CN113706336A - 风险评估方法、装置、计算机设备和存储介质 - Google Patents
风险评估方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113706336A CN113706336A CN202111020761.XA CN202111020761A CN113706336A CN 113706336 A CN113706336 A CN 113706336A CN 202111020761 A CN202111020761 A CN 202111020761A CN 113706336 A CN113706336 A CN 113706336A
- Authority
- CN
- China
- Prior art keywords
- industry
- target
- sequence
- cluster
- preset
- 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 66
- 238000012502 risk assessment Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 78
- 230000005611 electricity Effects 0.000 claims abstract description 64
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 description 72
- 238000010586 diagram Methods 0.000 description 21
- 229910052751 metal Inorganic materials 0.000 description 13
- 239000002184 metal Substances 0.000 description 13
- 238000009826 distribution Methods 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000005065 mining Methods 0.000 description 8
- 238000003723 Smelting Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 239000004753 textile Substances 0.000 description 6
- 239000003814 drug Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 239000010985 leather Substances 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 239000002023 wood Substances 0.000 description 5
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000003490 calendering Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000005034 decoration Methods 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 239000004033 plastic Substances 0.000 description 4
- 229920003023 plastic Polymers 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 241001133760 Acoelorraphe Species 0.000 description 3
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 3
- 235000017491 Bambusa tulda Nutrition 0.000 description 3
- 241001330002 Bambuseae Species 0.000 description 3
- 241000345998 Calamus manan Species 0.000 description 3
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 3
- 239000011425 bamboo Substances 0.000 description 3
- 239000004568 cement Substances 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 229910052755 nonmetal Inorganic materials 0.000 description 3
- 235000012950 rattan cane Nutrition 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 244000269722 Thea sinensis Species 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 235000013361 beverage Nutrition 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 210000003746 feather Anatomy 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 235000019505 tobacco product Nutrition 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000003796 beauty Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 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
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种风险评估方法、装置、计算机设备和存储介质。所述方法包括：获取目标对象对应的多个目标行业以及各目标行业的用电量序列；根据目标行业的用电量序列，计算得到目标行业对应的波动率序列以及用电均值序列；通过预设聚类算法，根据各目标行业的波动率序列以及用电均值序列对各目标行业进行聚类，得到多个行业簇类；对各行业簇类对应的预设风险值以及各行业簇类对应的权重进行加权计算，得到目标对象的风险评估结果。该方法可以从目标对象签订的用户角度出发，结合售电公司的售电套餐类型及偏差考核分摊方式，及所在地区的偏差考核考核规则，最终对售电公司进行风险评估，以此达到对售电公司的风险状况的真实反映。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种风险评估方法、装置、计算机设备和存储介质。
背景技术
