CN106780140A - 基于大数据的电力信用评价方法 - Google Patents
基于大数据的电力信用评价方法 Download PDFInfo
- Publication number
- CN106780140A CN106780140A CN201611159231.2A CN201611159231A CN106780140A CN 106780140 A CN106780140 A CN 106780140A CN 201611159231 A CN201611159231 A CN 201611159231A CN 106780140 A CN106780140 A CN 106780140A
- Authority
- CN
- China
- Prior art keywords
- credit
- client
- dues
- data
- information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000005611 electricity Effects 0.000 claims abstract description 147
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 230000002068 genetic effect Effects 0.000 claims abstract description 12
- 238000002360 preparation method Methods 0.000 claims abstract description 6
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 230000004069 differentiation Effects 0.000 claims abstract description 5
- 238000010276 construction Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 12
- 230000006378 damage Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 230000007935 neutral effect Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 210000000349 chromosome Anatomy 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 4
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 claims description 3
- 230000004075 alteration Effects 0.000 claims description 3
- 238000013475 authorization Methods 0.000 claims description 3
- 230000027455 binding Effects 0.000 claims description 3
- 238000009739 binding Methods 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 2
- 238000002513 implantation Methods 0.000 claims description 2
- 238000013508 migration Methods 0.000 claims description 2
- 230000005012 migration Effects 0.000 claims description 2
- 238000012821 model calculation Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000001303 quality assessment method Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 239000007787 solid Substances 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000005065 mining Methods 0.000 abstract description 4
- 241001269238 Data Species 0.000 abstract description 2
- 238000013139 quantization Methods 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 37
- 241000894007 species Species 0.000 description 8
- 238000003672 processing method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0609—Buyer or seller confidence or verification
Landscapes
- Business, Economics & Management (AREA)
- Economics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于大数据的电力信用评价方法，涉及一种评价方法。目前仅仅基于传统量化分析方法的现有信用评价体系，无法满足电力公司挖掘数据价值的要求，承担起客户信用评级体系，实现企业衍生价值的责任。本发明包括数据准备步骤、指标体系构建步骤、模型构建步骤、模型验证步骤、模型输出步骤。本技术方案通过对客户基础信息、交费行为、用电行为、社会信用信息等大量历史数据进行系统性清洗与分析，运用数理统计方法及通过遗传算法改进的BP神经网络模型挖掘数据中蕴含的行为模式及信用特征，捕捉历史信息和信用表现之间的关系，以信用等级来综合评估信用表现，推进电力客户分类信用管理，支撑开展差异化欠缴催收措施研究工作以形成多元化的催收策略。
Description
技术领域
本发明涉及一种评价方法，尤其指基于大数据的电力信用评价方法。
背景技术
科学合理、门类齐全的客户信用评价体系是实现电力公司衍生价值的重要前提，随着云计算、物联网、大数据、移动互联等新技术的快速发展和日趋成熟，仅仅基于传统量化分析方法的现有信用评价体系，无法满足电力公司挖掘数据价值的要求，承担起客户信用评级体系实现企业衍生价值的责任。
面对信用评价方法的变革，建立以大数据挖掘为核心的客户信用评价体系，结合传统的数量化分析方法、多元统计方法和机器学习方法的评价体系，是信用评价业适应高技术战争的根本保障。因此，建立一套全新的、满足目前国网浙江省电力公司企业的现状和发展需求的评估或分析方法成为国网信用评价体系发展的当务之急。
发明内容
本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供基于大数据的电力信用评价方法，以加快加深对客户信用特征的获取和理解，实现对电力客户特征的刻画，从而有效地辅助客户服务和营销工作开展，提高工作效率，降低信用风险的目的。为此，本发明采取以下技术方案。
基于大数据的电力信用评价方法，其特征在于包括以下步骤：
1)数据准备步骤，包括数据获取、数据检验、数据处理；
数据获取为：根据前期业务理解及业务调研结果，确定客户信用相关变量，从电力公司营销系统以及第三方征信系统中提取客户信用相关变量数据；
数据检验为：对获取的数据质量进行检验，包括： A）用户ID的唯一性检验：每个 ID 变量应该仅出现一次，否则需要核查原因，调整数据；B）范围和取值检验：每个变量都应该来自一个定义清晰、具有已知的或预期取值范围的字段，连续变量的值应在一定的预期范围内，而名义变量应取维表中的值；否则需要核查原因，调整数据；C）缺失值检验：检验每个字段的缺失值及其来源；D）异常值检验：异常值为显偏离数据集的观测值；检验异常值出现的原因，并相应的处理异常值；
