基于BP神经网络电力大客户信用等级评价研究

王宇哲，雷 霞，陈晓盛，黄贵鸿，徐贵阳

（西华大学 电气与电子信息学院，成都 610039）

随着电力市场的发展，电力供需形势得到了缓解。电力供应具有公益服务的特点，供电企业提供优质服务差异化服务提上了议事日程。2011年国家电网公司提出对电力客户实现差异化服务，旨在优化电力客户服务流程，健全内部协同机制，建立以满足客户多样化电力需求为基础的服务理念，使客户可以持续享有高效、优质、特色的电力服务。目前，我国供电企业在电费回收预警、信用等级管理方面风险意识较为淡薄，电费回收风险预警体系建设不全，缺少科学性、系统性和全面性；信用评级管理无统一标准，供电企业频频面临恶意拖欠电费、违规用电或者因为经营不善导致无力支付电费的风险，这无疑给供电企业的运营带来巨大电费回收风险和损失。2015年起，我国在深圳进行电力改革试点，旨在打破输配电垄断，引入竞争。届时，竞争将更加激烈，供电企业亟需一套系统能够掌握电力客户信用情况，为电力客户提供优质、高效的服务。

现有的文献主要是研究了电力客户的信用等级评价指标的选取，通过主成分分析法筛选出主要的评价指标，再通过层析分析法确定各个指标的权重，从而确定企业的信用等级。文献[1]主要考虑了企业信用和经营能力2个方面的指标，通过Fuzzy AHP对信用等级进行评价。文献[2]参照电费管理人员的经验，对客户的缴费状况、偿还电费能力、资金变现能力、担保水平及经营环境等5个指标评分，并计算其相关系数，然后应用主成分分析方法进行处理，计算2个主成分的得分并排序，建立综合函数作为最终的综合评判标准，确定其信用等级。文献[3]提出利用模糊综合评判的方法对电力客户进行信用评价，从而确定客户所属的信用等级。文献[4]按照倒U性指标、线性指标和定性指标的不同特性，结合评分函数以及指标权重，共设立了18项信用等级评价指标。文献[5]充分结合“5C”要素，选取了3个一级指标，7个二级指标，21个三级指标，建立了基于区间数和熵权法的信用评价模型。

基于以上研究背景，本文信用等级评价指标的选取考虑了行业的发展状况、电力大客户的信用指标以及企业运营的财务指标。采用层次分析法建模对部分企业进行评价得到企业的信用等级，将其作为BP神经训练的目标值，通过训练一旦生成BP神经网络，该网络能够通过代入指标对电力大客户的信用等级进行计算，使得信用评级简单化。该方法将作为电力大客户风险预警管理系统的子模块，为供电企业对电力大用户的标准化、规范化风险管理提供统一标准，实现供电企业和电力客户的协调发展。

1 信用等级评价指标的选取

指标体系的选取与确定是评价模型的基础。指标体系的选取的合理性、科学性直接关系到模型的可靠性、输出的准确性，因此指标的选取一般要遵循以下规则：①指标数据真实可靠，容易获取；②该指标能够反应出电力客户的信用情况，以及电力客户所处行业、环境的运营情况；③指标应该尽量精简，避免指标复杂、重复给运算带来的不便[5]。本文中信用评级一年评价一次，为了对电力客户提供差异化服务，供电企业应该掌握客户的运营情况以及行业动态，供电公司可与电力大客户签署协议，供电企业为其提供更优质高效的服务，电力客户配合其考核指标数据的收集。

本文建立了能够反映客户所在行业的行业指标、反映客户历史交费情况的信用指标和反映客户运营情况的财务指标。

1.1 行业信用指标

行业信用指标主要包括4个定量指标和2个定性指标。定量指标包括产业的政策、企业的生命周期、是否为支柱产业、该企业所占的市场地位，通过专家打分确定其值，其评分度量表如表1所示。

表1 行业信用等级评分度量表

行业信用定量指标包括行业欠费率以及行业用电量下降户数比率。其计算公式为

行业欠费率X5=行业欠费总户数/行业总户数

行业用电量下降户数比率X6=行业用电量下降户数/行业总户数

1.2 企业信用指标

企业信用指标包括企业本期欠费比重、企业用电量环比增长率、企业拖欠电费次数比率3个定量指标，其数据均能够从营销平台中计算获取。其计算公式为

企业本期欠费比重X7=企业本年欠费额/本年应收电费额的比重

企业用电量环比增长率X8=（企业本期用电量-企业上期用电量）/企业本期用电量

企业拖欠电费次数比率X9=企业本年拖欠电费费次数/应交电费次数

1.3 企业财务指标

1.3.1 资产负债率

资产负债率是负债总额与资产总额比值，资产负债率反映在总资产中有多大比例是通过借债来筹资的[6]，也可以衡量企业在清算时保护债权人利益的程度。

资产负债率X10=总负债/总资产

1.3.2 流动比率

流动比率是流动资产与流动负债的比值，用来衡量企业流动资产在短期债务到期以前，可以变为现金用于偿还负债的能力[6]。

流动比率X11=流动资产合计/流动负债合计

1.3.3 资产报酬率

资产报酬率是净利润、利息费用、所得税总和与平均资产总和的比值[6]。

资产报酬率X12=（净利润+利息费用+所得税）/平均资产总额

2 评价方法及过程

2.1 数据样本预处理技术

由于各个指标数据太大，指标之间又存在不同的数量级，在BP神经网络训练时候，会导致网络传递函数提前达到饱和值，而且大量级数据会对小量级数据提供的信息产生覆盖，导致训练失败。因此应对样本数据预处理，本文采用传统较为简单的归一化数据处理。