随着科技的发展，电力行业也在持续改革，发电侧、售电公司、用电侧均参与用电市场，用电市场的规模也在不断扩大。因此，基于电力市场中各主体行为的分析的电力市场主体风险预警监控系统已是当务之急。
相关技术中，对售电公司进行风险评估，通常是通过传统的财务指标或者企业分析指标进行评估，又因为售电公司的历史较短、资产较轻以及所属区域差异较大，导致无法对售电公司面临的风险进行准确的评估。
发明内容
基于此，有必要针对上述技术问题，提供一种能够准确评估售电公司的风险状况的风险评估方法、装置、计算机设备和存储介质。
一种风险评估方法，所述方法包括：
获取目标对象对应的多个目标行业以及各所述目标行业的用电量序列；
根据所述目标行业的用电量序列，计算得到所述目标行业对应的波动率序列以及用电均值序列；
通过预设聚类算法，根据所述各目标行业的波动率序列以及用电均值序列对各目标行业进行聚类，得到多个行业簇类；
对所述各行业簇类对应的预设风险值以及所述各行业簇类对应的权重进行加权计算，得到所述目标对象的风险评估结果。
在其中一个实施例中，所述获取目标对象对应的多个目标行业，包括：
获取所述目标对象对应的各目标用户的所属行业信息；
根据预设行业分类标准以及所述目标用户的所属行业信息，确定所述目标对象对应的多个目标行业。
在其中一个实施例中，在所述得到多个行业簇类的步骤之后，所述方法还包括：
针对于每一行业簇类，获取所述行业簇类包括的多个目标行业的用电量序列、波动率序列以及用电均值序列；
根据所述多个目标行业的用电量序列，确定各目标行业的权重序列；
根据所述权重序列、多个目标行业的波动率序列以及多个目标行业的用电均值序列，进行加权计算，得到所述行业簇类的波动率序列以及用电均值序列。
在其中一个实施例中，在所述得到所述行业簇类的波动率序列以及用电均值序列的步骤之后，所述方法还包括：
针对于每一行业簇类，根据所述行业簇类的波动率序列、用电均值序列，以及所述行业簇类包括的各目标行业的波动率序列、用电均值序列，计算得到所述各目标行业对应的误差序列；
如果所述误差序列满足预设显著性关系条件，则停止聚类；
如果所述误差序列不满足所述预设显著性关系条件，则重新执行所述通过预设聚类算法，根据所述各目标行业的波动率序列以及用电均值序列对各目标行业进行聚类，得到多个行业簇类的步骤。
在其中一个实施例中，所述方法还包括：
获取各行业簇类的波动率序列以及用电均值序列；
根据所述各行业簇类的波动率序列以及用电均值序列，通过预设分析算法，得到各行业簇类的用电波动情况的分析结果；
根据各行业簇类的用电波动情况的分析结果以及预设排序条件，对所述各行业簇类进行排序，得到行业簇类的排序结果；
根据所述行业簇类的排序结果以及所述目标对象所在区域的预设偏差考核方式，得到各行业簇类的预设风险值。
在其中一个实施例中，所述对所述各行业簇类、所述各行业簇类对应的预设风险值以及所述各行业簇类对应的权重进行加权计算，得到所述目标对象的风险评估结果，包括：
对所述各行业簇类、所述各行业簇类对应的预设风险值以及所述各行业簇类对应的权重进行加权计算，得到所述目标对象的初始风险评估结果；
根据所述目标对象所在区域的预设偏差考核策略，对所述目标对象的初始风险评估结果进行调整，得到所述目标对象的风险评估结果。
在其中一个实施例中，在所述得到多个行业簇类的步骤之后，所述方法还包括：
获取待聚类的目标行业的波动率序列以及用电均值序列；
通过预设聚类算法，分别计算所述待聚类的目标行业与各行业簇类的距离；
将所述距离满足预设聚类条件的行业簇类作为所述待聚类的目标行业的行业簇类。
一种风险评估装置，所述装置包括：
获取模块，用于获取目标对象对应的多个目标行业以及各所述目标行业的用电量序列；
计算模块，用于根据所述目标行业的用电量序列，计算得到所述目标行业对应的波动率序列以及用电均值序列；
聚类模块，用于通过预设聚类算法，根据所述各目标行业的波动率序列以及用电均值序列对各目标行业进行聚类，得到多个行业簇类；
风险评估模块，用于对所述各行业簇类对应的预设风险值以及所述各行业簇类对应的权重进行加权计算，得到所述目标对象的风险评估结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述各方法实施例中的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述各方法实施例中的步骤。
上述风险评估方法、装置、计算机设备和存储介质，获取目标对象对应的多个目标行业以及各目标行业的用电量序列；根据目标行业的用电量序列，计算得到目标行业对应的波动率序列以及用电均值序列；通过预设聚类算法，根据各目标行业的波动率序列以及用电均值序列对各目标行业进行聚类，得到多个行业簇类；对各行业簇类对应的预设风险值以及各行业簇类对应的权重进行加权计算，得到目标对象的风险评估结果。该方法可以从目标对象签订的用户角度出发，结合售电公司的售电套餐类型及偏差考核分摊方式，及所在地区的偏差考核考核规则，最终对售电公司进行风险评估，以此达到对售电公司的风险状况的真实反映。
附图说明
图1为一个实施例中风险评估方法的应用环境图；
图2为一个实施例中风险评估方法中在工作日，聚类数目k与SSE之间的关系示意图；
图3为一个实施例中风险评估方法中在工作日，聚类数目k与轮廓系数之间的关系示意图；
图4为一个实施例中风险评估方法中在周末，聚类数目k与SSE之间的关系示意图；
图5为一个实施例中风险评估方法中在周末，聚类数目k与轮廓系数之间的关系示意图；
图6为一个实施例中确定多个目标行业步骤的流程示意图；
图7为一个实施例中计算行业簇类的用电特征步骤的流程示意图；
图8为一个实施例中得到多个行业簇类步骤的流程示意图；
图9为一个实施例中计算得到行业簇类的预设风险值步骤的流程示意图；
图10为一个实施例中得到目标对象的风险评估结果步骤的流程示意图；
图11为一个实施例中进行聚类步骤的流程示意图；
图12为一个实施例中行业簇类用电量均值和行业簇类随机抽样样本均值对比示意图；
图13为一个实施例中行业簇类用电量均值频数分布示意图；
图14为一个实施例中行业簇类用电量数据特征分解示意图；
图15为一个实施例中行业簇类误差频数分布示意图；
图16为一个实施例中风险评估装置的结构框图；
图17为一个实施例中计算机设备的内部结构图。
具体实施方式
还需要说明的是，本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
在一个实施例中，如图1所示，提供了一种风险评估方法，本实施例以该方法应用于评估设备进行举例说明，可以理解的是，该方法也可以应用于评估设备，还可以应用于包括评估设备和服务器的系统，并通过评估设备和服务器的交互实现，上述评估设备可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中，该识别方法包括以下步骤：
步骤101，获取目标对象对应的多个目标行业以及各目标行业的用电量序列。
具体地，目标对象可以是售电公司，目标行业可以是通常意义上的多个行业，例如，中成药生产业、非金属矿采选业、城市公共交通运输业、租赁和商务服务业等等。各目标行业的用电量序列可以是包括多个目标时间范围内的用电量的集合，各用电量的排列顺序可以是时间顺序。评估设备可以获取预设时间段内的各目标行业的用电量，例如可以是获取一个月内的各目标行业的用电量。评估设备可以将预设时间段内的各目标行业的用电量(即24小时内的用电量)按日期进行排列，得到各目标行业的用电量序列。评估设备获取目标售电公司所代理的全部用户所属的行业，以及该行业在预设时间段内的用电量的时间序列。
步骤102，根据目标行业的用电量序列，计算得到目标行业对应的波动率序列以及用电均值序列。
