王　旭，黄俊辉，谈　健，韩　俊，顾文琦，韩　旭

（1.国网江苏省电力公司，南京　210000；2.国网江苏省电力公司经济技术研究院，南京　210000；3.华北电力大学经济与管理学院，北京　102206）

国际电网评价关键指标“一流水平”量化评估

王旭1，黄俊辉2，谈健2，韩俊2，顾文琦3，韩旭3

（1.国网江苏省电力公司，南京210000；2.国网江苏省电力公司经济技术研究院，南京210000；3.华北电力大学经济与管理学院，北京102206）

为了对电网评价关键指标进行量化评估和确定国际电网“一流水平”区间，该文选取国际通用、可综合反映电网整体发展与运营管理水平的8项关键指标，构建世界范围内的关键指标数据库；分别通过五分位法、最优分割法以及K-means聚类法3种不同数据分析方法对每项关键指标进行量化评估，根据不同“一流水平”区间划分结果，分析不同方法评估不同类型指标的优劣性，结合实际情况，确定每项关键指标的一流水平，为电网评估提供参考借鉴。

关键指标；数据库；一流水平；量化评估

随着社会经济的发展和技术装备的进步，电网功能逐步体现丰富化、多样化，社会对电网服务的要求也越来越高，不仅直接服务于用户、发电商，与地方政府、监管方关系密切，同时也需适应能源资源环境变化、促进生态环境优化。

目前对标管理大多只选取欧美少数几个发达国家进行综合比较，样本数据少，很多指标难以代表国际先进水平，对标结果对电网运营专业绩效的提升意义不强。因此，选取国际通用电网评价关键指标[1]，在国际整体样本库的基础上进行数据分级处理，量化评估的电网评价关键指标“一流水平”区间将更具代表性和针对性，对各专业部门紧扣指标开展诊断分析，制定指标提升举措更具现实意义。

纵观其他领域，应用数据分级的研究范围和成果主要包括以下两方面。一方面，聚类分析理论是目前数据分级研究和应用的重点，Fisher[2]提出的最优分割法作为有序数列分级方法之一，多被应用于机床热关键点分析[3]、河流流域汛期分期[4]等领域；MacQueen提出了K-means算法[5]，总结了Cox[6]、Fisher[2]、Sebestyen[7]等的研究成果，给出了K-means算法的详细步骤，并用数学方法进行了证明；Hartigan[8]对聚类算法进行了系统的论述。另一方面，对于数据分级的指标无量纲化处理，众多学者提出了不同方法。现实应用中，定量型的指标通常分为效益型、成本型、固定型、区间型和偏离型5类[9]。文献[10]将线性比例变换方法和极差变换方法结]合，提出了新的指标无量纲化处理方法。文献[11]在此基础上分析了指标一致化与无量纲化对线性综合评价结果的影响。文献[12]分析发现采用极差变换法计算的数值要小于比例法，相对差值达64.44%。

本文首先根据国际先进电网评价体系构建情况选取8项电网评价关键指标，并将指标分为正向型、逆向型与适中型，采用极差变换法来进行指标无量纲化处理并分别选用最优分割法、五分位法以及K-Means法进行量化评估，分析不同方法评估不同类型指标的优劣性，结合实际情况，确定每项关键指标的“一流水平”。

1　电网评价关键指标的选取

通过调研比较和实施效果评估，较有代表性的电网评价体系包括欧盟供电质量评价体系、美国GMI评价体系、韩国可持续经营管理体系等。对国际先进电网评价体系的指标构建层次梳理及统计发现，各国在经济发展水平、发电装机、电源结构等方面情况各不相同，但评价体系构建主要包含“不限电、少停电、用好电”3个维度，相关维度的释义与指标划分如图1所示。“不限电”是一流电网供应最基本的要求，即电力资源充裕，网架结构坚强，运行安全稳定；“少停电”是对一流电网可靠性、经济运营的主要目标，要求优化电网结构、科学调度和运维，提高供电的可靠性；“用好电”是电力公司乃至整个电力行业真正的社会责任，需要支持新能源发展，及时完成清洁能源入网项目规划及建设工作，提升电网对清洁能源的接纳能力。

综上所述，本文从“不限电”、“少停电”、“用好电”3个维度出发，选取国际通用、社会公众关注度较高、较为宏观和综合反映电网整体发展与运营管理水平、目标导向性较强的8项关键指标作为量化评估对象。同时根据指标特性，将8项关键指标分为正向型（指标越大越好）、适中型（指标在某个区间内最优）和逆向型（指标越小越好）。