数据处理数为包括对缺失值、离群值、异常值的记录进行清洗处理以及数据的归一化处理；当数据为对应变量平均值正负3个标准差以外的数值时认为该数据是离群值，当数据明显偏离数据集的观测值则认为该数据为异常值，将离群值用3个标准差的最大值或最小值替换以调整为距离最近的正常值或直接将离群值剔除；对异常值的出现进行区别并作相应处理；将缺失值调整为某个固定值或调整为一个服从正态分布的随机值，该固定值包括均值、中间值或一个指定的常数；数据的归一化处理为第一处理方式或第二处理方式，第一处理方式为通过最大最小值将原始数据线性化的方法转换到[0 1]的范围，第二处理方式为或0均值标准化，将原始数据集归一化为均值为0、方差1的数据集；
2）指标体系构建步骤，包括客户用电信用的构建；客户用电信用评价维度包括：信息质量、交费行为、用电行为；在进行数据准备与模型搭建时，对高压非居、低压居民、低压非居运用同一指标体系或相似指标体系；
信息质量指基于合约精神，要求客户真实地、实时地提供相关信息，并保证登记信息的准确性、完整性以及信息更新的及时性，是对客户在信息提供质量的信用评价，信息质量的评估包括准确性与完整性两方面；
交费行为指基于合约精神，要求客户遵守合同约定按时足额交纳电费，交费行为的评估包括交费时间、交费金额、交费渠道三方面；
用电行为指基于合约精神，要求客户合法、安全用电，不危害供用电安全、扰乱正常供用电秩序的行为，其与按时按额交费同样重要的基本的信用维度；用电行为的评估包括违约用电、违法窃电的种类和次数；
3）模型构建步骤，包括以下子步骤
301）确定BP神经网络的输入节点数n;
302)应用聚类分析方法，确定BP神经网络的输出节点数k;
303)计算隐层节点数，经验公式为:,m为隐层结点数，n为输入层结点数，k为输出层结点数，α为1- 10之间的常数;
304)运用遗传算法，按神经网络生成初始权重生成BP神经网络的权重，将权值和阈值分别采用从左到右、从上到下的方法进行编号，任一组完整的神经网络权重wi相当于P个染色体，这样的染色体共有P个，即种群规模P；通过选择算子执行进化运算，选择算子的特性决定了种群的进化趋势；选择过程采用标准化几何分布排序选择；将染色体按适应值由大到小的顺序排成一个序列，然后将事先设计好的序列概率分配给每个个体，大适应值对应高选择概率，小适应值对应低选择概率；使其自适应调整搜索区域，提高其搜索能力，改善收敛性能，提高遗传算法的收敛速度；最终确定BP神经网络的权重；
4）模型验证步骤，使用收集到的电力客户样本数据，对模型进行验证，若误差值超过域值，则通过步骤3）重新修正；在对模型进行验证时，通过考察验证期客户逾期交费次数和回款时长长短在各信用等级中的分布情况来验证模型的效果；当随着信用等级的增高，各等级中逾期交费客户的占比逐渐降低、回款时长降低时认为模型合适，否则对模型进行修正；
5）模型输出步骤，电力客户数据通过模型计算结果，并按照模型的输出结果、各分段客户人数分布、供电企业实际业务需求，选择各等级区间的阈值，获得信用等级标签及信用趋势标签，信用等级标签输出将客户以高低压及是否居民划分为高压、低压非居与低压居民三组；信用趋势标签记录各时期客户信用分数，直观地展现和追踪客户信用的变动趋势，全面地刻画客户信用表现。
作为对上述技术方案的进一步完善和补充，本发明还包括以下附加技术特征。
进一步的，在指标体系构建步骤中，信息质量的准确性，通过判断是否办理过新装、过户、档案维护业务来确定基础信息是否准确，当办理过新装、过户或档案维护业务时则认为信息准确，未办理过上述业务时则认为信息准确性待定；
信息质量的客户信息完整性指客户所提供登记的基础信息是否完整，是否提供除基础信息外的其他信息，以及是否绑定目前主推渠道，其包括基础信息完整性、附加信息完整性；基础信息完整性判断户名、地址、联系电话、公司电话、证件信息是否完整，登记的项目数越多，完整度越高；附加信息完整性判断支付宝、微信、APP绑定情况、邮箱、资产信息附加信息是否完整，登记的项目数越多，完整度越高。
进一步的，在指标体系构建步骤中，交费行为的交费时间指客户交费的时间，交费时间的长短体现了客户的交费意愿和交费信用；具体可细化的指标为：平均回款时长、逾期交费率、是否预收/费控等；
平均回款时长：按月加权平均计算的电费发行日与实收日的日期差；
平均逾期时长：按月加权平均计算的电费违约金起算日与实收日的日期差；
逾期交费率：指观察期内客户产生违约金的交费次数（逾期）占交费总次数的比例；
是否预收/费控：是否通过预收、费控方式交费；
交费行为的交费金额指客户交费的金额，存在足额交费与欠费现象；电费交纳金额的大小体现了客户的资产状况与交费能力，欠费金额体现了客户的资产状况与交费意愿；评价指标为：累计违约金占比、分期交费占比；
累计违约金占比：指观察期内客户累计违约金金额占交费金额的比例；
分期交费占比：按月加权平均计算的交清本月电费期数的前一期的累计交费金额占该月总应交电费的比例；
交费行为的交费渠道为客户交费的渠道，不同的交费渠道的交费稳定性、及时性、交费成本以及便捷程度不同，选择更优质的交费渠道对客户交费效率和稳定性以及电费回收有着较大的保证，其评价指标为：交费渠道偏好；
交费渠道偏好：根据观察期内客户在各个渠道的交费次数进行排序，选出客户的偏好渠道；根据不同渠道成本和稳定性等对其赋值。
进一步的，在指标体系构建步骤中，用电行为的违约用电为客户在用电过程中出现的违反供用电合同约定的情况；违约风险包括高价低接、私自增容、私自启封、私动用电设备、私自向外转用电、私自并网等指标；评价指标为：违约用电次数、违约用电种类、违约用电追补电费；
用电行为的违法窃电为客户在用电过程中出现的窃电和破坏电力设施的违法行为；违法窃电包括擅自接线、绕越计量装置、伪造或开启封印、故意损坏计量装置、使计量装置不准或失效、破坏电力设施等情况；其评价指标为：违法窃电次数、违法窃电种类、违法窃电追补电费、是否立案；其评价指标为：违法窃电次数、违法窃电种类、违法窃电追补电费。
还包括信用评级步骤，其根据信用等级评定结果，将现有客户分为守信客户、准失信客户、失信客户三类，在一段时间内无违约用电、违法窃电行为，没有逾期交费以及拖欠电费情况，设定信用等级在A级或者A级以上，信用稳定或增长的客户为守信客户；在一段时间内无违约用电、违法窃电行为，偶尔逾期交费，但月底会结清，不存在欠费情况，设定信用等级为B级，信用下滑的客户为准失信客户；在一段时间内存在违约用电、违法窃电行为，经常逾期交费，且存在电费未交清的情况，设定信用等级在C、D级，信用表现较差的客户为失信客户；对于不同类别的客户提供不同的精准化、差异化的客户服务。
进一步的，在信用评级步骤中，
A）对于守信客户，考虑在办理业务时对其提供绿色通道，优先办理业务，给予最优质的客户服务；定期向其赠送积分，积分可换取礼品或抵扣少量电费等；
B）对于准失信客户，考虑在办理业务时增加其履约意识，督促劝导其及时更新补充基础信息、按时交纳电费、办理预付费控业务等；在完善客户信息、催收电费、用电检查工作中重点关注，及时预防其违约行为，减少对电力公司带来的损害；
C）对于失信客户，办理业务时需交清所有电费，签订守信用电承诺书，灌输安全用电和合法用电意识；在用电检查时，重点监测其是否存在违约用电、违法用电行为，一旦发现，及时制止并按照相关法规予以处罚；开展专项活动，宣传安全用电、诚信用电理念，指导其向优质客户发展。
进一步的，归一化处理的，第一处理方式的公式为：
该方法实现对原始数据的等比例缩放，其中Xnorm为归一化后的数据，X为原始数据，Xmax、Xmin分别为原始数据集的最大值和最小值；
第二处理方式的公式为：
其中，μ、σ分别为原始数据集的均值和方法；该种归一化方式要求原始数据的分布近似为高斯分布，否则采用第一处理方式进归一化。
有益效果：信用评价模型通过对客户基础信息、交费行为、用电行为、社会信用信息等大量历史数据进行系统性清洗与分析，运用数理统计方法及通过遗传算法改进的BP神经网络模型挖掘数据中蕴含的行为模式及信用特征，捕捉历史信息和信用表现之间的关系，以一个信用等级来综合评估客户历史行为上的信用表现，作为未来信用表现的预测。按照模型的输出结果依次设置为7个不同的信用等级区间，最终输出信用等级标签以及信用趋势标签，补充电力客户信用档案，推进电力客户分类信用管理，支撑开展差异化欠缴催收措施研究工作，最终形成多元化的催收策略。
