一种风险控制系统及方法
【专利摘要】本发明提出一种风险控制系统及方法，用于对电力交易平台中的交易数据进行风险监控，其方法包括以下步骤：(1)确定评估指标体系，根据被评对象的性质、特征及评价目的确定评估指标体系，包括评估指标的分类和层次、评估指标的具体设置、评估标准的确定；(2)收集基础数据，根据评估指标的设置收集评价对象的相关数据，对指标进行预处理；(3)权重确定，对指标赋予权重；(4)综合评价，对被评对象的各方面与总体信用状况进行评分并划分级别，以此反映出评价对象的信用风险状况。其有益效果为解决了现有的电力交易平台中风险监控方法成本高、效果差的问题。
【专利说明】—种风险控制系统及方法
【技术领域】
[0001]本发明涉及电力交易平台的风险控制领域，具体地涉及一种电力交易平台的风险控制系统及方法。
【背景技术】
[0002]一直以来的电力交易平台，采用一些简单的信息技术，远远跟不上新时代的自动化技术、信息技术、计算机技术尤其是智能技术的发展，处于智能技术的低级、简单应用，业务自动化程度不高、数据实时性不强，供电企业与用户联动、互动平台未形成。
[0003]电力用户既是企业最大的利润来源，也是最大的风险来源。电力企业要掌握用电用户的信用状况，首先要对用电用户进行信用风险评估，信用风险评估将反映用电用户信用状况的各种特征加以综合考虑，最后得到对用电用户的信用综合评价值。现有信息风险评估都是采用人工简单加权各项指标，得到一个粗略的评价值，不能很正确反映用户的信用等级和质量，其投入的成本高，效率低。
【发明内容】
[0004]本发明的目的在于提供一种基于神经网络的电力交易平台的风险控制系统，以解决现有的电力交易平台中风险监控方法成本高、效果差的问题。
[0005]本发明的目的在于提供一种基于神经网络的电力交易平台的风险控制方法，以解决现有的电力交易平台中风险监控方法成本高、效果差的问题。
[0006]为了达到上述目的，本发明采用以下技术方案:
[0007]—种电力交易平台的风险控制系统，用于对电力交易平台中的交易数据进行风险监控，所述系统包括风险监控模块(10)和电网交易平台(5)，风险监控模块(10)实时对电网交易平台(5)中的交易数据进行风险监控，所述风险监控模块(10)由信息采集单元(I)、训练单元(2)、存储单元(3)和应用单元(4)组成，训练单元(2)由信息输入单元(21)和计算单元(22)组成，所述存储单元(3)用于对训练单元(2)的结果进行存储，存储单元(3)中的网络特征值提取单元(31)对网络特征值进行提取，应用单元(4)与存储单元(3)相连，所述应用单元(4)包括风险评估模型(41)和风险监控单元(42)。
[0008]进一步地，所述电网交易平台(5)中的风险监控单元(42)直接与风险监控模块
(10)相连，对风险监控模块(10)中的交易数据进行实时监控，所述训练单元(2)以机器学习的方式构建，通过信息采集单元(I)采集到信息输入单元(21)中，再经过计算单元(22)计算出用户信任等级，通过网络特征值提取单元(31)将训练单元(2)中的运算结果提取出来，把提取的网络特征值存入存储单元(3)中，存储单元(3)中包括数据库，将存储单元(3)中的数据作为结果直接应用于风险评估模型(41)中，再通过风险监控单元(42)反馈给电网交易平台(5)。
[0009]本发明还提出一种基于神经网络的电力交易平台的风险控制方法，用于对电力交易平台中的交易数据进行风险监控，包括以下步骤:[0010](I)确定评估指标体系，根据被评对象的性质、特征及评价目的确定评估指标体系，包括评估指标的分类和层次、评估指标的具体设置、评估标准的确定；
[0011](2)收集基础数据，根据评估指标的设置收集评价对象的相关数据，对指标进行预处理；
[0012](3)权重确定，对指标赋予权重；
[0013](4)综合评价，对被评对象的各方面与总体信用状况进行评分并划分级别，以此反映出评价对象的信用风险状况。
[0014]进一步地，所述的综合评价为一种基于RBF神经网络的电力用户信用评级方法，其实施步如下:
[0015]步骤一:由评价模型确定RBF网络的输入输出变量；
[0016]在RBF网络中，输入层到隐含层的基函数输出是一种非线性映射，隐含层采用的是方程式(I)中的Gaussian径向基函数，而输出层采用线性激活函数；
[0017]步骤二:获取样本数据，建立RBF学习样本数据；
[0018]步骤三:RBF网络初始化:
[0019]初始化网络权值，选取隐层节点数，输入节点数5个，输出节点数I个；确定评估的指标体系，即将评估的指标体系作为RBF神经网络的输入向量，在信用评级中，设定系统由五个考察电力用户信用状况的主要因素构成，分别为:kl、k2、k3、k4、k5，由此对应于RBF神经网络的五个输入量。
[0020]步骤四:由模糊聚类算法确定网络基函数中心；
[0021]步骤五:确定RBF网络的宽度参数σ ;
[0022]步骤六:由梯度下降法调整RBF网络的权值:
[0023]所述权值采用主观赋权法与客观赋权法相结合，首先根据专家经验设置指标权重，以此作为RBF神经网络权值的初始值，随后再根据学习样本不断调整神经网络权值，达到学习优化的目标；
[0024]步骤七:由网络结构优化算法确定隐层节点数；
[0025]步骤八:网络训练完成，建立信用评估模型:
[0026]步骤八:由信用评价模型对用户进行评级
[0027]信用评价将指标与指标的权重结合起来，采用神经网络计算出对评价对象的综合评价值，以此作为衡量评价对象风险的直接依据，采用加权评分法对用户进行信用等级评价。
[0028]相对于现有技术，本发明的有益效果是:
[0029]本发明的有益效果是:本发明采用RBF网络的方式来构建用户信任评级模型，可以将一些潜在的风险因素纳入模型的计算过程中，有效地提高电力易平台的用户质量。并且，本发明以用户信任评级模型的输出是作为风险规则的输入，可以大大提高电力交易平台的质量，以及降低电力交易平台整体的风险损失。
[0030]1、本发明在监控风险数据的过程中，始终是将用户信任评级模型的输出作为风险规则的输入，而用户信任评级模型不同的输出可能会引用到不同的风险判断规则，这样可以大大提高风险监控的效果。
[0031]2、本发明所用的用户信任评级模型是计算机自主构建的，相对于传统以人工经验训练的用户信任评级模型，可以避免模型中出现主观性和片面性的因素，并以数据本身作为模型的构建基础，可以将一些潜在的风险因素纳入模型的计算过程中，有效地提高了风险数据的拦截效率。
[0032]当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
【专利附图】
【附图说明】
[0033]图1为风险控制系统及方法结构图；
[0034]图2为电力信用评级流程图；
[0035]图3为基于RBF神经网络的电力用户信用评级模型；以及
[0036]图4为基于RBF神经网络的用电用户信用评级方法的实施流程图。
[0037]信息采集单元I ;信息输入单元21 ;计算单元22 ;训练单元2 ；网络特征值提取单元31 ;存储单元3 ;风险评估模型41 ;风险监控单元42 ;应用单元4 ;电网交易平台5 ;风险监控模块10
【具体实施方式】
[0038]电力用户既是企业最大的利润来源，也是最大的风险来源。电力企业要掌握用电用户的信用状况，首先要对用电用户进行信用风险评估，信用风险评估将反映用电用户信用状况的各种特征加以综合考虑，最后得到对用电用户的信用综合评价值。
[0039]本发明的风险控制系统就是用来对电力交易中的交易行为进行监控，过滤出具有风险的用电用户的信用评价数据，并返回给电力交易平台，进行电力调价、停供等相应处理，以避免电力企业的财产损失。本风险控制系统既可以是单独设立的一个服务器，也可以是集成在电力交易平台中的一个附属系统。
[0040]本发明的主要思想是在风险控制系统及方法中引入信用评级模型，作为判断风险的数据基准，并将用户信任评级模型的计算结果输出作为风险规则的输入，实现对电力交易过程中的风险进行监控。
[0041]下面结合附图，具体说明本发明:
[0042]参见图1，为本发明的风险控制系统及方法结构图，此风险控制系统及方法包括风险监控模块(10)和电网交易平台(5)，风险监控模块(10)实时对电网交易平台(5)中的交易数据进行风险监控，发现存在风险的用户数据。其中风险监控模块(10)由信息采集单元(I)、训练单元(2)、存储单元(3)和应用单元(4)组成，训练单元(2)由信息输入单元(21)和计算单元(22)组成，存储单元(3)将训练单元(2)的得到的结果进行存储，存储单元(3)中的网络特征值提取单元(31)对网络特征值进行提取，应用单元(4)为将存储单元(3)中的数据进行应用，包括风险评估模型(41)和风险监控单元(42)。
[0043]在运行过程中，风险监控模块(10)对电网交易平台(5)中的交易数据进行实时监控，并通过信用评级模型计算出交易数据的风险等级。训练单元(2)以机器学习的方式构建的，通过信息采集单元(I)中的采集入到信息输入单元(21)中，再经过计算单元(22)，计算出用户信任等级，通过网络特征值提取单元(31)将训练单元(2)中的运算结果提取出来，把提取的网络特征值存入存储单元(3)中，存储单元(3)中包括数据库，将存储单元(3)中的数据作为结果直接应用于风险评估模型(41)中，再通过风险监控单元(42)反馈给电网交易平台(5)，达到对用户交易实时监控的目的。
