基于改进DHNN模型的售电公司信用评价

李 源，蓝歆格，尹纯亚，商侨晏，王 森，戚格瑞，葛祥一

（1. 国网浙江省电力有限公司龙游县供电公司，浙江 龙游 324400；2. 新疆大学 电气工程学院，乌鲁木齐 830017）

0 引言

随着电力市场不断发展，我国对售电公司信用管理愈加重视，但尚未形成一套公认的、行之有效的评价方法。信用评价方法不成熟使得在市场管理中存在无法对售电公司进行准确评价等一系列问题。建立科学评价方法有助于准确评价售电公司信用，提升电力市场信用管理水平，推动构建“三公”市场环境，有效规范市场行为。因此，构建科学全面的信用评价方法迫在眉睫。

当前电力行业中使用较多的信用评价模型，主要为层次分析法、随机森林及要素模型等，尚无专门的售电公司信用评价模型［1-6］。文献［7］提出基于层次分析法和主成分分析法的电力用户信用综合评价模型。文献［8］结合德尔菲法与层次分析法构建市场主体信用评价模型，对贵州市场进行应用研究。文献［9］提出利用核主成分分析法和物元可拓理论，构建售电公司信用评价模型，为信用评价提供参考。以上都是针对市场主体的评价研究，在使用中存在较复杂、易受外界环境影响等局限性，不完全适用于售电公司信用评价。

DHNN（离散型霍普菲尔德神经网络）在外界环境干扰或数据缺失的情况下仍可利用自适应和自学习的联想记忆能力识别、分辨各类事物，解决复杂的非线性分类问题［10］。文献［11］构建网络空间信息防御能力评估指标体系并确定指标权重，将模糊综合评价法所得数据作为平衡点建立DHNN 模型评估网络空间防御能力。文献［12］利用DHNN 理论，建立了试件力学性能的评价模型，实现对镁合金的抗拉强度等级进行评价分类。文献［13］利用DHNN 的联想记忆功能构建评估模型，实现对有人机/无人机的协同作战效能的评估。综上所述，DHNN 在其他行业评价中已有所应用且取得较好效果，但该算法在某些数值异常情况下可能会在反馈过程中出现偏差，从而造成无法进行有效分类。由于电力市场中售电公司数量众多，难免会出现异常数值。针对该现象，本文将Box-plot（箱形图）算法与正交化法改进DHNN算法引入到售电公司信用评价研究中。

本文根据电力系统中新能源高占比的特点并结合国网公司战略目标，首先，构建信用评价指标体系并利用德尔菲法赋权重。其次，基于Boxplot 算法与正交化法，提出一种改进的DHNN 信用评价模型，实现对售电公司信用水平的客观评价。最后，基于MATLAB 软件进行实例计算，验证所提模型的可行性。

1 售电公司信用评价指标体系构建

1.1 信用评价指标选取

随着售电侧的放开，售电公司不断参与到电力市场运营中，其市场经营活动也逐渐纳入交易中心运营管理。从管控售电公司经营风险、有效规范市场行为的角度来看，其“信用水平”也在新电力市场环境下受更多因素影响。故在电改新形势下亟需一套适应新形势的信用评价体系，准确评价售电公司的信用水平，防范信用风险发生。

当前售电公司信用评价指标主要考虑公司基本信息、社会责任等因素，尚未做到综合考察影响信用的各种因素，只有构建合适的评价指标体系才能全面客观反映售电公司真实的信用水平［14］。因此，本文基于现有售电公司信用评价指标，以售电公司和交易中心为对象，构建了包括基础信息、基础管理、合同管理、交易管理、结算管理、服务品质、信息管理、企业管理、偿债能力、盈利能力、信用记录在内的信用评价体系，如图1所示。每个指标由多个二级指标组成，客观评价售电公司守信能力、表现、意愿及财务情况，对售电公司进行全方位考核。

图1 售电公司信用评价指标体系Fig.1 Credit evaluation index system of electricity sales companies

