CN110458313A - 一种基于svm的电力用户信用风险预警方法及系统 - Google Patents

一种基于svm的电力用户信用风险预警方法及系统 Download PDF

Info

Publication number
CN110458313A
CN110458313A CN201810424846.6A CN201810424846A CN110458313A CN 110458313 A CN110458313 A CN 110458313A CN 201810424846 A CN201810424846 A CN 201810424846A CN 110458313 A CN110458313 A CN 110458313A
Authority
CN
China
Prior art keywords
power consumer
warning
credit risk
consumer credit
svm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810424846.6A
Other languages
English (en)
Inventor
王忠锋
胡博
王浩淼
张朝龙
李力刚
黄剑龙
喻海飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Shenyang Institute of Automation of CAS
State Grid Liaoning Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Shenyang Institute of Automation of CAS
State Grid Liaoning Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Shenyang Institute of Automation of CAS, State Grid Liaoning Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201810424846.6A priority Critical patent/CN110458313A/zh
Publication of CN110458313A publication Critical patent/CN110458313A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明涉及一种基于SVM的电力用户信用风险预警方法及系统，将电力用户信用风险基础指标设定阈值，并根据阈值划分不同的电力用户信用风险基础指标的风险预警区间；选取样本数据，进行处理，运用主成分分析法对电力用户信用风险基础指标分配相应的权重，计算样本数据的风险预警评估值，根据风险预警评估值划分其所处的风险类别；建立电力用户信用风险预警SVM模型，并对电力用户信用风险进行预测；将得到的最优参数值作为电力用户信用风险预警SVM模型的参数值，对电力用户信用风险预警SVM模型进行优化。本发明通过SVM分类模型并进行参数的寻优，对于非线性关系和小样本模型具有较高的预测准确度，在信用风险预警中具有良好的预警效果。

