基于改進DHNN模型的售電公司信用評價

李 源，藍歆格，尹純亞，商僑晏，王 森，戚格瑞，葛祥一

（1. 國網浙江省電力有限公司龍游縣供電公司，浙江 龍游 324400；2. 新疆大學 電氣工程學院，烏魯木齊 830017）

0 引言

隨著電力市場不斷發展，我國對售電公司信用管理愈加重視，但尚未形成一套公認的、行之有效的評價方法。信用評價方法不成熟使得在市場管理中存在無法對售電公司進行準確評價等一系列問題。建立科學評價方法有助于準確評價售電公司信用，提升電力市場信用管理水平，推動構建“三公”市場環境，有效規范市場行為。因此，構建科學全面的信用評價方法迫在眉睫。

當前電力行業中使用較多的信用評價模型，主要為層次分析法、隨機森林及要素模型等，尚無專門的售電公司信用評價模型［1-6］。文獻［7］提出基于層次分析法和主成分分析法的電力用戶信用綜合評價模型。文獻［8］結合德爾菲法與層次分析法構建市場主體信用評價模型，對貴州市場進行應用研究。文獻［9］提出利用核主成分分析法和物元可拓理論，構建售電公司信用評價模型，為信用評價提供參考。以上都是針對市場主體的評價研究，在使用中存在較復雜、易受外界環境影響等局限性，不完全適用于售電公司信用評價。

DHNN（離散型霍普菲爾德神經網絡）在外界環境干擾或數據缺失的情況下仍可利用自適應和自學習的聯想記憶能力識別、分辨各類事物，解決復雜的非線性分類問題［10］。文獻［11］構建網絡空間信息防御能力評估指標體系并確定指標權重，將模糊綜合評價法所得數據作為平衡點建立DHNN 模型評估網絡空間防御能力。文獻［12］利用DHNN 理論，建立了試件力學性能的評價模型，實現對鎂合金的抗拉強度等級進行評價分類。文獻［13］利用DHNN 的聯想記憶功能構建評估模型，實現對有人機/無人機的協同作戰效能的評估。綜上所述，DHNN 在其他行業評價中已有所應用且取得較好效果，但該算法在某些數值異常情況下可能會在反饋過程中出現偏差，從而造成無法進行有效分類。由于電力市場中售電公司數量眾多，難免會出現異常數值。針對該現象，本文將Box-plot（箱形圖）算法與正交化法改進DHNN算法引入到售電公司信用評價研究中。

本文根據電力系統中新能源高占比的特點并結合國網公司戰略目標，首先，構建信用評價指標體系并利用德爾菲法賦權重。其次，基于Boxplot 算法與正交化法，提出一種改進的DHNN 信用評價模型，實現對售電公司信用水平的客觀評價。最后，基于MATLAB 軟件進行實例計算，驗證所提模型的可行性。

1 售電公司信用評價指標體系構建

1.1 信用評價指標選取

隨著售電側的放開，售電公司不斷參與到電力市場運營中，其市場經營活動也逐漸納入交易中心運營管理。從管控售電公司經營風險、有效規范市場行為的角度來看，其“信用水平”也在新電力市場環境下受更多因素影響。故在電改新形勢下亟需一套適應新形勢的信用評價體系，準確評價售電公司的信用水平，防范信用風險發生。

當前售電公司信用評價指標主要考慮公司基本信息、社會責任等因素，尚未做到綜合考察影響信用的各種因素，只有構建合適的評價指標體系才能全面客觀反映售電公司真實的信用水平［14］。因此，本文基于現有售電公司信用評價指標，以售電公司和交易中心為對象，構建了包括基礎信息、基礎管理、合同管理、交易管理、結算管理、服務品質、信息管理、企業管理、償債能力、盈利能力、信用記錄在內的信用評價體系，如圖1所示。每個指標由多個二級指標組成，客觀評價售電公司守信能力、表現、意愿及財務情況，對售電公司進行全方位考核。

圖1 售電公司信用評價指標體系Fig.1 Credit evaluation index system of electricity sales companies

