CN109726930A - 一种基于深度学习的电力大客户电费回收风险预警方法 - Google Patents
一种基于深度学习的电力大客户电费回收风险预警方法 Download PDFInfo
- Publication number
- CN109726930A CN109726930A CN201910006016.6A CN201910006016A CN109726930A CN 109726930 A CN109726930 A CN 109726930A CN 201910006016 A CN201910006016 A CN 201910006016A CN 109726930 A CN109726930 A CN 109726930A
- Authority
- CN
- China
- Prior art keywords
- risk
- tariff recovery
- large power
- deep learning
- tariff
- 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
Links
- 238000011084 recovery Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 230000005611 electricity Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000010219 correlation analysis Methods 0.000 claims abstract description 4
- 238000013136 deep learning model Methods 0.000 claims abstract description 3
- 230000009467 reduction Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007773 growth pattern Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229940074869 marquis Drugs 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- VBUNOIXRZNJNAD-UHFFFAOYSA-N ponazuril Chemical compound CC1=CC(N2C(N(C)C(=O)NC2=O)=O)=CC=C1OC1=CC=C(S(=O)(=O)C(F)(F)F)C=C1 VBUNOIXRZNJNAD-UHFFFAOYSA-N 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的电力大客户电费回收风险预警方法,包括以下步骤:基于电力内部的电量、电费数据,结合企业相关的工商、税务、法院信息,建立电力大客户的电费回收风险指标体系;基于熵值法得到的风险指标权重系数,过滤弱影响指标,采用相关性分析剔除重叠作用指标,得到客户电费回收风险预警指标;采用历史数据训练得到电费回收风险预警深度学习模型,并进行客户电费回收风险预警。本发明提出的风险预警模型精确有效,能够精准定位风险客户,提高电费回收效率。
Description
技术领域
本发明属于电力营销智能应用的技术领域,具体涉及一种基于深度学习的电力大客户电费回收风险预警方法。
背景技术
一直以来,电费回收率都是电力公司的重要考核指标,其好坏直接关系到电力公司的运营效率和水平。电力大客户合同容量大、用电量大,他们是否及时交费,则很大程度上影响着电费回收率。因此,近年来,电力公司一直将电费回收风险作为其运营风险的核心指标之一,也围绕这一主题开展了大量的研究工作,取得了一定的成效。
目前,业扩报装、用电检查等工作主要关心完成专业工作所需的用电信息,而对客户的行业分类、经营状况、发展趋势、法律背景等重要的经济信息情况主动了解不足,对客户经营状态及有可能出现的欠费风险重视程度不足,未很好发挥事前预防、事中管控的作用,不能有效降低电费回收风险。随着外部监管越趋严格,政府推动“放管服”和降低实体经济运营成本的力度加大,电费回收风险可能会越来越高,有必要在业扩报装时对用电客户的运营状况进行评估,未雨绸缪,加大电费回收风险事前预防的力度。
电费回收风险受客户生产运营情况、财务经济状况、宏观经济政策等众多因素的影响,相关因素的筛选和量化较为困难,而深度学习算法能够自动选取关键因素,进而提高客户电费回收风险预警的准确率。
发明内容
本发明的目的在于针对电力公司面临的电费回收风险问题,提供一种基于人工智能算法(深度学习)的电费回收风险预警方法,用于锁定电费回收高风险群体,提高电费回收率。
为实现上述技术目的,本发明采取的技术方案为:
一种基于深度学习的电力大客户电费回收风险预警方法,包括以下步骤:
1)结合数据资源维度,建立电费回收风险指标体系;
2)采用降维技术,筛选电费回收风险关键指标;
3)基于业务理解或数据分布,将客户电费回收风险指标定义为标签,并制定标签计算规则;
4)以电力大客户历史数据为训练样本,建立电费回收风险预警模型;
5)将电费回收风险预警模型应用于实际场景,验证预警准确性。
为优化上述技术方案,采取的具体措施还包括:
步骤1)中,基于电力内部的电量、电费、违约用电等数据,结合外部的工商、税务、法院信息,建立了涵盖行业背景、企业实力、经营能力、企业信用、电力消费等维度,共计35个指标的电力大客户的电费回收风险指标体系。
步骤2)中,采用熵值法对客户风险指标进行筛选,过滤掉弱影响指标,并利用相关性分析剔除作用重复的指标。
步骤3)中,基于业务人员工作经验或数据分布情况,划定指标阈值,并根据不同阈值的特征,将指标定义为具有业务意义的标签。
步骤4)中,获取典型电力大客户电费回收风险相关标签数据,作为训练样本,采用长短期记忆(long short-term memory,LSTM)网络算法,建立电力大客户电费回收风险深度学习模型。