Description

一种基于SVM的电力用户信用风险预警方法及系统
技术领域
本发明涉及信用预警技术领域，具体地说是一种基于SVM的电力用户信用风险预警方法及系统。
背景技术
随着电力体制改革的不断深入，电力企业面对用电客户的信用风险越来越大。电力客户存在着拖欠电费、窃电、违章用电的现象，影响了供电企业正常的经营活动，破坏了电力市场交易的正常秩序，对电力企业的发展、设备的更新造成了巨大的负面影响。为了防范电力公司面临的潜在风险，必须对电力客户进行信用风险评估和预警。
随着经济环境的日益复杂，企业信用风险的预警方法也在不断更新和完善，对企业信用风险的度量方法，大致分为五个阶段。
1.专家分析方法，常用的有“5C”法、“5P”法和“5W”法。
2.贷款评级法，由美国货币监理署(OCC)开发。
3.信用评分法，主要有单变量判别法、多元判别分析法以及Logistic回归等经典传统度量方法。
4.现代信用风险度量模型，包括KMV模型、Credit Risk+模型、Credit Metrics模型以及Credit Portfolio View模型等。
5.人工智能方法，包括BP神经网络模型和支持向量机模型等。
自20世纪80年代开始，以统计学习理论为基础的小样本、非线性机器学习方法，即支持向量机(SVM)越来越受到研究者的青睐。
支持向量机(Support Vector Machine，简称SVM)最初于1995年由Cortes&Vapnik首先提出，随着各界的深入研究，该算法可以成功处理回归问题(时间序列分析)和模式识别(分类问题、判别分析)，用于预测和综合评价等领域。
SVM是一种机器学习方法，这里的“机器”指的是一个算法，它建立在统计学习理论基础上，通过学习样本类别间分界面附近的准确信息，会自动寻找那些可以较好区分类别的支持向量，使构造出来的分类器在区分类别的基础上，还能够最大化类别之间的间隔，从而具备较好的推广性和较高的类别分辨精确度。在数学上SVM的训练可转化为一个带有约束条件的对偶问题，存在唯一解(全局最优解)，解决了BP神经网络算法无法避免局部最优以及训练结果不稳定等问题的困扰。
发明内容
针对现有技术的不足，本发明提供一种基于SVM的电力用户信用风险预警方法及系统，针对电力市场中存在的影响交易秩序的失信现象，解决电力市场中电力用户购售电信用风险预警问题。
本发明为实现上述目的所采用的技术方案是：
一种基于SVM的电力用户信用风险预警方法，包括以下步骤：
步骤1：将电力用户信用风险基础指标设定阈值，并根据阈值划分不同的电力用户信用风险基础指标的风险预警区间；
步骤2：在电力用户信用风险基础指标中选取样本数据，并对样本数据进行处理；
步骤3：根据处理后的样本数据，运用主成分分析法对电力用户信用风险基础指标分配相应的权重，计算样本数据的风险预警评估值，根据风险预警评估值划分其所处的风险类别；
步骤4：建立电力用户信用风险预警SVM模型，并对电力用户信用风险进行预测，得到惩罚因子C与RBF核函数参数的最优参数值；
步骤5：将得到的最优参数值作为电力用户信用风险预警SVM模型的参数值，对电力用户信用风险预警SVM模型进行优化。
所述电力用户信用风险基础指标包括企业申报信息、基本条件、经营能力、管理能力、财务状况、社会责任和信用记录。
所述对样本数据进行处理包括：
步骤1：对选取的不同电力用户信用风险基础指标的样本数据进行同趋化处理；
步骤2：对同趋化处理后的样本数据进行归一化处理，使样本数据的取值范围在[-1，1]。
所述样本数据包括训练样本和预测样本。
所述建立电力用户信用风险预警SVM模型，并对电力用户信用风险进行预测包括以下过程：
步骤1：对样本数据进行预降维处理；
步骤2：根据样本数据中的训练样本构建电力用户信用风险预警SVM模型，并根据该模型对预测样本的风险类别进行预测；
步骤3：将RBF核函数作为SVM分类核函数；
步骤4：确定电力用户信用风险预警SVM模型的两个参数：惩罚因子C和RBF核函数参数g，并对参数进行优化。
通过K次交叉验证法对参数进行优化，具体为：
把训练样本集分成K份大小一样的子集，取其中的一个子集为测试集，其余的K-1个子集合并作为训练集，用该测试子集检验训练集上训练分类器的精度；如此依次循环，直至每个子集都被测试一次，训练和测试分别进行K次；同时，设定惩罚因子C与RBF核函数参数g的变化范围和每次变化的步径大小，对每组变化的(C，g)分别完成如上的K次循环；最后，选取交叉验证准确率最高的分类器所对应的(C，g)作为最优的参数值。
