基于加权时变泊松模型的电力信用风险判别及预警系统设计

周俊，袁佳明，万伟江

（国网衢州供电公司，浙江衢州 324000）

在电力企业中，赊销等方式是保证企业盈利、发展电力市场的重要手段[1]。由此产生的电费拖欠，会给电力企业带来经营风险，影响电力企业正常运营[2]。电力市场发展与电费及时、可靠回收之间的矛盾是电力企业亟待解决的现实问题。对电力信用风险进行判别时，通常采用基于灰色关联聚类系统[3]对电力企业风险进行判别。该方法以较高的精度提取电力企业常见特征，既可用于系统中的比例抽样，又可用于分类，但该方法较为复杂；使用Word 系统[4]进行电力用户风险判断时，根据计算结果获得最佳分类数，但是结果容易受到外部因素影响，导致判别效果较差。

为了改善传统系统判别效果差等问题，提出基于加权时变泊松模型的电力信用风险判别及预警系统设计。利用加权时变泊松模型，判别电力信用风险，并在硬件设备支持下及时预警。仿真结果表明，采用所提系统对电力信用风险判别及预警效果较好。

1 系统硬件结构设计

对长期稳定运行的电力用户来说，负荷特性保持其在所处的电力环境范围内，只在极少数情况下才能超过此范围[5]。因此，在上述信用风险判别后，可使用同期电力负载特性设定风险等级标准，并监视出现的电力消耗，针对不同风险判别误差作出相应警告[6]。因此，负载特性风险预警需要建立定期更新机制，对受到外界影响的最新负载特性值进行合理校正，保证所有电力信用风险均处于封闭值管控范围内，由此设计硬件结构[7]。

业务应用系统在开发时主要依赖平台服务、集成开发服务、平台任务调度服务、应用系统服务以及业务系统开发数据库。其中，平台服务需要独立部署，为系统提供组件程序包；集成开发服务必须遵从平台服务下载的组件包，当集成攻击关闭时，已下载的组件包将被自动删除，业务系统开发服务需要在人机部署平台下实现[8]。

1.1 系统组件关联设计

将系统不同层次间组件形式进行整合，形成不同层次编码模块，各个组件之间关系如图1 所示。

图1 系统组件关联设计

将展现层的各个控件连接到业务逻辑层的控制与管理模式之中，再通过公共组件层对异常行为进行检测，并经过数据层分析后进行实时预警[9-10]。

1.2 DSP核心组件

将接收电力信用风险信号的收发器通过TendaA9信号放大器发送到信号处理器之中。通过调节、放大处理后，将结果传送到CAN 总线，以此控制电力信用风险信号的接收速率[11]。

选择DSP 处理器作为核心组件，将平台集成在同一电路板中，如图2 所示。

图2 DSP处理器

该处理器的3 种工作状态为：第一种是信号输入和采集过程中，产生除了基本数据以外的其他干扰数据，经过编码后只在存储器中，不存储到ATA 设备中；第二种是编码后，数据被直接写入ATA设备中；第三种是回放状态，即从ATA设备中读取之前保存的数据，解码并回放[12]。当DSP 处于第一种工作状态时，可以切换到第二种或第三种工作状态[13]；当处于其他两种工作状态时，DSP只能回到第一种工作状态中。

1.3 宿主机接口设计

电力信用风险判别及预警系统宿主机接口设计如图3 所示。

图3 宿主机接口设计

图3中，eth0接口为预警管理接口；eth1接口为信用风险分析接口；eth2接口为信用风险判别接口；eth3接口为系统网关接口；eth4 接口为宿主机接口[14-16]。

宿主接口主要用于电力信贷风险识别和预警系统各组件之间的通信，通过各接口管理和分析日志数据。

2 软件设计

长期拖欠电费的现象屡见不鲜，严重影响电力企业的正常经营。在电力企业中引入信用管理系统，通过对用户信用评价规避电费回收风险。电力信用风险判别及预警系统总功能框架如下所示：