1.2 信用评价指标赋值

国内电力市场中对市场主体的信用评价工作起步较晚，当前对评价指标赋值主要采用专家打分法，过于主观。在评价指标的赋值上还需做到客观合理，故在评价指标赋值上选择了较为科学、实用和客观的德尔菲法。该方法邀请不同权威专家采用匿名方式独立做出自己的判断，避免其他繁杂因素影响。同时评分过程须反复征求专家意见-归纳、统计-匿名反馈-归纳、统计，经过多轮反馈进而使专家意见逐渐趋同。上述过程使该方法具有较好的科学性和实用性，同时具有一定程度综合意见的客观性，较为可靠。使用德尔菲法对评价指标赋值流程如图2所示，由电力市场权威专家对所有指标进行独立匿名赋值，并经过多轮征询、归纳、修改，最后综合多方经验确定评价指标分值。

图2 德尔菲法赋值流程Fig.2 The assignment process using Delphi method

2 改进的DHNN评价模型

构建售电公司评价指标体系仅是建立信用评价模型的前提条件。信用评价的流程包括确定评价目标、构建评价指标体系、指标权重赋值、选择评价方法、对售电公司综合评价。

信用评价方法是评价售电公司信用最重要的工具，贯穿整个评价模型的建立、分析判断和评价分类过程。本文基于Box-plot 算法与正交化法提出改进的DHNN 算法，以实现对售电公司信用水平的评价。

2.1 DHNN算法

不同于其他阶层型神经网络算法，DHNN 算法通过模拟生物神经网络的记忆原理进行分类运算，可避免训练过程中不稳定、数据缺失时出现评价误差，又能较客观全面考虑各信用因素间的相互影响，达到对售电公司信用评价的科学性与准确性。DHNN为单层、输出为二值的反馈网络，其网络结构如图3所示，wij为神经元连接权值；xj为外部输入；yj为神经元的输出状态。

图3 DHNN网络结构Fig.3 The DHNN network structure

第0 层无计算功能，仅为拓扑网络结构输入层，代表若干假定研究指标；第1 层执行运算任务，对输入信息与权系数的乘积求累加和，经过非线性函数f处理后产生输出。f为简单阈值函数，当神经元输出信息大于阈值θ，输出为1（激活）；小于阈值θ时，输出为-1（抑制）［15］。

对于二值神经元hj，通过式（1）计算：

式中：xj为外部输入，且。

当考虑DHNN算法的一般节点状态，yj(t)为第j个神经元（即节点j在时刻t的状态），节点下一时刻（t+1）的状态为：

式中：hj(t)为神经元j在t时刻的输入；θj为t时刻的阈值；xj为外部输入。

2.2 Box-plot算法

Box-plot 算法具有强抗差能力，不需严格服从统计学分布也可直接处理样本数据。常用来处理数据中存在的异常值，在探索性数据分析、品质管理及各类测评工程中被广泛应用。本文利用Box-plot 算法快速鉴别并处理待评价售电公司数据中存在的异常值，求解最优信用评价分值，以进一步提高DHNN 算法对售电公司信用的评价准确性。

在计算中，Box-plot 将一组数据从大到小进行排列，分别计算出上边缘、上四分位数Q3、中位数、下四分位数Q1、下边缘及异常值6 个数据节点，其原理如图4所示。其中，下边缘到上边缘之间的距离为内限，高于上边缘或低于下边缘处的值称为异常值。

图4 Box-plot算法Fig.4 Box-plot algorithm

四分位数在选定时仅与数据主体有关，不易受变化对象影响，具有较好的鲁棒性，在识别变化对象方面有一定优势，能更客观地分析大量数据。售电公司作为数量多、指标多的主体，利用Box-plot算法可客观分析大量数据的优势，剔除其中的数据异常值，以提高评价结果的准确性。

3 改进的DHNN信用评价流程

本文提出改进的DHNN 信用评价模型，先处理待评价售电公司信用数据中存在的异常值，寻求最优信用分值；在此基础上应用正交化法修正后的DHNN 算法分析售电公司的信用情况。该模型对售电公司信用评价流程如图5所示。