具体地，目标行业对应的波动率序列是由目标行业在当前预设时间范围与上一个预设时间范围的用电量的比值组成的序列。例如可以是第i天的用电量与第i-1天的用电量的比值所组成的序列。评估设备根据目标行业对应的用电量序列中包含的多个预设时间范围内的用电量，计算当前预设时间范围内的用电量与上一个预设时间范围内用电量的比值。这样，评估设备可以将计算得到的多个比值组成的集合作为目标行业对应的波动率序列。评估设备还可以对目标行业对应的用电量序列进行求平均值的计算，得到目标行业在预设时间段内的用电均值序列。
其中，目标行业的波动率序列表示目标行业在预设时间段的用电量的波动情况，即目标行业在预设时间段内的用电量的稳定程度。目标行业对应的用电均值序列表示目标行业在预设时间段内的用电总量。
可选地，评估设备可以通过以下公式计算目标行业对应的波动率序列中包含的多个比值：
ui＝ln(Qi/Qi-1)，
其中，ui是计算得到的第i个预设时间范围的波动率，Qi是第i个预设时间范围的用电量，Qi-1是第i-1个预设时间范围的用电量。这样，评估设备通过计算得到的目标行业的波动率序列可以是{u1，u2，…，ui}。
步骤103，通过预设聚类算法，根据各目标行业的波动率序列以及用电均值序列对各目标行业进行聚类，得到多个行业簇类。
具体地，评估设备将各目标行业的波动率序列以及用电均值序列输入至预设聚类算法，预设聚类算法的输出结果即为多个目标行业的聚类，即多个行业簇类。各行业簇类内包括至少一个波动率序列与用电均值序列均符合聚类条件的目标行业。其中，预设聚类算法可以是k-means算法。
步骤104，对各行业簇类对应的预设风险值以及各行业簇类对应的权重进行加权计算，得到目标对象的风险评估结果。
具体地，评估设备对各个行业簇类对应的预设风险值以及各个行业簇类对应的权重进行加权计算，得到目标售电公司的风险评估结果。该风险评估结果可以是该目标售电公司在预设时间段内的风险值。
可选地，各个行业簇类对应的预设风险值可以是评估设备根据各目标行业内所包含的各目标行业的用电量序列确定的，各个行业簇类对应的权重可以是根据各个行业簇类内包含的各目标行业在预设时间段内，所使用的用电量与该目标售电公司所售卖的全部电量的比值。评估设备可以通过以下公式确定该目标售电公司的风险评估结果：
上述风险评估方法中，通过获取目标对象对应的多个目标行业以及各目标行业的用电量序列；根据目标行业的用电量序列，计算得到目标行业对应的波动率序列以及用电均值序列；通过预设聚类算法，根据各目标行业的波动率序列以及用电均值序列对各目标行业进行聚类，得到多个行业簇类；对各行业簇类对应的预设风险值以及各行业簇类对应的权重进行加权计算，得到目标对象的风险评估结果。该方法可以从目标对象签订的用户角度出发，结合售电公司的售电套餐类型及偏差考核分摊方式，及所在地区的偏差考核考核规则，最终对售电公司进行风险评估，该风险评估结果可以反映该售电公司真实的风险状况。
在一种可能的实现方式中，通过下述公式计算各目标行业的波动率序列的标准差：
其中，s表示每一目标行业的波动率序列的标准差，n表示行业类别的数量。
例如，评估设备可以获取一个月内的目标售电公司所代理的目标行业在每一个24小时内的用电量的序列。这样，评估设备可以将上述用电量的序列分为第一类型周期以及第二类型周期。第一类型周期可以是工作日，第二类型周期可以是周末。评估设备可以根据肘部方法以及轮廓系数法相结合确定目标行业所属行业簇类的分类。评估设备通过该肘部方法得到聚类数目与SSE(误差平方和：指拟合数据和原始数据对应点的误差的平方和)之间的关系的示意图，通过轮廓系数法得到聚类数目与轮廓系数之间的关系示意图。图2表示的是在工作日，聚类数目k与SSE之间的关系示意图；图3表示的是在工作日，聚类数目k与轮廓系数之间的关系示意图；图4表示的是在周末，聚类数目k与SSE之间的关系示意图；图5表示的是在周末，聚类数目k与轮廓系数之间的关系示意图。
这样，评估设备可以确定在工作日最合适的聚类数目k是6；在周末最合适的聚类数目k是5。
工作日的行业簇类分别包括：第一个行业簇类：中成药生产、非金属矿采选业；第二个行业簇类：城市公共交通运输、租赁和商务服务业、水利、环境和公共设施管理业、批发和零售业、房地产业、黑色金属冶炼和压延加工业、文教、工美、体育和娱乐用品制造业、造纸和纸制品业、科学研究和技术服务业、铁路.船舶.航空航天和其他运输设备制造业、教育、文化、体育和娱乐业、道路运输业、农、林、牧、渔专业及辅助性活动、科技推广和应用服务业、家具制造业、土木工程建筑业、水上运输业、港口岸电业、铝冶炼、体育用品制造、交通运输和仓储和邮政业、服装鞋帽、皮革羽绒及其制品业、结构性金属制品制造、城镇居民、肥料制造、航空运输业。
第三个行业簇类：食品制造业、其他制造业、水的生产和供应业、电信、广播电视和卫星传输服务业、非金属矿物制品业、金属制品业、通用设备制造业、塑料制品业、印刷和记录媒介复制业、公共管理和社会组织、国际组织业、住宿和餐饮业、橡胶制品业、电气机械和器材制造业、燃气生产和供应业、化学原料和化学制品制造业、计算机、通信和其他电子设备制造业、纺织服装、服饰业、皮革、毛皮、羽毛及其制品和制鞋业、木材加工和木、竹、藤、棕、草制品业、金属制品、机械和设备修理业、水利管理业、专用设备制造业、汽车制造业、医药制造业、装卸搬运和仓储业、水泥制造业、纺织业、有色金属冶炼和压延加工业、农副品加工业、仪器仪表制造业、卫生和社会工作业、橡胶和塑料制品业、废弃资源综合利用业、软件和信息技术服务业、医疗仪器设备及器械制造业、互联网数据服务业、化学纤维制造业、酒、饮料及精制茶制造业、生物药品制品制造业、通信设备制造业、有色金属矿采选业、公共照明业、邮政业、公共服务及管理组织业、多式联运和运输代理业、
第四个行业簇类：城市轨道交通设备制造业、石油、煤炭及其他燃料加工业；第五个行业簇类：充换电服务业、居民服务、修理和其他服务业、建筑业、其他采矿业、管道运输业、钢铁业、烟草制品业、乡村居民业；第六个行业簇类：金融业、租赁业、铁路运输业、电气化铁路业、玻璃制造业、光伏设备及元器件制造业、电力、热力生产和供应业、石油和天然气开采业、建筑装饰、装修和其他建筑业、文教和工美和体育和娱乐用品制造业、互联网和相关服务业、建筑安装业、电信和广播电视和卫星传输服务业、
周末的行业簇类分别包括：第一个行业簇类：城市公共交通运输业、租赁和商务服务业、水利、环境和公共设施管理业、批发和零售业、金融业、房地产业、黑色金属冶炼和压延加工业、木材加工和木、竹、藤、棕、草制品业、铁路.船舶.航空航天和其他运输设备制造业、教育、文化、体育和娱乐业、道路运输业、有色金属冶炼和压延加工业、卫生和社会工作业、农、林、牧、渔专业、及辅助性活动业、家具制造业、土木工程建筑业、水上运输业、港口岸电业、铝冶炼业、体育用品制造业、交通运输和仓储和邮政业、服装鞋帽、皮革羽绒及其制品业、结构性金属制品制造业、城镇居民业、航空运输业。
第二个行业簇类：充换电服务业、居民服务、修理和其他服务业、中成药生产业、其他采矿业、钢铁业、非金属矿采选业、乡村居民业；第三个行业簇类：食品制造业、其他制造业、水的生产和供应业、电信、广播电视和卫星传输服务业、非金属矿物制品业、金属制品业、通用设备制造业、塑料制品业、印刷和记录媒介复制业、公共管理和社会组织、国际组织业、住宿和餐饮业、橡胶制品业、电气机械和器材制造业、燃气生产和供应业、化学原料和化学制品制造业、文教、工美、体育和娱乐用品制造业、计算机、通信和其他电子设备制造业、纺织服装、服饰业、皮革、毛皮、羽毛及其制品和制鞋业、金属制品、机械和设备修理业、水利管理业、科学研究和技术服务业、专用设备制造业、汽车制造业、医药制造业、装卸搬运和仓储业、水泥制造业、纺织业、农副食品加工业、仪器仪表制造业、橡胶和塑料制品业、废弃资源综合利用业、软件和信息技术服务业、医疗仪器设备及器械制造业、互联网数据服务业、化学纤维制造业、酒、饮料及精制茶制造业、生物药品制品制造业、通信设备制造业、有色金属矿采选业、公共照明业、邮政业、公共服务及管理组织业、多式联运和运输代理业。
