CN106600146A - 一种电费回收风险评价方法和装置 - Google Patents

一种电费回收风险评价方法和装置 Download PDF

Info

Publication number
CN106600146A
CN106600146A CN201611160841.4A CN201611160841A CN106600146A CN 106600146 A CN106600146 A CN 106600146A CN 201611160841 A CN201611160841 A CN 201611160841A CN 106600146 A CN106600146 A CN 106600146A
Authority
CN
China
Prior art keywords
principal component
power consumer
class
calculated
money
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
CN201611160841.4A
Other languages
English (en)
Inventor
张明珠
陈雁
王文红
赵加奎
欧阳红
朱平飞
方红旺
袁葆
刘玉玺
王树龙
卢耀宗
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
State Grid Information and Telecommunication Co Ltd
Beijing China Power Information Technology Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Information and Telecommunication Co Ltd
Beijing China Power Information Technology 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, State Grid Information and Telecommunication Co Ltd, Beijing China Power Information Technology Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201611160841.4A priority Critical patent/CN106600146A/zh
Publication of CN106600146A publication Critical patent/CN106600146A/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
    • G06Q10/06—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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/14—Payment architectures specially adapted for billing systems
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供的一种电费回收风险评价方法和装置，根据电力用户的用电费用数据，计算得到电力用户的多种指标值，并利用主成分分析法对电力用户的所述多种指标值进行分析，得到电力用户的主成分指标，消除了不同种类的指标之间的相关性。利用电力用户各自主成分指标特点，进行聚类，将电力用户划分为不同群体，计算得到其对应的风险等级，得到了每个用户的风险等级。整个风险评级过程不需要人参与，实现电力用户风险评级过程的自动化，并减少了人力成本。