附图说明
图1是本发明流程图。
具体实施方式
以下结合说明书附图对本发明的技术方案做进一步的详细说明。
如图1所示，本发明包括以下步骤
一、数据准备
1数据获取
根据前期业务理解及业务调研结果，从理论上寻找客户信用相关变量，从电力公司营销系统以及第三方征信系统中提取信用评价模型相关变量数据，主要包括：基本属性：用户编号、用户分类、立户日期、户名、地址、联系电话、证件信息等；交费行为：电费发行日、实收日期、应收电费、实收电费、实收日期、交费方式等；用电行为：违约用电历史记录、违法用电历史记录等。社会信用：水务系统信用、通信系统信用等。
2数据检验
获取数据后，首先应对数据质量进行检验，包括：（1）用户ID的唯一性：建模基础数据集中，每个用户为一条观测数据(observation)，因此每个 ID 变量应该仅出现一次，否则需要核查原因，调整数据；（2）范围和取值：建模数据集中使用的每个变量都应该来自一个定义清晰、具有已知的或预期取值范围的字段。连续变量的值应该在一定的预期范围内，而名义变量应取维表中的值；（3）缺失值：缺失值是在系统中无可争辩的事实，因此，识别建模数据集中每个字段的缺失值及其来源是完整性检验中的基本步骤。缺失值的产生可能是食物的结果，也可能是因为制定的字段没有被定义的值。（4）异常值：异常值是指明显偏离数据集的观测值，如过大、过小、负值等数据。异常值可能是由于记录错误引起的，也可能是真是数据。因此要检验异常值出现的原因，并相应的处理异常值。
3数据处理
数据处理主要包括对缺失值、离群值、异常值的记录进行清洗处理以及数据的归一化处理。
（1）离群值、异常值的处理方法：
离群值定义为某个变量平均值正负3个标准差以外的数值，异常值是指明显偏离数据集的观测值，如过大、过小、负值等数据。当出现以上情况时，离群值可用3个标准差的最大值或最小值替换，将离群值调整为距离最近的正常值。异常值可能是由于记录错误引起的，也可能是真实数据。因此要检验异常值出现的原因，并相应的处理异常值。
如果离群值或异常值没有业务含义，可直接剔除离群值或异常值或用空值 NULL来替代离群值或异常值。
（2）缺失值的处理方法：
缺失值是在系统中无可争辩的事实，因此，识别建模数据集中每个字段的缺失值及其来源是完整性检验中的基本步骤。缺失值的产生可能是失误的结果，也可能是因为制定的字段没有被定义的值。
将缺失值调整为某个固定值。如均值、中间值或一个指定的常数或将缺失值调整为一个服从正态分布的随机值。
（3）数据的归一化处理方法：
常见的数据归一化处理方法有两种，一种是通过最大最小值将原始数据线性化的方法转换到[0 1]的范围，归一化公式如下：
该方法实现对原始数据的等比例缩放，其中Xnorm为归一化后的数据，X为原始数据，Xmax、Xmin分别为原始数据集的最大值和最小值。
另一种是0均值标准化(Z-score standardization)，0均值归一化方法将原始数据集归一化为均值为0、方差1的数据集，归一化公式如下：
其中，μ、σ分别为原始数据集的均值和方法。该种归一化方式要求原始数据的分布可以近似为高斯分布，否则归一化的效果会变得很糟糕。
二、指标体系构建
电力客户信用分为客户用电信用和客户社会信用，前者侧重于对客户在电费、用电行为等方面的履约能力与意愿的评价，后者侧重于对客户在政务、商务、社会、司法等四大领域的信用评价，客户社会信用主要从第三方征信系统获取。对于高压用电客户，其集团的信用信息在客户社会信用的评价中尤为重要。
客户用电信用是基于客户基础信息、交费信息、用电行为信息等数据，利用业务调研、基层访谈、规则归纳等方法了解营销机制与业务情况，确立客户用电信用评价维度为：信息质量、交费行为、用电行为。对高压非居、低压居民、低压非居运用同一指标体系（个别特色指标略有差别）进行数据准备与模型搭建。
此外，由于目前第三方征信系统的数据比较难获取，目前只考虑用电信用数据进行建模，后期当信用信息可以共享时，我们可以做归一化处理，对于不同来源的社会信用数据，通过身份证号或者机构代码关联，远期可通过社会统一信用代码进行全关联，并使用标准化的手段将其转化成与客户用电信用同一尺度的数据信息，综合评价电力客户的信用等级。
1信息质量
信息质量指基于合约精神，要求客户真实地、实时地提供相关信息，并保证登记信息的准确性、完整性以及信息更新的及时性，是对客户在信息提供质量的信用评价，主要从准确性与完整性两方面评估。
（1）信息准确性
基础信息准确性：客户信息准确性主要考察联系信息与户名信息的准确性。联系信息与户名信息的不准确与追踪不及时易造成客户失联、电费推诿等现象，从而影响日常业务办理与电费回收工作的顺利实施。主要判断是否办理过新装、过户、档案维护业务来确定基础信息是否准确，办理过则认为基础信息准确，未办理过则基础信息准确性待定。
（2）信息完整性
客户信息完整性指客户所提供登记的基础信息是否完整，是否提供除基础信息外的其他信息，以及是否绑定目前主推渠道如微信、支付宝、APP等。具体可细化的指标为：基础信息完整性、附加信息完整性。
基础信息完整性：判断户名、地址、联系电话、公司电话、证件信息是否完整，登记的项目数越多，完整度越高。
附加信息完整性：判断支付宝、微信、APP绑定情况、邮箱、资产信息等附加信息是否完整，登记的项目数越多，完整度越高。
2交费行为
交费行为指基于合约精神，要求客户遵守合同约定按时足额交纳电费，是电力公司正常运转的基础，也是各专业岗位最为关注的维度，主要从交费时间、交费金额、交费渠道三方面评估。
（1）交费时间
交费时间指客户交费的时间，交费时间的长短体现了客户的交费意愿和交费信用。具体可细化的指标为：平均回款时长、逾期交费率、是否预收/费控等。
平均回款时长：按月加权平均计算的电费发行日与实收日的日期差。
平均逾期时长：按月加权平均计算的电费违约金起算日与实收日的日期差。
逾期交费率：指观察期内客户产生违约金的交费次数（逾期）占交费总次数的比例。
是否预收/费控：是否通过预收、费控方式交费。
（2）交费金额
交费金额指客户交费的金额，存在足额交费与欠费现象。电费交纳金额的大小体现了客户的资产状况与交费能力，欠费金额体现了客户的资产状况与交费意愿。具体可细化的指标为：累计违约金占比、分期交费占比等。
累计违约金占比：指观察期内客户累计违约金金额占交费金额的比例。
分期交费占比：按月加权平均计算的交清本月电费期数的前一期的累计交费金额占该月总应交电费的比例。
（3）交费渠道
交费渠道指客户交费的渠道，不同的交费渠道的交费稳定性、及时性、交费成本以及便捷程度不同，选择更优质的交费渠道对客户交费效率和稳定性以及电费回收有着较大的保证，可细化的指标为：交费渠道偏好。
交费渠道偏好：根据观察期内客户在各个渠道的交费次数进行排序，选出客户的偏好渠道；根据不同渠道成本和稳定性等对其赋值。
3用电行为
用电行为指基于合约精神，要求客户合法、安全用电，不危害供用电安全、扰乱正常供用电秩序的行为。客户违约用电可对电力公司、社会造成不可估量的损失和危害，是与按时按额交费同样重要的基本的信用维度。主要包括违约用电、违法窃电的种类和次数等指标。
（1）违约用电
违约用电是指客户在用电过程中出现的违反供用电合同约定的情况。违约风险主要包括高价低接、私自增容、私自启封、私动用电设备、私自向外转用电、私自并网等指标。具体可细化的指标为：违约用电次数、违约用电种类、违约用电追补电费等。
（2）违法窃电
违法风险主要为客户在用电过程中出现的窃电和破坏电力设施等违法行为。违法风险主要包括擅自接线、绕越计量装置、伪造或开启封印、故意损坏计量装置、使计量装置不准或失效、破坏电力设施等情况。具体可细化的指标为：违法窃电次数、违法窃电种类、违法窃电追补电费、是否立案等。由于违法窃电涉及违法，是极为恶劣的行为，在信用输出值中的权重很大，一旦有违法窃电的行为的客户信用评分将受到颠覆性的影响。可细化的指标为：违法窃电次数、违法窃电种类、违法窃电追补电费等。
三、模型构建
借鉴商业银行、信用卡机构、互联网、移动的在信用评分上的先进经验，信用评价方法可分为三类：定性分析、定量分析、定性和定量分析相结合。
电力用户信用为电力用户交纳电费能力和交纳电费意愿的综合。目前关于电力客户信用评价的研究相对较少，评价指标体系的建立相对也不健全。对用电客户信用评价的研究方法目前主要有定性评价和定量评价两大类。本文采用遗传神经网络建立评价模型，以机器学习的优点更好地评价用电客户的信用表现。