第四个行业簇类：造纸和纸制品业、租赁业、铁路运输业、电气化铁路业、玻璃制造业、光伏设备及元器件制造业、科技推广和应用服务业、石油、煤炭及其他燃料加工业、电力、热力生产和供应业、管道运输业、烟草制品业、石油和天然气开采业、肥料制造业、建筑装饰、装修和其他建筑业、文教和工美和体育和娱乐用品制造业、互联网和相关服务业、建筑安装业、电信和广播电视和卫星传输服务业。
第五个行业簇类：建筑业、城市轨道交通设备制造业。
在一个实施例中，如图6所示，步骤101“获取目标对象对应的多个目标行业”的具体处理过程，包括：
步骤201，获取目标对象对应的各目标用户的所属行业信息。
具体地，评估设备可以获取目标售电公司所代理的用户的所属行业信息。
步骤202，根据预设行业分类标准以及目标用户的所属行业信息，确定目标对象对应的多个目标行业。
具体地，预设行业分类标准可以是本领域技术人员的通用技术标准，例如，装修公司所属于建筑安装业，造纸工厂则归属于造纸和纸制品业等等。评估设备可以根据预设行业分类标准，确定目标售电公司所代理的用户的所属行业，即确定该目标售电公司所对应的多个目标行业。
本实施例中，通过对售电公司所代理的用户的所属行业进行分类，可以从售电公司的购电用电的行业的角度，对售电公司的风险状况进行准确地评估。
在一个实施例中，如图7所示，在“得到多个行业簇类”的步骤之后，该风险评估方法还包括：
步骤301，针对于每一行业簇类，获取行业簇类包括的多个目标行业的用电量序列、波动率序列以及用电均值序列。
具体地，评估设备针对于通过上述实施例所述的方法得到的每一行业簇类，均需要获取该行业簇类所包含的各目标行业的用电量序列、波动率序列以及用电均值序列。
步骤302，根据多个目标行业的用电量序列，确定各目标行业的权重序列。
具体地，评估设备可以根据该行业簇类所包含的各目标行业的用电量序列，计算得到该行业簇类在预设时间段内的用电量总和。评估设备可以将该行业簇类所包含的各个目标行业的用电量与该行业簇类在预设时间段内的用电量总和的比值，作为各个目标行业的权重。其中，各目标行业的权重序列中包括该行业簇类中所包含的多个目标行业的权重值。
步骤303，根据权重序列、多个目标行业的波动率序列以及多个目标行业的用电均值序列，进行加权计算，得到行业簇类的波动率序列以及用电均值序列。
具体地，评估设备可以对该行业簇类包含的各目标行业的权重序列以及各目标行业对应的波动率序列，进行加权计算，得到该行业簇类的波动率序列。评估设备可以对该行业簇类包含的各目标行业的权重序列以及各目标行业对应的用电均值序列，进行加权计算，得到该行业簇类的用电均值序列。
在一个实施例中，如图8所示，在“得到行业簇类的波动率序列以及用电均值序列”的步骤之后，该风险评估方法还包括：
步骤401，针对于每一行业簇类，根据行业簇类的波动率序列、用电均值序列，以及行业簇类包括的各目标行业的波动率序列、用电均值序列，计算得到各目标行业对应的误差序列。
具体地，评估设备可以分别计算该行业簇类的波动率序列与该行业簇类包括的各目标行业的波动率序列的差，并将得到的多个差作为各目标行业的波动率序列对应的误差序列。评估设备可以分别计算该行业簇类的用电均值序列与该行业簇类包括的各目标行业的用电均值序列的差，并将得到的多个差作为各目标行业的用电均值序列对应的误差序列。
可选地，针对于该行业簇类包括的每一目标行业，该目标行业的误差序列由波动率序列对应的误差序列与用电均值序列对应的误差序列组成。
步骤402，如果误差序列满足预设显著性关系条件，则停止聚类。
具体地，如果评估设备确定计算得到该行业簇类所包含的各个目标行业的误差序列均满足预设显著性关系条件，则表示该行业簇类包含的各个目标行业与该行业簇类均存在显著性关系，即表示评估设备通过上述实施例所述的方法得到了多个合适的行业簇类、这样，评估设备可以停止执行聚类的步骤。
可选地，在评估设备检验该行业簇类与该行业簇类所包含的各个目标行业对应的序列之间是否存在显著性关系时，可以检验两者之间的数值偏差是否满足预设的概率分布的假设条件，这样，评估设备可以通过检验两个序列的误差序列即可检验两者的显著性关系。
步骤403，如果误差序列不满足预设显著性关系条件，则重新执行通过预设聚类算法，根据各目标行业的波动率序列以及用电均值序列对各目标行业进行聚类，得到多个行业簇类的步骤。
具体地，如果评估设备通过上述实施例所述的步骤，确定该行业簇类所包含的各个目标行业的误差序列不满足预设显著性关系条件的目标行业的数量，根据该目标行业的数量确定不满足预设显著性关系条件的比例。如果该比例超过该行业簇类所包含的目标行业的数量的预设比例时，可以确定此时需要执行“通过预设聚类算法，根据各目标行业的波动率序列以及用电均值序列对各目标行业进行聚类，得到多个行业簇类”的步骤，重新对该售电公司所代理的用户的所属行业进行聚类。
可选地，预设比例可以是根据实际应用场景确定的，例如可以是百分之五十等等。
本实施例通过将评估指标定为用电的波动率序列和均值序列，利用相应的算法对数据进行建模分析和评估，每一环节的评估结果都可达到可视化效果。对于同一地区的售电公司可进行横向对比，亦可以对同一售电公司在不同地区所面临的风险进行纵向对比，从而可以真实、准确地评估该售电公司的潜在风险。
在一个实施例中，如图9所示，该风险评估方法还包括：
步骤501，获取各行业簇类的波动率序列以及用电均值序列。
步骤502，根据各行业簇类的波动率序列以及用电均值序列，通过预设分析算法，得到各行业簇类的用电波动情况的分析结果。
具体地，预设分析算法可以是支持向量机算法和随机森林算法等。评估设备通过支持向量机算法或随机森林算法，对每一行业簇类的波动率序列以及用电均值序列进行识别以及预测，该预设算法的输出结果即为该行业簇类的用电波动情况的分析结果。其中，该行业簇类的用电波动情况的分析结果包括该行业簇类日内用电量波动分布情况、工作日与节假日的用电变化情况、季节性用电量均值变化情况等。
步骤503，根据各行业簇类的用电波动情况的分析结果以及预设排序条件，对各行业簇类进行排序，得到行业簇类的排序结果。
具体地，针对于各行业簇类的用电波动情况的分析结果，评估设备可以根据预设排序条件对各行业簇类的用电波动情况的分析结果进行排序，即得到各行业簇类的分析结果。
可选地，评估设备可以在日内用电量波动分布情况维度上、工作日与节假日的用电变化情况维度上、季节性用电量均值变化情况的维度上，分别根据预设排序条件对各行业簇类进行排序。评估设备还可以根据上述维度对应的权重以及预设排序条件，对各行业簇类进行排序。其中，根据各行业簇类的用电波动情况的分析结果，得到各行业簇类的用电波动情况，例如可以是波动值，预设排序条件可以是将用电波动较大的(波动值较大的)，排序较低，用电波动较小的，排序较高。
步骤504，根据行业簇类的排序结果以及目标对象所在区域的预设偏差考核方式，得到各行业簇类的预设风险值。
需要说明的是，目标对象所在区域的预设偏差考核方式可以是，如果目标行业的用电量的波动范围在预设偏差考核的免惩罚范围内，目标售电公司的风险较低；如果目标行业的用电量的波动范围超出预设偏差考核的免惩罚范围时，目标售电公司的风险较高。
具体地，根据目标所在区域的预设偏差考核方式，确定该区域的预设偏差考核方式的对应的免惩罚范围，根据上述免惩罚范围以及各个行业簇类的用电波动情况，确定免惩罚的各行业簇类。评估设备可以根据免惩罚的各行业簇类与受惩罚的各行业簇类，以及预设的风险值赋值标准，确定各行业簇类的预设风险值。