图5 改进DHNN模型评价流程Fig.5 The evaluation process of an enhanced DHNN model

1）确定信用评价指标体系，采用德尔菲法赋予指标权重。

2）采用Box-plot 算法处理售电公司评价指标数据中的异常值，求解最优信用评价分值。

3）初始化DHNN网络结构。

4）为提高系统运行的稳定性、减少伪稳定点，提高评价结果的准确性，DHNN 算法中采用正交化法修正权值，步骤如下：

（1）输入n个输入模式t=（t2，t2，···，tn-1，tn）、参数τ和h。

（2）计算矩阵A=（t2-tn，t2-tn，···，tn-1-tn）。

（3）对A做奇异值分解A=USVT，并求出A的秩，U为m阶正交矩阵，V为n阶正交矩阵，S为m×n对角矩阵。

（4）通过UP=（U1，U2，···，Uk）、Um=（Uk+1，Uk+2，···，Un）计算权值：

（5）计算连接权值：

（6）计算偏差矩阵：

（7）计算修正权值：

（8）计算修正偏差b：

式中：C1=exp(h)-1；C2=-[exp(-τ×h)-1]/τ。

5）设立信用评价等级的划分标准，并将所构建的售电公司理想评价指标进行编码作为评价模型输入。

6）将待评价分类售电公司的评价指标进行赋值，应用改进的DHNN 算法实现对售电公司信用水平的评价。

7）获得最终的售电公司信用评价结果。

构建改进的DHNN 模型评价售电公司的信用水平，一方面可以较好处理售电公司数量多、指标较多，信用评价指标数据中可能存在异常值的问题；另一方面，采用正交化法修正权值后的DHNN 算法在外界环境干扰、数据缺失等情况下仍可较好实现对各售电公司的评价工作。

4 算例分析

从某电力市场中随机选取入市一年以上，且当前评价等级分别为AAA、AA、A、B、C 的售电公司各4家，通过德尔菲法对各售电公司评价指标进行评分，以作算例分析。为保证算例的适用性，所选20 家样本公司中包含纯售电公司、兼具售电业务的发电公司在内的多种不同性质售电公司。

按顺序将11 个评价指标：X1（基础信息）、X2（基础管理）、X3（合同管理）、X4（交易管理）、X5（结算管理）、X6（服务品质）、X7（信息管理）、X8（企业管理）、X9（偿债能力）、X10（盈利能力）、X11（信用记录）进行变量标号作为模型的评价指标。采用德尔菲法对售电公司各指标进行赋值，如表1所示，以国内电力市场信用评价中常用的三等五级制为准，将信用被评价为AAA的公司标签设为Ⅰ，AA设为Ⅱ，A设为Ⅲ，B设为Ⅳ，C设为Ⅴ。

表1 20家售电公司信用等级与各对应的评价指标分值Table 1 Credit levels of twenty electricity sales companies and their corresponding evaluation indicator scores

4.1 信用评价指标权重确定

将表1 中20 家售电公司Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ各等级样本数据进行筛选，取其平均值作为各等级的理想评价指标分值（即作为DHNN 算法的平衡点），如表2所示。

表2 各等级的理想评价指标分值Table 2 Ideal evaluation indicator scores for each credit level

根据定义，DHNN 算法的神经元状态仅有1和-1。若待评价指标大于或等于某个等级指标值，对应神经元状态为“1”，以黑圈“●”表示；否则为“-1”，以白圈“○”表示。将表2所对应5个等级的理想评价指标进行编码，如图6所示。

图6 理想的5个信用评价指标编码Fig.6 Codes for five ideal credit evaluation indicators

4.2 待评价的售电公司评价指标

为验证Box-plot-DHNN模型的可行性与准确性，随机挑选电力市场中5家信用评价待评价的售电公司为例，将各指标通过德尔菲法评分后归类入表，如表3所示。

表3 5家待评价的售电公司评价指标分值Table 3 Evaluation indicator scores of five electricity sales companies under evaluation