BP神经网络以其不断训练自主调整的动态特性，很强的非线性影射能力以及很强的泛化功能容错能力成为迄今为止应用最为广泛的网络算法。但是BP神经网络的训练是基于误差梯度下降的权重修改原则，不可避免地存在落入局部最小点问题;而遗传算法(GA)是基于自然选择和遗传规律的并行全局搜索算法，具有较强的宏观搜索能力和寻优的全局性，以遗传算法优化BP网络的初始权重和阈值，可以进行大范围权重的取值，有效克服了BP算法中容易出现的局部极小问题。前人关于遗传算法和神经网络结合的研究主要应用于其他行业，在用电客户信用评价中还未见研究，对宁波市用电客户的实例研究表明，基于遗传神经网络模型能对用电客户的信用进行很好的评价。
四、模型验证
信用等级主要由交费行为与用电行为方面的数据训练生成，其中逾期交费率、违法窃电次数为主要的、权重较大的考察指标，故主要展现这两项指标在信用等级上的分布情况。但由于窃电人数极少且发生频率不高，回款时长指标在业务中有着重要意义，因此通过考察验证期客户逾期交费次数和回款时长长短在各信用等级中的分布情况来验证模型的效果，期望随着信用等级的增高，各等级中逾期交费客户的占比逐渐降低、回款时长降低。
五、模型输出
（1）信用等级标签输出
将客户以高低压及是否居民划分为高压、低压非居与低压居民三组，根据评价维度与业务实际细化确定基于遗传算法的BP神经网络的权重。按照模型的输出结果、各分段客户人数分布，并结合供电企业实际业务需求，选择各等级区间的阈值，以信用等级标签的形式展现。
（2）信用趋势标签输出
除简单标签以及信用等级标签外，增加信用评分的趋势类的衍生标签，记录各时期客户信用分数，更直观地展现和追踪客户信用的变动趋势，更全面地刻画客户信用表现。
客户信用模型标签
六、模型应用
模型应用包括信用评级，其根据信用等级评定结果，将现有客户分为守信客户、准失信客户、失信客户三类，在一段时间内无违约用电、违法窃电行为，没有逾期交费以及拖欠电费情况，信用等级在A级或者A级以上，信用稳定或增长的客户为守信客户；在一段时间内无违约用电、违法窃电行为，偶尔逾期交费，但月底会结清，不存在欠费情况，信用等级为B级，信用下滑的客户为准失信客户；在一段时间内存在违约用电、违法窃电行为，经常逾期交费，且存在电费未交清的情况，信用等级在C、D级，信用表现较差的客户为失信客户。
对于不同类别的客户提供不同的精准化、差异化的客户服务，具体措施如下：
（一）对于守信客户，考虑在办理业务时对其提供绿色通道，优先办理业务，给予最优质的客户服务；定期向其赠送积分，积分可换取礼品或抵扣少量电费等；
（二）对于准失信客户，考虑在办理业务时增加其履约意识，督促劝导其及时更新补充基础信息、按时交纳电费、办理预付费控业务等；在完善客户信息、催收电费、用电检查工作中重点关注，及时预防其违约行为，减少对电力公司带来的损害；
（三）对于失信客户，办理业务时需交清所有电费，签订守信用电承诺书，灌输安全用电和合法用电意识；在用电检查时，重点监测其是否存在违约用电、违法用电行为，一旦发现，及时制止并按照相关法规予以处罚；开展专项活动，宣传安全用电、诚信用电理念，指导其向优质客户发展；
以上图1所示的基于大数据的电力信用评价方法是本发明的具体实施例，已经体现出本发明实质性特点和进步，可根据实际的使用需要，在本发明的启示下，对其进行形状、结构等方面的等同修改，均在本方案的保护范围之列。
Claims (7)
1.基于大数据的电力信用评价方法，其特征在于包括以下步骤：
1)数据准备步骤，包括数据获取、数据检验、数据处理；
数据获取为：根据前期业务理解及业务调研结果，确定客户信用相关变量，从电力公司营销系统以及第三方征信系统中提取客户信用相关变量数据；
数据检验为：对获取的数据质量进行检验，包括： A）用户ID的唯一性检验：每个 ID 变量应该仅出现一次，否则需要核查原因，调整数据；B）范围和取值检验：每个变量都应该来自一个定义清晰、具有已知的或预期取值范围的字段，连续变量的值应在一定的预期范围内，而名义变量应取维表中的值；否则需要核查原因，调整数据；C）缺失值检验：检验每个字段的缺失值及其来源；D）异常值检验：异常值为显偏离数据集的观测值；检验异常值出现的原因，并相应的处理异常值；
数据处理数为包括对缺失值、离群值、异常值的记录进行清洗处理以及数据的归一化处理；当数据为对应变量平均值正负3个标准差以外的数值时认为该数据是离群值，当数据明显偏离数据集的观测值则认为该数据为异常值，将离群值用3个标准差的最大值或最小值替换以调整为距离最近的正常值或直接将离群值剔除；对异常值的出现进行区别并作相应处理；将缺失值调整为某个固定值或调整为一个服从正态分布的随机值，该固定值包括均值、中间值或一个指定的常数；数据的归一化处理为第一处理方式或第二处理方式，第一处理方式为通过最大最小值将原始数据线性化的方法转换到[0 1]的范围，第二处理方式为或0均值标准化，将原始数据集归一化为均值为0、方差1的数据集；
2）指标体系构建步骤，包括客户用电信用的构建；客户用电信用评价维度包括：信息质量、交费行为、用电行为；在进行数据准备与模型搭建时，对高压非居、低压居民、低压非居运用同一指标体系或相似指标体系；
信息质量指基于合约精神，要求客户真实地、实时地提供相关信息，并保证登记信息的准确性、完整性以及信息更新的及时性，是对客户在信息提供质量的信用评价，信息质量的评估包括准确性与完整性两方面；
交费行为指基于合约精神，要求客户遵守合同约定按时足额交纳电费，交费行为的评估包括交费时间、交费金额、交费渠道三方面；
用电行为指基于合约精神，要求客户合法、安全用电，不危害供用电安全、扰乱正常供用电秩序的行为，其与按时按额交费同样重要的基本的信用维度；用电行为的评估包括违约用电、违法窃电的种类和次数；
3）模型构建步骤，包括以下子步骤
301）确定BP神经网络的输入节点数n;
302)应用聚类分析方法，确定BP神经网络的输出节点数k;
303)计算隐层节点数，经验公式为:,m为隐层结点数，n为输入层结点数，k为输出层结点数，α为1- 10之间的常数;
304)运用遗传算法，按神经网络生成初始权重生成BP神经网络的权重，将权值和阈值分别采用从左到右、从上到下的方法进行编号，任一组完整的神经网络权重wi相当于P个染色体，这样的染色体共有P个，即种群规模P；通过选择算子执行进化运算，选择算子的特性决定了种群的进化趋势；选择过程采用标准化几何分布排序选择；将染色体按适应值由大到小的顺序排成一个序列，然后将事先设计好的序列概率分配给每个个体，大适应值对应高选择概率，小适应值对应低选择概率；使其自适应调整搜索区域，提高其搜索能力，改善收敛性能，提高遗传算法的收敛速度；最终确定BP神经网络的权重；
4）模型验证步骤，使用收集到的电力客户样本数据，对模型进行验证，若误差值超过域值，则通过步骤3）重新修正；在对模型进行验证时，通过考察验证期客户逾期交费次数和回款时长长短在各信用等级中的分布情况来验证模型的效果；当随着信用等级的增高，各等级中逾期交费客户的占比逐渐降低、回款时长降低时认为模型合适，否则对模型进行修正；
5）模型输出步骤，电力客户数据通过模型计算结果，并按照模型的输出结果、各分段客户人数分布、供电企业实际业务需求，选择各等级区间的阈值，获得信用等级标签及信用趋势标签，信用等级标签输出将客户以高低压及是否居民划分为高压、低压非居与低压居民三组；信用趋势标签记录各时期客户信用分数，直观地展现和追踪客户信用的变动趋势，全面地刻画客户信用表现。
2.根据权利要求1所述的基于大数据的电力信用评价方法，其特征在于：指标体系构建步骤中，信息质量的准确性，通过判断是否办理过新装、过户、档案维护业务来确定基础信息是否准确，当办理过新装、过户或档案维护业务时则认为信息准确，未办理过上述业务时则认为信息准确性待定；
信息质量的客户信息完整性指客户所提供登记的基础信息是否完整，是否提供除基础信息外的其他信息，以及是否绑定目前主推渠道，其包括基础信息完整性、附加信息完整性；基础信息完整性判断户名、地址、联系电话、公司电话、证件信息是否完整，登记的项目数越多，完整度越高；附加信息完整性判断支付宝、微信、APP绑定情况、邮箱、资产信息附加信息是否完整，登记的项目数越多，完整度越高。
3.根据权利要求1所述的基于大数据的电力信用评价方法，其特征在于：在指标体系构建步骤中，交费行为的交费时间指客户交费的时间，交费时间的长短体现了客户的交费意愿和交费信用；具体可细化的指标为：平均回款时长、逾期交费率、是否预收/费控等；