对于正向指标有

对于负向指标有

2.2 BP神经网络技术

BP神经网络作为目前最常用的人工神经网络方法，是一个高度复杂的非线性动力学系统，它是基于误差反向传播算法的多层前向神经网络，包含输入层、隐含层和输出层3个神经元层次。输入信号从输入节点穿过各隐含层，然后传到输出节点，每一层节点的输出只影响下一层节点的输出，其最大特点是仅凭样本数据就能实现由Rm空间（m为输入层的节点数）到Rn空间（n为输出层节点数）的高度非线性映射，且映射结果由足够的训练样本来保证。其结构示意图如图1所示。

BP神经网络构建时应注意隐含节点数的选择，BP网络结构选择过大，训练中效率不高，可能出现过拟合现象，造成网络性能低，容错性下降；若选择过小，不能建立复杂映射关系，网络预测误差较大。本文采用公式（3）确定隐含层节点数

图1 BP神经网络结构示意图

其中n1为隐含层单元数，n为输入单元数，m为输出单元数，a为[1，10]之间。通过该公式得到隐含层节点最大值和最小值。从小到大逐个验证，待训练结果收敛后比较确定n1。

2.3 信用评级划分标准

为了为电力大客户提供更加多样化的服务，本文提出将信用评级的结果分为5个等级，其信用等级分类表如表2所示。

表2 信用等级分类

信用等级评价的目的是根据不同客户的信用等级采取不同的奖惩措施，以降低电力企业的经营风险，提高电力企业的经营水平[3]。针对不同信用等级的客户可采取如下具体的奖惩策略。

AAAAA级信用客户，该类企业具有优秀的信用记录，财务结构健全，对于市场有坚强适应力，欠电费风险极小，可给予调度优先政策、优惠电量、允许先用电后付费等优惠政策。

AAAA级信用客户，该类企业具有良好的信用记录，市场变化对其虽有影响但影响不大。对于此类用户，供电企业应多对其引导发展成AAAAA类用户。

AAA级信用客户，供电企业应对其发出黄色预警信号。该类企业信用记录一般，对市场适应力较弱。对此类用户可采取在调度、抢修、负荷上等级设为较低的优先级等政策。

AA级信用客户，该类企业信用记录差，多次拖欠电费，供电企业应对其发出橙色预警信号。实时关注其经营运营状况，采用预付电费、缴纳违约金等方式规避电费风险。

A级信用客户，信用等级状况甚为恶劣，随时可能中止营业，长期多次拖欠电费，电费回收机会甚微，供电企业应对其发出红色预警信号。可采用预付电费、叫缴纳违约金、上门催收、必要时限电等方式。

供电企业可结合客户的实际情况对其设计相应的惩奖措施，激励电力客户向更好的信用等级发展，降低电费风险的同时提高供电公司的服务质量。

2.4 层次分析信用评级模型

根据以上建立的电力客户信用分级指标，建立层次分析信用评价模型。信用指标分级及权重如表3所示。

表3 信用指标分级及权重

邀请10名电力公司营销部专家，遵照电力客户电费管理数据、电费管理人员的管理经验，对不同客户在以上所讨论的标准按照百分制原则进行了打分，属性层Ci满分都取100分，将其分为4个档次（0，25，50，75，100）。其计算公式如下

其中C为信用总得分，Ci为单项指标得分，ui为指标所占权重。根据最终得分将信用得分分为5级。0～20分为A类客户，20～40为AA类客户，40～60分为AAA类客户，60～80分为AAAA类客户，80～100分为AAAAA类客户。此结果作为BP神经网络训练的目标值。

图2 电力大客户风险预警管理系统

3 电力大客户风险预警管理系统

初步搭建了电力大客户风险管理预警系统，系统主要包括5个子系统。本文提出的信用等级评价方法将作为该系统的子模块，系统框图如图2所示。

电力客户管理子系统主要是按照行业分类管理，进行统一、标准化管理。行业分析预警子系统主要是将电力大客户按照行业分类，通过分析行业电量走势、电价走势、电费走势、线损走势、欠费标准化数据等，以表格数据、趋势线图、棒图等反映出来，对一类行业进行预警。电力客户信用评级子系统主要是通过建立指标，能够通过对指标的计算得出电力大客户的信用等级。电力客户欠费风险预测子系统主要是通过建立风险预测指标，能够对电力大用户欠费风险进行预测。风险管理预警决策子系统主要是结合行业风险预警、信用等级评价模型与欠费风险预测模型得到的结果纳入到风险预警决策模型，为供电企业给出对电力大用户欠费风险防范、规避和提供差异化服务提供有力的科学依据。