一种基于SVM的电力用户信用风险预警系统，包括：
风险预警区间划分模块，用于将电力用户信用风险基础指标设定阈值，并根据阈值划分不同的电力用户信用风险基础指标的风险预警区间；
样本数据选取模块，用于在电力用户信用风险基础指标中选取样本数据，并对样本数据进行处理；
风险预警度评估模块，用于根据处理后的样本数据，运用主成分分析法对电力用户基础指标分配相应的权重，计算样本数据的风险预警评估值，根据风险预警评估值划分其所处的风险类别；
风险预测模块，用于建立电力用户信用风险预警SVM模型，并对电力用户信用风险进行预测，得到惩罚因子C与RBF核函数参数的最优参数值；
模型优化模块，用于将得到的最优参数值作为电力用户信用风险预警SVM模型的参数值，对电力用户信用风险预警SVM模型进行优化。
所述电力用户信用风险基础指标包括企业申报信息、基本条件、经营能力、管理能力、财务状况、社会责任和信用记录。
所述对样本数据进行处理包括：
步骤1：对选取的不同电力用户信用风险基础指标的样本数据进行同趋化处理；
步骤2：对同趋化处理后的样本数据进行归一化处理，使样本数据的取值范围在[-1，1]。
所述建立电力用户信用风险预警SVM模型，并对电力用户信用风险进行预测包括以下过程：
步骤1：对样本数据进行预降维处理；
步骤2：根据样本数据中的训练样本构建电力用户信用风险预警SVM模型，并根据该模型对预测样本的风险类别进行预测；
步骤3：将RBF核函数作为SVM分类核函数；
步骤4：确定电力用户信用风险预警SVM模型的参数：惩罚因子C和RBF核函数参数g，并对参数进行优化。
通过K次交叉验证法对参数进行优化，具体为：
把训练样本集分成K份大小一样的子集，取其中的一个子集为测试集，其余的K-1个子集合并作为训练集，用该测试子集检验训练集上训练分类器的精度；如此依次循环，直至每个子集都被测试一次，训练和测试分别进行K次；同时，设定惩罚因子C与RBF核函数参数g的变化范围和每次变化的步径大小，对每组变化的(C，g)分别完成如上的K次循环；最后，选取交叉验证准确率最高的分类器所对应的(C，g)作为最优的参数值。
本发明具有以下有益效果及优点：
本发明建立电力用户风险信用预警评价指标和评分标准，通过SVM分类模型并进行参数的寻优，基于SVM的电力用户信用风险预警方法及系统，对于非线性关系和小样本模型具有较高的预测准确度，在信用风险预警中具有良好的预警效果。
附图说明
图1是本发明的方法流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
如图1所示为本发明的方法流程图。
基于SVM的电力用户信用风险预警的方法，包括以下步骤：
步骤1：建立电力用户风险预警指标体系；
步骤1.1：根据我国电力行业具体情况，参考《电力企业信用评价规范》、《售电企业信用评价指标体系(试行)》，构建电力用户风险预警指标体系，见表1；
表1.我国电力用户信用风险预警指标体系
首先选取指标构建电力用户风险预警体系，各指标预警区间的划分主要参照国际标准、我国监管部门的相关规定，以及对已有专家、学者研究成果的整理。具体指标及相应阈值的确定如表1所示。
步骤1.2：参照国家标准、我国监管部门的相关规定，划分预警区间：风险区间：[0，风险阈值]，基本安全区间：[风险阈值，安全阈值]，安全区间：[安全阈值，∞)；
步骤2：样本数据的选取与处理；
步骤2.1：实际所选各指标与风险之间可能存在3种关系：指标值越大，风险越大；指标值越小，风险越大；指标值在某一区间内电力用户处于安全状态，而指标值越偏离这一区间，对应的风险越大。为了统一各指标与风险的变动方向，即指标值越大，风险值越大，对各类指标进行正向化处理；
步骤2.2：为了消除不同指标变量的量纲差异对实证结果可靠性的影响，对数据进行归一化处理，将各指标的取值范围x*限定在[-1，1]之间。归一法采用的是最大最小值法，转换函数如下：
其中x表示原始数据，x*表示处理后的数据，min表示原始数据样本中的最小值，max表示原始数据样本中的最大值。
步骤3：电力用户信用风险预警度评估；
步骤3.1：将原样本划分为两类，分别为训练样本和预测样本，用训练样本来构建SVM模型，用所构建的模型对预测样本的风险类别进行预测,即以2013-2015年前的样本数据(45个)来构建SVM模型，同时，用所构建的SVM模型对2016年的企业(15个)风险类别进行预测；
