基于加權時變泊松模型的電力信用風險判別及預警系統設計

周俊，袁佳明，萬偉江

（國網衢州供電公司，浙江衢州 324000）

在電力企業中，賒銷等方式是保證企業盈利、發展電力市場的重要手段[1]。由此產生的電費拖欠，會給電力企業帶來經營風險，影響電力企業正常運營[2]。電力市場發展與電費及時、可靠回收之間的矛盾是電力企業亟待解決的現實問題。對電力信用風險進行判別時，通常采用基于灰色關聯聚類系統[3]對電力企業風險進行判別。該方法以較高的精度提取電力企業常見特征，既可用于系統中的比例抽樣，又可用于分類，但該方法較為復雜；使用Word 系統[4]進行電力用戶風險判斷時，根據計算結果獲得最佳分類數，但是結果容易受到外部因素影響，導致判別效果較差。

為了改善傳統系統判別效果差等問題，提出基于加權時變泊松模型的電力信用風險判別及預警系統設計。利用加權時變泊松模型，判別電力信用風險，并在硬件設備支持下及時預警。仿真結果表明，采用所提系統對電力信用風險判別及預警效果較好。

1 系統硬件結構設計

對長期穩定運行的電力用戶來說，負荷特性保持其在所處的電力環境范圍內，只在極少數情況下才能超過此范圍[5]。因此，在上述信用風險判別后，可使用同期電力負載特性設定風險等級標準，并監視出現的電力消耗，針對不同風險判別誤差作出相應警告[6]。因此，負載特性風險預警需要建立定期更新機制，對受到外界影響的最新負載特性值進行合理校正，保證所有電力信用風險均處于封閉值管控范圍內，由此設計硬件結構[7]。

業務應用系統在開發時主要依賴平臺服務、集成開發服務、平臺任務調度服務、應用系統服務以及業務系統開發數據庫。其中，平臺服務需要獨立部署，為系統提供組件程序包；集成開發服務必須遵從平臺服務下載的組件包，當集成攻擊關閉時，已下載的組件包將被自動刪除，業務系統開發服務需要在人機部署平臺下實現[8]。

1.1 系統組件關聯設計

將系統不同層次間組件形式進行整合，形成不同層次編碼模塊，各個組件之間關系如圖1 所示。

圖1 系統組件關聯設計

將展現層的各個控件連接到業務邏輯層的控制與管理模式之中，再通過公共組件層對異常行為進行檢測，并經過數據層分析后進行實時預警[9-10]。

1.2 DSP核心組件

將接收電力信用風險信號的收發器通過TendaA9信號放大器發送到信號處理器之中。通過調節、放大處理后，將結果傳送到CAN 總線，以此控制電力信用風險信號的接收速率[11]。

選擇DSP 處理器作為核心組件，將平臺集成在同一電路板中，如圖2 所示。

圖2 DSP處理器

該處理器的3 種工作狀態為：第一種是信號輸入和采集過程中，產生除了基本數據以外的其他干擾數據，經過編碼后只在存儲器中，不存儲到ATA 設備中；第二種是編碼后，數據被直接寫入ATA設備中；第三種是回放狀態，即從ATA設備中讀取之前保存的數據，解碼并回放[12]。當DSP 處于第一種工作狀態時，可以切換到第二種或第三種工作狀態[13]；當處于其他兩種工作狀態時，DSP只能回到第一種工作狀態中。

1.3 宿主機接口設計

電力信用風險判別及預警系統宿主機接口設計如圖3 所示。

圖3 宿主機接口設計

圖3中，eth0接口為預警管理接口；eth1接口為信用風險分析接口；eth2接口為信用風險判別接口；eth3接口為系統網關接口；eth4 接口為宿主機接口[14-16]。

宿主接口主要用于電力信貸風險識別和預警系統各組件之間的通信，通過各接口管理和分析日志數據。

2 軟件設計

長期拖欠電費的現象屢見不鮮，嚴重影響電力企業的正常經營。在電力企業中引入信用管理系統，通過對用戶信用評價規避電費回收風險。電力信用風險判別及預警系統總功能框架如下所示：