上述5家待评价售电公司的信用评价指标分值为855 分、810 分、845 分、495 分、815 分，对应三等五级中的AA、AA、AA、B、AA 级（即Ⅱ、Ⅱ、Ⅱ、Ⅳ、Ⅱ等级）。根据DHNN 算法的编码规则，将5 家未经Box-plot 算法处理的待评价公司数据进行编码。第1家售电公司编码如式（10）所示，其余4家公式同理类推即可，对应MATLAB结果如图7所示。

图7 5家待评价的售电公司评价指标编码Fig.7 Evaluation indicator codes for five electricity sales companies under evaluation

4.3 未经Box-plot处理

利用MATLAB 软件中的sim（）函数创建DHNN 算法，将未经过Box-plot 算法处理的5 家售电公司数据代入其中，得到相应的信用评价结果，如图8所示。

图8 5家待评价售电公司指标编码Fig.8 Indicator codes for five electricity sales companies under evaluation

图8（a）对应图6，为5 个理想评价指标编码，分别对应等级Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ；图8（b）对应图7，presim1-presim5 为未经Box-plot 算法处理的5 家待评价售电公司评价指标编码；图8（c）为通过DHNN 算法计算所得信用评价结果，sim1-sim5分别为5家售电公司信用等级。其中，第5家售电公司（sim5）评价结果为空白。可见第5家售电公司的信用分值中存在异常值，导致指标过于分散出现了评价不准确的情况。

4.4 经Box-plot处理后

为解决售电公司信用数据中的异常值带来无法有效评价的弊端，将5家待评价公司的信用数据通过MATLAB 数学软件代入Box-plot 算法中。利用统计学原理对存在过于分散的指标数值进行处理，剔除其中的异常值，计算存在异常值售电公司的最优信用分值（即按Box-plot算法的原理取其中位数）。经计算发现，5 家公司中仅第5 家存在数据异常值，对其处理后取其最优分值，如图9中红线处所示。

图9 Box-plot算法处理后所取的结果Fig.9 Results obtained through Box-plot algorithm

为清晰表示Box-plot 处理后所得售电公司各指标的最优分值，参照图9将其重新列于表4。

表4 Box-plot处理后5家待评价售电公司评价指标分值Table 4 Evaluation indicator scores of five electricity sales companies obtained through Box-plot algorithm

将Box-plot 算法处理后所得售电公司最优信用分值带入DHNN 算法中进行计算，得结果如图10所示。

图10 经处理后5家待评价售电公司指标编码Fig.10 Indicator codes of five electricity sales companies obtained through algorithms

由图10 可知，图10（a）同样对应图6，为5 个理想评价指标编码，分别对应等级Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ；图10（b）中presim1-presim5 则表示经Boxplot算法处理后5家待评价售电公司的评价指标编码；图10（c）为通过DHNN 算法计算所得评价结果，sim1-sim5分别为5家售电公司信用等级，与理论评价结果Ⅱ、Ⅱ、Ⅱ、Ⅳ、Ⅱ完全一致。

4.5 Box-plot算法处理前后对比

对比Box-plot 算法处理异常数据前后所得评价结果，如图11所示。

图11 Box-plot处理前后结果对比Fig.11 Comparison of results obtained before and after Box-plot

根据图11中（a）、（b）的比较，可见经Box-plot算法处理异常数据获得最优信用分值后，再通过DHNN 算法对售电公司进行信用评价，消除了过去传统DHNN 算法在数值异常时出现指标过于分散的弊端，使其分布更均衡，故所提模型适用于售电公司信用评价。

5 结语

传统DHNN 算法在数值异常时无法准确评价售电公司的信用水平。本文基于Box-plot 与正交化法，提出一种改进的DHNN 信用评价模型，较好地改善了传统DHNN 模型因数值异常而导致评价结果分布不均的问题。算例结果表明，改进的DHNN评价模型可准确评价售电公司的信用水平，指导电力市场中各市场成员规避信用风险。该信用评价模型还可为电力交易中心对其他市场主体的信用评价提供参考思路。