基于改進(jìn)DHNN模型的售電公司信用評(píng)價(jià)

李 源，藍(lán)歆格，尹純亞，商僑晏，王 森，戚格瑞，葛祥一

（1. 國(guó)網(wǎng)浙江省電力有限公司龍游縣供電公司，浙江 龍游 324400；2. 新疆大學(xué) 電氣工程學(xué)院，烏魯木齊 830017）

0 引言

隨著電力市場(chǎng)不斷發(fā)展，我國(guó)對(duì)售電公司信用管理愈加重視，但尚未形成一套公認(rèn)的、行之有效的評(píng)價(jià)方法。信用評(píng)價(jià)方法不成熟使得在市場(chǎng)管理中存在無法對(duì)售電公司進(jìn)行準(zhǔn)確評(píng)價(jià)等一系列問題。建立科學(xué)評(píng)價(jià)方法有助于準(zhǔn)確評(píng)價(jià)售電公司信用，提升電力市場(chǎng)信用管理水平，推動(dòng)構(gòu)建“三公”市場(chǎng)環(huán)境，有效規(guī)范市場(chǎng)行為。因此，構(gòu)建科學(xué)全面的信用評(píng)價(jià)方法迫在眉睫。

當(dāng)前電力行業(yè)中使用較多的信用評(píng)價(jià)模型，主要為層次分析法、隨機(jī)森林及要素模型等，尚無專門的售電公司信用評(píng)價(jià)模型［1-6］。文獻(xiàn)［7］提出基于層次分析法和主成分分析法的電力用戶信用綜合評(píng)價(jià)模型。文獻(xiàn)［8］結(jié)合德爾菲法與層次分析法構(gòu)建市場(chǎng)主體信用評(píng)價(jià)模型，對(duì)貴州市場(chǎng)進(jìn)行應(yīng)用研究。文獻(xiàn)［9］提出利用核主成分分析法和物元可拓理論，構(gòu)建售電公司信用評(píng)價(jià)模型，為信用評(píng)價(jià)提供參考。以上都是針對(duì)市場(chǎng)主體的評(píng)價(jià)研究，在使用中存在較復(fù)雜、易受外界環(huán)境影響等局限性，不完全適用于售電公司信用評(píng)價(jià)。

DHNN（離散型霍普菲爾德神經(jīng)網(wǎng)絡(luò)）在外界環(huán)境干擾或數(shù)據(jù)缺失的情況下仍可利用自適應(yīng)和自學(xué)習(xí)的聯(lián)想記憶能力識(shí)別、分辨各類事物，解決復(fù)雜的非線性分類問題［10］。文獻(xiàn)［11］構(gòu)建網(wǎng)絡(luò)空間信息防御能力評(píng)估指標(biāo)體系并確定指標(biāo)權(quán)重，將模糊綜合評(píng)價(jià)法所得數(shù)據(jù)作為平衡點(diǎn)建立DHNN 模型評(píng)估網(wǎng)絡(luò)空間防御能力。文獻(xiàn)［12］利用DHNN 理論，建立了試件力學(xué)性能的評(píng)價(jià)模型，實(shí)現(xiàn)對(duì)鎂合金的抗拉強(qiáng)度等級(jí)進(jìn)行評(píng)價(jià)分類。文獻(xiàn)［13］利用DHNN 的聯(lián)想記憶功能構(gòu)建評(píng)估模型，實(shí)現(xiàn)對(duì)有人機(jī)/無人機(jī)的協(xié)同作戰(zhàn)效能的評(píng)估。綜上所述，DHNN 在其他行業(yè)評(píng)價(jià)中已有所應(yīng)用且取得較好效果，但該算法在某些數(shù)值異常情況下可能會(huì)在反饋過程中出現(xiàn)偏差，從而造成無法進(jìn)行有效分類。由于電力市場(chǎng)中售電公司數(shù)量眾多，難免會(huì)出現(xiàn)異常數(shù)值。針對(duì)該現(xiàn)象，本文將Box-plot（箱形圖）算法與正交化法改進(jìn)DHNN算法引入到售電公司信用評(píng)價(jià)研究中。