4 算例分析

本文通过收集某市电力公司2012—2013年56家电力大用户的历史数据进行算例分析。总共112组数据，筛选其中100组数据50家企业进行仿真计算，其中85组数据作为训练数据，15组数据作为测试数据。首先对50家电力企业进行评判，邀请营销部10位专家，根据其管理经验、信用评级的等级划分表，通过层次分析信用评价模型得到BP神经网络的训练的目标值。设置BP训练精度为0.01，训练次数为100 000次，隐含层节点数选取为12，使用Matlab软件进行BP神经网络的训练，其训练过程曲线如图3所示，模型经过32 805次训练达到设定的精度要求。

图3 BP神经网络训练过程曲线

根据Matlab软件运行的结果可以得出训练样本检验结果如表4所示，准确率可达到91.76%。

表4 样本训练结果

15组数据作为测试样本数据，BP神经网络预测均方误差曲线如图4所示。

通过生成BP神经网络得到的输出结果与层次分析模型得出的期望值对比如表5所示。由表5可得15组数据中出现3组数据输出值与期望值不相符，可得准确率达到80%。由于本文将信用等级分

为5个等级，即便评价值与期望值不相符，其评价结果信用等级只会上下浮动一个等级，供电企业对其提供的差异化服务不会出现太大的偏差。

表5 样本测试结果

图4 均方误差曲线

5 结论

本文通过建立信用等级评价指标，使用层次分析模型得到电力大用户信用等级，将其作为BP神经网络训练的目标值，通过Matlab软件进行训练仿真分析得出BP神经网络，一旦生成BP神经网络，便能通过指标对客户进行信用等级评价。但本方法也存在许多不足，本文为了使模型具有更高的精度，需要大量的历史数据进行训练，建立了行业指标、企业交费指标和财务指标3类指标，导致指标数太多，使得BP神经网络的训练花费大量的时间和训练次数。可改进BP神经网络算法、精简指标等方法加快收敛速度；BP神经网络存在样本依赖性问题，神经网络的准确性和训练数据多少有着极大的关系，尤其对于一个多输入多输出的网络，如果缺乏足够多的网络训练数据，网络预测值可能存在较大的误差。本文为使仿真效果明显，选取典型样本实例组成训练集，但在实际应用中，该模型可通过软件模拟，选择更多组数据进行仿真训练，克服BP神经网络对样本依赖性问题[7]。

信用评价指标体系的建立是一个不断完善的过程，在这个过程中要借鉴银行等其他行业的先进经验。随着电力市场的不断发展，供电企业更加注重客户信用评价、风险预警防范、多样化营销服务。因此，本文还存在许多的后续工作，构建营销决策模型，完善电力大用户风险预警管理系统。为企业提高业绩，规避风险。

[1]陈婷婷，姜健，张丽华.基于Fuzzy AHP的电力客户信用等级评价[J].科技与产业，2013，13（5）：107-109.

[2]周辉，王毅，钮文洁，等.电力客户信用综合评价的研究[J].电力自动化设备，2005，25（12）：15-18.

[3]任保瑞.基于模糊综合评判的电力客户信用评价[J].现代电力，2011，28（4）：90-94.

[4]李江，卢毅勤.电力客户信用等级评价体系构建研究[J].华北电力大学学报，2007，4（4）：9-12.

[5]许东辉.电力客户信用评价研究[D].北京：华北电力大学，2011.

[6]顾曦华.济南供电公司电力大客户欠费风险预警研究[D].保定：华北电力大学，2007.

[7]王小川.MATLAB神经网络43个案例分析[M].北京：北京航空航天大学出版社，2013.

[8]孔伟伟，张利益，郑斌，等.电力客户信用动态智能分析系统的设计及实现[J].现代电子技术，2013，36（4）：136-140.

[9]未瑞，罗国亮.基于聚类分析和层次分析法的电力客户信用评价研究[J].现代电力，2007，24（6）：80-84.

[10]牛小梅，张银玲.层次分析法在电力客户信用风险中的评价[J].计算机仿真，2010，28（5）：333-336.

[11]韩宁宁.供电公司电费安全风险预警模型研究[D].北京：华北电力大学，2012.

[12]周韩，刘东，吴子美.电力系统安全预警评估指标及其应用[J].电力系统自动化，2007，31（20）：45-48.

[13]李美娟.电力市场中市场风险预警系统的构建[J].科技管理研究.2011，31（8）：75-79.

[14]吴子美，刘东，周韩.基于风险的电力系统安全预警的预防性控制决策分析[J].电力自动化设备，2009，29（9）：105-109.