平均回款时长：按月加权平均计算的电费发行日与实收日的日期差；
平均逾期时长：按月加权平均计算的电费违约金起算日与实收日的日期差；
逾期交费率：指观察期内客户产生违约金的交费次数（逾期）占交费总次数的比例；
是否预收/费控：是否通过预收、费控方式交费；
交费行为的交费金额指客户交费的金额，存在足额交费与欠费现象；电费交纳金额的大小体现了客户的资产状况与交费能力，欠费金额体现了客户的资产状况与交费意愿；评价指标为：累计违约金占比、分期交费占比；
累计违约金占比：指观察期内客户累计违约金金额占交费金额的比例；
分期交费占比：按月加权平均计算的交清本月电费期数的前一期的累计交费金额占该月总应交电费的比例；
交费行为的交费渠道为客户交费的渠道，不同的交费渠道的交费稳定性、及时性、交费成本以及便捷程度不同，选择更优质的交费渠道对客户交费效率和稳定性以及电费回收有着较大的保证，其评价指标为：交费渠道偏好；
交费渠道偏好：根据观察期内客户在各个渠道的交费次数进行排序，选出客户的偏好渠道；根据不同渠道成本和稳定性等对其赋值。
4.根据权利要求1所述的基于大数据的电力信用评价方法，其特征在于：在指标体系构建步骤中，用电行为的违约用电为客户在用电过程中出现的违反供用电合同约定的情况；违约风险包括高价低接、私自增容、私自启封、私动用电设备、私自向外转用电、私自并网等指标；评价指标为：违约用电次数、违约用电种类、违约用电追补电费；
用电行为的违法窃电为客户在用电过程中出现的窃电和破坏电力设施的违法行为；违法窃电包括擅自接线、绕越计量装置、伪造或开启封印、故意损坏计量装置、使计量装置不准或失效、破坏电力设施等情况；其评价指标为：违法窃电次数、违法窃电种类、违法窃电追补电费、是否立案；其评价指标为：违法窃电次数、违法窃电种类、违法窃电追补电费。
5.根据权利要求1所述的基于大数据的电力信用评价方法，其特征在于：还包括信用评级步骤，其根据信用等级评定结果，将现有客户分为守信客户、准失信客户、失信客户三类，在一段时间内无违约用电、违法窃电行为，没有逾期交费以及拖欠电费情况，设定信用等级在A级或者A级以上，信用稳定或增长的客户为守信客户；在一段时间内无违约用电、违法窃电行为，偶尔逾期交费，但月底会结清，不存在欠费情况，设定信用等级为B级，信用下滑的客户为准失信客户；在一段时间内存在违约用电、违法窃电行为，经常逾期交费，且存在电费未交清的情况，设定信用等级在C、D级，信用表现较差的客户为失信客户；对于不同类别的客户提供不同的精准化、差异化的客户服务。
6.根据权利要求5所述的基于大数据的电力信用评价方法，其特征在于：在信用评级步骤中，
A）对于守信客户，考虑在办理业务时对其提供绿色通道，优先办理业务，给予最优质的客户服务；定期向其赠送积分，积分可换取礼品或抵扣少量电费等；
B）对于准失信客户，考虑在办理业务时增加其履约意识，督促劝导其及时更新补充基础信息、按时交纳电费、办理预付费控业务等；在完善客户信息、催收电费、用电检查工作中重点关注，及时预防其违约行为，减少对电力公司带来的损害；
C）对于失信客户，办理业务时需交清所有电费，签订守信用电承诺书，灌输安全用电和合法用电意识；在用电检查时，重点监测其是否存在违约用电、违法用电行为，一旦发现，及时制止并按照相关法规予以处罚；开展专项活动，宣传安全用电、诚信用电理念，指导其向优质客户发展。
7.根据权利要求1所述的基于大数据的电力信用评价方法，其特征在于：归一化处理的，第一处理方式的公式为：
该方法实现对原始数据的等比例缩放，其中Xnorm为归一化后的数据，X为原始数据，Xmax、Xmin分别为原始数据集的最大值和最小值；
第二处理方式的公式为：
其中，μ、σ分别为原始数据集的均值和方法；该种归一化方式要求原始数据的分布近似为高斯分布，否则采用第一处理方式进归一化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611159231.2A CN106780140B (zh) | 2016-12-15 | 2016-12-15 | 基于大数据的电力信用评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611159231.2A CN106780140B (zh) | 2016-12-15 | 2016-12-15 | 基于大数据的电力信用评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106780140A true CN106780140A (zh) | 2017-05-31 |
| CN106780140B CN106780140B (zh) | 2021-07-09 |
Family
ID=58887580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611159231.2A Active CN106780140B (zh) | 2016-12-15 | 2016-12-15 | 基于大数据的电力信用评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106780140B (zh) |
Cited By (42)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169145A (zh) * | 2017-06-19 | 2017-09-15 | 武汉大学 | 一种基于聚类算法的用户窃电严重等级检测的方法 |
| CN107423859A (zh) * | 2017-08-07 | 2017-12-01 | 国家电网公司客户服务中心 | 一种组合模型建模方法及系统 |
| CN107563665A (zh) * | 2017-09-18 | 2018-01-09 | 安徽蓝杰鑫信息科技有限公司 | 一种电力设施分布与电网资源数据质量评价方法 |
| CN107862458A (zh) * | 2017-11-08 | 2018-03-30 | 携程计算机技术（上海）有限公司 | 敏捷项目评估与推荐的方法及系统、存储介质、电子设备 |
| CN108665184A (zh) * | 2018-05-21 | 2018-10-16 | 国网陕西省电力公司咸阳供电公司 | 一种基于大数据征信的电力客户信誉评估方法 |
| CN108710998A (zh) * | 2018-05-03 | 2018-10-26 | 苏州朗动网络科技有限公司 | 企业数据处理方法、装置、计算机设备和存储介质 |
| CN108961095A (zh) * | 2018-06-13 | 2018-12-07 | 国网福建省电力有限公司 | 一种基于ai的智能催收电费系统 |
| CN109003127A (zh) * | 2018-07-06 | 2018-12-14 | 国网福建省电力有限公司 | 一种基于用电客户数据的信用评级方法 |
| CN109102396A (zh) * | 2018-08-17 | 2018-12-28 | 北京玖富普惠信息技术有限公司 | 一种用户信用评级方法、计算机设备及可读介质 |
| CN109255629A (zh) * | 2018-08-22 | 2019-01-22 | 阳光财产保险股份有限公司 | 一种客户分群方法及装置、电子设备、可读存储介质 |
| CN109272308A (zh) * | 2018-09-20 | 2019-01-25 | 新疆玖富万卡信息技术有限公司 | 动态获取用户评级等级信息并定制分期服务的方法及系统 |
| CN109496322A (zh) * | 2017-09-28 | 2019-03-19 | 深圳乐信软件技术有限公司 | 信用评价方法和装置以及梯度渐进决策树参数调整方法和装置 |
| CN109753522A (zh) * | 2018-11-29 | 2019-05-14 | 国网江苏省电力有限公司电力科学研究院 | 一种企业用电数据保护方法、系统及存储介质 |
| CN109828969A (zh) * | 2019-03-04 | 2019-05-31 | 国网北京市电力公司 | 客户数据的处理方法和系统 |
