的管理系统和电能质量也无法完全杜绝不可抗拒因素和个体差异。良好的投诉和反馈系统是购电用户维护自身权利的关键[14]。除此之外合理的营业厅数量和人员配置将极大地方便购电用户。因此，将合同结构、电能计量、用户管理服务、营业厅服务作为评价指标。优质电力指标体系的建立如表1所示。

表1 优质电力指标体系

2 改进的TOPSIS灰色关联投影法

TOPSIS灰色关联投影法结合了逼近理想解排序法(Technique for Order Preference by Similarity to an Ideal Solution,TOPSIS)与灰色关联投影法的优点，具有高灵敏、高准确的特点[15]。但在指标权重确定方面仍存在缺陷，易在评价样本数量发生变化时出现逆序及指标间相关性造成误判的现象。故在构建优质电力评价体系后，本文采用改进的TOPSIS灰色关联投影法对优质电力园区进行研究。

2.1 确定指标权重

如何确定指标的权重是评价模型的关键与核心，权重的大小直接影响评价结果与评价体系的准确性。为减少单一使用主观赋权(G1法)或客观赋权(熵权法、变异系数法)造成的科学性和准确性不足以及评价效果不够客观公正的缺点。本文采用最优组合赋权法等多种主客观方法[16-19]进行赋权。

2.2 改进的TOPSIS灰色关联投影法步骤

2.2.1 数据预处理

为了避免数据中正负指标和量纲影响评价结果，需要对指标数据进行预处理。首先建立样本指标矩阵：

(1)

其中m为样本数量，n为指标数量。yij为第i个样本的第j个指标，Yi为第i个样本指标向量,Yi=(yi1,yi2,…,yin)(i=1,2,…,m)。评价指标有两类：一种是效益指标(正向指标)，指标越大越好；另一种是成本指标(负向指标)，指标越小越好。为了方便计算，下一步需要将指标进行同向化与去量纲化。采用式(2)进行同向化处理：

(2)

其中y′为正向指标矩阵Y′中的元素，max|Y′|表示第i个样本在第j个指标中的最大值，k一般取值为0.1。

要想全面提升我国生态林业建设效率，就要将全新的科学技术传授给林业工作人员，不断优化林业生产手段，将林业的相关科技成果与林业实践工作进行有机整合，只有这样才能凸显出林业技术的真正价值。要想达到上述要求目标，就要求林业工作人员全面提升林业技术推广工作，积极参与林业生产，将林业技术更好地应用于生态林业建设，从而发挥林业技术的真正作用。

采用公式(3)对Y′进行无量纲化处理可以得到标准指标矩阵Y″，y″为其中的元素：

(3)

2.2.2 改进TOPSIS

为了防止传统的TOPSIS方法造成在增减评价样本后，正负理想样本可能发生变化，导致评价结果失去准确性的现象出现。使用改进的TOPSIS方法，即通过设置绝对正负理想样本使得正负理想样本不随样本量的变化而改变。由于标准化处理后的指标矩阵，其元素均为正向指标且范围在0～1之间。因此可以将绝对正负理想样本设置为

(4)

其中B+为绝对正理想样本，B-为绝对负理想样本。

2.2.3 灰色关联投影法的改进

传统的灰色投影法是通过计算出样本与理想样本之间夹角余弦值来判断两者间的相似度，其余弦值越大表明样本越靠近理想样本。但是余弦值很难区分出样本在各类指标上的差异，还会存在余弦相似度在数值发生变化时反映不灵敏造成结果误判的缺陷。针对该缺陷本文引入加权马氏距离来反映样本与理想样本间接近度，详细方法如下：

①正、负关联矩阵的计算

(5)

②计算加权马氏距离

(6)

③计算样本的评价得分和灵敏度

样本距离正理想样本距离越近越好，反之样本距离负理想样本越近越差。利用公式(7)可以计算出样本的相抵接近程度，从而获得评价得分:

(7)

在评价得分中可以体现出评价体系的灵敏度。样本最优得分与最劣得分之间的差距越大，说明灵敏度η越大，评价体系对样本的区分度也就越大。灵敏度η计算方式为

(8)

3 算例分析

为了验证本文所建立的评价模型的可行性和正确性，选取了某地区5个电力园区进行调研和评价。具体步骤：数据预处理→计算G1法、熵权法、变异系数法权值→得出最优组合赋权法的最终权值→计算正、负关联矩阵→求加权马氏距离→计算样本的评价得分和灵敏度。

3.1 权重的计算结果

根据G1法、熵权法以及变异系数法等赋权方法，分别计算出其对应的权重值，如表2所示。

表2 各方法指标权重

将表2得到的3种权重结果代入公式(9)计算得出最优组合赋权法的最终权值：

(9)

使用最优组合赋权法确定最终的权值，如表3所示。

表3 指标最终权重

3.2 改进的TOPSIS灰色关联投影法评价过程

原始数据矩阵经过正向化、去量纲化后得到的标准评价矩阵为

通过式(5)计算得出正、负关联矩阵R+和R-分别为

标准矩阵中的行代表5个电力园区，列代表优质电力指标体系因素层的10个因素。由式(6)可以计算出5个电力园区样本到正、负理想样本的加权马氏距离。再通过式(7)进一步得出最后的评价得分，如表4所示。

表4 各样本加权马氏距离及评分

从最后的得分结果可以看出电力园区2的评价结果最优，而电力园区5的评价结果最差。通过式(8)可以计算出改进的TOPSIS灰色关联投影法的灵敏度为69.8%，原TOPSIS灰色关联投影法的灵敏度为56.7%。可见改进的TOPSIS灰色关联投影法在灵敏度上有较大的提升。

4 结论

在电力市场发展和优质电力需求不断增加的背景下，针对如何准确、全面地评价某区域的优质电力，建立了优质电力评价体系。从购电用户和售电公司的诉求和利益出发，依托专家意见与用户调研，兼顾了主观权重与客观权重，基于改进的TOPSIS灰色关联投影法得到了优质电力的评价结果。根据实际算例验证，得出以下结论：

本文采用的基于改进的TOPSIS灰色关联投影法的评价体系能够全面、系统、准确地反映出购电用户的需求和售电公司的服务方向，为售电公司找准服务重点、制定个性化营销策略、了解用户购电接受范围、预估用户购电意愿提供了方便。通过最优组合赋权法，综合G1法、熵权法和变异系数法，兼顾了主观和客观因素。利用构造绝对正、负理想样本，避免了传统TOPSIS法增减样本时可能出现的逆序问题，也大大提高了灵敏度。计算样本与正、负理想样本间的相对距离时使用了马氏加权距离，提高了评价结果的准确性。