[發明專利]電力設備生產制造商篩選的處理方法和裝置

在審

• 申請號: 202011381113.2
• 申請日: 2020-11-30
• 公開（公告）號: CN112508378A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 滕景竹;趙雪騫;及洪泉;葉寬;錢夢迪;谷禹;門業堃;于釗;孫致遠
• 申請（專利權）人: 國網北京市電力公司;國家電網有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/06
• 代理公司: 北京康信知識產權代理有限責任公司 11240
• 代理人: 曾紅芳

本發明公開了一種電力設備生產制造商篩選的處理方法和裝置。其中，該方法包括：獲取多個電力設備生產制造商的設備指標數據；將設備指標數據輸入評價模型，由評價模型確定每一個電力設備生產制造商的得分，其中，評價模型為使用多組訓練數據，通過機器學習訓練得到的，多組訓練數據中的每組數據均包括：電力設備生產制造商的設備指標數據和指標數據對應的電力設備生產制造商的得分；依據得分從多個電力設備生產制造商中篩選出最優的電力設備生產制造商。本發明解決了相關技術中對電力設備生產制造商篩選存在可靠性差的技術問題。

技術領域

本發明涉及電力設備領域，具體而言，涉及一種電力設備生產制造商篩選的處理方法和裝置。

背景技術

目前，國家電網公司在選擇生產制造商時主要通過資質能力核實，核實生產制造商的資質條件以及制造能力進行核實及判斷的依據，生產制造商應滿足本標準的要求，還應符合國家現行的有關標準的規定。評價的方法主要通過文件審核和現場核實。主要核實生產制造商的資質信息、設計研發能力、生產制造能力、試驗檢測能力、原材料組部件管理和售后服務及產能等條件。主要目的是減少生產制造商制作投標文件時的重復性勞動，提高評標工作效率。不作為投標的前置必備條件。在投標環節需要進行資格預審。因此，需要加強生產制造商管理，從源頭入手提高設備質量。

然而，現有技術存在以下缺點：

(1)電網設備生產制造商的選擇主要依靠各級單位物資部門，造成大量弄虛作假、上報設備信息與實際生產能力不符的生產制造商沒有反饋到在招標采購過程中，針對生產制造商信用意識比較薄弱，中標后的設備故障率頻頻升高，造成電網系統可靠性降低和公司后期運維檢查大量費用的流失。

(2)電網企業的生產制造商的評價與選擇主要依靠設備專家的主管意見進行打分和選擇，尤其是每年大量設備生產制造商提交材料，然而專家經歷是有限的，評價工程容易發生疏忽，不能夠完整反映該生產制造商的情況，對評價選擇環節顯得相對公平不足。

針對上述的問題，目前尚未提出有效的解決方案。

發明內容

本發明實施例提供了一種電力設備生產制造商篩選的處理方法和裝置，以至少解決相關技術中對電力設備生產制造商篩選存在可靠性差的技術問題。

根據本發明實施例的一個方面，提供了一種電力設備生產制造商篩選的處理方法，包括：獲取多個電力設備生產制造商的設備指標數據；將所述設備指標數據輸入評價模型，由所述評價模型確定每一個電力設備生產制造商的得分，其中，所述評價模型為使用多組訓練數據，通過機器學習訓練得到的，所述多組訓練數據中的每組數據均包括：電力設備生產制造商的設備指標數據和所述指標數據對應的電力設備生產制造商的得分；依據所述得分從所述多個電力設備生產制造商中篩選出最優的電力設備生產制造商。

可選地，在獲取多個電力設備生產制造商的設備指標數據之前，所述方法還包括：建立電力設備生產制造商評價指標體系，其中，所述電力設備生產制造商評價指標體系至少包括：多個評估維度和所述多個評估維度對應的不同級別的指標。

可選地，在獲取多個電力設備生產制造商的設備指標數據之前，所述方法還包括：基于極限學習機的神經網絡算法建立評價模型。

可選地，基于極限學習機的神經網絡算法建立評價模型包括：獲取多組訓練數據，其中，將所述多組訓練數據劃分為訓練樣本集和測試樣本集；利用極限學習機分別對所述訓練樣本集和測試樣本集進行訓練，得到所述評價模型。

可選地，在利用極限學習機分別對所述訓練樣本集和測試樣本集進行訓練，得到所述評價模型之后，還包括：利用粒子群算法對所述評價模型進行優化，得到優化后的評價模型。

可選地，依據所述得分從所述多個電力設備生產制造商中篩選出最優的電力設備生產制造商包括：依據所述得分對所述多個電力設備生產制造商進行排名，得到排名結果；依據所述排名結果篩選出最優的電力設備生產制造商。