在一个实施例中，评估设备通过上述实施例所述的方法确定的行业簇类分别为A行业簇类、B行业簇类、C行业簇类、D行业簇类、E行业簇类。评估设备得到的各行业簇类的用电波动情况的分析结果可以是A行业簇类用电量波动巨大、B行业簇类用电量波动微小、C行业簇类用电量波动小、D行业簇类用电量波动稳定、E行业簇类用电量波动大。这样，评估设备可以确定各行业簇类的排序结果可以是：
D行业簇类>B行业簇类>C行业簇类>E行业簇类>A行业簇类。
评估设备根据目标对象所在区域的预设偏差考核方式，确定C行业簇类的用电量波动情况在该区域的预设偏差考核方式的对应的免惩罚范围内，因此，免惩罚的各行业簇类可以是D行业簇类、B行业簇类、C行业簇类。这样，评估设备可以确定各行业簇类的预设风险值分别是D行业簇类为0.1，B行业簇类为0.2，C行业簇类为0.3，E行业簇类为0.5，A行业簇类为0.7。
可选地，评估设备基于行业簇类的日内用电量波动分布情况、工作日与节假日的用电变化情况、季节性用电量均值变化情况等的维度，若是某个行业簇类的用电均值序列稳定，波动率序列规律的话，通常情况下售电公的实际用电量、预测用电量及偏差用电量都是在可控范围内变动的，而这个变动是否能够落在免偏差考核范围内的另一方面也需要考量当地的偏差考核规则的严厉程度。如果目标行业簇类的偏差用电量的变化波动始终落在免考核范围内，目标行业簇类的预设风险值较低，而另一行业簇类由于用电特征的原因，偏差用电量的变化经常或跳出免考核范围，则此行业簇类的用电的预设风险值更大。而在不同的地区，由于免偏差考核范围，以及考核规则的不同，同一簇类的风险值也会随着改变。
本实施例中，通过分析售电公司的全部用户的用电偏差状况，可以对售电公司的收益状况进行了全面的分析与评估，可以得到准确的目标售电公司的风险评估结果。
在一个实施例中，如图10所示，步骤“对各行业簇类、各行业簇类对应的预设风险值以及各行业簇类对应的权重进行加权计算，得到目标对象的风险评估结果”的具体处理过程，包括：
步骤601，对各行业簇类、各行业簇类对应的预设风险值以及各行业簇类对应的权重进行加权计算，得到目标对象的初始风险评估结果。
具体地，各行业簇类对应的权重是该行业簇类包含的各目标行业的用电量的总和与该目标对象(即该目标售电公司)所代理的总电量的比值。评估设备可以对各行业簇类的预设风险值以及各行业簇类对应的权重进行加权计算，得到该目标对象对应的风险值，即初始风险评估结果。
举例来说，各行业簇类的预设风险值分别是D行业簇类为0.1，B行业簇类为0.2，C行业簇类为0.3，E行业簇类为0.5，A行业簇类为0.7，各行业簇类对应的权重分别可以是D行业簇类为0.2，B行业簇类为0.3，C行业簇类为0.1，E行业簇类为0.1，A行业簇类为0.2。这样，评估设备计算得到的该目标售电对象对应的风险值为0.3，计算得到的初始风险评估结果为0.3。
步骤602，根据目标对象所在区域的预设偏差考核策略，对目标对象的初始风险评估结果进行调整，得到目标对象的风险评估结果。
具体地，评估设备可以根据该目标售电公司所在区域的预设偏差考核策略，对计算得到的初始风险评估结果进行进一步的调整。根据该目标售电公司所在区域的预设偏差考核策略，确定该区域的免于惩罚的用电量的波动范围。如果该目标售电公司对应的多个行业簇类的用电量的波动率序列的范围在该免于惩罚的用电量的波动范围，则计算得到的初始风险评估结果保持不变。如果该目标售电公司对应的多个行业簇类的用电量的波动率序列的范围不在该免于惩罚的用电量的波动范围内，则可以将计算得到的初始风险评估结果对应的风险值增大。
本实施例的设计适用范围为全国各地区(不包括香港、澳门和台湾地区)，考虑到各个地区的市场情况都存在各自的差异性和独特点，无法直接等量齐观。因此，本实施例的方法可以从售电公司签订的用户角度出发，结合售电公司的售电套餐类型及偏差考核分摊方式，及所在地区的偏差考核考核规则，最终对售电公司进行风险评估，以此达到对售电公司的风险状况的真实反映。
在一个实施例中，如图11所示，在“得到多个行业簇类”的步骤之后，该风险评估方法还包括：
步骤701，获取待聚类的目标行业的波动率序列以及用电均值序列。
步骤702，通过预设聚类算法，分别计算待聚类的目标行业与各行业簇类的距离。
步骤703，将距离满足预设聚类条件的行业簇类作为待聚类的目标行业的行业簇类。
在一种可能的实现方式中，评估设备可以通过k-means算法为待聚类的目标行业进行分类，得到该目标行业对应的行业簇类。相应地，该评估设备可以通过k-means算法，确定训练数据集，该训练数据集中包括多个目标行业相应的用电量数据，T＝{(x1,y1),(x2,y2),…,(xN,yN)}，其中x为各目标行业的特征向量(即用电量的波动率序列以及用电均值序列)，y为行业簇类。
根据给定的距离度量，在训练集T中找出与x最邻近的k个点，涵盖着k个点的x的邻域记为Nk(x)；在Nk(x)中根据x到k的距离决定x的类别y：
y＝argmax∑I(yi＝cj),i＝1,2,…,N；j＝1,2,…,K
其中，arg max是对函数取得最大值所对应的变量点x(或x的集合)；I为指示函数，即当yi＝cj时I为1，否则I为0；yi∈Y＝{c1,c2,…,cK}为实例的类别，i＝1,2,…,N。
应该理解的是，虽然上述方法实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述方法实施例的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
需要说明的是，如图12所示，是行业簇类用电量均值和行业簇类随机抽样样本均值(均值差)的对比示意图；如图13所示，是行业簇类A的用电量均值频数分布示意图以及行业簇类B的用电量均值频数分布示意图；如图14所示，左图是行业簇类A的用电量数据特征分解示意图，右图是行业簇类B的用电量数据特征分解示意图，用电量数据特征包括：用电量(第一行的纵坐标所表示的含义)、误差(第二行的纵坐标所表示的含义)、用电均值偏差(第三行的纵坐标所表示的含义)。如图15所示，行业簇类误差与频数分布示意图，横坐标所表示的含义为误差，纵坐标所表示的含义是频数。
在一个实施例中提供了一种风险评估装置，如图16所示，包括：
获取模块701，用于获取目标对象对应的多个目标行业以及各目标行业的用电量序列；计算模块702，用于根据目标行业的用电量序列，计算得到目标行业对应的波动率序列以及用电均值序列；聚类模块703，用于通过预设聚类算法，根据各目标行业的波动率序列以及用电均值序列对各目标行业进行聚类，得到多个行业簇类；风险评估模块704，用于对各行业簇类对应的预设风险值以及各行业簇类对应的权重进行加权计算，得到目标对象的风险评估结果。
在其中一个实施例中，获取模块，包括：第一获取单元，用于获取目标对象对应的各目标用户的所属行业信息；目标行业分类单元，用于根据预设行业分类标准以及目标用户的所属行业信息，确定目标对象对应的多个目标行业。
在其中一个实施例中，装置还包括：第二获取单元，用于针对于每一行业簇类，获取行业簇类包括的多个目标行业的用电量序列、波动率序列以及用电均值序列；目标行业的权重序列确定单元，用于根据多个目标行业的用电量序列，确定各目标行业的权重序列；加权计算单元，用于根据权重序列、多个目标行业的波动率序列以及多个目标行业的用电均值序列，进行加权计算，得到行业簇类的波动率序列以及用电均值序列。
