基于云测度的电力营销状态评估及预警模型研究

卢美玲 姚文军 张凯伦 陈莽原

（1.国网温州供电公司 2.温州市瓯海电力实业有限公司）

基于云测度的电力营销状态评估及预警模型研究

卢美玲1 姚文军1 张凯伦1 陈莽原2

（1.国网温州供电公司 2.温州市瓯海电力实业有限公司）

为适应我国电网建设和电力体制改革，我国电力企业的营销模式也在寻求新的突破。面对新形势，电力企业面临的电力营销信息更为复杂，如何对日益复杂的营销信息进行有效处理，提高我国电力企业的营销水平和决策能力成为我国电力企业面临的主要问题之一。本文针对我国电力建设的现状，提出了以云测度的电力营销评估分析模式，并对此进行研究分析。

电力营销；云测度分析；预警模型；实例分析

0 引言

随着我国电网建设不断完善以及电力体制改革的不断深入，我国电力企业的营销模式也发生着显著的变化。首先是我国的电力供求关系已经发生转变，由以往的“供不应求”转变为现今的“增供扩销”模式；其次是电力企业的供电模式也逐渐转变，由以往的计划供电模式转为以社会需求度为主要准则进行供电生产。过去电力企业采取的电力营销模式分析方法无法在新的电力体制下对电力营销信息进行全面、准确、快速的分析，这对于电力企业及时制定合适的电力营销方案是不利的，本文将就目前电力行业的新形势对电力营销状态进行评估并对预警模式进行分析研究。

1 电力营销分析方法简述

首先，从电力营销的概念来看，电力营销是指电力企业通过对电力商品进行生产、输送、分配、销售以获取利润的过程。电力企业设定电力营销方案以满足客户并寻求最大利润，这就意味着电力营销方案包括收集市场、用户信息并对其进行准确地分析以满足广大客户的需求，增强其满意程度，并且指导电力企业的日常生产和营运以寻求电力企业经济效益的最大化并获得最大的社会效益。

其次，从电力营销的评估方法来看，我国采取的电力营销评估方法主要有以下几种：

1）模糊评判法：主要是对目标市场和供电企业营销状态进行评价。

2）物元模型：利用优度排序方法对目标市场进行选择、分析。

3）熵权法：从客户和企业自身的业绩两个角度对电力企业的电力营销进行分析。

对以上分析方法进行总结，不难看出以上分析方法都存在一定的局限性，模糊评判法虽然在对事物的认识上存在一定的优越性，但是，其忽略了隶属函数的不确定性，在一定程度上缺失了对评价对象的客观分析；而物元模型和熵权法，属于从数据的概率统计上对电力营销进行分析，又在一定程度上忽略了评价对象具有一定随机性的特征，对研究对象的描述有一定难度。

基于以上分析方法的局限性，我国相关研究者提出基于云模型对电力企业的电力营销进行评估分析。云模型基本涵盖了以上分析方法的优越性，既具有自然语言的模糊性特征，又兼具隶属函数的随机性。本文即在云测度基础上对企业电力营销状态进行评估。

2 电力营销状态评估预警因子体系的建立及评价

2.1 云模型的描述

自然语言中定性和定量概念之间具有模糊性和随机性，云模型则将这两种概念结合在一起形成映射，反映定量和定性概念间的关系。云模型的形式多样，本文采用的是正态云模型，具有普适性，是云模型中最重要的形式之一。对其描述如下：

云滴x表示定性概念和定量值的映射（映射具有不确定性），云用期望Ex是云滴x在论域内分布的期望，是最典型的概念量化样本；熵 En 表示定性概念的度量，表示云滴x的离散程度；超熵 He（熵的熵）是熵 En 的不确定性度量，反映云滴的凝聚程度。

