【技术实现步骤摘要】
本专利技术涉及电力设备供应商信用评估，具体为基于图神经网络的电网设备供应商信用评级方法及系统。
技术介绍
1、随着电网系统的复杂性和规模不断增长，供应商的设备质量和服务直接影响到电网的稳定运行。因此，对供应商进行信用评级变得尤为重要。传统的供应商信用评级方法主要基于供应商的历史交易记录、财务状况和市场声誉等因素进行评估，但这些方法往往忽略了供应商设备在电网系统中的实际运行数据，导致评级结果可能与供应商的实际表现存在偏差。此外，传统方法在处理大量、复杂的供应商数据时，往往缺乏有效的数据处理和分析工具，导致评级过程低效且不够准确。因此，急需一种新的供应商信用评级方法，能够充分利用供应商设备的实际运行数据，提高评级的准确性和效率。
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术解决的技术问题是：当前在供应商评价方面工作，主要关注供应商的信用评价体系研究或单纯针对其设备运行情况的评价体系研究，缺乏完备的即考量供应商又针对供应商实际运行设备品质的信用分析模型。
3、为解决上述技术问题，本专利技术提供如下技术方案：基于图神经网络的电网设备供应商信用评级方法，其包括如下步骤，
4、根据电网系统获取供应商对应设备的总体运行数据；对运行数据进行预处理，形成结构化数据；构建供应商运行设备的供应商信用评级评价指标；构建供应商运行设备的供应商信用评级；构建供应商信誉评估模型。
5、作为本专利技术所述的基于图神经网络的电网设备供
6、所述对数据进行预处理包括，将数据进行清洗、异常值过滤、读热编码以及缺失值填补并形成结构化数据，并将结构化数据转化为图结构，基于图结构构建图神经网络，其中，节点代表供应商和设备。
7、作为本专利技术所述的基于图神经网络的电网设备供应商信用评级方法的一种优选方案，其中：所述构建供应商运行设备的供应商信用评级评价指标包括，按供应商设备保有量计分，反应供应商存量设备在全网的占比构成，设备保有量越大，得分越高，设备保有量越小，得分越低利用指数函数对保有量得分进行修正。
8、所述利用指数函数对保有量得分进行修正表示为，
9、eini＝eii·nn/max(eii)
10、
11、
12、其中，eli表示第i个供应商电压等级在网台数，eini表示第i个供应商电压等级在网总台数的归一化值，nn是归一化参数，max(eii)表示供应商设备电压等级在网台数的最大值。
13、对保有量得分进行修正后，将供应商的财务数据、市场声誉与运行数据继续融合。
14、按故障次数扣分，若设备的运行年限越长且供应商设备的故障次数越少，则得分越高，若设备运行年限越短且供应商设备的故障次数越多，则得分越低。
15、按供应商设备一般缺陷率计分，若运行年限越长且一般缺陷率越低，则得分越高，若运行年限越短且一般曲线率越高，则得分越低。
16、按照供应商紧急缺陷率计分，若运行年限越长且紧急缺陷率越低，则得分越高，若运行年限越短且紧急缺陷率越高，则得分越低。
17、按照供应商重大缺陷率计分，若运行年限越长且重大缺陷率越低，则得分越高，若运行年限越短且重大缺陷率越高，则得分越低。
18、作为本专利技术所述的基于图神经网络的电网设备供应商信用评级方法的一种优选方案，其中：所述构建供应商运行设备的供应商信用评级包括，所述构建供应商运行设备的供应商信用评级包括，构建层次结构模型，所述构建层次结构模型包括，将问题分解成目标层、准则层和方案层、构建准则层成对比较矩阵、计算权重向量、一致性检验以及信用分评估。
19、训练图神经网络模型后，基于相关投影寻踪法以及模拟退火法计算指标权值，用于影响度较高指标的调整，使用模拟退火求解最优投影方向，构建供应商信用评级的过程中，添加同态加密技术设置数据访问和使用的规划策略对供应商数据进行保护。
20、所述投影寻踪法表示为，
21、y＝f(wtx)+`o
22、其中，y为响应变量，x为解释变量，w为投影变量，f为非线性函数，`o是误差项。
23、所述模拟退火求解最优投影方向包括，选择初始化投影方向w0，设定初始温度t0，设定温度衰减系数α，设定每个温度下的迭代次数l，迭代t0l次，在当前投影方向wi附近生成一个新的投影方向wnewi，计算新旧投影方向下的目标函数值f(wi)和f(wnew)，若f(wnew)优于f(wi)，则接受新的投影方向，若f(wi)优于f(wnew)，则以的概率接受新的投影方向，当接受新的投影方向后降低温度为ti+1＝α×ti，当温度降至预定阈值时算法停止，算法停止后，基于历史数据和实际运行表现，客观权值与数据驱动权值以8：2融合，形成基于供应商运行设备的供应商信用评级。
24、作为本专利技术所述的基于图神经网络的电网设备供应商信用评级方法的一种优选方案，其中：所述同态加密技术包括，接收供应商的评级申请，同意申请后，使用公钥对供应商数据进行加密。
25、所述供应商数据包括设备运行数据、财务数据以及市场声誉。
26、在加密的过程中对数据进行数据清洗、异常值过滤。
27、加密结束后，将加密的评级结果发送给供应商，供应商通过私钥解密并查看评级结果。
28、作为本专利技术所述的基于图神经网络的电网设备供应商信用评级方法的一种优选方案，其中：所述构建供应商信誉评估模型包括，使用图神经网络模型，将供应商运行设备的供应商信用评级评价指标以及供应商运行设备的供应商信用评级进行融合，进行模型的训练，并使用均方误差回归损失进行训练网络，训练完成后，使用训练后的模型对新的供应商进行信用评分预测。
29、所述均方误差表示为，
30、
31、其中，表示预测值，n表示数据点的总数，yi表示实际值。
32、作为本专利技术所述的基于图神经网络的电网设备供应商信用评级方法的一种优选方案，其中：所述信用评分预测包括，通过图神经网络模型提取供应商的关系特征、供应商与设备之间的交互特征，收取供应商评估请求，在提交请求时，供应商提供公司名称、联系方式以及设备列表，接收供应商评估请求后，供应商信誉评估模型进行供应商数据查询，根据查询到的数据判断供应商在网设备是否满足信用评估，若不满足，供应商信誉评估模型将提醒供应商未满足评估条件，当供应商在网设备满足信用评估时将进一步分析供应商的运行数据，基于相关投影寻踪法以及模拟退火法确定每个数据点的权重，基于供应商设备运行情况进行供应商信用评估，当进行供应商信用评估后，则基于融合设备运行状态构建供应商信用评估，当构建供应商信用评估后，计算最终供应商信用评估得分。
33、本专利技术的另外一个目的是提供一种基本文档来自技高网...