在其中一个实施例中，装置还包括：误差序列计算单元，用于针对于每一行业簇类，根据行业簇类的波动率序列、用电均值序列，以及行业簇类包括的各目标行业的波动率序列、用电均值序列，计算得到各目标行业对应的误差序列；停止聚类单元，用于如果误差序列满足预设显著性关系条件，则停止聚类；聚类单元，用于如果误差序列不满足预设显著性关系条件，则重新执行通过预设聚类算法，根据各目标行业的波动率序列以及用电均值序列对各目标行业进行聚类，得到多个行业簇类的步骤。
在其中一个实施例中，装置还包括：第三获取单元，用于获取各行业簇类的波动率序列以及用电均值序列；分析结果确定单元，用于根据各行业簇类的波动率序列以及用电均值序列，通过预设分析算法，得到各行业簇类的用电波动情况的分析结果；排序结果确定单元，用于根据各行业簇类的用电波动情况的分析结果以及预设排序条件，对各行业簇类进行排序，得到行业簇类的排序结果；预设风险值确定单元，用于根据行业簇类的排序结果以及目标对象所在区域的预设偏差考核方式，得到各行业簇类的预设风险值。
在其中一个实施例中，风险评估模块包括：初始风险评估结果确定单元，用于对各行业簇类、各行业簇类对应的预设风险值以及各行业簇类对应的权重进行加权计算，得到目标对象的初始风险评估结果；风险评估结果确定单元，用于根据目标对象所在区域的预设偏差考核策略，对目标对象的初始风险评估结果进行调整，得到目标对象的风险评估结果。
在其中一个实施例中，装置还包括：第四获取单元，用于获取待聚类的目标行业的波动率序列以及用电均值序列；距离计算单元，用于通过预设聚类算法，分别计算待聚类的目标行业与各行业簇类的距离；聚类单元，用于将距离满足预设聚类条件的行业簇类作为待聚类的目标行业的行业簇类。
关于风险评估装置的具体限定可以参见上文中对于风险评估方法的限定，在此不再赘述。上述风险评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图17所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储风险评估结果相关的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种风险评估方法。
本领域技术人员可以理解，图17中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种风险评估方法，其特征在于，所述方法包括：
获取目标对象对应的多个目标行业以及各所述目标行业的用电量序列；
根据所述目标行业的用电量序列，计算得到所述目标行业对应的波动率序列以及用电均值序列；
通过预设聚类算法，根据所述各目标行业的波动率序列以及用电均值序列对各目标行业进行聚类，得到多个行业簇类；
对所述各行业簇类对应的预设风险值以及所述各行业簇类对应的权重进行加权计算，得到所述目标对象的风险评估结果。
2.根据权利要求1所述的方法，其特征在于，所述获取目标对象对应的多个目标行业，包括：
获取所述目标对象对应的各目标用户的所属行业信息；
根据预设行业分类标准以及所述目标用户的所属行业信息，确定所述目标对象对应的多个目标行业。
3.根据权利要求1所述的方法，其特征在于，在所述得到多个行业簇类的步骤之后，所述方法还包括：
针对于每一行业簇类，获取所述行业簇类包括的多个目标行业的用电量序列、波动率序列以及用电均值序列；
根据所述多个目标行业的用电量序列，确定各目标行业的权重序列；
根据所述权重序列、多个目标行业的波动率序列以及多个目标行业的用电均值序列，进行加权计算，得到所述行业簇类的波动率序列以及用电均值序列。
4.根据权利要求3所述的方法，其特征在于，在所述得到所述行业簇类的波动率序列以及用电均值序列的步骤之后，所述方法还包括：
针对于每一行业簇类，根据所述行业簇类的波动率序列、用电均值序列，以及所述行业簇类包括的各目标行业的波动率序列、用电均值序列，计算得到所述各目标行业对应的误差序列；
如果所述误差序列满足预设显著性关系条件，则停止聚类；
如果所述误差序列不满足所述预设显著性关系条件，则重新执行所述通过预设聚类算法，根据所述各目标行业的波动率序列以及用电均值序列对各目标行业进行聚类，得到多个行业簇类的步骤。
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
获取各行业簇类的波动率序列以及用电均值序列；
根据所述各行业簇类的波动率序列以及用电均值序列，通过预设分析算法，得到各行业簇类的用电波动情况的分析结果；
根据各行业簇类的用电波动情况的分析结果以及预设排序条件，对所述各行业簇类进行排序，得到行业簇类的排序结果；
根据所述行业簇类的排序结果以及所述目标对象所在区域的预设偏差考核方式，得到各行业簇类的预设风险值。
6.根据权利要求1所述的方法，其特征在于，所述对所述各行业簇类、所述各行业簇类对应的预设风险值以及所述各行业簇类对应的权重进行加权计算，得到所述目标对象的风险评估结果，包括：
对所述各行业簇类、所述各行业簇类对应的预设风险值以及所述各行业簇类对应的权重进行加权计算，得到所述目标对象的初始风险评估结果；
根据所述目标对象所在区域的预设偏差考核策略，对所述目标对象的初始风险评估结果进行调整，得到所述目标对象的风险评估结果。
7.根据权利要求1所述的方法，其特征在于，在所述得到多个行业簇类的步骤之后，所述方法还包括：
获取待聚类的目标行业的波动率序列以及用电均值序列；
通过预设聚类算法，分别计算所述待聚类的目标行业与各行业簇类的距离；
将所述距离满足预设聚类条件的行业簇类作为所述待聚类的目标行业的行业簇类。
8.一种风险评估装置，其特征在于，所述装置包括：
获取模块，用于获取目标对象对应的多个目标行业以及各所述目标行业的用电量序列；
计算模块，用于根据所述目标行业的用电量序列，计算得到所述目标行业对应的波动率序列以及用电均值序列；
聚类模块，用于通过预设聚类算法，根据所述各目标行业的波动率序列以及用电均值序列对各目标行业进行聚类，得到多个行业簇类；
风险评估模块，用于对所述各行业簇类对应的预设风险值以及所述各行业簇类对应的权重进行加权计算，得到所述目标对象的风险评估结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111020761.XA CN113706336B (zh) | 2021-09-01 | 2021-09-01 | 风险评估方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111020761.XA CN113706336B (zh) | 2021-09-01 | 2021-09-01 | 风险评估方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113706336A true CN113706336A (zh) | 2021-11-26 |
| CN113706336B CN113706336B (zh) | 2024-02-02 |
Family
ID=78658714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111020761.XA Active CN113706336B (zh) | 2021-09-01 | 2021-09-01 | 风险评估方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113706336B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117936054A (zh) * | 2024-03-25 | 2024-04-26 | 四川互慧软件有限公司 | 一种基于大数据的急诊急救质控指标灵活展示统计方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004220391A (ja) * | 2003-01-16 | 2004-08-05 | Hitachi Ltd | 発電プラントのリスク管理方法及び発電プラントのリスク管理装置 |