步骤3.2：运用主成分分析法计算各年度样本数据的综合风险得分，据此划分其所处的风险类别，Bartlett’s检验的显著性检验参数Sig.值显著为0，拒绝了各指标组成的相关矩阵是单位阵的假设，即各指标变量间具有较强的相关性；KMO统计量为0.523，表明这些指标变量间存在着一定程度的信息重叠，适合采用主成分分析法，样本的前七个主成分(一级指标)基本保持了原来30个变量(二级指标)的信息，累计方差贡献率达到86.02％(大于85％)，故提取这7个主成分为计算电力用户信用风险综合得分的基础。求出这7个主成分的因子得分F1、F2、F3、F4、F5、F6和F7，并以旋转后各因子的方差贡献率占这7个因子方差贡献率之和的比例为权重进行加权汇总计算电力用户的总和信用风险的分F。其中，由基本安全阙值与各级风险阙值构成的各级风险类别总和得分如表2所示，下面进行内容说明。
表2风险等级对应得分表
首先计算各企业的综合信用得分，并参照国际标准、我国监管部门的相关规定，以及对已有专家、学者研究成果的整理确定基本安全阈值和风险阈值，据此划分各年度各企业所处的风险级别。当基本安全值800≤企业综合得分≤1000时，则该企业处于安全区间，归为安全企业一类；当600≤企业综合得分<800时，则该企业处于基本安全区间，归为基本安全一类；当400≤企业综合得分<Ⅰ级风险阈值600时，则该企业处于Ⅰ级风险风险区间，归为Ⅰ级风险企业；当200≤企业综合得分<Ⅱ级风险阈值400时，则该企业处于Ⅱ级风险区间，归为Ⅱ级风险企业；当0≤企业综合得分<Ⅲ级风险阈值200时，则该企业处于Ⅲ级风险区间，归为Ⅲ级风险企业。
最终得到各风险类别样本数据统计表，如表3所示。
表3.不同样本风险类别统计表
步骤4：电力用户信用风险预警SVM模型的建立与检验；
步骤4.1：在模型构建之前，应先对样本数据进行预降维处理；
步骤4.2：核函数是实现SVM算法中将问题由输入空间映射到高维空间的关键因素，不同核函数采用不同的支持向量机算法，其形式与参数决定了分类器的类型和复杂程度。满足Mercer定理的函数都可以作为模型的核函数来运用，需要注意的是在支持向量机模型中选择不同的内积核函数会导致不同的算法。由于RBF核函数中只有一个参数g是可调节的，模型的运算难度大为降低；同时，已有研究表明，RBF核函数在大多情况都优于其他函数，具有较强的通用性。因此，选用RBF作为SVM分类核函数。
步骤4.3：在确定了核函数之后，需要确定SVM模型中的两个重要参数：惩罚因子C和RBF核函数参数g。所采用的参数优化方法为K次交叉验证法，其基本思路是：把训练样本集分成K份大小一样的子集，取其中的一个子集为测试集，而将其余的K-1个子集合并作为训练集，用该测试子集通过对比分类率进行检验训练集上训练分类器的精度；如此依次循环，直至每一个子集都被测试一次，根据训练训练出模型或者假设函数，训练和测试分别进行K次；同时，设定参数C与g的变化范围和每次变化的步径大小，对每组变化的(C，g)分别完成如上的K次循环；最后，选取交叉验证准确率最高的分类器所对应的(C，g)作为最优的参数值。
寻优的结果表明，当交叉验证准确率为100％时，SVM模型参数C值为138，g值为0.088。
步骤5：模型检验及预测结果分析，选定了核函数和模型参数后，将上一步确定的最优参数值(C，g)逐一对比来构建SVM风险预警模型，并对其准确率与历史数据相比较进行验证，准确率高(准确率≥85％)的SVM模型具有较高的可靠性，可以用于电力用户信用风险的预测当中，如果准确率不高(低于85％)，则返回步骤4.3。
根据选取的企业样本数据，在选定了核函数和优化模型参数后，在MATLAB中使用libsvm工具箱来构建SVM风险预警模型，并对其准确率进行验证。模型训练结果如表4所示，结果显示在15个测试样本中，有14个都得到了正确的归类，预测精确率达到93.333％。以上是对2013-2015年前的样本进行一次随机抽样得到的训练样本和测试样本的实证结果，为了克服随机性对SVM模型的影响，对原样本进行了多次随机抽样，构建多个基于不同随机训练样本与测试样本的SVM模型，观察其测试准确率是否有较大差异。基于10次随机抽样的SVM预测准确度分别为：86.667％、86.667％、93.333％、93.333％、86.667％、80％、93.333％、100％、100％、93.333％。基于10次随机抽样所构建的SVM模型对测试样本的分类预测准确度的均值为91.333％，故训练出的SVM模型具有较高的可靠性，可以应用于电力用户信用风险的预测当中。
注：风险类别中“1”表示安全，“2”表示基本安全，“3”表示风险
表4.采用SVM构建的模型对2016年15家电力企业风险预测表