图1　关键指标体系诠释Fig.1　Interpretation diagram of key indicators system

2　评估方法概述

本文应用五分位法、最优分割法以及K-means聚类法分别对8项关键指标进行量化评估。

2.1基于五分位法的关键指标“一流水平”量化评估

首先以极差变换法对指标进行无量纲化处理，然后在指标样本充足的情况下（10个以上），符合正态分布的，取五分级中的最优段分级值作为“一流水平”的基准，5段区间分界点分别为为指标标准差）。

五分位法计算流程如图2所示。

进而进行正态性检验，如表1所示，A、B、C、D 和E段分别为前文中的5个区间。

不符合正态分布的指标，依据标准正态分布的样本分位比例按16%、37%、63%、84%分别设置4个分位数，以排列在前16%内样本的值作为“一流水平”基准。

2.2基于最优分割法的关键指标“一流水平”量化

评估

最优分割法通过级间指标误差最小化来尽可能合理划分级内指标，主要围绕指标间的距离展开，该方法的具体计算过程如图3所示。在确定不同级数的区间后，最优分割法以损失函数来确定具体的指标划分级数。损失函数为

表1　正态分布检验表Tab.1　Normality Test table

式中：it表示第t个级的第一个指标数据；it+1-1表示第t+1个级的第1个数据的前一个数据；也就是第t个级的最后一个数据；D(it,it+1-1)表示第t个去区间的级内损失；L[b(n,k)]表示将n个数据分为k个级别后的级内损失之和。

此时可作L[b(n,k)]随k变化的趋势图，观察相应的拐点，此拐点则是在n已知的情形下使得L[b(n,k)]最小化的k值。

图3　最优分割法计算流程Fig.3　Flow chart of optimum partition method

2.3基于K-Means聚类法的关键指标“一流水平”量化评估模型

K-means法是典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。

具体步骤如图4所示。

图4　K-Means法计算流程Fig.4　Flow chart of K-Means method

选取欧氏距离确定每个指标与质心间的距离，由于电网评价指标均为一维指标，因此距离为两者之间差的绝对值，相关定义为

式中：xi为第i个指标；yj为第 j个质心；M为指标个数；K为质心个数。

3　算例分析

3.1样本数据

如表2所示，根据数据挖掘的最近年份可取原则，基于8项电网评价关键指标的样本数据库覆盖世界各洲的33个国家，具有全面性和代表性。

3.2算例结果展示

应用五分位法计算时，对数据进行正态分布性检验后决定其划分依据；最优分割法计算过程中需要通过损失函数图的拐点来确定最优分级数，从而选择最优分级数下的一流区间作为该方法的最终计算结果；为了方便进行比较，K-Means法的分级数均定义为5级。其流程如图4所示。

在选用以上3种方法进行量化评估后，通过进一步分析研究，在确定最终“一流水平”量化评估区间过程中考虑以下情形。

（1）由于最优分割法在计算过程中重点考虑了指标级间距离，因此在进行一流区间量化的过程中会受到样本中偏离均值较大的数据干扰，出现一流区间范围过大的现象，例如系统平均停电时间与系统平均停电次数中的南非、巴西等国的数据。而五分位法相对可以较好地避免上述情形。因此，五分位法相对适合量化数据分布散乱、数值差距明显的指标。

（2）K-Means法在划分一流区间的过程中，采用质心聚类的思想，处理适中型指标时，一定程度上均衡了指标数值与分布状态对分类所造成的影响，因此得出的“一流水平”量化区间相对于另两种方法相对更精确。

（3）对于系统供缺电量（ENS）指标，五分位法量化的一流区间内的国家为瑞典、捷克、匈牙利，K-Means法量化的一流区间国家是瑞典、捷克、匈牙利语葡萄牙和波兰，而葡萄牙与捷克之间的欧式距离较大，则选取五分位法作为一流区间量化评估方法较为合理。

（4）对于清洁能源占比指标，最优分割法与KMeans法量化区间范围较为接近，考虑到挪威和巴西国情相同，均是水电发展较为突出且远远超出其他国家，因此认为最优分割法量化结果较为合理。

最终，综合考虑3种不同量化方法的优劣性、不同分级区间的数值差距以及各国的实际情况，确定8项电网评级关键指标的国际“一流水平”区间及对应国家如表3所示。

表2　各国电网关键指标数据Tab.2　key indicator data of each state grid

表3　关键指标一流水平区间及相应的国家Tab.3‘World-Class’of key indicators and corresponding countries

4　结语

本文选取了8项电网评价关键指标，并分别采用五分位法、最优分割法和K-Means法对其进行“一流水平”量化评估，通过比较分析3种方法的适合情形，针对8项指标分别确定了相对合理量化方法。对比评估结果及各国电网运营现状，本文量化评估的“一流水平”区间符合国际现实情况，具有一定代表意义，可作为有关部门借鉴提升的依据。另外，由于各国电网运行绩效影响因素较多，仅通过关键指标量化比较很难客观地体现各国的实际差距。结合电网实际运行背景，针对每项指标提出特定的评估和考核方法还有待进一步研究。

[1]赵川，叶华，梁铃，等（Zhao Chuan，Ye Hua，Liang Ling，et al）.电网调度运行关键绩效指标（KPI）的构建方法（Construction method of key performance indicators （KPI）of dispatching operation）[J].电力系统及其自动化学报（Proceedings of the CSU-EPSA），2015，27（5）：97-102.