Description

一种电费回收风险评价方法和装置
技术领域
本发明涉及数据处理领域，更具体地说，涉及一种电费回收风险评价方法和装置。
背景技术
电能作为一种特殊的商品，具有电能的生产、输送和消费同时性，电能交易表现为实时计量、事后结算的方式。这种“先用电，后缴费”的特点使部分电力客户恶意拖欠、逃避电费，这类问题也一直困扰着电网公司，影响电网公司的经营绩效，直接关系到电网公司的生存和发展。因此，评估电费回收风险对电网公司来说至关重要。
传统的电费回收风险评估方法是根据客户的欠费数据、滞后数据、违约数据等历史数据，专家利用自身经验对每个指标赋权，计算得到客户的风险综合得分，对风险综合得分排序分级得到客户风险评级。但是，这种方法过分依赖专家经验，且人力成本过高。
发明内容
有鉴于此，本发明提出一种电费回收评价方法和装置，欲达到电力用户风险评级过程的自动化目的。
为了实现上述目的，现提出的方案如下：
一种电费回收风险评价方法，包括：
获取电力用户的用电费用数据；
根据所述用电费用数据，计算得到所述电力用户的多种指标值；
利用主成分分析法对所述电力用户的所述多种指标值进行分析得到所述电力用户的主成分指标；
根据所述主成分指标对所述电力用户进行聚类得到若干类；
针对每个所述类，计算得到其对应的风险等级。
优选的，所述针对每个所述类，计算得到其对应的风险等级，包括：
针对每个所述类，计算得到其中心的历史欠费金额序列；
根据所述历史欠费金额序列，计算得到相应类中心的欠费折现金额；
按照所述欠费折现金额对全部所述类进行排序，得到每个类对应的电费回收风险等级排序，与所述欠费折现金额越大的类对应的电费回收风险等级越高。
优选的，所述利用主成分分析法对所述电力用户的所述多种指标值进行分析得到所述电力用户的主成分指标，包括：
根据所述电力用户的所述多种指标值，生成原始样本矩阵；
对所述电力用户的所述多种指标值，进行标准化处理得到标准化矩阵；
根据所述标准化矩阵得到协方差矩阵，并计算所述协方差矩阵的特征值；
根据所述特征值计算得到正交化单位特征向量；
利用所述正交化单位特征向量与所述标准化矩阵计算得到主成分；
将全部或部分所述主成分作为所述电力用户的主成分指标。
优选的，所述将全部或部分所述主成分作为所述电力用户的主成分指标，包括：
利用与所述主成分对应特征值，计算得到所述主成分的方差贡献率；
选取累积方差贡献率大于预设阈值的若干所述主成分作为所述电力用户的主成分指标。
优选的，所述根据所述主成分指标对所述电力用户进行聚类得到若干类，具体为：
根据所述主成分指标，利用基于视觉的聚类算法对所述电力用户进行聚类得到若干类。
一种电费回收风险评价装置，包括：
获取单元，用于获取电力用户的用电费用数据；
计算单元，用于根据所述用电费用数据，计算得到所述电力用户的多种指标值；
分析单元，用于利用主成分分析法对所述电力用户的所述多种指标值进行分析得到所述电力用户的主成分指标；
聚类单元，用于根据所述主成分指标对所述电力用户进行聚类得到若干类；
处理单元，用于针对每个所述类，计算得到其对应的风险等级。
优选的，所述处理单元，包括：
第一处理子单元，用于针对每个所述类，计算得到其中心的历史欠费金额序列；
第二处理子单元，用于根据所述历史欠费金额序列，计算得到相应类中心的欠费折现金额；
第三处理子单元，用于按照所述欠费折现金额对全部所述类进行排序，得到每个类对应的电费回收风险等级排序，与所述欠费折现金额越大的类对应的电费回收风险等级越高。
优选的，所述分析单元，包括：
第一分析子单元，用于根据所述电力用户的所述多种指标值，生成原始样本矩阵；
第二分析子单元，用于对所述电力用户的所述多种指标值，进行标准化处理得到标准化矩阵；
第三分析子单元，用于根据所述标准化矩阵得到协方差矩阵，并计算所述协方差矩阵的特征值；
第四分析子单元，用于根据所述特征值计算得到正交化单位特征向量；
第五分析子单元，用于利用所述正交化单位特征向量与所述标准化矩阵计算得到主成分；
第六分析子单元，用于将全部或部分所述主成分作为所述电力用户的主成分指标。
优选的，所述第六分析子单元，包括：
第一分析模块，用于利用与所述主成分对应特征值，计算得到所述主成分的方差贡献率；