Claims (11)

1.一种基于SVM的电力用户信用风险预警方法，其特征在于：包括以下步骤：步骤1：将电力用户信用风险基础指标设定阈值，并根据阈值划分不同的电力用户信用风险基础指标的风险预警区间；
步骤2：在电力用户信用风险基础指标中选取样本数据，并对样本数据进行处理；
步骤3：根据处理后的样本数据，运用主成分分析法对电力用户信用风险基础指标分配相应的权重，计算样本数据的风险预警评估值，根据风险预警评估值划分其所处的风险类别；
步骤4：建立电力用户信用风险预警SVM模型，并对电力用户信用风险进行预测，得到惩罚因子C与RBF核函数参数的最优参数值；
步骤5：将得到的最优参数值作为电力用户信用风险预警SVM模型的参数值，对电力用户信用风险预警SVM模型进行优化。
2.根据权利要求1所述的基于SVM的电力用户信用风险预警方法，其特征在于：所述电力用户信用风险基础指标包括企业申报信息、基本条件、经营能力、管理能力、财务状况、社会责任和信用记录。
3.根据权利要求1所述的基于SVM的电力用户信用风险预警方法，其特征在于：所述对样本数据进行处理包括：
步骤1：对选取的不同电力用户信用风险基础指标的样本数据进行同趋化处理；
步骤2：对同趋化处理后的样本数据进行归一化处理，使样本数据的取值范围在[-1，1]。
4.根据权利要求1或3所述的基于SVM的电力用户信用风险预警方法，其特征在于：所述样本数据包括训练样本和预测样本。
5.根据权利要求1所述的基于SVM的电力用户信用风险预警方法，其特征在于：所述建立电力用户信用风险预警SVM模型，并对电力用户信用风险进行预测包括以下过程：
步骤1：对样本数据进行预降维处理；
步骤2：根据样本数据中的训练样本构建电力用户信用风险预警SVM模型，并根据该模型对预测样本的风险类别进行预测；
步骤3：将RBF核函数作为SVM分类核函数；
步骤4：确定电力用户信用风险预警SVM模型的两个参数：惩罚因子C和RBF核函数参数g，并对参数进行优化。
6.根据权利要求5所述的基于SVM的电力用户信用风险预警方法，其特征在于：通过K次交叉验证法对参数进行优化，具体为：
把训练样本集分成K份大小一样的子集，取其中的一个子集为测试集，其余的K-1个子集合并作为训练集，用该测试子集检验训练集上训练分类器的精度；如此依次循环，直至每个子集都被测试一次，训练和测试分别进行K次；同时，设定惩罚因子C与RBF核函数参数g的变化范围和每次变化的步径大小，对每组变化的(C，g)分别完成如上的K次循环；最后，选取交叉验证准确率最高的分类器所对应的(C，g)作为最优的参数值。
7.一种基于SVM的电力用户信用风险预警系统，其特征在于，包括：
风险预警区间划分模块，用于将电力用户信用风险基础指标设定阈值，并根据阈值划分不同的电力用户信用风险基础指标的风险预警区间；
样本数据选取模块，用于在电力用户信用风险基础指标中选取样本数据，并对样本数据进行处理；
风险预警度评估模块，用于根据处理后的样本数据，运用主成分分析法对电力用户基础指标分配相应的权重，计算样本数据的风险预警评估值，根据风险预警评估值划分其所处的风险类别；
风险预测模块，用于建立电力用户信用风险预警SVM模型，并对电力用户信用风险进行预测，得到惩罚因子C与RBF核函数参数的最优参数值；
模型优化模块，用于将得到的最优参数值作为电力用户信用风险预警SVM模型的参数值，对电力用户信用风险预警SVM模型进行优化。
8.根据权利要求7所述的基于SVM的电力用户信用风险预警系统，其特征在于：所述电力用户信用风险基础指标包括企业申报信息、基本条件、经营能力、管理能力、财务状况、社会责任和信用记录。
9.根据权利要求7所述的基于SVM的电力用户信用风险预警系统，其特征在于：所述对样本数据进行处理包括：
步骤1：对选取的不同电力用户信用风险基础指标的样本数据进行同趋化处理；
步骤2：对同趋化处理后的样本数据进行归一化处理，使样本数据的取值范围在[-1，1]。
10.根据权利要求7所述的基于SVM的电力用户信用风险预警系统，其特征在于：所述建立电力用户信用风险预警SVM模型，并对电力用户信用风险进行预测包括以下过程：
步骤1：对样本数据进行预降维处理；
步骤2：根据样本数据中的训练样本构建电力用户信用风险预警SVM模型，并根据该模型对预测样本的风险类别进行预测；
步骤3：将RBF核函数作为SVM分类核函数；
步骤4：确定电力用户信用风险预警SVM模型的参数：惩罚因子C和RBF核函数参数g，并对参数进行优化。
11.根据权利要求10所述的基于SVM的电力用户信用风险预警系统，其特征在于：通过K次交叉验证法对参数进行优化，具体为：
把训练样本集分成K份大小一样的子集，取其中的一个子集为测试集，其余的K-1个子集合并作为训练集，用该测试子集检验训练集上训练分类器的精度；如此依次循环，直至每个子集都被测试一次，训练和测试分别进行K次；同时，设定惩罚因子C与RBF核函数参数g的变化范围和每次变化的步径大小，对每组变化的(C，g)分别完成如上的K次循环；最后，选取交叉验证准确率最高的分类器所对应的(C，g)作为最优的参数值。
CN201810424846.6A 2018-05-07 2018-05-07 一种基于svm的电力用户信用风险预警方法及系统 Pending CN110458313A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810424846.6A CN110458313A (zh) 2018-05-07 2018-05-07 一种基于svm的电力用户信用风险预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810424846.6A CN110458313A (zh) 2018-05-07 2018-05-07 一种基于svm的电力用户信用风险预警方法及系统