| 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 |
| CN107194618A (zh) * | 2017-07-06 | 2017-09-22 | 华能国际电力股份有限公司 | 基于熵权法的售电公司客户选择评估指标权重计算方法 |
| CN107895245A (zh) * | 2017-12-26 | 2018-04-10 | 国网宁夏电力有限公司银川供电公司 | 一种基于用户画像的电费回收风险评估方法 |
| CN107895241A (zh) * | 2017-12-18 | 2018-04-10 | 华北电力大学 | 一种售电公司购售电业务决策与风险评估方法 |
| CN108694478A (zh) * | 2018-07-09 | 2018-10-23 | 广西电网有限责任公司电力科学研究院 | 一种考虑电量预测偏差的售电风险指标计算方法 |
| CN109063945A (zh) * | 2018-06-08 | 2018-12-21 | 广州亦云信息技术股份有限公司 | 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 |
| CN109636174A (zh) * | 2018-12-06 | 2019-04-16 | 广东电力交易中心有限责任公司 | 多时序市场交易风险评估方法、装置及设备 |
| CN109697574A (zh) * | 2018-12-31 | 2019-04-30 | 国网浙江省电力有限公司杭州供电公司 | 一种电力中小客户用电风险识别方法 |
| CN110599059A (zh) * | 2019-09-20 | 2019-12-20 | 南方电网能源发展研究院有限责任公司 | 一种面向增量配电网用户的售电决策方法及系统 |
| CN110659772A (zh) * | 2019-09-14 | 2020-01-07 | 安徽电力交易中心有限公司 | 售电公司在分段线性偏差电量考核机制下的最优经营策略确定方法 |
| CN111476416A (zh) * | 2020-04-07 | 2020-07-31 | 国网浙江省电力有限公司 | 一种电力现货市场下售电公司购售电风险规避评估方法 |
| CN112906931A (zh) * | 2019-12-04 | 2021-06-04 | 国网电力科学研究院有限公司 | 一种电力现货市场下售电公司短期负荷的预测方法及系统 |
| CN113052476A (zh) * | 2021-04-02 | 2021-06-29 | 上海泰豪迈能能源科技有限公司 | 一种电力零售套餐的制定方法及装置 |
| WO2021143370A1 (zh) * | 2020-01-14 | 2021-07-22 | 支付宝(杭州)信息技术有限公司 | 资源数据的处理方法及装置 |
-
2021
- 2021-09-01 CN CN202111020761.XA patent/CN113706336B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004220391A (ja) * | 2003-01-16 | 2004-08-05 | Hitachi Ltd | 発電プラントのリスク管理方法及び発電プラントのリスク管理装置 |
| 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 |
| CN107194618A (zh) * | 2017-07-06 | 2017-09-22 | 华能国际电力股份有限公司 | 基于熵权法的售电公司客户选择评估指标权重计算方法 |
| CN107895241A (zh) * | 2017-12-18 | 2018-04-10 | 华北电力大学 | 一种售电公司购售电业务决策与风险评估方法 |
| CN107895245A (zh) * | 2017-12-26 | 2018-04-10 | 国网宁夏电力有限公司银川供电公司 | 一种基于用户画像的电费回收风险评估方法 |
| CN109063945A (zh) * | 2018-06-08 | 2018-12-21 | 广州亦云信息技术股份有限公司 | 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 |
| CN108694478A (zh) * | 2018-07-09 | 2018-10-23 | 广西电网有限责任公司电力科学研究院 | 一种考虑电量预测偏差的售电风险指标计算方法 |
| CN109636174A (zh) * | 2018-12-06 | 2019-04-16 | 广东电力交易中心有限责任公司 | 多时序市场交易风险评估方法、装置及设备 |
| CN109697574A (zh) * | 2018-12-31 | 2019-04-30 | 国网浙江省电力有限公司杭州供电公司 | 一种电力中小客户用电风险识别方法 |
| CN110659772A (zh) * | 2019-09-14 | 2020-01-07 | 安徽电力交易中心有限公司 | 售电公司在分段线性偏差电量考核机制下的最优经营策略确定方法 |
| CN110599059A (zh) * | 2019-09-20 | 2019-12-20 | 南方电网能源发展研究院有限责任公司 | 一种面向增量配电网用户的售电决策方法及系统 |
| CN112906931A (zh) * | 2019-12-04 | 2021-06-04 | 国网电力科学研究院有限公司 | 一种电力现货市场下售电公司短期负荷的预测方法及系统 |
| WO2021143370A1 (zh) * | 2020-01-14 | 2021-07-22 | 支付宝(杭州)信息技术有限公司 | 资源数据的处理方法及装置 |
| CN111476416A (zh) * | 2020-04-07 | 2020-07-31 | 国网浙江省电力有限公司 | 一种电力现货市场下售电公司购售电风险规避评估方法 |
| CN113052476A (zh) * | 2021-04-02 | 2021-06-29 | 上海泰豪迈能能源科技有限公司 | 一种电力零售套餐的制定方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| 唐猛;: "售电公司客户风险等级评估方法研究", 浙江电力, vol. 37, no. 09 * |
| 喻小宝，等: "基于电力客户评估的差异化电价套餐研究", 中国电力, vol. 53, no. 02 * |
| 王林炎，等: "售电公司购售电业务决策与风险评估", 电力系统自动化, vol. 43, no. 01 * |
| 田娟，等: "基于大数据平台的企业画像研究综述", 计算机科学, vol. 45, no. 2 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117936054A (zh) * | 2024-03-25 | 2024-04-26 | 四川互慧软件有限公司 | 一种基于大数据的急诊急救质控指标灵活展示统计方法 |