第二分析模块，用于选取累积方差贡献率大于预设阈值的若干所述主成分作为所述电力用户的主成分指标。
优选的，所述聚类单元，具体用于：
根据所述主成分指标，利用基于视觉的聚类算法对所述电力用户进行聚类得到若干类。
与现有技术相比，本发明的技术方案具有以下优点：
上述技术方案提供的一种电费回收风险评价方法和装置，根据电力用户的用电费用数据，计算得到电力用户的多种指标值，并利用主成分分析法对电力用户的所述多种指标值进行分析，得到电力用户的主成分指标，消除了不同种类的指标之间的相关性。利用电力用户各自主成分指标特点，进行聚类，将电力用户划分为不同群体，计算得到其对应的风险等级，得到了每个用户的风险等级。整个风险评级过程不需要人参与，实现电力用户风险评级过程的自动化，并减少了人力成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种电费回收风险评价方法的流程图；
图2为本发明实施例提供的一种计算风险等级方法的流程图；
图3为本发明实施例提供的利用主成分分析法得到电力用户主成分指标的方法的流程图；
图4为本发明实施例提供的一种电费回收风险评价装置的示意图；
图5为本发明实施例提供的一种处理单元的示意图；
图6为本发明实施例提供的一种分析单元的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例提供一种电费回收风险评价方法，参见图1所示，该方法包括：
步骤S11：获取电力用户的用电费用数据；
电力用户的用电费用数据包括欠费数据、滞后数据和违约数据等历史数据。供电公司发出缴费通知后一般会给电力用户一段时间(如30天或45天)进行缴费。如果电力用户未在该规定时间内缴费，就会产生欠费金额(即欠费数据)，并且电力用户应承担未交费的违约责任，违约金(即违约数据)从逾期之日起计算至交纳日止；如果电力用户在规定时间内进行了缴费，例如在缴费通知发出10天后进行了缴费，则记录该电力用户的缴费行为滞后10天，所缴纳的金额称为滞后金额(即滞后数据)。
步骤S12：根据所述用电费用数据，计算得到所述电力用户的多种指标值；
每个电力用户的指标包括：累计欠费金额占比、累计欠费次数、累计违约金、累计滞后金额占比和累计滞后次数等。根据用电费用数据，计算得到电力用户的多种指标值，即计算得到每个电力用户的指标的数值。累计欠费金额占比表示一定时期内累计欠费金额与同期累计应缴电费之比；累计欠费次数表示一定时期内累计欠费次数；累计违约金表示一定时期内累计违约金；累计滞后金额占比表示一定时期内累计滞后金额与同期累计应缴电费之比；累计滞后次数表示一定时期内累计滞后次数。
步骤S13：利用主成分分析法对所述电力用户的所述多种指标值进行分析得到所述电力用户的主成分指标。
通过主成分分析法，消除了不同种类指标之间的相关性。主成分分析法是一种统计方法，通过正交变换将一组可能相关性的变量转换为一组线性不相关的变量，转换后的组变量即为主成分指标。各主成分指标之间互不相关，从而能够反映原始变量的绝大部分信息，且所反映的信息互不重叠。
步骤S14：根据所述主成分指标对所述电力用户进行聚类得到若干类；
利用电力用户各自主成分指标特点，通过聚类，将电力用户划分为不同群体。同一类中包括的电力用户之间的主成分指标特点相似度较高，不同类包括的电力用户之间的主成分指标特点相似度较低。现有技术中包括多种聚类方法，例如、层次聚类算法、划分式聚类算法、基于网络的聚类算法、基于密度的聚类算法和基于视觉的聚类算法等，本发明实施例优选的采用基于视觉的聚类算法，基于视觉的聚类算法为现有技术，因此，不再赘述。
步骤S15：针对每个所述类，计算得到其对应的风险等级。
通过聚类得到若干类后，利用预先设定的规则，计算得到与每个类对应的风险等级。每个类包括的电力用户的电费回收风险等级即为与该类对应风险等级。
本实施例提供的电费回收风险评价方法，根据电力用户的用电费用数据，计算得到电力用户的多种指标值，并利用主成分分析法对电力用户的所述多种指标值进行分析，得到电力用户的主成分指标，消除了不同种类的指标之间的相关性。利用电力用户各自主成分指标特点，进行聚类，将电力用户划分为不同群体，计算得到其对应的风险等级，得到了每个用户的风险等级。整个风险评级过程不需要人参与，实现电力用户风险评级过程的自动化，并减少了人力成本。
