CN112785427B - 基于电力数据的企业信用分析系统 - Google Patents

Abstract

本发明提供了基于电力数据的企业信用分析系统，其特征在于：包括电力数据获取模块、客户端模块、分析服务器以及总数据库，电力数据获取模块基于区块链技术从总数据库内检索获取对应电力用户信息数据以及包括将未接入的需求表接入至系统贴源区的数据接入组件，其获取的数据基于Crat、Lof、K‑means机器算法的电力客户信用综合评价技术进行信用度综合智能评分及风险等级评价，并生成评价报告，其评价报告用于支撑信贷反欺诈场景及贷后预警产品构建；本发明的系统基于电力数据自动获取分析生成评价报告，可辅助银行识别、监测、分析企业的真实经营状况，提升资金的风控度，同时促进电力数据纳入商业金融体系，实现跨领域、跨行业数据共享增值。

Description

基于电力数据的企业信用分析系统

技术领域

本发明涉及企业信用分析系统领域，尤其是涉及到基于电力数据的企业信用分析系统。

背景技术

目前，商业银行尚未将贷款企业生产经营必须的用电情况纳入信用评价体系，仍通过查阅企业电费缴纳收据和实地走访核查生产情况的形式来确认企业经营状况，存在企业电费发票造假或隐瞒真实情况的可能性。同时，现有利用电力数据形成的企业贷前及贷后信用分析报告通过线下人工计算的方式开展，每生成一份报告需一人消耗5-6天时间，在效率上难以满足商业银行的需求。因此，需要一种可基于电力数据自动进行企业信用分析的系统，以实现报告一键自动生成，满足银行实时查阅需求，减轻人员工作压力。

发明内容

本发明的目的是提供一种基于电力数据的企业信用分析系统，其特点在于通过多端的合作自动对企业电力数据进行分析，生成用于支撑信贷反欺诈场景及贷后预警产品构建等的评价报告，以辅助银行等单位定义企业信用，促进电力数据纳入金融信用评价体系，实现跨领域、跨行业数据共享增值。

针对上述，本发明公开了基于电力数据的企业信用分析系统，其特征在于：包括电力数据获取模块、客户端模块、分析服务器以及总数据库，所述电力数据获取模块基于区块链技术从总数据库内检索获取对应电力用户信息数据，还包括有用于将未接入的需求表接入至系统贴源区的数据接入组件，其通过电力数据获取模块检索获取的电力用户信息数据经过内置的企业统一模型转换后存入分析服务器，再依据分析服务器内的设置的业务逻辑模块进行统计加工处理，其统计加工处理的结果数据最后封装成数据服务，并输送至客户端模块内，通过展示模块的在线拖拉、修改、调整功能进行稽核，再通过数据中台自助式数据分析服务模块内置的基于Crat、Lof、K-means机器算法的电力客户信用综合评价技术进行信用度综合智能评分及风险等级评价，并生成评价报告，其评价报告用于支撑信贷反欺诈场景及贷后预警产品构建。

优选的，优选的，所述电力客户信用综合评价技术对数据进行信用度综合智能评分及风险等级评价的步骤包括

1)数据预处理：将数据中台自助式数据分析服务模块接受的数据基于CRAT机器算法进行构建特征数据集A，并对特征数据集A进行后剪枝处理，最终生成一个最优特征样本集B；

2)样本聚类：将特征样本集B通过K-means机器算法进行迭代运算，其输入特征为特征样本集B，聚类簇树为S，最大迭代次数为N，

①从样本集随机选S个样本x作为初始中心，

②对任一个样本x，求其到S个中心的距离，将该样本归到距离最短的中心所在的类，

③对所有属于该类的数据点求平均，将平均值作为新的类中心，

④重复②和③直到收敛,

⑤收敛后一次计算各个点与聚类中心的距离并取最小距离,

⑥设置最大距离阈值如果大于该距离则为离群点，输出特征数据集C；

3)将特征数据集C代入LOF算法：

a.计算各个点之间的距离和第k距离

对于点p和第k-距离的定义如下:

dk(p)＝d(p,o),满足：

a)在集合中至少有不包括p在内的k个点o,∈C{x≠p}，满足d(p,o,)≤d(p,o)，

b)在集合中最多有不包括p在内的k-1个点o,∈C{x≠p}，满足d(p,o,)<d(p,o)；

b.计算对象p相对对象o的可达距离

点o到点p的第k可达距离定义为：reach-distancek(p,o)＝max{k-distance(o),d(p,o)}，其中，点o到点p的第k可达距离，至少是o的第k距离，或者为o、p间的真实距离；