[0044]本风险控制系统及方法将从以下几个方面对电力用户进行信任等级进行确定:
[0045]I)电力信用评级流程:
[0046]本发明的基于神经网络的风险控制方法的信用评估的流程与步骤如下:
[0047](I)确定评估指标体系。涉及用电用户信用分析的信息非常广泛，包括用户的财务状况、利润状况等。根据被评对象的性质、特征及评价目的确定评估指标体系，包括评估指标的分类和层次、评估指标的具体设置、评估标准的确定。
[0048](2)收集基础数据。根据评估指标的设置收集评价对象的相关数据，并根据“指标变动方向一致性原则”与“指标同量纲原则”对指标进行预处理。
[0049](3)权重确定。采用科学赋权方法，结合各指标自身的重要程度，对指标赋予权重。
[0050](4)综合评价。对被评对象的各方面与总体信用状况进行评分并划分级别，以此反映出评价对象的信用风险状况。
[0051]2)基于神经网络的电力用户信用评级方法
[0052]径向基函数(Radial basis function, RBF)神经网络具有结构简单收敛速度快便于实现以及较强的鲁棒性等优点，广泛应用于模式识别函数逼近及自动控制等领域。RBF神经网络的结构通常分层:输入层隐层和输出层隐层节点由径向基函数构成，这类函数的特点是其反应与中心节点的距 离单调递减，即输入矢量与径向基函数(高斯函数)中心的距离越小，隐节点的响应越大，能将低维空间线性不可分问题映射到高维空间，使其在高维空间线性可分输出层为线性层，完成对隐层空间模式的线性分类，提供了从隐层单元空间到输出空间的线性变换。是指某种沿径向对称的标量函数，通常定义为空间中任意一点到某一中心之间的欧几里得距离的单调函数。最常用的径向基函数为Gaussian函数。RBF神经网络的拓扑结构如图2所示，是一种三层前馈网络，即输入层、隐含层和输出层。在RBF网络中，输入层到隐含层的基函数输出是一种非线性映射，隐含层采用的是方程式(I)中的Gaussian径向基函数，而输出层采用线性激活函数。
(I2 N
U-c;.[0053]h) = exp -1-j~
^ ^ ^ ⑴
[0054]其中Ilj是第j个隐含层神经元的输出，X是输入向量，Cj是隐层神经元的中心，σ j是隐层神经元中心的宽度参数。
[0055]为了较好地对电力用户的信用状况进行评级，本发明采用一种基于RBF神经网络的电力用户信用评级方法，基于神经网络的风险控制方法的实施步骤如图3所示:
[0056]步骤一:由评价模型确定RBF网络的输入输出变量；
[0057]在RBF网络中，输入层到隐含层的基函数输出是一种非线性映射，隐含层采用的是方程式(I)中的Gaussian径向基函数，而输出层采用线性激活函数。
[0058]步骤二:获取样本数据，建立RBF学习样本数据；
[0059]步骤三:RBF网络初始化:
[0060]初始化网络权值，选取隐层节点数，输入节点数5个，输出节点数I个；确定评估的指标体系，即将评估的指标体系作为RBF神经网络的输入向量，在信用评级中，设定系统由五个考察电力用户信用状况的主要因素构成，分别为:kl、k2、k3、k4、k5，由此对应于RBF神经网络的五个输入量；
[0061]步骤四:由模糊聚类算法确定网络基函数中心；
[0062]步骤五:确定RBF网络的宽度参数σ ;
[0063]步骤六:由梯度下降法调整RBF网络的权值:指标体系建立后，其中每项指标的重要性不同，给不同指标赋予不同的权重，才能体现出它们对用电用户信用状况不同程度的影响。指标权重的确定方法很多，基本上分为两大类:主观赋权法与客观赋权法。主观赋权的方法主要有专家评判法，其原理是依靠具备相关经验的专家，凭借经验主观地对各项指标进行权重设置；客观赋权的方法是直接根据各个指标的原始信息经过一定数学处理后获得权数的一种方法。本发明中将主观赋权法与客观赋权法相结合，首先根据专家经验设置指标权重，以此作为RBF神经网络权值的初始值，随后再根据学习样本不断调整神经网络权值，达到学习优化的目标。
[0064]步骤七:由网络结构优化算法确定隐层节点数；
[0065]步骤八:网络训练完成，建立信用评估模型:
[0066]步骤九:由信用评价模型对用户进行评级。信用评价将指标与指标的权重结合起来，采用神经网络计算出对评价对象的综合评价值，以此作为衡量评价对象风险的直接依据，本发明中信用综合评价模型采用加权评分法。