本实施例提供一种计算风险等级方法，参见图2所示，针对每个所述类，计算得到其对应的风险等级的方法，包括：
步骤S151：针对每个所述类，计算得到其中心的历史欠费金额序列；
历史欠费金额序列包括预设时间段内所有欠费数据。例如，某个类中心的历史欠费金额序列为{a201401,a201402,...,a201610}，其中，a201401表示2014年1月欠费金额为a201401。计算类中心的历史欠费金额序列的方法可以为均值方法。均值方法具体为：根据该类包括的所有电力用户的各个月的欠费金额总数，计算出其各个月的欠费金额均值。例如，该类包括两个电力用户，且在2014年1月的欠费金额分别为500元和0元，则历史欠费金额序列中，2014年1月的欠费金额为250元。
步骤S152：根据所述历史欠费金额序列，计算得到相应类中心的欠费折现金额A；
欠费折现金额是欠费金额和违约金金额之和。违约金是电力用户的欠费金额的罚息(利息)。欠费折现金额总和体现了欠费金额与时间的两个因数。具体的欠费折现金额A的计算方法为：
其中，p表示供电公司要求的年度罚息率，ai表示相应年月的欠费金额，t表示当前年月，t-i表示当前年月与相应年月相差的月数。
步骤S153：按照所述欠费折现金额对全部所述类进行排序，得到每个类对应的电费回收风险等级排序，与所述欠费折现金额越大的类对应的电费回收风险等级越高。
利用折现金额全面地反映了电力用户对供电公司造成的损失。欠费折现金额越大说明电力用户对供电公司造成的损失越大，因此，电费回收风险等级越高。根据电力用户对供电公司造成的损失确定用户的电费回收风险等级，更加准确地体现了风险的属性。
例如，聚类得到两个类，类1的类中心历史欠费序列包括2个有效数据，分别2015年1月欠费200元，2016年1月欠费400元；类2的类中心历史欠费序列包括3个有效数据，分别为2015年6月欠费100，2016年4月欠费200元，2016年9月欠费200元。当前年月为2016年11月，年罚息率为6％，则，
类1的欠费折现金额计算过程为：
200*(1+6％)(22/12)+400*(1+6％)(10/12)＝642.45
类2的欠费折现金额计算过程为：
100*(1+6％)(17/12)+200*(1+6％)(7/12)+200*(1+6％)(2/12)＝517.47
类1的欠费折现金额较高，因此，与类1对应的电费回收风险等级较高，至此得到每个类的风险级别，进而得到每个类包括的所有电力用户的电费回收风险等级。一个类的各个电力用户的电费回收风险等级均为该类的电费回收风险等级。
本实施例提供一种利用主成分分析法得到电力用户主成分指标的方法，参见图3所示，该方法包括：
步骤S131：根据所述电力用户的所述多种指标值，生成原始样本矩阵；
设步骤S11获取的电力用户的样本数为n，即获取了包括n个电力用户的用电费用数据。步骤S12中，根据预设的规则，计算得到p种指标值，即预先设置的指标数为p。则生成的原始样本矩阵为X＝(Xij)n×p，其中，Xij表示第i个电力用户的第j项指标的指标值。
步骤S132：对所述电力用户的所述多种指标值，进行标准化处理得到标准化矩阵X*；
为了消除各项指标之间在量纲上和数量级上的差别，对指标数据进行标准化处理。例如，对第j项指标的指标数据进行标准化处理即为：(所有电力用户的第j项指标的指标值标准差)，表示所有电力用户的第j项指标的平均指标值，Xij表示第i个电力用户的第j项指标的指标值。
步骤S133：根据所述标准化矩阵得到协方差矩阵，并计算所述协方差矩阵的特征值；
协方差矩阵为：
Σ＝(σij)p×p
其中，Xki表示第k个电力用户的第i项指标的指标值，表示所有电力用户的第i项指标的平均指标值，Xkj表示第k个电力用户的第j项指标的指标值，表示所有电力用户的第j项指标的平均指标值。
解特征方程求出协方差矩阵特征值λi(i＝1,2,...,p)，其中，λ1≥λ2≥...≥λp，即i值越小表示特征值越大。
步骤S134：根据所述特征值计算得到正交化单位特征向量；
针对第i特征值λi(i＝1,2,..p.,)，计算其相应的正交化单位特征向量Ui＝(u1i,u2i,...,upi)T。特征值总共有p个，因此，计算得到的正交化单位特征向量也为p个。