| CN110096497A (zh) * | 2019-03-28 | 2019-08-06 | 中国农业科学院农业信息研究所 | 一种农产品产量数据智能清洗方法及系统 |
| CN110163621A (zh) * | 2018-02-10 | 2019-08-23 | 广州供电局有限公司 | 一种电力客服大数据决策支持系统 |
| CN110163467A (zh) * | 2019-04-02 | 2019-08-23 | 苏州纤联电子商务有限公司 | 一种基于纺织行业中小型企业信用的风险量化建模方法 |
| CN110197074A (zh) * | 2018-04-11 | 2019-09-03 | 腾讯科技（深圳）有限公司 | 一种用户权限控制方法及装置 |
| CN110223147A (zh) * | 2019-06-10 | 2019-09-10 | 曹可迪 | 一种基于广义支付数据的信用积分建模方法 |
| CN110288216A (zh) * | 2019-06-17 | 2019-09-27 | 国网甘肃省电力公司兰州供电公司 | 一种电力客户服务风险预警及趋势研判方法 |
| CN110322046A (zh) * | 2019-05-31 | 2019-10-11 | 深圳市跨越新科技有限公司 | 一种消除异常货量影响的货量预测方法及系统 |
| CN111126776A (zh) * | 2019-11-26 | 2020-05-08 | 国网浙江省电力有限公司 | 一种基于逻辑回归算法的电费风险防控模型构建方法 |
| CN111127186A (zh) * | 2019-12-10 | 2020-05-08 | 云南电网有限责任公司信息中心 | 一种基于大数据技术的客户信用等级评价体系的使用方法 |
| CN111177138A (zh) * | 2019-12-30 | 2020-05-19 | 深圳市恒泰能源科技有限公司 | 电力需求侧的大数据分析方法、装置、设备及存储介质 |
| CN111192149A (zh) * | 2019-11-25 | 2020-05-22 | 泰康保险集团股份有限公司 | 一种核保结果数据生成方法和装置 |
| CN111428982A (zh) * | 2020-03-18 | 2020-07-17 | 国网浙江杭州市临安区供电有限公司 | 一种基于大数据的优质光伏客户评价和筛选方法 |
| CN111598275A (zh) * | 2020-04-03 | 2020-08-28 | 福建星云电子股份有限公司 | 一种电动汽车信用分评测方法、装置、设备和介质 |
| CN111612323A (zh) * | 2020-05-15 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种基于大数据模型的电力征信评估方法 |
| CN111738843A (zh) * | 2020-06-29 | 2020-10-02 | 金电联行（北京）信息技术有限公司 | 一种使用流水数据的量化风险评价系统和方法 |
| CN112184486A (zh) * | 2020-09-30 | 2021-01-05 | 深圳供电局有限公司 | 一种电力用户成本管理方法 |
| CN112348296A (zh) * | 2019-08-07 | 2021-02-09 | 中移信息技术有限公司 | 电信数据获取方法、装置、设备及存储介质 |
| CN112801610A (zh) * | 2021-01-21 | 2021-05-14 | 长江慧控科技(武汉)有限公司 | 机电设备的全生命周期管理系统及方法 |
| CN113052483A (zh) * | 2021-04-08 | 2021-06-29 | 国网江苏省电力有限公司扬州供电分公司 | 基于电力大数据的信用分析方法 |
| CN113313614A (zh) * | 2021-06-18 | 2021-08-27 | 深圳市友邻科技服务有限公司 | 一种物业费缴费管理方法、系统、电子设备及介质 |
| CN113450004A (zh) * | 2021-07-02 | 2021-09-28 | 国网北京市电力公司 | 电力信用报告生成方法、装置、电子设备及可读存储介质 |
| CN113487448A (zh) * | 2021-05-31 | 2021-10-08 | 国网上海市电力公司 | 一种基于电力大数据的电力信用标签化方法及系统 |
| CN113723525A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技（深圳）有限公司 | 基于遗传算法的产品推荐方法、装置、设备及存储介质 |
| CN114374936A (zh) * | 2020-10-14 | 2022-04-19 | 中国移动通信集团安徽有限公司 | 终端催告方法、装置和设备 |
| CN114596105A (zh) * | 2022-03-23 | 2022-06-07 | 江苏云快充新能源科技有限公司 | 一种充电用户信用的评估方法、装置、设备以及介质 |
| CN116757534A (zh) * | 2023-06-15 | 2023-09-15 | 中国标准化研究院 | 一种基于神经训练网络的智能冰箱可靠性分析方法 |
| WO2023201477A1 (zh) * | 2022-04-18 | 2023-10-26 | 常州市工业互联网研究院有限公司 | 一种企业信用数据的确定方法及装置 |
| CN117992766A (zh) * | 2024-04-07 | 2024-05-07 | 南京基石数据技术有限责任公司 | 一种基于人工智能的模型识别评价管理系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011070465A (ja) * | 2009-09-28 | 2011-04-07 | Chugoku Electric Power Co Inc:The | 電気需要契約支援システム |
| CN104376502A (zh) * | 2014-11-11 | 2015-02-25 | 国家电网公司 | 基于灰色关联度的电力客户信用综合评价方法 |
| CN104992297A (zh) * | 2015-07-10 | 2015-10-21 | 国家电网公司 | 基于大数据平台聚类算法的电费回收风险评估装置及方法 |
| CN105427196A (zh) * | 2015-12-23 | 2016-03-23 | 国网山东省电力公司聊城供电公司 | 一种电力客户信用风险管控系统 |
| CN106067137A (zh) * | 2016-06-28 | 2016-11-02 | 中国地质大学（北京） | 一种基于智能电网监控系统的客户信用等级评价方法 |
-
2016
- 2016-12-15 CN CN201611159231.2A patent/CN106780140B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011070465A (ja) * | 2009-09-28 | 2011-04-07 | Chugoku Electric Power Co Inc:The | 電気需要契約支援システム |
| CN104376502A (zh) * | 2014-11-11 | 2015-02-25 | 国家电网公司 | 基于灰色关联度的电力客户信用综合评价方法 |
| CN104992297A (zh) * | 2015-07-10 | 2015-10-21 | 国家电网公司 | 基于大数据平台聚类算法的电费回收风险评估装置及方法 |
| CN105427196A (zh) * | 2015-12-23 | 2016-03-23 | 国网山东省电力公司聊城供电公司 | 一种电力客户信用风险管控系统 |
| CN106067137A (zh) * | 2016-06-28 | 2016-11-02 | 中国地质大学（北京） | 一种基于智能电网监控系统的客户信用等级评价方法 |