本文根據(jù)電力系統(tǒng)中新能源高占比的特點(diǎn)并結(jié)合國(guó)網(wǎng)公司戰(zhàn)略目標(biāo)，首先，構(gòu)建信用評(píng)價(jià)指標(biāo)體系并利用德爾菲法賦權(quán)重。其次，基于Boxplot 算法與正交化法，提出一種改進(jìn)的DHNN 信用評(píng)價(jià)模型，實(shí)現(xiàn)對(duì)售電公司信用水平的客觀評(píng)價(jià)。最后，基于MATLAB 軟件進(jìn)行實(shí)例計(jì)算，驗(yàn)證所提模型的可行性。

1 售電公司信用評(píng)價(jià)指標(biāo)體系構(gòu)建

1.1 信用評(píng)價(jià)指標(biāo)選取

隨著售電側(cè)的放開，售電公司不斷參與到電力市場(chǎng)運(yùn)營(yíng)中，其市場(chǎng)經(jīng)營(yíng)活動(dòng)也逐漸納入交易中心運(yùn)營(yíng)管理。從管控售電公司經(jīng)營(yíng)風(fēng)險(xiǎn)、有效規(guī)范市場(chǎng)行為的角度來看，其“信用水平”也在新電力市場(chǎng)環(huán)境下受更多因素影響。故在電改新形勢(shì)下亟需一套適應(yīng)新形勢(shì)的信用評(píng)價(jià)體系，準(zhǔn)確評(píng)價(jià)售電公司的信用水平，防范信用風(fēng)險(xiǎn)發(fā)生。

當(dāng)前售電公司信用評(píng)價(jià)指標(biāo)主要考慮公司基本信息、社會(huì)責(zé)任等因素，尚未做到綜合考察影響信用的各種因素，只有構(gòu)建合適的評(píng)價(jià)指標(biāo)體系才能全面客觀反映售電公司真實(shí)的信用水平［14］。因此，本文基于現(xiàn)有售電公司信用評(píng)價(jià)指標(biāo)，以售電公司和交易中心為對(duì)象，構(gòu)建了包括基礎(chǔ)信息、基礎(chǔ)管理、合同管理、交易管理、結(jié)算管理、服務(wù)品質(zhì)、信息管理、企業(yè)管理、償債能力、盈利能力、信用記錄在內(nèi)的信用評(píng)價(jià)體系，如圖1所示。每個(gè)指標(biāo)由多個(gè)二級(jí)指標(biāo)組成，客觀評(píng)價(jià)售電公司守信能力、表現(xiàn)、意愿及財(cái)務(wù)情況，對(duì)售電公司進(jìn)行全方位考核。

圖1 售電公司信用評(píng)價(jià)指標(biāo)體系Fig.1 Credit evaluation index system of electricity sales companies

1.2 信用評(píng)價(jià)指標(biāo)賦值

國(guó)內(nèi)電力市場(chǎng)中對(duì)市場(chǎng)主體的信用評(píng)價(jià)工作起步較晚，當(dāng)前對(duì)評(píng)價(jià)指標(biāo)賦值主要采用專家打分法，過于主觀。在評(píng)價(jià)指標(biāo)的賦值上還需做到客觀合理，故在評(píng)價(jià)指標(biāo)賦值上選擇了較為科學(xué)、實(shí)用和客觀的德爾菲法。該方法邀請(qǐng)不同權(quán)威專家采用匿名方式獨(dú)立做出自己的判斷，避免其他繁雜因素影響。同時(shí)評(píng)分過程須反復(fù)征求專家意見-歸納、統(tǒng)計(jì)-匿名反饋-歸納、統(tǒng)計(jì)，經(jīng)過多輪反饋進(jìn)而使專家意見逐漸趨同。上述過程使該方法具有較好的科學(xué)性和實(shí)用性，同時(shí)具有一定程度綜合意見的客觀性，較為可靠。使用德爾菲法對(duì)評(píng)價(jià)指標(biāo)賦值流程如圖2所示，由電力市場(chǎng)權(quán)威專家對(duì)所有指標(biāo)進(jìn)行獨(dú)立匿名賦值，并經(jīng)過多輪征詢、歸納、修改，最后綜合多方經(jīng)驗(yàn)確定評(píng)價(jià)指標(biāo)分值。

圖2 德爾菲法賦值流程Fig.2 The assignment process using Delphi method

2 改進(jìn)的DHNN評(píng)價(jià)模型

構(gòu)建售電公司評(píng)價(jià)指標(biāo)體系僅是建立信用評(píng)價(jià)模型的前提條件。信用評(píng)價(jià)的流程包括確定評(píng)價(jià)目標(biāo)、構(gòu)建評(píng)價(jià)指標(biāo)體系、指標(biāo)權(quán)重賦值、選擇評(píng)價(jià)方法、對(duì)售電公司綜合評(píng)價(jià)。