步骤5)中,基于电费回收风险预警模型,对电力大客户进行风险预警,并采用分类准确率、查全率和查准率三个指标,验证电费回收风险预警方法的准确率。
本发明具有以下有益效果:
本发明研究了循环神经网络(recurrent neural network,RNN)算法的基本原理,结合电费回收风险预警随时间推移存在一定规律,进一步研究了RNN算法的特殊类型——LSTM网络算法,用于提高电费回收风险预警准确率。
附图说明
图1是RNN的基本结构图;
图2是LSTM网络模块的链式结构图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
本发明的一种基于深度学习的电力大客户电费回收风险预警方法,包括以下步骤:
1)结合数据资源维度,建立电费回收风险指标体系:
电力大客户电费回收风险受其所在行业背景、自身实力、经营能力等多重因素影响,因此,本实施例基于电力内部的电量、电费、违约用电等数据,结合外部的工商、税务、法院信息,建立了电力大客户的电费回收风险指标体系,如表1所示。
表1电费回收风险指标
2)采用降维技术,筛选电费回收风险关键指标:
在进行客户风险预警模型构建之前,需要对客户风险指标进行筛选,过滤掉弱影响指标,并利用相关性分析剔除作用重复的指标。
2.1)采用熵值法计算表1中的各指标权重,结果如表2所示。
表2各指标权重系数
2.2)过滤弱影响指标,剔除表2中权重系数绝对值<2%的8个指标,得到27个权重系数较高的指标。
2.3)对剩余的27个指标做相关性分析,得到相关系数较高的指标如表3所示。
表3相关性系数较高的指标
2.4)剔除实收资本、前年用电量增长情况和最近一年电费回收准时度三个指标,得到最终客户风险预警指标,如表4所示。
表4客户风险预警指标
上述指标即为电费回收风险预警指标,它们与电力大客户的电费回收风险密切相关。
3)基于业务理解或数据分布,将客户电费回收风险指标定义为标签,并制定标签计算规则:
标签计算规则,如表5所示。
表5客户风险标签计算规则
4)以电力大客户历史数据为训练样本,建立电费回收风险预警模型:
深度学习算法原理如下:
1、RNN的基本原理
在传统的神经网络模型中,输入层、隐含层和输出层之间全连接,而每层的节点相互无连接;当序列当前的输出与前一时刻输出相关时,这种连接方式无法体现和处理这种关系。而RNN的隐含层之间也有连接,隐含层的输入不仅包括输入层提供的输出,还包括上一时刻隐含层的输出。通过这种方式,RNN可以对前面时刻的信息进行记忆,并应用于当前时刻的计算。RNN的简单结构如图1所示。
x=[x1,L,xt-1,xt,xt+1,L,xT]为网络的输入,t时刻的输入即为时刻的输入即为xt;ht为代表t时刻的隐含层状态,ot为t时刻的输出;U、V、W为输出层到隐含层、隐含层到隐含层、隐含层到输出层的权重系数。
RNN的Forward过程,在t时刻,网络的输出可以用下式表达:
ot=g(Vht) (1)
其中函数g一般为softmax函数,ht为隐含层的状态,其计算公式为:
ht=f(Uxt+Wht-1) (2)
f一般为tanh、relu、logistic等。
在RNN的Backward过程中,假设输出误差为则t时刻网络的输出误差可以通过如下的偏微分方程求得:
2、LSTM的基本原理
RNN很好地利用了历史信息来帮助网络进行当前决策,但当回归/分类信息所需的历史信息间隔较远时,RNN就会丧失学习能力,这种问题称为长期依赖问题。对长期依赖问题而言,RNN的Backward过程中梯度会呈指数倍衰减,这种衰减导致RNN无法处理长期依赖问题。为了克服RNN的这种缺陷,国内外专家学者们研究和改进了众多方法,其中LSTM表现最为出色。当误差从输出层反向传播回来时,LSTM可以用记忆元存储下来,以记住较长时间内的信息。
所有的RNN都具有重复神经网络模块的链式形式,在标准的RNN中,这个重复模块结构简单,一般只有一个tanh层;LSTM同样具有这样的重复结构,但其神经网络层有四个,相互直接通过特殊方式进行交互,标准RNN模块和LSTM模块的链式结构如图2所示。
LSTM一个重要的概念是细胞状态,它可以通过精心设计的“门”结构来更新细胞状态。LSTM神经网络模块的四层结构中(图中自左向右分别为第一到四层):
第一层为遗忘门层,它决定我们会从细胞状态中丢弃什么信息。第二层为输入门层,一般为sigmoid函数,它决定需要更新的信息;第三层为tanh层,它通过创建一个新的侯选值向量更新细胞状态。第二层和第三层共同作用,更新神经网络模块的细胞状态。第四层为其它相关信息更新层,它用于更新由其它因素导致的细胞状态变化。
通过四层结构模型,LSTM很好地解决了标准RNN对长期依赖问题处理效果欠佳的问题,目前在语言模型、序列标记中取得一定的成功。
5)将电费回收风险预警模型应用于实际场景,验证预警准确性:
以某地区3039户电力大客户为实施例,进行电费回收风险深度学习模型训练和测试。3039户中,39户当期实际发生欠费,选取其中2839户为训练集(其中2809户非欠费客户,30户欠费),200户为测试集(其中191户非欠费客户,9户欠费)。
LSTM参数设置:
表5 LSTM参数设置
为了便于算法测试结果比对,对测试集200户进行排序并编号,9户当期发生欠费的客户编号定为192~200。对测试集进行电费回收风险预警,得到如表6所示结果(1代表当期发生欠费,0代表当期未发生欠费)。
表6电力大客户电费回收风险预警结果
(1)准确率而言,Logistic回归计算结果准确率95.00%,LSTM准确率95.50%。
(2)查准率而言,Logistic回归计算得到的欠费客户为17户,命中了其中的8户,查准率47.06%;而LSTM计算得到的欠费客户18户,但9户实际欠费客户全部命中,查准率50.00%。
(3)查全率而言,实际发生欠费客户9户,Logistic回归命中了其中的8户,查全率88.89%;,而LSTM命中了全部欠费客户,查全率100%。