其模型可表达为：云滴x满足以Ex为期望值， En'为方差的正态分布；En'满足以熵En为期望值，超熵He为方差的正态分布。

根据云模型的概念，需要设一个精确数值表示的论域，用U表示，U上对应的定性概念设为C，则云滴x可看作定性概念C中的一个随机出现，可称作定性概念C的隶属度，其在论域上的分布即是所谓的云。云滴的确定度公式可表达为：

2.2 云发生器的生成

云发生器按照算法的不同可以分为多种，本文着重介绍正向云发生器和逆向云发生器两种的生成过程。

首先，正向云发生器是通过输入云用期望、熵、超熵这三个定性概念，最终经过算法得到云滴的定量值和概念的确定度。其主要通过上述公式和云模型来确定和产生云滴，通过不断重复上述算法来产生N个云滴，从而生成云，实现定性概念和定量数值的转换。

而逆向云发生器则运用反向思维，首先确定了某一数值定域内的云滴样本，再通过相应算法产生云用期望、熵和超熵这三个定性概念。输入N个云滴，三个定性概念的算法可以通过以下公式生成。

2.3 电力营销状态评估预警因子体系

首先，简要介绍预警因子体系。本文主要基于5个层次设计电力营销评估预警体系，第一层主要是针对电力企业的综合营销的状态设计，属于预警因子体系的目标层；第二层和第三层是基于电力企业面临的风险因素（包括客户风险、环境因素、企业竞争力、供应风险等），属于准则层；第四层和第五层是基于具体因子组成。对于电力营销状态评估预警模型的评估“自底向上”，该模型对因子体系中含有子因子层的所有对象进行评估预警的流程是一致的。

对于云的评价，首先在预警因子等级上对电力营销状态进行划分可以分为七个等级，即极劣、劣、较劣、良、较优、优、极优。综合评估因子L在区间[0，1]上划分为(0,0.1] (0.1,0.2] (0.2,0.4] (0.4,0.6] (0.6,0.8] (0.8,0.9] (0.9,1]共7个级别； 其他各个因子分别按照各自的等级界限进行划分。其次，在上述的各个因子的等级界限中， 2～6级的区段，利用对称云模型来对评价集进行描述（前提是充分考虑边界随机性、模糊性并对其进行适度扩展）；至于第一级和第七级，则按照如下公式进行特征计算：

在将He 取常数的情况下，可利用上述方法计算电力营销竞争力综合状态及各因子评价云，例如：综合评估云L计算值为 (0 , 0.0083, 0.1) (0.15, 0.0167, 0.1) (0.3, 0.03, 0.1) (0.5, 0.03, 0.1) (0.7, 0.03, 0.1) (0.85, 0.0167, 0.1) (1, 0.0083, 0.1)。

接下来，可根据上述计算结果得出综合评价云发生器，输入综合评价云的相关数据即可得到相关云特征数值。对于多层级因子体系，可以根据分层原则及改进型层次分析法计算得到各层级因子权重，再自下而上根据相关权重值，最后用综合云重心向量赋权值之和减去理想状态下综合云重心值即可得到综合云测度。

最后，即可将综合云测度值输入综合云发生器，从而得到相关评价结果，此时可以利用综合云测度值作为评判依据，对结果在“良性”及“良性”以下的评判结果进行预警处理。预警方式可分为一级、二级和三级警报，一级警报属于发生重大事故或状况，需引起企业领导的高度重视并快速采取相应应急措施，二级警报属于中级警报，需要采取相应措施，三级警报属于一般警报，相关工作人员需要及时排查警报，采取相应措施。企业高层领导和企业基层工作人员对于预警系统要高度重视，其能够较为全面地反应电力企业的运营和生产状况，从而提示企业相关管理和营销人员对当前的电力营销状态进行适当地调整，确保电力企业能够获得良好的经济和社会效益。

3 算法实例分析

本文以电力企业下半年市场竞争力为例进行分析，简要描述电力营销状况，预警因子体系的评价和预警过程。

1)构建预警因子体系：市场竞争力A1；市场占有情况A11、销售状况A12、产品质量A13；市场占有率A111、市场占有率变化度A112、价格竞争力A113、售电量增长率A121、售电收入增长率A122、销售利润率A123、线损达标率A131、频率合格率A132、电压合格率A133。