Publications (1)

Publication Number Publication Date
CN110458313A true CN110458313A (zh) 2019-11-15

Family

ID=68471590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810424846.6A Pending CN110458313A (zh) 2018-05-07 2018-05-07 一种基于svm的电力用户信用风险预警方法及系统

Country Status (1)

Country Link
CN (1) CN110458313A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826935A (zh) * 2019-11-22 2020-02-21 国网陕西省电力公司电力科学研究院 一种基于机器学习的中长期电力市场风险评估方法
CN111723367A (zh) * 2020-06-12 2020-09-29 国家电网有限公司 一种电力监控系统业务场景处置风险评价方法及系统
CN112200692A (zh) * 2020-08-27 2021-01-08 国网山东省电力公司日照供电公司 一种基于大数据的电力客户标签体系的构建方法和系统
CN112434887A (zh) * 2020-12-17 2021-03-02 同济大学 一种结合网络核密度估计和svm的供水管网风险预测方法
CN112768074A (zh) * 2021-01-19 2021-05-07 大禹(上海)医疗健康科技有限公司 一种基于人工智能的重疾风险预测方法及系统
CN112906910A (zh) * 2019-12-04 2021-06-04 北京沃东天骏信息技术有限公司 测试方法、系统、装置和电子设备
CN114565409A (zh) * 2022-03-01 2022-05-31 北京派瑞威行互联技术有限公司 一种广告运营智能预警方法及系统
CN116660621A (zh) * 2023-07-27 2023-08-29 江西琰圭技术服务有限公司 一种本地采样分析的防窃电智能管理系统
CN117094565A (zh) * 2023-10-19 2023-11-21 赛飞特工程技术集团有限公司 一种国有集团企业主体责任落实分级评估系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574220A (zh) * 2015-01-30 2015-04-29 国家电网公司 基于最小二乘支持向量机的电力客户信用评估方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574220A (zh) * 2015-01-30 2015-04-29 国家电网公司 基于最小二乘支持向量机的电力客户信用评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈朝晖等: "基于SVM的我国商业银行风险预警研究", 《武汉理工大学学报(信息与管理工程版)》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826935A (zh) * 2019-11-22 2020-02-21 国网陕西省电力公司电力科学研究院 一种基于机器学习的中长期电力市场风险评估方法
CN110826935B (zh) * 2019-11-22 2022-03-08 国网陕西省电力公司电力科学研究院 一种基于机器学习的中长期电力市场风险评估方法
CN112906910A (zh) * 2019-12-04 2021-06-04 北京沃东天骏信息技术有限公司 测试方法、系统、装置和电子设备
CN111723367B (zh) * 2020-06-12 2023-06-23 国家电网有限公司 一种电力监控系统业务场景处置风险评价方法及系统
CN111723367A (zh) * 2020-06-12 2020-09-29 国家电网有限公司 一种电力监控系统业务场景处置风险评价方法及系统
CN112200692A (zh) * 2020-08-27 2021-01-08 国网山东省电力公司日照供电公司 一种基于大数据的电力客户标签体系的构建方法和系统
CN112434887A (zh) * 2020-12-17 2021-03-02 同济大学 一种结合网络核密度估计和svm的供水管网风险预测方法
CN112434887B (zh) * 2020-12-17 2023-04-07 同济大学 一种结合网络核密度估计和svm的供水管网风险预测方法
CN112768074A (zh) * 2021-01-19 2021-05-07 大禹(上海)医疗健康科技有限公司 一种基于人工智能的重疾风险预测方法及系统
CN114565409A (zh) * 2022-03-01 2022-05-31 北京派瑞威行互联技术有限公司 一种广告运营智能预警方法及系统
CN116660621A (zh) * 2023-07-27 2023-08-29 江西琰圭技术服务有限公司 一种本地采样分析的防窃电智能管理系统
CN116660621B (zh) * 2023-07-27 2023-09-26 江西琰圭技术服务有限公司 一种本地采样分析的防窃电智能管理系统
CN117094565A (zh) * 2023-10-19 2023-11-21 赛飞特工程技术集团有限公司 一种国有集团企业主体责任落实分级评估系统
CN117094565B (zh) * 2023-10-19 2024-01-12 赛飞特工程技术集团有限公司 一种国有集团企业主体责任落实分级评估系统