从工程应用角度看,两种算法都将欠费客户锁定到了10%以内的客户,减少了90%的电费回收风险监控工作量,而且LSTM命中了其中的所有欠费客户,也即在降低工作量的同时,规避了所有的电费回收风险。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (6)
1.一种基于深度学习的电力大客户电费回收风险预警方法,其特征在于:包括以下步骤:
1)结合数据资源维度,建立电费回收风险指标体系;
2)采用降维技术,筛选电费回收风险关键指标;
3)基于业务理解或数据分布,将客户电费回收风险指标定义为标签,并制定标签计算规则;
4)以电力大客户历史数据为训练样本,建立电费回收风险预警模型;
5)将电费回收风险预警模型应用于实际场景,验证预警准确性。
2.根据权利要求1所述的一种基于深度学习的电力大客户电费回收风险预警方法,其特征在于:所述步骤1)中,基于电力内部的电量、电费、违约用电等数据,结合外部的工商、税务、法院信息,建立了涵盖行业背景、企业实力、经营能力、企业信用、电力消费等维度,共计35个指标的电力大客户的电费回收风险指标体系。
3.根据权利要求1所述的一种基于深度学习的电力大客户电费回收风险预警方法,其特征在于:所述步骤2)中,采用熵值法对客户风险指标进行筛选,过滤掉弱影响指标,并利用相关性分析剔除作用重复的指标。
4.根据权利要求1所述的一种基于深度学习的电力大客户电费回收风险预警方法,其特征在于:所述步骤3)中,基于业务人员工作经验或数据分布情况,划定指标阈值,并根据不同阈值的特征,将指标定义为具有业务意义的标签。
5.根据权利要求1所述的一种基于深度学习的电力大客户电费回收风险预警方法,其特征在于:所述步骤4)中,获取典型电力大客户电费回收风险相关标签数据,作为训练样本,采用LSTM网络算法,建立电力大客户电费回收风险深度学习模型。
6.根据权利要求1所述的一种基于深度学习的电力大客户电费回收风险预警方法,其特征在于:所述步骤5)中,基于电费回收风险预警模型,对电力大客户进行风险预警,并采用分类准确率、查全率和查准率三个指标,验证电费回收风险预警方法的准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910006016.6A CN109726930A (zh) | 2019-01-03 | 2019-01-03 | 一种基于深度学习的电力大客户电费回收风险预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910006016.6A CN109726930A (zh) | 2019-01-03 | 2019-01-03 | 一种基于深度学习的电力大客户电费回收风险预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109726930A true CN109726930A (zh) | 2019-05-07 |
Family
ID=66298742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910006016.6A Pending CN109726930A (zh) | 2019-01-03 | 2019-01-03 | 一种基于深度学习的电力大客户电费回收风险预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726930A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298573A (zh) * | 2019-06-20 | 2019-10-01 | 国网辽宁省电力有限公司鞍山供电公司 | 基于多属性群决策的用户异常用电及欠费风险评估方法 |
CN110991926A (zh) * | 2019-12-16 | 2020-04-10 | 象山电力实业有限公司 | 基于企业用电大数据分析的综合能源服务系统 |
CN112990611A (zh) * | 2021-05-12 | 2021-06-18 | 江苏电力信息技术有限公司 | 一种基于多头注意力网络的电费回收风险预测方法 |
CN113435195A (zh) * | 2021-07-01 | 2021-09-24 | 贵州电网有限责任公司 | 一种基于主变负载特性的缺陷智能诊断模型构建方法 |
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 |
CN113988700A (zh) * | 2021-11-15 | 2022-01-28 | 广东电网有限责任公司 | 能源电力产业链风险预警方法、装置、终端设备及介质 |
CN117973879A (zh) * | 2024-04-02 | 2024-05-03 | 国网山东省电力公司营销服务中心(计量中心) | 基于多源数据联合分析的电力缴费风险识别方法及系统 |
-
2019
- 2019-01-03 CN CN201910006016.6A patent/CN109726930A/zh active Pending
Non-Patent Citations (1)
Title |
---|
谢林枫: "基于长短期记忆网络算法的电费回收风险预警", 《电力工程技术》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298573A (zh) * | 2019-06-20 | 2019-10-01 | 国网辽宁省电力有限公司鞍山供电公司 | 基于多属性群决策的用户异常用电及欠费风险评估方法 |
CN110298573B (zh) * | 2019-06-20 | 2023-04-07 | 国网辽宁省电力有限公司鞍山供电公司 | 基于多属性群决策的用户异常用电及欠费风险评估方法 |
CN110991926A (zh) * | 2019-12-16 | 2020-04-10 | 象山电力实业有限公司 | 基于企业用电大数据分析的综合能源服务系统 |