2）收集各主要因子的原始数据：

A11（7～12月）82.38、78.46、66.15、68.62、76.91、80.53；

A112（7～12月 ）5.16、4.96、3.87、4.02、4.01、5.22；

A113（7～12月 ）0.78、0.86、1.14、1.15、0.99、1.02；

A12（7～12月 ）19.79、12.89、2.28、5.54、8.17、6.98；

选择我院2016年1月-2016年12月共计100名呼吸内科重症患者。其中,男性50人,女性50人,平均年龄54±12.5岁,观察组一共50人,男性27例,女性23例,平均年龄54±3.2岁,疾病类型支气管扩张患者21例,肺癌患者18例,慢性阻塞性肺炎患者5例,其他类型疾病6例。对照组共50人,其中男性26人,女性24人,年龄56±5.1岁。支气管扩张患者20例,肺癌患者19例,慢性阻塞性肺炎6例,其他类型疾病5例。排除标准:1.已死亡;2.转院治疗;3.拒绝进行护理和后期治疗。[2]两组患者在年龄,病症类型,性别等的方面没有显著地差异,(P>0.05)不具有统计学意义。

A122（7～12月 ）2.27、5.65、1.05、2.02、7.64、9.98；

A123（7～12月）高、较高、一般、较低、较低、一般；

A131（7～12月 ）109.8、112.5、100.3、99.2、96.5、95.4；

A132（7～12月）93.21、92.11、97.06、99.67、99.82、98.16；

A133（7～12月）96.12、96.71、97.43、98.98、99.17、99.16；

对于定性因子，直接根据评价云进行评价，对于定量因子先用极大关联度得到其定性评价，再对其进行评价。

A111（7～12月）极优、优、优、优、优、极优；

A112（7～12月）优、优、优、优、劣、极劣；

A121（7～12月）极优、极优、极劣、较优、极优、极优；

A122（7～12月）极优、极优、极劣、优、极优、极优；

A123（7～12月）优、较优、良、较劣、较劣、良；

A131（7～12月）良、良、良、较优、 较优、劣；

A132（7～12月）劣、极劣、较优、优、优 、较优；

A133（7～12月）较劣、劣、劣、较优、 较优、较优；

自下而上计算权重值：A11 0.217、A12 0.372、A13 0.187；A21 0.164、A22 0.153、A23 0.202；A1310.142、A132 0.429、A133 0.429

根据权重值和归一化值的计算结果，可计算得出综合云测度值，最后将综合云测度值输入综合评价云发生器，可得到最终的评判结果，本次案例评判结果为优。

4 结束语

我国的电力行业随着社会的发展也在做着相应的体制调整，电力行业从计划供电到按需供电，相关电力企业的电力营销模式也要做相应的调整以适应当前的形势。基于云测度的电力营销状态评价及预警方法可以很好地弥补传统的电力营销状态评估方法，其兼具模糊二重性和随机性，具有较高的优越性，是目前电力营销状态评估模型中较为优越的方法。本文即针对基于云测度的电力营销状态评估和预警模型方式进行简单论述，提出了云模型，对相关参数的算法进行了简要描述并建立了简单的预警体系，以论述基于云测度的预警体系的过程，以期对云测度为基础的电力营销评估模式有更深的了解，促进电力企业的发展。

[1]吴杨,刘俊勇. 基于云测度的电力营销状态评估及预警模型研究[J]. 电力系统保护与控制,2013(1)61-69.

[2]杜晓茜. 电力公司营销安全风险评价与管理体系研究[D].北京：华北电力大学,2012.

[3]王琦,王永滨,曹轶臻.基于云模型的电力生产管理软件可信评估方法[J].计算机应用与软件,2012,29(7)：33-45.

2015-10-10）