c.计算局部可达密度

点p的局部可达密度表示为：lrdk(p)＝1/(∑o∈Nk(p)reach-distk(p,o)|Nk(p)|)；

d.识别局部离群因子

点p的局部离群因子表示为：LOFk(p)＝∑o∈Nk(p)lrdk(o)lrdk(p)|Nk(p)|＝∑o∈Nk(p)lrdk(o)|Nk(p)|/lrdk(p)，其中，点p的邻域点Nk(p)的局部可达密度与点p的局部可达密度之比的平均数；

f.将识别的离群数据整合构建为数据集M，再见数据集M代入预构建的信用度综合智能评分及风险等级评价体系中自动生成评价报告。

优选的，所述总数据库设置于云端服务器，用于存储数据但不限于仅存储电力数据获取模块所获取的用于信用评价报告的数据，其还包括存储有往届的企业信用风险信息供客户端模块提取查看。

优选的，所述的客户端模块还包括展示模块，所述展示模块包括评价报告智能搜索展示子模块、评价报告自动关联展示子模块、评价报告比对分析展示子模块。

优选的，所述评价报告用于为银行的企业客户提供信用参考，其评价报告占企业整体信用分析结果比为25％-35％。

优选的，所述的电力用户信息数据包括但不限于客户基本信息、欠费情况、用电行为、违约记录、需求侧因素。

优选的，所述数据中台自助式数据分析服务模块还包括基于稽核后的数据进行图表分析和分析挖掘模型构建与训练、发布。

有益效果：本发明的系统基于区块链技术的安全性和稳定性并基于现有电力系统公共信息模型标准基础上，定义企业共享交换模型及标准，本发明系统设置自动获取电力系统内存储的数据信息形成企业贷前及贷后信用等分析报告，实现报告一键自动生成，满足银行实时查阅需求，辅助银行识别、监测、分析企业的真实经营状况，提升资金的风控度，通过本方案基于企业用电数据进行数据转换分析，不仅促进电力数据纳入商业金融体系，实现跨领域、跨行业数据共享增值，且电力作为企业必要消耗资源，无法私自修改的信息，保证了本方案信用评价分析的准确性。

附图说明

图1为本方案信用分析系统的整体数据流转示意图；

图2为本方案系统概念数据模型架构图；

图3为Lof算法中对象p相对对象o的可达距离示意图；

图4为本系统信用报告的生成流程示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

如图1-4所示的基于电力数据的企业信用分析系统，其特征在于：包括电力数据获取模块、客户端模块、分析服务器以及总数据库，所述电力数据获取模块基于区块链技术从总数据库内检索获取对应电力用户信息数据，还包括有用于将未接入的需求表接入至系统贴源区的数据接入组件，其通过电力数据获取模块检索获取的电力用户信息数据经过内置的企业统一模型转换后存入分析服务器，再依据分析服务器内的设置的业务逻辑模块进行统计加工处理，其统计加工处理的结果数据最后封装成数据服务，并输送至客户端模块内，通过展示模块的在线拖拉、修改、调整功能进行稽核，再通过数据中台自助式数据分析服务模块内置的基于Crat、Lof、K-means机器算法的电力客户信用综合评价技术进行信用度综合智能评分及风险等级评价，并生成评价报告，其评价报告用于支撑信贷反欺诈场景及贷后预警产品构建。

优选的，所述总数据库设置于云端服务器，用于存储数据但不限于仅存储电力数据获取模块所获取的用于信用评价报告的数据，其还包括存储有往届的企业信用风险信息供客户端模块提取查看。

优选的，所述的客户端模块还包括展示模块，所述展示模块包括评价报告智能搜索展示子模块、评价报告自动关联展示子模块、评价报告比对分析展示子模块。

优选的，所述评价报告用于为银行的企业客户提供信用参考，其评价报告占企业整体信用分析结果比为25％-35％。

优选的，所述的电力用户信息数据包括但不限于客户基本信息、欠费情况、用电行为、违约记录、需求侧因素。

优选的，所述数据中台自助式数据分析服务模块还包括基于稽核后的数据进行图表分析和分析挖掘模型构建与训练、发布。

优选的，所述电力客户信用综合评价技术对数据进行信用度综合智能评分及风险等级评价的步骤包括

1)数据预处理：将数据中台自助式数据分析服务模块接受的数据基于CRAT机器算法进行构建特征数据集A，并对特征数据集A进行后剪枝处理，最终生成一个最优特征样本集B；