1.2 信用評價指標賦值

國內電力市場中對市場主體的信用評價工作起步較晚，當前對評價指標賦值主要采用專家打分法，過于主觀。在評價指標的賦值上還需做到客觀合理，故在評價指標賦值上選擇了較為科學、實用和客觀的德爾菲法。該方法邀請不同權威專家采用匿名方式獨立做出自己的判斷，避免其他繁雜因素影響。同時評分過程須反復征求專家意見-歸納、統計-匿名反饋-歸納、統計，經過多輪反饋進而使專家意見逐漸趨同。上述過程使該方法具有較好的科學性和實用性，同時具有一定程度綜合意見的客觀性，較為可靠。使用德爾菲法對評價指標賦值流程如圖2所示，由電力市場權威專家對所有指標進行獨立匿名賦值，并經過多輪征詢、歸納、修改，最后綜合多方經驗確定評價指標分值。

圖2 德爾菲法賦值流程Fig.2 The assignment process using Delphi method

2 改進的DHNN評價模型

構建售電公司評價指標體系僅是建立信用評價模型的前提條件。信用評價的流程包括確定評價目標、構建評價指標體系、指標權重賦值、選擇評價方法、對售電公司綜合評價。

信用評價方法是評價售電公司信用最重要的工具，貫穿整個評價模型的建立、分析判斷和評價分類過程。本文基于Box-plot 算法與正交化法提出改進的DHNN 算法，以實現對售電公司信用水平的評價。

2.1 DHNN算法

不同于其他階層型神經網絡算法，DHNN 算法通過模擬生物神經網絡的記憶原理進行分類運算，可避免訓練過程中不穩定、數據缺失時出現評價誤差，又能較客觀全面考慮各信用因素間的相互影響，達到對售電公司信用評價的科學性與準確性。DHNN為單層、輸出為二值的反饋網絡，其網絡結構如圖3所示，wij為神經元連接權值；xj為外部輸入；yj為神經元的輸出狀態。

圖3 DHNN網絡結構Fig.3 The DHNN network structure

第0 層無計算功能，僅為拓撲網絡結構輸入層，代表若干假定研究指標；第1 層執行運算任務，對輸入信息與權系數的乘積求累加和，經過非線性函數f處理后產生輸出。f為簡單閾值函數，當神經元輸出信息大于閾值θ，輸出為1（激活）；小于閾值θ時，輸出為-1（抑制）［15］。

對于二值神經元hj，通過式（1）計算：

式中：xj為外部輸入，且。

當考慮DHNN算法的一般節點狀態，yj(t)為第j個神經元（即節點j在時刻t的狀態），節點下一時刻（t+1）的狀態為：

式中：hj(t)為神經元j在t時刻的輸入；θj為t時刻的閾值；xj為外部輸入。

2.2 Box-plot算法

Box-plot 算法具有強抗差能力，不需嚴格服從統計學分布也可直接處理樣本數據。常用來處理數據中存在的異常值，在探索性數據分析、品質管理及各類測評工程中被廣泛應用。本文利用Box-plot 算法快速鑒別并處理待評價售電公司數據中存在的異常值，求解最優信用評價分值，以進一步提高DHNN 算法對售電公司信用的評價準確性。

在計算中，Box-plot 將一組數據從大到小進行排列，分別計算出上邊緣、上四分位數Q3、中位數、下四分位數Q1、下邊緣及異常值6 個數據節點，其原理如圖4所示。其中，下邊緣到上邊緣之間的距離為內限，高于上邊緣或低于下邊緣處的值稱為異常值。

圖4 Box-plot算法Fig.4 Box-plot algorithm

四分位數在選定時僅與數據主體有關，不易受變化對象影響，具有較好的魯棒性，在識別變化對象方面有一定優勢，能更客觀地分析大量數據。售電公司作為數量多、指標多的主體，利用Box-plot算法可客觀分析大量數據的優勢，剔除其中的數據異常值，以提高評價結果的準確性。

3 改進的DHNN信用評價流程

本文提出改進的DHNN 信用評價模型，先處理待評價售電公司信用數據中存在的異常值，尋求最優信用分值；在此基礎上應用正交化法修正后的DHNN 算法分析售電公司的信用情況。該模型對售電公司信用評價流程如圖5所示。