Cited By (52)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169145A (zh) * | 2017-06-19 | 2017-09-15 | 武汉大学 | 一种基于聚类算法的用户窃电严重等级检测的方法 |
| CN107423859B (zh) * | 2017-08-07 | 2021-04-13 | 国家电网公司客户服务中心 | 一种组合模型建模方法及系统 |
| CN107423859A (zh) * | 2017-08-07 | 2017-12-01 | 国家电网公司客户服务中心 | 一种组合模型建模方法及系统 |
| CN107563665A (zh) * | 2017-09-18 | 2018-01-09 | 安徽蓝杰鑫信息科技有限公司 | 一种电力设施分布与电网资源数据质量评价方法 |
| CN109496322A (zh) * | 2017-09-28 | 2019-03-19 | 深圳乐信软件技术有限公司 | 信用评价方法和装置以及梯度渐进决策树参数调整方法和装置 |
| CN109496322B (zh) * | 2017-09-28 | 2022-04-19 | 深圳乐信软件技术有限公司 | 信用评价方法和装置以及梯度渐进决策树参数调整方法和装置 |
| CN107862458A (zh) * | 2017-11-08 | 2018-03-30 | 携程计算机技术（上海）有限公司 | 敏捷项目评估与推荐的方法及系统、存储介质、电子设备 |
| CN110163621A (zh) * | 2018-02-10 | 2019-08-23 | 广州供电局有限公司 | 一种电力客服大数据决策支持系统 |
| CN110197074A (zh) * | 2018-04-11 | 2019-09-03 | 腾讯科技（深圳）有限公司 | 一种用户权限控制方法及装置 |
| CN110197074B (zh) * | 2018-04-11 | 2023-02-28 | 腾讯科技（深圳）有限公司 | 一种用户权限控制方法及装置 |
| CN108710998A (zh) * | 2018-05-03 | 2018-10-26 | 苏州朗动网络科技有限公司 | 企业数据处理方法、装置、计算机设备和存储介质 |
| CN108665184A (zh) * | 2018-05-21 | 2018-10-16 | 国网陕西省电力公司咸阳供电公司 | 一种基于大数据征信的电力客户信誉评估方法 |
| CN108961095A (zh) * | 2018-06-13 | 2018-12-07 | 国网福建省电力有限公司 | 一种基于ai的智能催收电费系统 |
| CN109003127A (zh) * | 2018-07-06 | 2018-12-14 | 国网福建省电力有限公司 | 一种基于用电客户数据的信用评级方法 |
| CN109102396A (zh) * | 2018-08-17 | 2018-12-28 | 北京玖富普惠信息技术有限公司 | 一种用户信用评级方法、计算机设备及可读介质 |
| CN109255629A (zh) * | 2018-08-22 | 2019-01-22 | 阳光财产保险股份有限公司 | 一种客户分群方法及装置、电子设备、可读存储介质 |
| CN109272308A (zh) * | 2018-09-20 | 2019-01-25 | 新疆玖富万卡信息技术有限公司 | 动态获取用户评级等级信息并定制分期服务的方法及系统 |
| CN109753522A (zh) * | 2018-11-29 | 2019-05-14 | 国网江苏省电力有限公司电力科学研究院 | 一种企业用电数据保护方法、系统及存储介质 |
| CN109828969A (zh) * | 2019-03-04 | 2019-05-31 | 国网北京市电力公司 | 客户数据的处理方法和系统 |
| CN110096497A (zh) * | 2019-03-28 | 2019-08-06 | 中国农业科学院农业信息研究所 | 一种农产品产量数据智能清洗方法及系统 |
| CN110163467A (zh) * | 2019-04-02 | 2019-08-23 | 苏州纤联电子商务有限公司 | 一种基于纺织行业中小型企业信用的风险量化建模方法 |
| CN110322046A (zh) * | 2019-05-31 | 2019-10-11 | 深圳市跨越新科技有限公司 | 一种消除异常货量影响的货量预测方法及系统 |
| CN110223147A (zh) * | 2019-06-10 | 2019-09-10 | 曹可迪 | 一种基于广义支付数据的信用积分建模方法 |
| CN110288216A (zh) * | 2019-06-17 | 2019-09-27 | 国网甘肃省电力公司兰州供电公司 | 一种电力客户服务风险预警及趋势研判方法 |
| CN112348296A (zh) * | 2019-08-07 | 2021-02-09 | 中移信息技术有限公司 | 电信数据获取方法、装置、设备及存储介质 |
| CN112348296B (zh) * | 2019-08-07 | 2023-12-22 | 中移信息技术有限公司 | 电信数据获取方法、装置、设备及存储介质 |
| CN111192149A (zh) * | 2019-11-25 | 2020-05-22 | 泰康保险集团股份有限公司 | 一种核保结果数据生成方法和装置 |
| CN111126776A (zh) * | 2019-11-26 | 2020-05-08 | 国网浙江省电力有限公司 | 一种基于逻辑回归算法的电费风险防控模型构建方法 |
| CN111127186A (zh) * | 2019-12-10 | 2020-05-08 | 云南电网有限责任公司信息中心 | 一种基于大数据技术的客户信用等级评价体系的使用方法 |
| CN111177138A (zh) * | 2019-12-30 | 2020-05-19 | 深圳市恒泰能源科技有限公司 | 电力需求侧的大数据分析方法、装置、设备及存储介质 |
| CN111428982A (zh) * | 2020-03-18 | 2020-07-17 | 国网浙江杭州市临安区供电有限公司 | 一种基于大数据的优质光伏客户评价和筛选方法 |
| CN111598275A (zh) * | 2020-04-03 | 2020-08-28 | 福建星云电子股份有限公司 | 一种电动汽车信用分评测方法、装置、设备和介质 |
| CN111598275B (zh) * | 2020-04-03 | 2022-11-11 | 福建星云电子股份有限公司 | 一种电动汽车信用分评测方法、装置、设备和介质 |
| CN111612323A (zh) * | 2020-05-15 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种基于大数据模型的电力征信评估方法 |
| CN111612323B (zh) * | 2020-05-15 | 2023-03-28 | 国网河北省电力有限公司电力科学研究院 | 一种基于大数据模型的电力征信评估方法 |
| CN111738843A (zh) * | 2020-06-29 | 2020-10-02 | 金电联行（北京）信息技术有限公司 | 一种使用流水数据的量化风险评价系统和方法 |
| CN112184486A (zh) * | 2020-09-30 | 2021-01-05 | 深圳供电局有限公司 | 一种电力用户成本管理方法 |
| CN114374936B (zh) * | 2020-10-14 | 2023-08-15 | 中国移动通信集团安徽有限公司 | 终端催告方法、装置和设备 |
| CN114374936A (zh) * | 2020-10-14 | 2022-04-19 | 中国移动通信集团安徽有限公司 | 终端催告方法、装置和设备 |
| CN112801610A (zh) * | 2021-01-21 | 2021-05-14 | 长江慧控科技(武汉)有限公司 | 机电设备的全生命周期管理系统及方法 |
| CN113052483A (zh) * | 2021-04-08 | 2021-06-29 | 国网江苏省电力有限公司扬州供电分公司 | 基于电力大数据的信用分析方法 |