2)样本聚类：将特征样本集B通过K-means机器算法进行迭代运算，其输入特征为特征样本集B，聚类簇树为S，最大迭代次数为N，

①从样本集随机选S个样本x作为初始中心，

②对任一个样本x，求其到S个中心的距离，将该样本归到距离最短的中心所在的类，

③对所有属于该类的数据点求平均，将平均值作为新的类中心，

④重复②和③直到收敛,

⑤收敛后一次计算各个点与聚类中心的距离并取最小距离,

⑥设置最大距离阈值如果大于该距离则为离群点，输出特征数据集C；

3)将特征数据集C代入LOF算法：

a.计算各个点之间的距离和第k距离

对于点p和第k-距离的定义如下:

dk(p)＝d(p,o),满足：

a)在集合中至少有不包括p在内的k个点o,∈C{x≠p}，满足d(p,o,)≤d(p,o)，

b)在集合中最多有不包括p在内的k-1个点o,∈C{x≠p}，满足d(p,o,)<d(p,o)；

b.计算对象p相对对象o的可达距离如图3所示

点o到点p的第k可达距离定义为：reach-distancek(p,o)＝max{k-distance(o),d(p,o)}，其中，点o到点p的第k可达距离，至少是o的第k距离，或者为o、p间的真实距离；

c.计算局部可达密度

点p的局部可达密度表示为：lrdk(p)＝1/(∑o∈Nk(p)reach-distk(p,o)|Nk(p)|)；

d.识别局部离群因子

点p的局部离群因子表示为：LOFk(p)＝∑o∈Nk(p)lrdk(o)lrdk(p)|Nk(p)|＝∑o∈Nk(p)lrdk(o)|Nk(p)|/lrdk(p)，其中，点p的邻域点Nk(p)的局部可达密度与点p的局部可达密度之比的平均数；

f.将识别的离群数据整合构建为数据集M，再见数据集M代入预构建的信用度综合智能评分及风险等级评价体系中自动生成评价报告。

实施例：

目前，国网西宁供电公司已通过前期多次实地调研，初步掌握了大通农商银行对于贷款企业信用分析的需求，同时已通过线下提供企业贷前及贷后信用分析报告的形式向大通农商银行提供了试点分析服务，得到银行方面的认可，进行了试点实施本发明的企业信用分析系统，其基于本方案的技术方案修改符合实际需求的技术架构图如图2所示：

本方案的企业信用分析系统针对前期于大通县农商银行的调研结果，有50家存量贷款企业需按季度开展贷后信用分析评价的工作，且同时不定期新增贷款企业需按需开展贷前信用分析评价的工作，实施了本方案的系统；

以青海大通农村商业银行股份有限公司为应用单位，本系统通过企业的PMS、ERP等端口获取企业用电信息、用电客户档案、用户缴费信息等相关数据，在统一转换后供给于数据分析层分析生成评价报告并构建电力客户信用评价指标体系，其中还采用Crat、Lof、K-means机器算法进行数据挖掘整合；该企业采用本方案的电力客户信用综合评价技术，实现了对全省企业进行信用度综合智能评分及风险等级评价，工作人员通过本系统快速的对合作客户企业的信用进行评估，新贷用户的信用信息快速初步了解，此外其还具备辅助银行识别、监测、分析企业的真实经营状况、报告智能搜索、报告自动生成、评价报告分析展示等功能，方便银行客户快捷查询、多方式获取，同时促进电力数据纳入商业金融体系，实现跨领域、跨行业数据共享增值，虽然该数据贷前及贷后分析报告占企业整体信用分析结果仅占比25％-35％，但是其结果对于初步信用分析以及预警依旧具有非常重要的意义。

本发明采用“互联网+智慧运营”建设理念,依托数据中台和外网云平台，利用企业用电信息、用电客户档案、用户缴费信息等相关数据，构建电力客户信用评价指标体系，充分融合人工智能、云计算、移动互联网等新型信息技术，全网首创基于Crat、Lof、K-means机器算法的电力客户信用综合评价技术，实现对全省企业进行信用度综合智能评分及风险等级评价，生成企业信贷数据报告。通过开发基于电力数据的企业信用分析工具，实现报告智能搜索、自动生成、分析展示等功能，方便银行客户快捷查询、多方式获取。其基于定制化数据报告付费获取的形式向银行客户提供服务，辅助银行识别、监测、分析企业的真实经营状况，提升资金的风控度，同时促进电力数据纳入商业金融体系，实现跨领域、跨行业数据共享增值。基于该技术方案构建的数据增值变现服务和产品商业模式运转新模式，为公司形成一套可复制、可运营的数据增值变现服务和产品商业模式，成为公司新的利润增长点。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (3)