步骤S135：所述正交化单位特征向量与所述标准化矩阵相乘，计算得到主成分Zi；
总共计算得到p个主成分。第i正交化单位特征向量Ui与标准化矩阵X*相乘得到的是第i主成分Zi，且第一主成分Z1所含原始信息最大，其余主成分所含原始信息依次减少，即i越大表示主成分所含原始信息越小。
步骤S136：将全部或部分所述主成分作为所述电力用户的主成分指标。
按照预设的规则，从计算得到的全部主成分中选出若干主成分作为电力用户的主成分指标。
步骤S136具体的包括：
步骤S1361：利用与所述主成分对应特征值，计算得到所述主成分的方差贡献率；
由于主成分Zi对应的特征值λi是Zi的方差，λi大小反映了主成分Zi的影响力。因此，可以利用λi贡献率来表示所反映的信息量的大小。主成分Zi的方差贡献率为：
步骤S1362：选取累积方差贡献率大于预设阈值的若干所述主成分作为所述电力用户的主成分指标。
Z1,Z2,...,Zl(l≤p)的累积方差贡献率为：
一般情况下，取η(l)≥85％为原则。
本实施例提供一种电费回收风险评价装置，参见图4所示，该装置包括：
获取单元11，用于获取电力用户的用电费用数据；
计算单元12，用于根据所述用电费用数据，计算得到所述电力用户的多种指标值；
分析单元13，用于利用主成分分析法对所述电力用户的所述多种指标值进行分析得到所述电力用户的主成分指标；
聚类单元14，用于根据所述主成分指标对所述电力用户进行聚类得到若干类；
处理单元15，用于针对每个所述类，计算其对应的风险等级。
本实施例提供的电费回收风险评价装置，计算单元12根据电力用户的用电费用数据，计算得到电力用户的多种指标值，分析单元13利用主成分分析法对电力用户的所述多种指标值进行分析，得到电力用户的主成分指标，消除了不同种类的指标之间的相关性。聚类单元14利用电力用户各自主成分指标特点，进行聚类，将电力用户划分为不同群体，处理单元15计算得到每个类对应的风险等级，得到了每个用户的风险等级。整个风险评级过程不需要人参与，实现电力用户风险评级过程的自动化，并减少了人力成本。
本实施例提供一种处理单元，参见图5所示，该单元包括：
第一处理子单元151，用于针对每个所述类，计算得到其中心的历史欠费金额序列；
第二处理子单元152，用于根据所述历史欠费金额序列，计算得到相应类中心的欠费折现金额；
第三处理子单元153，用于按照所述欠费折现金额对全部所述类进行排序，得到每个类对应的风险等级排序，与所述欠费折现金额越大的类对应的风险等级越高。
本实施例提供一种分析单元，参见图6所示，该单元包括：
第一分析子单元131，用于根据所述电力用户的所述多种指标值，生成原始样本矩阵；
第二分析子单元132，用于对所述电力用户的所述多种指标值，进行标准化处理得到标准化矩阵；
第三分析子单元133，用于根据所述标准化矩阵得到协方差矩阵，并计算所述协方差矩阵的特征值；
第四分析子单元134，用于根据所述特征值计算得到正交化单位特征向量；
第五分析子单元135，用于所述正交化单位特征向量与所述标准化矩阵计算得到主成分；
第六分析子单元136，用于将全部或部分所述主成分作为所述电力用户的主成分指标。
优选的，所述第六分析子单元136，包括：
第一分析模块，用于利用与所述主成分对应特征值，计算得到所述主成分的方差贡献率；
第二分析模块,用于选取累积方差贡献率大于预设阈值的若干所述主成分作为所述电力用户的主成分指标。
优选的，所述聚类单元14，具体用于：根据所述主成分指标，利用基于视觉的聚类算法对所述电力用户进行聚类得到若干类
对于装置实施例而言，由于其基本相应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对本发明所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种电费回收风险评价方法，其特征在于，包括：
获取电力用户的用电费用数据；
根据所述用电费用数据，计算得到所述电力用户的多种指标值；
利用主成分分析法对所述电力用户的所述多种指标值进行分析得到所述电力用户的主成分指标；
根据所述主成分指标对所述电力用户进行聚类得到若干类；
针对每个所述类，计算得到其对应的风险等级。
2.根据权利要求1所述的方法，其特征在于，所述针对每个所述类，计算得到其对应的风险等级，包括：
针对每个所述类，计算得到其中心的历史欠费金额序列；
根据所述历史欠费金额序列，计算得到相应类中心的欠费折现金额；
按照所述欠费折现金额对全部所述类进行排序，得到每个类对应的电费回收风险等级排序，与所述欠费折现金额越大的类对应的电费回收风险等级越高。
3.根据权利要求1所述的方法，其特征在于，所述利用主成分分析法对所述电力用户的所述多种指标值进行分析得到所述电力用户的主成分指标，包括：
根据所述电力用户的所述多种指标值，生成原始样本矩阵；
对所述电力用户的所述多种指标值，进行标准化处理得到标准化矩阵；
根据所述标准化矩阵得到协方差矩阵，并计算所述协方差矩阵的特征值；
根据所述特征值计算得到正交化单位特征向量；
利用所述正交化单位特征向量与所述标准化矩阵计算得到主成分；
将全部或部分所述主成分作为所述电力用户的主成分指标。
4.根据权利要求3所述的方法，其特征在于，所述将全部或部分所述主成分作为所述电力用户的主成分指标，包括：
利用与所述主成分对应特征值，计算得到所述主成分的方差贡献率；
选取累积方差贡献率大于预设阈值的若干所述主成分作为所述电力用户的主成分指标。
5.根据权利要求1所述的方法，其特征在于，所述根据所述主成分指标对所述电力用户进行聚类得到若干类，具体为：
根据所述主成分指标，利用基于视觉的聚类算法对所述电力用户进行聚类得到若干类。
6.一种电费回收风险评价装置，其特征在于，包括：
获取单元，用于获取电力用户的用电费用数据；
计算单元，用于根据所述用电费用数据，计算得到所述电力用户的多种指标值；
分析单元，用于利用主成分分析法对所述电力用户的所述多种指标值进行分析得到所述电力用户的主成分指标；
聚类单元，用于根据所述主成分指标对所述电力用户进行聚类得到若干类；
处理单元，用于针对每个所述类，计算得到其对应的风险等级。
7.根据权利要求1所述的装置，其特征在于，所述处理单元，包括：
第一处理子单元，用于针对每个所述类，计算得到其中心的历史欠费金额序列；
第二处理子单元，用于根据所述历史欠费金额序列，计算得到相应类中心的欠费折现金额；
第三处理子单元，用于按照所述欠费折现金额对全部所述类进行排序，得到每个类对应的电费回收风险等级排序，与所述欠费折现金额越大的类对应的电费回收风险等级越高。
8.根据权利要求6所述的装置，其特征在于，所述分析单元，包括：
第一分析子单元，用于根据所述电力用户的所述多种指标值，生成原始样本矩阵；
第二分析子单元，用于对所述电力用户的所述多种指标值，进行标准化处理得到标准化矩阵；
第三分析子单元，用于根据所述标准化矩阵得到协方差矩阵，并计算所述协方差矩阵的特征值；
第四分析子单元，用于根据所述特征值计算得到正交化单位特征向量；
第五分析子单元，用于利用所述正交化单位特征向量与所述标准化矩阵计算得到主成分；
第六分析子单元，用于将全部或部分所述主成分作为所述电力用户的主成分指标。
9.根据权利要求8所述的装置，其特征在于，所述第六分析子单元，包括：
第一分析模块，用于利用与所述主成分对应特征值，计算得到所述主成分的方差贡献率；
第二分析模块，用于选取累积方差贡献率大于预设阈值的若干所述主成分作为所述电力用户的主成分指标。
10.根据权利要求6所述的装置，其特征在于，所述聚类单元，具体用于：
根据所述主成分指标，利用基于视觉的聚类算法对所述电力用户进行聚类得到若干类。
CN201611160841.4A 2016-12-15 2016-12-15 一种电费回收风险评价方法和装置 Pending CN106600146A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611160841.4A CN106600146A (zh) 2016-12-15 2016-12-15 一种电费回收风险评价方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611160841.4A CN106600146A (zh) 2016-12-15 2016-12-15 一种电费回收风险评价方法和装置

Publications (1)

Publication Number Publication Date
CN106600146A true CN106600146A (zh) 2017-04-26

Family

ID=58802683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611160841.4A Pending CN106600146A (zh) 2016-12-15 2016-12-15 一种电费回收风险评价方法和装置

Country Status (1)

Country Link
CN (1) CN106600146A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107403188A (zh) * 2017-06-28 2017-11-28 中国农业大学 一种水质评价方法及装置
CN109598446A (zh) * 2018-12-09 2019-04-09 国网江苏省电力有限公司扬州供电分公司 一种基于机器学习算法的电费回收风险预警系统
CN112541662A (zh) * 2020-12-02 2021-03-23 国网安徽省电力有限公司 一种电费回收风险的预测方法及系统
CN113256008A (zh) * 2021-05-31 2021-08-13 国家电网有限公司大数据中心 一种欠费风险等级确定方法、装置、设备和存储介质
CN113610409A (zh) * 2021-08-12 2021-11-05 北京中电普华信息技术有限公司 一种电费回收风险预警方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107403188A (zh) * 2017-06-28 2017-11-28 中国农业大学 一种水质评价方法及装置
CN109598446A (zh) * 2018-12-09 2019-04-09 国网江苏省电力有限公司扬州供电分公司 一种基于机器学习算法的电费回收风险预警系统
CN112541662A (zh) * 2020-12-02 2021-03-23 国网安徽省电力有限公司 一种电费回收风险的预测方法及系统
CN112541662B (zh) * 2020-12-02 2024-01-12 国网安徽省电力有限公司 一种电费回收风险的预测方法及系统
CN113256008A (zh) * 2021-05-31 2021-08-13 国家电网有限公司大数据中心 一种欠费风险等级确定方法、装置、设备和存储介质
CN113610409A (zh) * 2021-08-12 2021-11-05 北京中电普华信息技术有限公司 一种电费回收风险预警方法及装置

Similar Documents

Publication Publication Date Title
Ahmad et al. Review of various modeling techniques for the detection of electricity theft in smart grid environment
CN110097297B (zh) 一种多维度窃电态势智能感知方法、系统、设备及介质
CN106600146A (zh) 一种电费回收风险评价方法和装置
Weron Electricity price forecasting: A review of the state-of-the-art with a look into the future
CN110298574B (zh) 一种基于卷积神经网络的用电用户缴费风险评级方法
Seifert et al. Identifying excesses and deficits in Chinese industrial productivity (1953–1990): a weighted data envelopment analysis approach
Keskin et al. Data-driven clustering and feature-based retail electricity pricing with smart meters
CN109063945A (zh) 一种基于价值评估体系的售电公司360度客户画像构建方法
CN106372775A (zh) 一种电网客户综合价值评估方法及系统
Zhang et al. Bayesian hybrid collaborative filtering-based residential electricity plan recommender system
CN107506868A (zh) 一种短时电力负荷预测的方法及装置
CN108388974A (zh) 基于随机森林和决策树的优质客户优化识别方法及装置
CN101398919A (zh) 利用模式分析的电力需求信息分析系统及其方法
CN110555782A (zh) 一种基于大数据的科学用电模型构建系统及方法
CN108389069A (zh) 基于随机森林和逻辑回归的优质客户识别方法及装置
CN103020459A (zh) 一种多维度用电行为的感知方法及系统
CN111815060A (zh) 一种用电地区短期负荷预测方法及装置
CN111798301A (zh) 一种资源转移限额确定方法、装置及系统
CN108154311A (zh) 基于随机森林和决策树的优质客户识别方法及装置
CN107153985A (zh) 一种用户侧能源数据的挖掘与分析方法
CN104820942A (zh) 一种基于层次聚类的电力市场交易评价标准测算方法
CN115760400A (zh) 基于电力数据的挖矿行为检测方法和存储介质
Mohammad et al. Short term load forecasting using deep neural networks
CN110009427B (zh) 一种基于深度循环神经网络的电力销售金额智能预测方法
CN110019774A (zh) 标签分配方法、装置、存储介质及电子装置

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: 20170426

RJ01 Rejection of invention patent application after publication