圖5 改進DHNN模型評價流程Fig.5 The evaluation process of an enhanced DHNN model

1）確定信用評價指標體系，采用德爾菲法賦予指標權重。

2）采用Box-plot 算法處理售電公司評價指標數據中的異常值，求解最優信用評價分值。

3）初始化DHNN網絡結構。

4）為提高系統運行的穩定性、減少偽穩定點，提高評價結果的準確性，DHNN 算法中采用正交化法修正權值，步驟如下：

（1）輸入n個輸入模式t=（t2，t2，···，tn-1，tn）、參數τ和h。

（2）計算矩陣A=（t2-tn，t2-tn，···，tn-1-tn）。

（3）對A做奇異值分解A=USVT，并求出A的秩，U為m階正交矩陣，V為n階正交矩陣，S為m×n對角矩陣。

（4）通過UP=（U1，U2，···，Uk）、Um=（Uk+1，Uk+2，···，Un）計算權值：

（5）計算連接權值：

（6）計算偏差矩陣：

（7）計算修正權值：

（8）計算修正偏差b：

式中：C1=exp(h)-1；C2=-[exp(-τ×h)-1]/τ。

5）設立信用評價等級的劃分標準，并將所構建的售電公司理想評價指標進行編碼作為評價模型輸入。

6）將待評價分類售電公司的評價指標進行賦值，應用改進的DHNN 算法實現對售電公司信用水平的評價。

7）獲得最終的售電公司信用評價結果。

構建改進的DHNN 模型評價售電公司的信用水平，一方面可以較好處理售電公司數量多、指標較多，信用評價指標數據中可能存在異常值的問題；另一方面，采用正交化法修正權值后的DHNN 算法在外界環境干擾、數據缺失等情況下仍可較好實現對各售電公司的評價工作。

4 算例分析

從某電力市場中隨機選取入市一年以上，且當前評價等級分別為AAA、AA、A、B、C 的售電公司各4家，通過德爾菲法對各售電公司評價指標進行評分，以作算例分析。為保證算例的適用性，所選20 家樣本公司中包含純售電公司、兼具售電業務的發電公司在內的多種不同性質售電公司。

按順序將11 個評價指標：X1（基礎信息）、X2（基礎管理）、X3（合同管理）、X4（交易管理）、X5（結算管理）、X6（服務品質）、X7（信息管理）、X8（企業管理）、X9（償債能力）、X10（盈利能力）、X11（信用記錄）進行變量標號作為模型的評價指標。采用德爾菲法對售電公司各指標進行賦值，如表1所示，以國內電力市場信用評價中常用的三等五級制為準，將信用被評價為AAA的公司標簽設為Ⅰ，AA設為Ⅱ，A設為Ⅲ，B設為Ⅳ，C設為Ⅴ。

表1 20家售電公司信用等級與各對應的評價指標分值Table 1 Credit levels of twenty electricity sales companies and their corresponding evaluation indicator scores

4.1 信用評價指標權重確定

將表1 中20 家售電公司Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ各等級樣本數據進行篩選，取其平均值作為各等級的理想評價指標分值（即作為DHNN 算法的平衡點），如表2所示。

表2 各等級的理想評價指標分值Table 2 Ideal evaluation indicator scores for each credit level

根據定義，DHNN 算法的神經元狀態僅有1和-1。若待評價指標大于或等于某個等級指標值，對應神經元狀態為“1”，以黑圈“●”表示；否則為“-1”，以白圈“○”表示。將表2所對應5個等級的理想評價指標進行編碼，如圖6所示。

圖6 理想的5個信用評價指標編碼Fig.6 Codes for five ideal credit evaluation indicators

4.2 待評價的售電公司評價指標

為驗證Box-plot-DHNN模型的可行性與準確性，隨機挑選電力市場中5家信用評價待評價的售電公司為例，將各指標通過德爾菲法評分后歸類入表，如表3所示。

表3 5家待評價的售電公司評價指標分值Table 3 Evaluation indicator scores of five electricity sales companies under evaluation