信用評(píng)價(jià)方法是評(píng)價(jià)售電公司信用最重要的工具，貫穿整個(gè)評(píng)價(jià)模型的建立、分析判斷和評(píng)價(jià)分類過程。本文基于Box-plot 算法與正交化法提出改進(jìn)的DHNN 算法，以實(shí)現(xiàn)對(duì)售電公司信用水平的評(píng)價(jià)。

2.1 DHNN算法

不同于其他階層型神經(jīng)網(wǎng)絡(luò)算法，DHNN 算法通過模擬生物神經(jīng)網(wǎng)絡(luò)的記憶原理進(jìn)行分類運(yùn)算，可避免訓(xùn)練過程中不穩(wěn)定、數(shù)據(jù)缺失時(shí)出現(xiàn)評(píng)價(jià)誤差，又能較客觀全面考慮各信用因素間的相互影響，達(dá)到對(duì)售電公司信用評(píng)價(jià)的科學(xué)性與準(zhǔn)確性。DHNN為單層、輸出為二值的反饋網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，wij為神經(jīng)元連接權(quán)值；xj為外部輸入；yj為神經(jīng)元的輸出狀態(tài)。

圖3 DHNN網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 The DHNN network structure

第0 層無計(jì)算功能，僅為拓?fù)渚W(wǎng)絡(luò)結(jié)構(gòu)輸入層，代表若干假定研究指標(biāo)；第1 層執(zhí)行運(yùn)算任務(wù)，對(duì)輸入信息與權(quán)系數(shù)的乘積求累加和，經(jīng)過非線性函數(shù)f處理后產(chǎn)生輸出。f為簡(jiǎn)單閾值函數(shù)，當(dāng)神經(jīng)元輸出信息大于閾值θ，輸出為1（激活）；小于閾值θ時(shí)，輸出為-1（抑制）［15］。

對(duì)于二值神經(jīng)元hj，通過式（1）計(jì)算：

式中：xj為外部輸入，且。

當(dāng)考慮DHNN算法的一般節(jié)點(diǎn)狀態(tài)，yj(t)為第j個(gè)神經(jīng)元（即節(jié)點(diǎn)j在時(shí)刻t的狀態(tài)），節(jié)點(diǎn)下一時(shí)刻（t+1）的狀態(tài)為：

式中：hj(t)為神經(jīng)元j在t時(shí)刻的輸入；θj為t時(shí)刻的閾值；xj為外部輸入。

2.2 Box-plot算法

Box-plot 算法具有強(qiáng)抗差能力，不需嚴(yán)格服從統(tǒng)計(jì)學(xué)分布也可直接處理樣本數(shù)據(jù)。常用來處理數(shù)據(jù)中存在的異常值，在探索性數(shù)據(jù)分析、品質(zhì)管理及各類測(cè)評(píng)工程中被廣泛應(yīng)用。本文利用Box-plot 算法快速鑒別并處理待評(píng)價(jià)售電公司數(shù)據(jù)中存在的異常值，求解最優(yōu)信用評(píng)價(jià)分值，以進(jìn)一步提高DHNN 算法對(duì)售電公司信用的評(píng)價(jià)準(zhǔn)確性。

在計(jì)算中，Box-plot 將一組數(shù)據(jù)從大到小進(jìn)行排列，分別計(jì)算出上邊緣、上四分位數(shù)Q3、中位數(shù)、下四分位數(shù)Q1、下邊緣及異常值6 個(gè)數(shù)據(jù)節(jié)點(diǎn)，其原理如圖4所示。其中，下邊緣到上邊緣之間的距離為內(nèi)限，高于上邊緣或低于下邊緣處的值稱為異常值。

圖4 Box-plot算法Fig.4 Box-plot algorithm

四分位數(shù)在選定時(shí)僅與數(shù)據(jù)主體有關(guān)，不易受變化對(duì)象影響，具有較好的魯棒性，在識(shí)別變化對(duì)象方面有一定優(yōu)勢(shì)，能更客觀地分析大量數(shù)據(jù)。售電公司作為數(shù)量多、指標(biāo)多的主體，利用Box-plot算法可客觀分析大量數(shù)據(jù)的優(yōu)勢(shì)，剔除其中的數(shù)據(jù)異常值，以提高評(píng)價(jià)結(jié)果的準(zhǔn)確性。