1.基于电力数据的企业信用分析系统，其特征在于：包括电力数据获取模块、客户端模块、分析服务器以及总数据库， 所述电力数据获取模块基于区块链技术从总数据库内检索获取对应电力用户信息数据，包括客户基本信息、欠费情况、用电行为、违约记录、需求侧因素; 还包括有用于将未接入的需求表接入至系统贴源区的数据接入组件，其通过电力数据获取模块检索获取的电力用户信息数据,经过内置的企业统一模型转换后存入分析服务器，再依据分析服务器内的设置的业务逻辑模块,进行统计加工处理，其统计加工处理的结果数据最后封装成数据服务，并输送至客户端模块内;

所述总数据库设置于云端服务器，用于存储数据但不限于仅存储电力数据获取模块所获取的用于信用评价报告的数据，其还包括存储有往届的企业信用风险信息供客户端模块提取查看; 所述的客户端模块还包括展示模块，所述展示模块包括评价报告智能搜索展示子模块、评价报告自动关联展示子模块、评价报告比对分析展示子模块;通过展示模块的在线拖拉、修改、调整功能进行稽核，再通过设置于客户端模块内的数据中台自助式数据分析服务模块内置的,基于Crat、Lof、K-means机器算法的电力客户信用综合评价技术,进行信用度综合智能评分及风险等级评价，并生成评价报告，其评价报告用于支撑信贷反欺诈场景及贷后预警产品构建，所述电力客户信用综合评价技术,对数据进行信用度综合智能评分及风险等级评价的步骤包括

数据预处理：将数据中台自助式数据分析服务模块接受的数据基于Crat机器算法进行构建特征数据集A，并对特征数据集A进行后剪枝处理，生成一个最优特征样本集B；

样本聚类：将特征样本集B通过K-means机器算法进行迭代聚类，其输入特征为特征样本集B，聚类簇树为S，最大迭代次数为N，

①从样本集随机选S个样本x作为初始中心，

②对任一个样本x，求其到S个中心的距离，将该样本x归到距离最短的中心所在的类，

③对所有属于该类的数据点求平均，将平均值作为新的类中心，

④重复②和③直到收敛,

⑤收敛后一次计算各个点与聚类中心的距离并取最小距离,

⑥设置最大距离阈值如果大于该距离则为离群点，输出特征数据集C；

将特征数据集C代入Lof算法：

a.计算各个点之间的距离和第k距离

对于点p和第k距离的定义如下:

dk(p)=d(p,o),满足：

a）在集合中至少有不包括p在内的k个点o,∈C{x≠p}， 满足d(p,o,)≤d(p,o) ，

b）在集合中最多有不包括p在内的k−1个点o,∈C{x≠p}，满足d(p,o,)<d(p,o) ；

b.计算对象p相对对象o的可达距离

点o到点p的第k可达距离定义为：reach−distancek(p,o)=max{k−distance(o),d(p,o)}，其中，点o到点p的第k可达距离，至少是o的第k距离，或者为o、p间的真实距离；

c.计算局部可达密度

点ｐ的局部可达密度表示为：lrdk(p)=1/(∑o∈Nk(p)reach−distk(p,o)|Nk(p)|)；

d.识别局部离群因子

点p的局部离群因子表示为：LOFk(p)=∑o∈Nk(p)lrdk(o)lrdk(p)|Nk(p)|=∑o∈Nk(p)lrdk(o)|Nk(p)|/lrdk(p)，其中，点p的邻域点Nk(p)的局部可达密度与点p的局部可达密度之比的平均数；

f.将识别的离群数据整合构建为数据集M，再见数据集M代入预构建的信用度综合智能评分及风险等级评价体系中自动生成评价报告。

2.根据权利要求1所述的基于电力数据的企业信用分析系统，其特征在于：所述评价报告用于为银行的企业客户提供信用参考，其评价报告占企业整体信用分析结果比为25%-35%。

3.根据权利要求1所述的基于电力数据的企业信用分析系统，其特征在于：所述数据中台自助式数据分析服务模块还包括基于稽核后的数据进行图表分析和分析挖掘模型构建与训练、发布。