1）预处理功能：根据电力客户信用评价指标体系，对收集整理的样本数据进行预处理、归一化和缺陷值填充，为信用风险判别模型提供样本；

2）样本维护功能：动态维护信用评估培训样本数据；

3）指标维护功能：为实现定期动态维护功能，建立电力客户信用风险评估指标体系数据库；

4）模型维护功能：基于对电力用户缴费特点的全面调查与分析，设计加权时变泊松模型，实现加权时变泊松模型的动态维护功能；

5）评价管理功能：利用加权时变泊松模型，判别电力信用风险，并构建了电力客户信用评估数据库；

6）风险预警管理功能：采用应用层次分析模型，设计开发电力客户欠费预警系统，对短期欠费、中期欠费风险预警信息进行综合评价。

2.1 基于加权时变泊松模型风险判别

为了保证电力信用风险判别及预警系统能够准确进行判别和预警，通过构建加权时变泊松模型，判别电力信用风险。

设Q(x,y) 表示第y电力运行时段x内电力信用较差的用户数量，则x时段内有n个电力信用较差的概率为：

式中，f(t)表示在y电力运行时段内电力信用较差用户风险判断速率函数。

由于时段x内电力信用较差的用户受到多种因素影响，例如天气变化、地理环境、电气设备或其他因素影响，会出现负载特性值异常变化现象，并超过原始正常运行的范围，继续使用原有的设定方式会与当前出现的状态相冲突。

因此，信用等级判定与外界因素有关。为了简化模型，可将f(t) 看作线性函数，使用最大似然估计法，对不同运行时段内电力信用较差的概率进行加权，并赋予较大权重，增加紧邻区域的相关度。权重为：

式中，α表示最大似然因子；m表示出现电力信用的样本总数。

标记信用好为“1”，信用差为“0”，由此构建的加权时变泊松判别模型为：

式中，b为常数；K表示根据前一时刻的紧邻时刻预测值增益函数，i表示加权次数。

如果r(x) 为正时，那么判别的电力信用风险结果为1，说明该用户具有良好信用；如果r(x)为负时，电力信用风险结果为0，说明该用户信用风险较差。

2.2 预警流程设计

使用用户的最新电力数据，使负荷特性值保持合理的准确性，从而确保用户处于相应风险封闭值监控之下。因电力用户的运行特点不同，其校正程度可根据实际运行情况进行调整。信用风险等级标准设定如表1 所示。

表1 信用风险等级

预警流程如图4 所示。

图4 预警流程

实时监测某一用户运行数据，并与风险阈值进行对比分析，根据判别模型对相应情况进行及时预警。

3 实验分析

在硬件安装之前，需打开配件盒，将网线主动连接到硬件设备中，并接入网络。当使用PC 主机直接连接设备接口时，需使用HTTPS 协议登录管理界面，通过该界面获取验证结果。

3.1 组件调试

分别使用基于灰色关联聚类系统、Word 系统和基于加权时变泊松模型系统调试系统组件，调试结果如表2 所示。

表2 3种系统组件调试结果

分析表2 可知，基于灰色关联聚类系统在日期控件、图表控件两个组件下无调试，导致系统在判别过程中无日志交互行为，数据库不完善，导致系统判别不精准；使用Word 系统在文本框、图表控件和服务交互3 个组件下无调试，在系统使用过程中无数据增删改查功能，导致系统判别结果精准度较低；使用基于加权时变泊松模型系统调试系统组件，具备服务交互、增删改查功能，不会影响系统判别结果。

3.2 电力负荷演化分析

在3 种系统组件调试结果支持下，分析信用风险较低情况下的电力负荷演化情况，实验结果如图5所示。

图5 3种系统电力负荷演化情况

分析图5 可知，使用基于灰色关联聚类系统在2.0 ms 以后，无电力负荷出现，这种现象产生的原因正是组件调控阶段无日志交互，造成电力负荷演化突然中断，导致系统预警效果较差；使用Word 系统时负荷集中在7 500～9 000 MW 范围内，且在2.4 ms以后无电力负荷出现，缺少数据增删改查功能支持，使预警效果较差；使用基于加权时变泊松模型系统从开始到2.5 ms 时，始终存在电力负荷，且演化过程完整，为系统提供完整的数据支持，促使预警精准度较高。

4 结束语

以电力企业信用风险特征为出发点，文中分析和识别电力企业负荷特征，采用加权时变泊松模型设计电力企业信用风险判别及预警系统，根据不同风险等级预警信息构建电力用户风险响应机制，主要获得了以下研究成果：

1）该系统遵循构建风险预警系统的一般原则，在风险分级的基础上，阐述了风险预警思路，并根据实际电网企业的风险管理经验，提出了风险度量判定方案，利用信息化手段实现电力信用风险整体预警活动，构建长期风险响应机制。

2）因各电力用户负荷特性的运行特点不同，其风险阈值判断的准确性不高，且缺乏科学依据。为了解决这一问题，引入了加权时变泊松模型，以确定其风险阈值，并用备选数据随机重新排列原始负荷特征数据，以消除对风险阈值提取的影响。