上述5家待評價售電公司的信用評價指標分值為855 分、810 分、845 分、495 分、815 分，對應三等五級中的AA、AA、AA、B、AA 級（即Ⅱ、Ⅱ、Ⅱ、Ⅳ、Ⅱ等級）。根據DHNN 算法的編碼規則，將5 家未經Box-plot 算法處理的待評價公司數據進行編碼。第1家售電公司編碼如式（10）所示，其余4家公式同理類推即可，對應MATLAB結果如圖7所示。

圖7 5家待評價的售電公司評價指標編碼Fig.7 Evaluation indicator codes for five electricity sales companies under evaluation

4.3 未經Box-plot處理

利用MATLAB 軟件中的sim（）函數創建DHNN 算法，將未經過Box-plot 算法處理的5 家售電公司數據代入其中，得到相應的信用評價結果，如圖8所示。

圖8 5家待評價售電公司指標編碼Fig.8 Indicator codes for five electricity sales companies under evaluation

圖8（a）對應圖6，為5 個理想評價指標編碼，分別對應等級Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ；圖8（b）對應圖7，presim1-presim5 為未經Box-plot 算法處理的5 家待評價售電公司評價指標編碼；圖8（c）為通過DHNN 算法計算所得信用評價結果，sim1-sim5分別為5家售電公司信用等級。其中，第5家售電公司（sim5）評價結果為空白。可見第5家售電公司的信用分值中存在異常值，導致指標過于分散出現了評價不準確的情況。

4.4 經Box-plot處理后

為解決售電公司信用數據中的異常值帶來無法有效評價的弊端，將5家待評價公司的信用數據通過MATLAB 數學軟件代入Box-plot 算法中。利用統計學原理對存在過于分散的指標數值進行處理，剔除其中的異常值，計算存在異常值售電公司的最優信用分值（即按Box-plot算法的原理取其中位數）。經計算發現，5 家公司中僅第5 家存在數據異常值，對其處理后取其最優分值，如圖9中紅線處所示。

圖9 Box-plot算法處理后所取的結果Fig.9 Results obtained through Box-plot algorithm

為清晰表示Box-plot 處理后所得售電公司各指標的最優分值，參照圖9將其重新列于表4。

表4 Box-plot處理后5家待評價售電公司評價指標分值Table 4 Evaluation indicator scores of five electricity sales companies obtained through Box-plot algorithm

將Box-plot 算法處理后所得售電公司最優信用分值帶入DHNN 算法中進行計算，得結果如圖10所示。

圖10 經處理后5家待評價售電公司指標編碼Fig.10 Indicator codes of five electricity sales companies obtained through algorithms

由圖10 可知，圖10（a）同樣對應圖6，為5 個理想評價指標編碼，分別對應等級Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ；圖10（b）中presim1-presim5 則表示經Boxplot算法處理后5家待評價售電公司的評價指標編碼；圖10（c）為通過DHNN 算法計算所得評價結果，sim1-sim5分別為5家售電公司信用等級，與理論評價結果Ⅱ、Ⅱ、Ⅱ、Ⅳ、Ⅱ完全一致。

4.5 Box-plot算法處理前后對比

對比Box-plot 算法處理異常數據前后所得評價結果，如圖11所示。

圖11 Box-plot處理前后結果對比Fig.11 Comparison of results obtained before and after Box-plot

根據圖11中（a）、（b）的比較，可見經Box-plot算法處理異常數據獲得最優信用分值后，再通過DHNN 算法對售電公司進行信用評價，消除了過去傳統DHNN 算法在數值異常時出現指標過于分散的弊端，使其分布更均衡，故所提模型適用于售電公司信用評價。

5 結語

傳統DHNN 算法在數值異常時無法準確評價售電公司的信用水平。本文基于Box-plot 與正交化法，提出一種改進的DHNN 信用評價模型，較好地改善了傳統DHNN 模型因數值異常而導致評價結果分布不均的問題。算例結果表明，改進的DHNN評價模型可準確評價售電公司的信用水平，指導電力市場中各市場成員規避信用風險。該信用評價模型還可為電力交易中心對其他市場主體的信用評價提供參考思路。