[0067]本发明采用RBF网络的方式来构建用户信任评级模型，可以将一些潜在的风险因素纳入模型的计算过程中，有效地提高电力易平台的用户质量。并且，本发明以用户信任评级模型的输出是作为风险规则的输入，可以大大提高电力交易平台的质量，以及降低电力交易平台整体的风险损失。
[0068]虽然上面的例举了一些特定实施例来说明和描述本发明，但并不意味着本发明仅局限于其中的各种细节。相反地，在等价于权利要求书的范畴和范围内可以不偏离本发明精神地在各种细节上做出各种修改。
【权利要求】
1.一种风险控制系统，用于对电力交易平台中的交易数据进行风险监控，包括风险监控模块(10)和电网交易平台(5)，风险监控模块(10)实时对电网交易平台(5)中的交易数据进行风险监控，其特征在于:所述风险监控模块(10)由信息采集单元(I)、训练单元(2)、存储单元(3)和应用单元(4)组成，训练单元(2)由信息输入单元(21)和计算单元(22)组成，所述存储单元(3)用于对训练单元(2)的结果进行存储，存储单元(3)中的网络特征值提取单元(31)对网络特征值进行提取，应用单元(4)与存储单元(3)相连，所述应用单元(4)包括风险评估模型(41)和风险监控单元(42)。
2.根据权利要求1所述的风险控制系统，其特征在于，所述电网交易平台(5)中的风险监控单元(42)直接与风险监控模块(10)相连，对风险监控模块(10)中的交易数据进行实时监控，所述训练单元(2)以机器学习的方式构建，通过信息采集单元(I)采集到信息输入单元(21)中，再经过计算单元(22)计算出用户信任等级，通过网络特征值提取单元(31)将训练单元(2)中的运算结果提取出来，把提取的网络特征值存入存储单元(3)中，存储单元(3)中包括数据库，将存储单元(3)中的数据作为结果直接应用于风险评估模型(41)中，再通过风险监控单元(42)反馈给电网交易平台(5)。
3.一种基于神经网络的风险控制方法，用于对电力交易平台中的交易数据进行风险监控，其特征在于:包括以下步骤: (1)确定评估指标体系，根据被评对象的性质、特征及评价目的确定评估指标体系，包括评估指标的分类和层次、评估指标的具体设置、评估标准的确定； (2)收集基础数据，根据评估指标的设置收集评价对象的相关数据，对指标进行预处理； (3)权重确定，对指标赋予权重； (4)综合评价，对被评对象的`各方面与总体信用状况进行评分并划分级别，以此反映出评价对象的信用风险状况。
4.根据权利要求3所述的风险控制系统及方法，其特征在于，所述的综合评价为一种基于RBF神经网络的电力用户信用评级方法，其实施步如下: 步骤一:由评价模型确定RBF网络的输入输出变量:在RBF网络中，输入层到隐含层的基函数输出是一种非线性映射，隐含层采用的是方程式(I)中的Gaussian径向基函数，而输出层采用线性激活函数: ^ ~j(υ 其中hj是第j个隐含层神经元的输出，X是输入向量，Cj是隐层神经元的中心，σ」是隐层神经元中心的宽度参数； 步骤二:获取样本数据，建立RBF学习样本数据； 步骤三:RBF网络初始化:初始化网络权值，选取隐层节点数，输入节点数5个，输出节点数I个；确定评估的指标体系，即将评估的指标体系作为RBF神经网络的输入向量，在信用评级中，设定系统由五个考察电力用户信用状况的主要因素构成，分别为:kl、k2、k3、k4、k5，由此对应于RBF神经网络的五个输入量；步骤四:由模糊聚类算法确定网络基函数中心； 步骤五:确定RBF网络的宽度参数σ ; 步骤六:由梯度下降法调整RBF网络的权值:所述权值采用主观赋权法与客观赋权法相结合，首先根据专家经验设置指标权重，以此作为RBF神经网络权值的初始值，随后再根据学习样本不断调整神经网络权值，达到学习优化的目标； 步骤七:由网络结构优化算法确定隐层节点数； 步骤八:网络训练完成，建立信用评估模型: 步骤九:由信用评价模型对用户进行评级:信用评价将指标与指标的权重结合起来，采用神经网络计算出对评价对象的综合评价值，以此作为衡量评价对象风险的直接依据，采用加权评分法对用户进行信用等级评价。
【文档编号】G06Q40/08GK103514566SQ201310480300
【公开日】2014年1月15日 申请日期:2013年10月15日 优先权日:2013年10月15日
【发明者】刘永亮, 唐义德, 刘小平, 李艳西, 齐明, 张鹏, 蒋苏湘, 陈中伟, 谢俭 申请人:国家电网公司, 国网湖南省电力公司信息通信公司, 湖南同飞电力调度信息有限责任公司