3 改進(jìn)的DHNN信用評(píng)價(jià)流程

本文提出改進(jìn)的DHNN 信用評(píng)價(jià)模型，先處理待評(píng)價(jià)售電公司信用數(shù)據(jù)中存在的異常值，尋求最優(yōu)信用分值；在此基礎(chǔ)上應(yīng)用正交化法修正后的DHNN 算法分析售電公司的信用情況。該模型對(duì)售電公司信用評(píng)價(jià)流程如圖5所示。

圖5 改進(jìn)DHNN模型評(píng)價(jià)流程Fig.5 The evaluation process of an enhanced DHNN model

1）確定信用評(píng)價(jià)指標(biāo)體系，采用德爾菲法賦予指標(biāo)權(quán)重。

2）采用Box-plot 算法處理售電公司評(píng)價(jià)指標(biāo)數(shù)據(jù)中的異常值，求解最優(yōu)信用評(píng)價(jià)分值。

3）初始化DHNN網(wǎng)絡(luò)結(jié)構(gòu)。

4）為提高系統(tǒng)運(yùn)行的穩(wěn)定性、減少偽穩(wěn)定點(diǎn)，提高評(píng)價(jià)結(jié)果的準(zhǔn)確性，DHNN 算法中采用正交化法修正權(quán)值，步驟如下：

（1）輸入n個(gè)輸入模式t=（t2，t2，···，tn-1，tn）、參數(shù)τ和h。

（2）計(jì)算矩陣A=（t2-tn，t2-tn，···，tn-1-tn）。

（3）對(duì)A做奇異值分解A=USVT，并求出A的秩，U為m階正交矩陣，V為n階正交矩陣，S為m×n對(duì)角矩陣。

（4）通過UP=（U1，U2，···，Uk）、Um=（Uk+1，Uk+2，···，Un）計(jì)算權(quán)值：

（5）計(jì)算連接權(quán)值：

（6）計(jì)算偏差矩陣：

（7）計(jì)算修正權(quán)值：

（8）計(jì)算修正偏差b：

式中：C1=exp(h)-1；C2=-[exp(-τ×h)-1]/τ。

5）設(shè)立信用評(píng)價(jià)等級(jí)的劃分標(biāo)準(zhǔn)，并將所構(gòu)建的售電公司理想評(píng)價(jià)指標(biāo)進(jìn)行編碼作為評(píng)價(jià)模型輸入。

6）將待評(píng)價(jià)分類售電公司的評(píng)價(jià)指標(biāo)進(jìn)行賦值，應(yīng)用改進(jìn)的DHNN 算法實(shí)現(xiàn)對(duì)售電公司信用水平的評(píng)價(jià)。

7）獲得最終的售電公司信用評(píng)價(jià)結(jié)果。

構(gòu)建改進(jìn)的DHNN 模型評(píng)價(jià)售電公司的信用水平，一方面可以較好處理售電公司數(shù)量多、指標(biāo)較多，信用評(píng)價(jià)指標(biāo)數(shù)據(jù)中可能存在異常值的問題；另一方面，采用正交化法修正權(quán)值后的DHNN 算法在外界環(huán)境干擾、數(shù)據(jù)缺失等情況下仍可較好實(shí)現(xiàn)對(duì)各售電公司的評(píng)價(jià)工作。

4 算例分析

從某電力市場(chǎng)中隨機(jī)選取入市一年以上，且當(dāng)前評(píng)價(jià)等級(jí)分別為AAA、AA、A、B、C 的售電公司各4家，通過德爾菲法對(duì)各售電公司評(píng)價(jià)指標(biāo)進(jìn)行評(píng)分，以作算例分析。為保證算例的適用性，所選20 家樣本公司中包含純售電公司、兼具售電業(yè)務(wù)的發(fā)電公司在內(nèi)的多種不同性質(zhì)售電公司。

按順序?qū)?1 個(gè)評(píng)價(jià)指標(biāo)：X1（基礎(chǔ)信息）、X2（基礎(chǔ)管理）、X3（合同管理）、X4（交易管理）、X5（結(jié)算管理）、X6（服務(wù)品質(zhì)）、X7（信息管理）、X8（企業(yè)管理）、X9（償債能力）、X10（盈利能力）、X11（信用記錄）進(jìn)行變量標(biāo)號(hào)作為模型的評(píng)價(jià)指標(biāo)。采用德爾菲法對(duì)售電公司各指標(biāo)進(jìn)行賦值，如表1所示，以國(guó)內(nèi)電力市場(chǎng)信用評(píng)價(jià)中常用的三等五級(jí)制為準(zhǔn)，將信用被評(píng)價(jià)為AAA的公司標(biāo)簽設(shè)為Ⅰ，AA設(shè)為Ⅱ，A設(shè)為Ⅲ，B設(shè)為Ⅳ，C設(shè)為Ⅴ。

