一种基于SVM的电力用户信用风险预警方法及系统技术方案

本发明专利技术涉及一种基于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。本发明专利技术通过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。

An early warning method and system of power user credit risk based on SVM

The invention relates to a SVM based power user credit risk early warning method and system, which sets a threshold value for the basic indicator of power user credit risk, and divides risk early warning intervals of different basic indicator of power user credit risk according to the threshold value; selects sample data for processing, and allocates corresponding weights for the basic indicator of power user credit risk by using the principal component analysis method, Calculate the risk pre-warning evaluation value of sample data, and divide the risk category according to the risk pre-warning evaluation value; establish the power user credit risk early-warning SVM model, and predict the power user credit risk; optimize the power user credit risk early-warning SVM model by taking the optimal parameter value as the parameter value of the power user credit risk early-warning SVM model. Through SVM classification model and parameter optimization, the invention has high prediction accuracy for non-linear relationship and small sample model and good early warning effect in credit risk early warning.

【技术实现步骤摘要】
一种基于SVM的电力用户信用风险预警方法及系统
本专利技术涉及信用预警
，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。
技术介绍
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、CreditRisk+模型、CreditMetrics模型以及CreditPortfolioView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(SupportVectorMachine，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。
技术实现思路
针对现有技术的不足，本专利技术提供一种基于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。本专利技术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。本专利技术具有以下有益效果及优点：本专利技术建立电力用户风险信用预警本文档来自技高网...

【技术保护点】
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；/n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；/n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；/n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；/n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。/n

【技术特征摘要】
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(...

【专利技术属性】
技术研发人员：王忠锋，胡博，王浩淼，张朝龙，李力刚，黄剑龙，喻海飞，
申请(专利权)人：中国科学院沈阳自动化研究所，国网辽宁省电力有限公司鞍山供电公司，国家电网公司，
类型：发明
国别省市：辽宁;21