| CN117936054B (zh) * | 2024-03-25 | 2024-05-17 | 四川互慧软件有限公司 | 一种基于大数据的急诊急救质控指标灵活展示统计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113706336B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Antuchevičiene et al. | Multiple criteria construction management decisions considering relations between criteria | |
| Yalcintas et al. | An energy benchmarking model based on artificial neural network method utilizing US Commercial Buildings Energy Consumption Survey (CBECS) database | |
| Deng et al. | Inter-company comparison using modified TOPSIS with objective weights | |
| Hernandez et al. | The effect of sample size and species characteristics on performance of different species distribution modeling methods | |
| Pavlov et al. | Determination and management of gas distribution companies’ competitive positions | |
| CN104321794B (zh) | 一种使用多维评级来确定一实体的未来商业可行性的系统和方法 | |
| Yang et al. | SMAA-PO: project portfolio optimization problems based on stochastic multicriteria acceptability analysis | |
| Ogundari et al. | Technical efficiency of Nigerian agriculture: A meta-regression analysis | |
| Pindado et al. | Growth-oriented new agricultural ventures: the role of entrepreneurial resources and capabilities under convergence forces | |
| Sotomayor et al. | Implications of macroinvertebrate taxonomic resolution for freshwater assessments using functional traits: The Paute River Basin (Ecuador) case | |
| Aye et al. | Energy efficiency drivers in South Africa: 1965–2014 | |
| Shakouri G et al. | Selection of the best ARMAX model for forecasting energy demand: case study of the residential and commercial sectors in Iran | |
| CN113706336B (zh) | 风险评估方法、装置、计算机设备和存储介质 | |
| Garcia et al. | Econometric analysis of social interactions in the production decisions of private forest owners | |
| Ksenofontov et al. | Using Russian Federation taxes information and analytical system to monitor economic condition of the manufacturing industry | |
| Bielak et al. | Dynamics of economic development measure. Fiftieth anniversary of publication of the article by prof. Zdzisław Hellwig | |
| Irmatova | RELARM: A rating model based on relative PCA attributes and k-means clustering | |
| Da Silva Catela et al. | Brazilian municipalities: agglomeration economies and development levels in 1997 and 2007 | |
| Ginevičius et al. | A quantitative evaluation of the company environment for the formation of its effective expansion strategy | |
| CN113888047A (zh) | 考虑区域投资能力的技改项目投资规模预测方法及系统 | |
| Sala-Garrido et al. | Benchmarking the performance of productive units using cross-efficiency techniques: An empirical approach for water companies | |
| Dobbelaere et al. | Market imperfections, skills and total factor productivity: Firm-level evidence on Belgium and the Netherlands | |
| Lu | Airbnb short-term housing rental status prediction model under the impact of the COVID-19 pandemic | |
| Petiau | Confidence interval estimation for short-term load forecasting | |
| Wang et al. | Evaluating the Sustainable Growth of Small‐and Medium‐Sized Construction Enterprises Using the Multicriteria Decision‐Making Method |
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 |