[2]Fisher W D.On grouping for maximum homogeneity[J]. Journal of the American Statistical Association，1958，53 （284）：789-798.

[3]高峰，刘江，杨新刚，等（Gao Feng，Liu Jiang，Yang Xin⁃gang，et al）.基于Fisher最优分割法的机床热关键点优化研究（Study on optimization of thermal key points for machine tools based on Fisher optimal segmentation method）[J].仪器仪表学报（Chinese Journal of Scientif⁃ic Instrument），2013，34（5）：1070-1075.

[4]肖聪，顾圣平，崔巍，等（Xiao Cong，Gu Shengping，Cui Wei，et al）.Fisher最优分割法在李仙江流域汛期分期中的应用（Applications of Fisher optimum partition method in division of flood season Lixianjiang basin）[J].水电能源科学（Water Resources and Power），2014，32 （3）：70-74.

[5]Macqueen J.Some methods for classification and analysis of multivariate observations[C]//Fifth Berkeley Sympo⁃sium on Mathematical Statistics and Probability，The Re⁃gents of the University of California，1967：281-297.

[6]Cox D R.Note on Grouping[J].Journal of the American Statistical Association，1957，52（280）：543-547．

[7]Sebestyen G S.Decision-making Processes in Pattern Recognition[M].New York：Macmillan，1962.

[8]Hartigan J A.Clustering Algorithms[M].NewYork：John Wiley＆SonsInc.，1975．

[9] 刘树林，邱菀华（Liu Shulin，Qiu Wanhua）.多属性决策基础理论研究（Studies on the basic theories for MADM）[J].系统工程理论与实践（Systems Engineering-Theory &Practice），1998，18（1）：38-43.

[10]焦立新（Jiao Lixin）.评价指标标准化处理方法的探讨（On methods of standardization management of index）[J].安徽农业技术师范学院学报（Journal of Anhui Agro⁃technical Teachers College），1999，13（3）：7-10.

[11]张立军，袁能文（Zhang Lijun，Yuan Nengwen）.线性综合评价模型中指标标准化方法的比较与选择（Com⁃parison and selection of index standardization methods in linear comprehensive evaluation model）[J].统计与信息论坛（Statistics&Information Forum），2010，25（8）：10-15.

[12]俞立平，武夷山（Yuan Liping，Wu Yishan）.科技评价中标准化方法对评价结果的影响研究（Study on influ⁃ence of data standardization to evaluation results in sci⁃ence and technology）[J].现代图书情报技术（New Tech⁃nology of Library and Information Service），2011（9）：66-71.

Quantitative Assessment on the'World-Class'of the Key Indicators of Grid Evaluation

WANG Xu1，HUANG Junhui2，TAN Jan2，HAN jun2，GU Wenqi3，HAN Xu3
（1.State Grid Jiangsu Power Company，Nanjing 210000，China；2.State Grid Jiangsu Economic Research Institute，Nanjing 210000，China；3.College of Economics and Management，North China Electric Power University，Beijing 102206，China）

In order to do the quantitative assessment on the key indicators of grid evaluation and determine the‘worldclass’of the international power grid，this paper selects 8 key indicators which are internationally accepted and can comprehensively reflect the overall development and operation of the grid.Furthermore，this paper does the quantitative assessment on each key indicator by quintile method，optimal segmentation method and K-means clustering method in order to draw the appropriate“world-class”section.On this basis，this paper analyzes the advantages and disadvantag⁃es of assessing different types of indicators by different methods and determines the top level of each key indicator to a reference for the grid assessment with the combination of the actual situation.

key indicators；databases；world-class；quantitative assessment

TM71

A

1003-8930（2016）02-0082-05

10.3969/j.issn.1003-8930.2016.02.013

王旭（1972—），男，硕士，高级工程师，主要从事电网规划及相关管理工作，xu.wang@js.sgcc.com.cn

黄俊辉（1965—），男，本科，高级工程师，主要从事电网规划及相关管理工作，huangjh@js.sgcc.com.cn

谈健（1973—），男，硕士，高级工程师，主要从事负荷预测、能源经济方面的研究工作；tanjian@js.sgcc.com.cn

2015-08-06；

2015-09-17

省级公司“世界一流电网”建设评估与决策优化关键技术及应用研究（国网科技项目）（GHJS1500008）