表1 20家售電公司信用等級(jí)與各對(duì)應(yīng)的評(píng)價(jià)指標(biāo)分值Table 1 Credit levels of twenty electricity sales companies and their corresponding evaluation indicator scores

4.1 信用評(píng)價(jià)指標(biāo)權(quán)重確定

將表1 中20 家售電公司Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ各等級(jí)樣本數(shù)據(jù)進(jìn)行篩選，取其平均值作為各等級(jí)的理想評(píng)價(jià)指標(biāo)分值（即作為DHNN 算法的平衡點(diǎn)），如表2所示。

表2 各等級(jí)的理想評(píng)價(jià)指標(biāo)分值Table 2 Ideal evaluation indicator scores for each credit level

根據(jù)定義，DHNN 算法的神經(jīng)元狀態(tài)僅有1和-1。若待評(píng)價(jià)指標(biāo)大于或等于某個(gè)等級(jí)指標(biāo)值，對(duì)應(yīng)神經(jīng)元狀態(tài)為“1”，以黑圈“●”表示；否則為“-1”，以白圈“○”表示。將表2所對(duì)應(yīng)5個(gè)等級(jí)的理想評(píng)價(jià)指標(biāo)進(jìn)行編碼，如圖6所示。

圖6 理想的5個(gè)信用評(píng)價(jià)指標(biāo)編碼Fig.6 Codes for five ideal credit evaluation indicators

4.2 待評(píng)價(jià)的售電公司評(píng)價(jià)指標(biāo)

為驗(yàn)證Box-plot-DHNN模型的可行性與準(zhǔn)確性，隨機(jī)挑選電力市場(chǎng)中5家信用評(píng)價(jià)待評(píng)價(jià)的售電公司為例，將各指標(biāo)通過德爾菲法評(píng)分后歸類入表，如表3所示。

表3 5家待評(píng)價(jià)的售電公司評(píng)價(jià)指標(biāo)分值Table 3 Evaluation indicator scores of five electricity sales companies under evaluation

上述5家待評(píng)價(jià)售電公司的信用評(píng)價(jià)指標(biāo)分值為855 分、810 分、845 分、495 分、815 分，對(duì)應(yīng)三等五級(jí)中的AA、AA、AA、B、AA 級(jí)（即Ⅱ、Ⅱ、Ⅱ、Ⅳ、Ⅱ等級(jí)）。根據(jù)DHNN 算法的編碼規(guī)則，將5 家未經(jīng)Box-plot 算法處理的待評(píng)價(jià)公司數(shù)據(jù)進(jìn)行編碼。第1家售電公司編碼如式（10）所示，其余4家公式同理類推即可，對(duì)應(yīng)MATLAB結(jié)果如圖7所示。

圖7 5家待評(píng)價(jià)的售電公司評(píng)價(jià)指標(biāo)編碼Fig.7 Evaluation indicator codes for five electricity sales companies under evaluation

4.3 未經(jīng)Box-plot處理

利用MATLAB 軟件中的sim（）函數(shù)創(chuàng)建DHNN 算法，將未經(jīng)過Box-plot 算法處理的5 家售電公司數(shù)據(jù)代入其中，得到相應(yīng)的信用評(píng)價(jià)結(jié)果，如圖8所示。

圖8 5家待評(píng)價(jià)售電公司指標(biāo)編碼Fig.8 Indicator codes for five electricity sales companies under evaluation

圖8（a）對(duì)應(yīng)圖6，為5 個(gè)理想評(píng)價(jià)指標(biāo)編碼，分別對(duì)應(yīng)等級(jí)Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ；圖8（b）對(duì)應(yīng)圖7，presim1-presim5 為未經(jīng)Box-plot 算法處理的5 家待評(píng)價(jià)售電公司評(píng)價(jià)指標(biāo)編碼；圖8（c）為通過DHNN 算法計(jì)算所得信用評(píng)價(jià)結(jié)果，sim1-sim5分別為5家售電公司信用等級(jí)。其中，第5家售電公司（sim5）評(píng)價(jià)結(jié)果為空白。可見第5家售電公司的信用分值中存在異常值，導(dǎo)致指標(biāo)過于分散出現(xiàn)了評(píng)價(jià)不準(zhǔn)確的情況。