【技术保护点】
1.基于图神经网络的电网设备供应商信用评级方法，其特征在于，包括：
2.如权利要求1所述的基于图神经网络的电网设备供应商信用评级方法，其特征在于：所述设备的总体运行数据包括设备的台账数据、缺陷数据、故障数据、设备保有量、设备运行年限、设备商设备抽检以及履约数据；
3.如权利要求2所述的基于图神经网络的电网设备供应商信用评级方法，其特征在于：所述构建供应商运行设备的供应商信用评级评价指标包括，按供应商设备保有量计分，反应供应商存量设备在全网的占比构成，设备保有量越大，得分越高，设备保有量越小，得分越低利用指数函数对保有量得分进行修正；
4.如权利要求3所述的基于图神经网络的电网设备供应商信用评级方法，其特征在于：所述构建供应商运行设备的供应商信用评级包括，构建层次结构模型，所述构建层次结构模型包括，将问题分解成目标层、准则层和方案层、构建准则层成对比较矩阵、计算权重向量、一致性检验以及信用分评估；
5.如权利要求4所述的基于图神经网络的电网设备供应商信用评级方法，其特征在于：所述同态加密技术包括，接收供应商的评级申请，同意申请后，使用
6.如权利要求5所述的基于图神经网络的电网设备供应商信用评级方法，其特征在于：所述构建供应商信誉评估模型包括，使用图神经网络模型，将供应商运行设备的供应商信用评级评价指标以及供应商运行设备的供应商信用评级进行融合，进行模型的训练，并使用均方误差回归损失进行训练网络，训练完成后，使用训练后的模型对新的供应商进行信用评分预测；
7.如权利要求6所述的基于图神经网络的电网设备供应商信用评级方法，其特征在于：所述信用评分预测包括，通过图神经网络模型提取供应商的关系特征、供应商与设备之间的交互特征，收取供应商评估请求，在提交请求时，供应商提供公司名称、联系方式以及设备列表，接收供应商评估请求后，供应商信誉评估模型进行供应商数据查询，根据查询到的数据判断供应商在网设备是否满足信用评估，若不满足，供应商信誉评估模型将提醒供应商未满足评估条件，当供应商在网设备满足信用评估时将进一步分析供应商的运行数据，基于相关投影寻踪法以及模拟退火法确定每个数据点的权重，基于供应商设备运行情况进行供应商信用评估，当进行供应商信用评估后，则基于融合设备运行状态构建供应商信用评估，当构建供应商信用评估后，计算最终供应商信用评估得分。
8.一种采用如权利要求1～7任一所述的基于图神经网络的电网设备供应商信用评级方法的系统，其特征在于：包括评估结果与供应商管理模块、采购模块、合同管理模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于图神经网络的电网设备供应商信用评级方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述基于图神经网络的电网设备供应商信用评级方法的步骤。
...【技术特征摘要】
1.基于图神经网络的电网设备供应商信用评级方法，其特征在于，包括：
2.如权利要求1所述的基于图神经网络的电网设备供应商信用评级方法，其特征在于：所述设备的总体运行数据包括设备的台账数据、缺陷数据、故障数据、设备保有量、设备运行年限、设备商设备抽检以及履约数据；
3.如权利要求2所述的基于图神经网络的电网设备供应商信用评级方法，其特征在于：所述构建供应商运行设备的供应商信用评级评价指标包括，按供应商设备保有量计分，反应供应商存量设备在全网的占比构成，设备保有量越大，得分越高，设备保有量越小，得分越低利用指数函数对保有量得分进行修正；
4.如权利要求3所述的基于图神经网络的电网设备供应商信用评级方法，其特征在于：所述构建供应商运行设备的供应商信用评级包括，构建层次结构模型，所述构建层次结构模型包括，将问题分解成目标层、准则层和方案层、构建准则层成对比较矩阵、计算权重向量、一致性检验以及信用分评估；
5.如权利要求4所述的基于图神经网络的电网设备供应商信用评级方法，其特征在于：所述同态加密技术包括，接收供应商的评级申请，同意申请后，使用公钥对供应商数据进行加密；
6.如权利要求5所述的基于图神经网络的电网设备供应商信用评级方法，其特征在于：所述构建供应商信誉评估模型包括，使用图神经网络模型，将供应商运行设备的供应商信用评级评价指标以及供应商运行设备的供应商信用评级进行融合，进行模型的训练，并使用均方误差回归损失进行训练网络，训练完成后...
【专利技术属性】
技术研发人员：丁丹丹，张军，许利刚，
申请(专利权)人：易算云江苏信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。