1）預處理功能：根據電力客戶信用評價指標體系，對收集整理的樣本數據進行預處理、歸一化和缺陷值填充，為信用風險判別模型提供樣本；

2）樣本維護功能：動態維護信用評估培訓樣本數據；

3）指標維護功能：為實現定期動態維護功能，建立電力客戶信用風險評估指標體系數據庫；

4）模型維護功能：基于對電力用戶繳費特點的全面調查與分析，設計加權時變泊松模型，實現加權時變泊松模型的動態維護功能；

5）評價管理功能：利用加權時變泊松模型，判別電力信用風險，并構建了電力客戶信用評估數據庫；

6）風險預警管理功能：采用應用層次分析模型，設計開發電力客戶欠費預警系統，對短期欠費、中期欠費風險預警信息進行綜合評價。

2.1 基于加權時變泊松模型風險判別

為了保證電力信用風險判別及預警系統能夠準確進行判別和預警，通過構建加權時變泊松模型，判別電力信用風險。

設Q(x,y) 表示第y電力運行時段x內電力信用較差的用戶數量，則x時段內有n個電力信用較差的概率為：

式中，f(t)表示在y電力運行時段內電力信用較差用戶風險判斷速率函數。

由于時段x內電力信用較差的用戶受到多種因素影響，例如天氣變化、地理環境、電氣設備或其他因素影響，會出現負載特性值異常變化現象，并超過原始正常運行的范圍，繼續使用原有的設定方式會與當前出現的狀態相沖突。

因此，信用等級判定與外界因素有關。為了簡化模型，可將f(t) 看作線性函數，使用最大似然估計法，對不同運行時段內電力信用較差的概率進行加權，并賦予較大權重，增加緊鄰區域的相關度。權重為：

式中，α表示最大似然因子；m表示出現電力信用的樣本總數。

標記信用好為“1”，信用差為“0”，由此構建的加權時變泊松判別模型為：

式中，b為常數；K表示根據前一時刻的緊鄰時刻預測值增益函數，i表示加權次數。

如果r(x) 為正時，那么判別的電力信用風險結果為1，說明該用戶具有良好信用；如果r(x)為負時，電力信用風險結果為0，說明該用戶信用風險較差。

2.2 預警流程設計

使用用戶的最新電力數據，使負荷特性值保持合理的準確性，從而確保用戶處于相應風險封閉值監控之下。因電力用戶的運行特點不同，其校正程度可根據實際運行情況進行調整。信用風險等級標準設定如表1 所示。

表1 信用風險等級

預警流程如圖4 所示。

圖4 預警流程

實時監測某一用戶運行數據，并與風險閾值進行對比分析，根據判別模型對相應情況進行及時預警。

3 實驗分析

在硬件安裝之前，需打開配件盒，將網線主動連接到硬件設備中，并接入網絡。當使用PC 主機直接連接設備接口時，需使用HTTPS 協議登錄管理界面，通過該界面獲取驗證結果。

3.1 組件調試

分別使用基于灰色關聯聚類系統、Word 系統和基于加權時變泊松模型系統調試系統組件，調試結果如表2 所示。

表2 3種系統組件調試結果

分析表2 可知，基于灰色關聯聚類系統在日期控件、圖表控件兩個組件下無調試，導致系統在判別過程中無日志交互行為，數據庫不完善，導致系統判別不精準；使用Word 系統在文本框、圖表控件和服務交互3 個組件下無調試，在系統使用過程中無數據增刪改查功能，導致系統判別結果精準度較低；使用基于加權時變泊松模型系統調試系統組件，具備服務交互、增刪改查功能，不會影響系統判別結果。

3.2 電力負荷演化分析

在3 種系統組件調試結果支持下，分析信用風險較低情況下的電力負荷演化情況，實驗結果如圖5所示。

圖5 3種系統電力負荷演化情況

分析圖5 可知，使用基于灰色關聯聚類系統在2.0 ms 以后，無電力負荷出現，這種現象產生的原因正是組件調控階段無日志交互，造成電力負荷演化突然中斷，導致系統預警效果較差；使用Word 系統時負荷集中在7 500～9 000 MW 范圍內，且在2.4 ms以后無電力負荷出現，缺少數據增刪改查功能支持，使預警效果較差；使用基于加權時變泊松模型系統從開始到2.5 ms 時，始終存在電力負荷，且演化過程完整，為系統提供完整的數據支持，促使預警精準度較高。

4 結束語

以電力企業信用風險特征為出發點，文中分析和識別電力企業負荷特征，采用加權時變泊松模型設計電力企業信用風險判別及預警系統，根據不同風險等級預警信息構建電力用戶風險響應機制，主要獲得了以下研究成果：

1）該系統遵循構建風險預警系統的一般原則，在風險分級的基礎上，闡述了風險預警思路，并根據實際電網企業的風險管理經驗，提出了風險度量判定方案，利用信息化手段實現電力信用風險整體預警活動，構建長期風險響應機制。

2）因各電力用戶負荷特性的運行特點不同，其風險閾值判斷的準確性不高，且缺乏科學依據。為了解決這一問題，引入了加權時變泊松模型，以確定其風險閾值，并用備選數據隨機重新排列原始負荷特征數據，以消除對風險閾值提取的影響。