4.4 經(jīng)Box-plot處理后

為解決售電公司信用數(shù)據(jù)中的異常值帶來無法有效評(píng)價(jià)的弊端，將5家待評(píng)價(jià)公司的信用數(shù)據(jù)通過MATLAB 數(shù)學(xué)軟件代入Box-plot 算法中。利用統(tǒng)計(jì)學(xué)原理對(duì)存在過于分散的指標(biāo)數(shù)值進(jìn)行處理，剔除其中的異常值，計(jì)算存在異常值售電公司的最優(yōu)信用分值（即按Box-plot算法的原理取其中位數(shù)）。經(jīng)計(jì)算發(fā)現(xiàn)，5 家公司中僅第5 家存在數(shù)據(jù)異常值，對(duì)其處理后取其最優(yōu)分值，如圖9中紅線處所示。

圖9 Box-plot算法處理后所取的結(jié)果Fig.9 Results obtained through Box-plot algorithm

為清晰表示Box-plot 處理后所得售電公司各指標(biāo)的最優(yōu)分值，參照?qǐng)D9將其重新列于表4。

表4 Box-plot處理后5家待評(píng)價(jià)售電公司評(píng)價(jià)指標(biāo)分值Table 4 Evaluation indicator scores of five electricity sales companies obtained through Box-plot algorithm

將Box-plot 算法處理后所得售電公司最優(yōu)信用分值帶入DHNN 算法中進(jìn)行計(jì)算，得結(jié)果如圖10所示。

圖10 經(jīng)處理后5家待評(píng)價(jià)售電公司指標(biāo)編碼Fig.10 Indicator codes of five electricity sales companies obtained through algorithms

由圖10 可知，圖10（a）同樣對(duì)應(yīng)圖6，為5 個(gè)理想評(píng)價(jià)指標(biāo)編碼，分別對(duì)應(yīng)等級(jí)Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ；圖10（b）中presim1-presim5 則表示經(jīng)Boxplot算法處理后5家待評(píng)價(jià)售電公司的評(píng)價(jià)指標(biāo)編碼；圖10（c）為通過DHNN 算法計(jì)算所得評(píng)價(jià)結(jié)果，sim1-sim5分別為5家售電公司信用等級(jí)，與理論評(píng)價(jià)結(jié)果Ⅱ、Ⅱ、Ⅱ、Ⅳ、Ⅱ完全一致。

4.5 Box-plot算法處理前后對(duì)比

對(duì)比Box-plot 算法處理異常數(shù)據(jù)前后所得評(píng)價(jià)結(jié)果，如圖11所示。

圖11 Box-plot處理前后結(jié)果對(duì)比Fig.11 Comparison of results obtained before and after Box-plot

根據(jù)圖11中（a）、（b）的比較，可見經(jīng)Box-plot算法處理異常數(shù)據(jù)獲得最優(yōu)信用分值后，再通過DHNN 算法對(duì)售電公司進(jìn)行信用評(píng)價(jià)，消除了過去傳統(tǒng)DHNN 算法在數(shù)值異常時(shí)出現(xiàn)指標(biāo)過于分散的弊端，使其分布更均衡，故所提模型適用于售電公司信用評(píng)價(jià)。

5 結(jié)語(yǔ)

傳統(tǒng)DHNN 算法在數(shù)值異常時(shí)無法準(zhǔn)確評(píng)價(jià)售電公司的信用水平。本文基于Box-plot 與正交化法，提出一種改進(jìn)的DHNN 信用評(píng)價(jià)模型，較好地改善了傳統(tǒng)DHNN 模型因數(shù)值異常而導(dǎo)致評(píng)價(jià)結(jié)果分布不均的問題。算例結(jié)果表明，改進(jìn)的DHNN評(píng)價(jià)模型可準(zhǔn)確評(píng)價(jià)售電公司的信用水平，指導(dǎo)電力市場(chǎng)中各市場(chǎng)成員規(guī)避信用風(fēng)險(xiǎn)。該信用評(píng)價(jià)模型還可為電力交易中心對(duì)其他市場(chǎng)主體的信用評(píng)價(jià)提供參考思路。