Similar Documents

Publication Publication Date Title
CN110458313A (zh) 一种基于svm的电力用户信用风险预警方法及系统
Ahmad et al. Review of various modeling techniques for the detection of electricity theft in smart grid environment
Ye et al. A novel forecasting method based on multi-order fuzzy time series and technical analysis
Ma et al. Risk early warning and control of food safety based on an improved analytic hierarchy process integrating quality control analysis method
Muthukumaran et al. Impact of feature selection techniques on bug prediction models
Kamalov Sensitivity analysis for feature selection
Marghescu et al. Early‐warning analysis for currency crises in emerging markets: A revisit with fuzzy clustering
Li et al. Real-time warning and risk assessment of tailings dam disaster status based on dynamic hierarchy-grey relation analysis
Guerra et al. Machine learning for liquidity risk modelling: A supervisory perspective
Merkevicius et al. A hybrid SOM-Altman model for bankruptcy prediction
Chaudhary et al. Comparative Analysis of Entropy Weight Method and C5 Classifier for Predicting Employee Churn
Korsós et al. Testing and validating two morphological flare predictors by logistic regression machine learning
Sreedharan et al. A comparative analysis of machine learning classifiers and ensemble techniques in financial distress prediction
Wang et al. A rockburst proneness evaluation method based on multidimensional cloud model improved by control variable method and rockburst database
CN107016416A (zh) 基于邻域粗糙集和pca融合的数据分类预测方法
Agarwal et al. Machine learning based explainable financial forecasting
Yang et al. An evidential reasoning rule-based ensemble learning approach for evaluating credit risks with customer heterogeneity
Kovářík et al. Implementing control charts to corporate financial management
Wang et al. Driving risk evaluation applied to premium actuary for pay-how-you-drive vehicle insurance based on fuzzy multi criteria decision-making
Bundala Homo-Hetero Pairing Regression Model: An Econometric Predictive Model of Homo Paired Data
Harahap et al. Using support vector machines for classification datamining on international trade price index data
Zada et al. Classification of software failure incidents using SVM
Tuyen et al. Weak set-valued martingale difference and its applications
CN113723835B (zh) 火电厂用水评估方法和终端设备
Religia et al. Analysis of the Use of Particle Swarm Optimization on Naïve Bayes for Classification of Credit Bank Applications

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20191115

RJ01 Rejection of invention patent application after publication