CN112990611A (zh) * | 2021-05-12 | 2021-06-18 | 江苏电力信息技术有限公司 | 一种基于多头注意力网络的电费回收风险预测方法 |
CN113435195A (zh) * | 2021-07-01 | 2021-09-24 | 贵州电网有限责任公司 | 一种基于主变负载特性的缺陷智能诊断模型构建方法 |
CN113435195B (zh) * | 2021-07-01 | 2023-10-03 | 贵州电网有限责任公司 | 一种基于主变负载特性的缺陷智能诊断模型构建方法 |
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 |
CN113988700A (zh) * | 2021-11-15 | 2022-01-28 | 广东电网有限责任公司 | 能源电力产业链风险预警方法、装置、终端设备及介质 |
CN117973879A (zh) * | 2024-04-02 | 2024-05-03 | 国网山东省电力公司营销服务中心(计量中心) | 基于多源数据联合分析的电力缴费风险识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726930A (zh) | 一种基于深度学习的电力大客户电费回收风险预警方法 | |
Ali et al. | Load forecasting through estimated parametrized based fuzzy inference system in smart grids | |
Kisi et al. | Precipitation forecasting using wavelet-genetic programming and wavelet-neuro-fuzzy conjunction models | |
Ismail et al. | Efficient detection of electricity theft cyber attacks in AMI networks | |
CN108416693A (zh) | 一种基于模糊神经网络的用电异常行为识别方法 | |
Niu et al. | Uncertainty modeling for chaotic time series based on optimal multi-input multi-output architecture: Application to offshore wind speed | |
CN111680786B (zh) | 一种基于改进权重门控单元的时序预测方法 | |
CN105654175A (zh) | 一种面向轴承制造企业的零件供应商多目标优选方法 | |
CN111160659B (zh) | 一种考虑温度模糊化的电力负荷预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN106779219A (zh) | 一种用电量预测方法及系统 | |
CN114036850A (zh) | 一种基于vecgm的径流预测方法 | |
CN110245783A (zh) | 一种基于c-均值聚类模糊粗糙集的短期负荷预测方法 | |
Khomami et al. | Utilizing cellular learning automata for finding communities in weighted networks | |
Pang et al. | Traffic flow prediction of chaos time series by using subtractive clustering for fuzzy neural network modeling | |
CN111612175A (zh) | 一种基于模糊迁移学习的废旧手机智能定价方法 | |
Handoyo et al. | The fuzzy inference system with rule bases generated by using the fuzzy C-means to predict regional minimum wage in Indonesia | |
CN113344283B (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
Fan et al. | Online learning-empowered smart management for A2O process in sewage treatment processes | |
Chen et al. | [Retracted] Application of Improved LSTM Algorithm in Macroeconomic Forecasting | |
CN107704944B (zh) | 一种基于信息论学习的股市波动区间预测模型的构建方法 | |
CN107301266A (zh) | 一种磷酸铁锂电池loc估算方法和系统 | |
Wan et al. | Deep learning-based management for wastewater treatment plants under blockchain environment | |
CN113449912B (zh) | 一种基于人工智能技术的空间负荷态势感知方法 | |
Sun et al. | Consistency modification of judgment matrix based on genetic algorithm in analytic hierarchy process |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190507 |