| CN113487448A (zh) * | 2021-05-31 | 2021-10-08 | 国网上海市电力公司 | 一种基于电力大数据的电力信用标签化方法及系统 |
| CN113313614A (zh) * | 2021-06-18 | 2021-08-27 | 深圳市友邻科技服务有限公司 | 一种物业费缴费管理方法、系统、电子设备及介质 |
| CN113450004A (zh) * | 2021-07-02 | 2021-09-28 | 国网北京市电力公司 | 电力信用报告生成方法、装置、电子设备及可读存储介质 |
| CN113723525B (zh) * | 2021-08-31 | 2024-02-20 | 平安科技（深圳）有限公司 | 基于遗传算法的产品推荐方法、装置、设备及存储介质 |
| CN113723525A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技（深圳）有限公司 | 基于遗传算法的产品推荐方法、装置、设备及存储介质 |
| CN114596105A (zh) * | 2022-03-23 | 2022-06-07 | 江苏云快充新能源科技有限公司 | 一种充电用户信用的评估方法、装置、设备以及介质 |
| WO2023201477A1 (zh) * | 2022-04-18 | 2023-10-26 | 常州市工业互联网研究院有限公司 | 一种企业信用数据的确定方法及装置 |
| CN116757534A (zh) * | 2023-06-15 | 2023-09-15 | 中国标准化研究院 | 一种基于神经训练网络的智能冰箱可靠性分析方法 |
| CN116757534B (zh) * | 2023-06-15 | 2024-03-15 | 中国标准化研究院 | 一种基于神经训练网络的智能冰箱可靠性分析方法 |
| CN117992766A (zh) * | 2024-04-07 | 2024-05-07 | 南京基石数据技术有限责任公司 | 一种基于人工智能的模型识别评价管理系统及方法 |
| CN117992766B (zh) * | 2024-04-07 | 2024-05-28 | 南京基石数据技术有限责任公司 | 一种基于人工智能的模型识别评价管理系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106780140B (zh) | 2021-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106780140A (zh) | 基于大数据的电力信用评价方法 | |
| Coelli | A primer on efficiency measurement for utilities and transport regulators | |
| CN106557882A (zh) | 基于多维度风险评价指标的电力用户筛选方法及系统 | |
| CN106355518A (zh) | 一种电费缴纳客户筛选方法及系统 | |
| Yang | Transport infrastructure, city productivity growth and sectoral reallocation: Evidence from China | |
| Najafi et al. | A BSC-DEA approach to measure the relative efficiency of service industry: A case study of banking sector | |
| CN110516901A (zh) | 基于大数据的客户价值分层模型构建系统及客户分层方法 | |
| Al Arif | Spin-off and its impact on the third party funds of Indonesian Islamic banking industry | |
| Leinauer et al. | Obstacles to demand response: Why industrial companies do not adapt their power consumption to volatile power generation | |
| CN108256723B (zh) | 煤改电接入电网的经济效益评估方法及终端设备 | |
| CN102081781A (zh) | 基于信息自循环的金融建模优化方法 | |
| Strang | Applied financial non-linear programming models for decision making | |
| CN107609771A (zh) | 一种供应商价值评价方法 | |
| Hagemann et al. | Trading volumes in intraday markets: Theoretical reference model and empirical observations in selected European markets | |
| Ben et al. | Interaction analysis among industrial parks, innovation input, and urban production efficiency | |
| Putri et al. | Big data and strengthening msmes after the covid-19 pandemic (development studies on batik msmes in east java) | |
| Kasper | A Definition for Infrastructure-Characteristics and Their Impact on Firms Active in Infrastructure | |
| Pham | Market power issues in liberalized wholesale electricity markets: A review of the literature with a look into the future | |
| Kolodiziev et al. | Assessment of the development level of information and communication infrastructure in the regions of Ukraine | |
| Dragan | Fuzzy-DEA model for measuring the efficiency of transport quality | |
| Jamasb et al. | International benchmarking and regulation of European gas transmission utilities | |
| CN114595909A (zh) | 一种电费回收风险评估方法和系统 | |
| Ge et al. | Risk evaluation of energy investment projects along the Belt and Road based on cloud model and evidence theory | |
| Dong et al. | Research on investment decision-making scheme of power grid enterprises considering the expansion of incremental power distribution service | |
| Brandão | Essays on effects of technological spillovers and auction participation in the energy sector |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |