CN113723775B - 一种基于电力大数据的企业及行业运营风险的评估方法 - Google Patents
一种基于电力大数据的企业及行业运营风险的评估方法 Download PDFInfo
- Publication number
- CN113723775B CN113723775B CN202110937512.0A CN202110937512A CN113723775B CN 113723775 B CN113723775 B CN 113723775B CN 202110937512 A CN202110937512 A CN 202110937512A CN 113723775 B CN113723775 B CN 113723775B
- Authority
- CN
- China
- Prior art keywords
- enterprise
- industry
- risk
- state
- abnormal
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012502 risk assessment Methods 0.000 title claims abstract description 13
- 230000005611 electricity Effects 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 230000002159 abnormal effect Effects 0.000 claims description 48
- 238000010586 diagram Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000012886 linear function Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 13
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computer Hardware Design (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于电力大数据的企业及行业运营风险的评估方法，该方法包括以下步骤：步骤1：对企业的用电量数据进行数据预处理；步骤2：根据用电量数据建立有限混合模型，以识别企业运营的不同状态；步骤3：通过有限混合模型得到企业的用电行为分属不同状态的概率；步骤4：通过抓取企业的用电行为，对企业的运营状态以及对行业的运营风险进行实时评估，以获得真实的运营情况，与现有技术相比，本发明具有不受限于行业和地区的特点、能够避免人为的主观评分误判的可能、降低信用分析成本、确保快速决策以及降低可能的风险等优点。
Description
技术领域
本发明涉及企业与行业风险评估领域，尤其是涉及一种基于电力大数据的企业及行业运营风险的评估方法。
背景技术
对于企业用户而言，其报告的自身财务情况可以通过一定的修饰来掩盖其企业真实的运营情况，企业财报造假以及一个实体多个账户申请贷款等情况都会极大地影响银行对其进行准确的信用风险评估，故而，如何甄别企业财务情况的真伪，还原评估对象真实运营情况，实现更为精确地分析评估对象的多种风险因素，判断借款人还款意愿和还款能力十分重要，企业的真实运营情况可以通过外源性数据对其进行检验，其中企业的电力能耗数据就能较好地表征企业的生产状况，通过抓取评估对象的用电异常，对企业和行业进行运营状态的分析和评估以获得企业及各行业的真实运营情况，以降低信用分析成本，确保快速决策，降低可能的风险。
发明内容
本发明的目的就是为克服上述现有技术存在的缺陷而提供一种基于电力大数据的企业及行业运营风险的评估方法。
本发明的目的可以通过以下技术方案来实现：
一种基于电力大数据的企业及行业运营风险评估方法，该方法包括以下步骤：
步骤1：对企业的用电量数据进行数据预处理；
步骤2：根据用电量数据建立有限混合模型，以识别企业运营的不同状态；
步骤3：通过有限混合模型得到企业的用电行为分属不同状态的概率；
步骤4：通过抓取企业的用电行为，对企业的运营状态以及对行业的运营风险进行实时评估，以获得真实的运营情况。
所述的步骤2中，建立有限混合模型的过程具体如下：
步骤101：将关注的时间区间和上年同期的时间区间分别作为测试器和控制期，设为
步骤102：将测试期内的日用电量减去控制期的日用电量，再进行平滑处理得到平滑差值向量Y(i)，以剔除周的用电波动；
其中，i为正整数，表示第i个企业，表示第i个企业的测试期内第t天的平滑差值。
步骤103：设平滑差值向量Y(i)与时间t有关，建立有限混合模型；
步骤104：采用EM算法对有限混合模型的相应参数进行估计；
步骤105：对有限混合模型进行拟合得到曲线，以对企业的运营状态进行判别。
所述的步骤103中，有限混合模型表示为：
其中，k表示企业经营的两种隐藏状态，πk表示企业归属隐藏状态k的概率且满足约束条件，Θ和Π为待估计参数，fk(t；Θ)为关于t的一元线性函数。
所述的企业归属隐藏状态k的概率满足的约束条件为：
所述的一元线性函数的表达式为：
fk(t；Θ)＝αt+β+ε
其中，α和β为待估计参数，ε为随机误差项。
所述的随机误差项满足的条件为：
ε～N(0，σ2)
所述的两种隐藏状态分别为正常状态和异常状态。
所述的步骤105中，对企业的运营状态进行判别的标准为：当企业的运营处于正常状态时，的值在0值附近波动且与时间t的变动无关，且该状态对应的fk(t；Θ)中的β大于0或逼近0值；当企业的运营处于异常状态时，用电量下降使得/>为负数，以致该状态对应的fk(t；Θ)中的β远小于0，以允许企业用电行为存在系统性偏差。
所述的步骤4中，对企业的运营状态进行实时评估的过程具体为：
步骤401：对测试期和控制期的企业用电量数据进行数据清洗；
步骤402：根据测试期与控制期的日用电量平滑差值得到负荷差值曲线；
步骤403：根据有限混合模型得到的企业经营分别呈正常状态和异常状态的概率得到两种状态的概率分布图；
步骤404：通过得到的曲线和概率分布图对企业的运营状态进行分析和评估。
所述的步骤4中，对行业的运营风险进行实时评估的过程具体为：
步骤411：采用来自行业各企业的用电量数据，并进行数据清洗；
步骤412：将测试期前7周的行业非正常运营平均水平设为基准线；
步骤413：通过有限混合模型对行业的各企业经营状态进行识别，得到行业内非正常运营企业比例，并得到减去平均水平后的曲线图；
步骤414：通过得到的曲线图对行业的运营风险进行实时评估，非正常运营企业比例在行业运营受到影响时的趋势体现该行业的运营风险：非正常运营企业比例增幅大或回落慢，运营风险大；非正常运营企业比例增幅小或回落快，运营风险小。
与现有技术相比，本发明具有以下优点：
本发明所构建的一种基于电力大数据的企业及行业运营风险的评估方法以企业的同期用电行为差异为基础，企业的电力能耗数据能很好地表征企业的生产状况；面对电力大数据，有利于构建模型从而解用户行为并分析用户的行为模式；对数据进行平滑处理得到平滑差值，以剔除周的用电波动；从企业的规律性行为中识别出异常的状态，这一评估方式不会受限于行业和地区的特点；相对于以往的电力用户风险评估方式能够避免人为的主观评分误判的可能；降低信用分析成本，确保快速决策，降低可能的风险。
附图说明
图1为本发明的流程图；
图2为样本企业的用电行为与状态概率分布图，图(2a)为用电量平滑前后的差异特征图，图(2b)为状态概率分布图；
图3为上海市各行业非正常运营企业比例图，图(3a)为采矿业的非正常运营企业比例图，图(3b)为电力、热力、燃气及水生产和供应业的非正常运营企业比例图，图(3c)为房地产业的非正常运营企业比例图，图(3d)为公共管理、社会保障和社会组织的非正常运营企业比例图，图(3e)为建筑业的非正常运营企业比例图，图(3f)为交通运输、仓储和邮政业的非正常运营企业比例图，图(3g)为教育的非正常运营企业比例图，图(3h)为金融业的非正常运营企业比例图，图(3i)为居民服务、修理和其他服务业的非正常运营企业比例图，图(3j)为科学研究和技术服务业的非正常运营企业比例图，图(3k)为农、林、牧和渔的非正常运营企业比例图，图(3l)为批发和零售业的非正常运营企业比例图，图(3m)为水利、环境和公共设施管理业的非正常运营企业比例图，图(3n)为卫生和社会工作的非正常运营企业比例图，图(3o)为文化、体育和娱乐业的非正常运营企业比例图，图(3p)为信息传输、软件和信息技术服务业的非正常运营企业比例图，图(3q)为制造业的非正常运营企业比例图，图(3r)为住宿和餐饮业的非正常运营企业比例图，图(3s)为租赁和商务服务业的非正常运营企业比例图，图(3t)为其他行业的非正常运营企业比例图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
如图1所示，本发明提供一种基于电力大数据的企业及行业运营风险的评估方法，以企业的同期用电行为差异为基础，对用户的用电行为进行挖掘，由于工商业企业用户没有确定的标签，本发明通过无监督聚类的方式抓取企业的日常用电的异常行为，采用有限混合模型识别企业生产的不同状态，以无监督的方式将观测数据划分为指定分布下的多个隐藏状态，并能出企业用电的观测记录分属衰退和正常/增长两种不同状态的概率。
首先将所关注的时间区间作为测试期，将上年同期的时间区间作为控制期，测试期和控制期的时长一致，设为
将测试期内的日用电量减去控制期的日用电量，再做窗口为7日平滑，以剔除周的用电波动，得到一个平滑差值向量Y(i)；
其中，i为正整数，表示第i个企业，t为时间。
假设平滑差值向量Y(i)与时间t相关，建立有限混合模型，其过程可以表示为：
Π＝(π1，π2)T
其中，k表示企业运营的两种隐藏状态，πk表示企业归属状态k的概率且满足条件Θ和Π为待估计参数，fk(t；Θ)为一个关于t的一元线性函数：
fk(t；Θ)＝αt+β+ε
其中，α和β为待估计参数，ε为随机误差项，且满足ε～N(0，σ2)。
每个企业都独立视作一个有限混合模型，相应的参数采用EM算法进行估计。
对模型F(t；Θ，∏)进行拟合，通过拟合曲线对两种隐藏状态的属性进行判别，两种隐藏状态分别为正常状态和异常状态，判断标准为：企业处于正常状态时，的值会在0值附近波动且与时间t的变动无关，该状态相对应的fk(t；Θ)中的β大于0或逼近0；而当企业处于异常状态时，用电量下降使得/>为负，导致该状态相对应的fk(t；Θ)中的β远小于0，这一判断标准使得模型能够允许企业用电行为有系统性偏差。
下面进行实证分析：
首先，将疫情爆发前后的191天作为测试期(2019年10月20日～2020年4月28日)；相应的将上年同期(2018年11月1日～2019年5月10日)作为控制期，采用的用电量数据囊括上海市18348家来自不同行业的企业，这些企业都属于国网的负荷控制用户，进行数据清洗时，将超出测试期前后各一周的均值2倍标准差的数据视作异常，且异常值用这14天均值插补。
如表1所示，对样本中各行业的比率和每个企业的平均日用电量进行统计，其中，矿山日均用电量最高，达到18439.20千瓦时，电、热、气、水的生产和供应以及运输、储存和邮政服务的用电量也很高，每天超过12000千瓦时，而水利、环境和公共设施管理用电量最少，日均用电量仅为2019.75千瓦时。
表1 企业样本统计分析
如图2所示，对某一企业在191天测试期的电力消费行为特征进行分析，图2(a)和图2(b)均用灰色阴影和灰色虚线分别标注春节假期和复工日(2020年2月9日)，从图2(a)中可以看出，在春节之前2019年和2020年的两个时期的企业用电量差异不大，差值曲线基本在0值上下浮动，春节后的两个月内，由于企业未正常开工，测试期与控制期的差值为负数，至2020年4月基本恢复正常，图2(b)中实线表示正常状态的概率，虚线表示异常状态的概率，此时异常状态的概率接近于1，正常状态的概率接近于0，该结果与图2(a)的用电差值趋势一致，该有限混合模型能够准确识别出企业生产行为的异常状态。
如图3所示，图中实线为减去基准线后的行业内非正常运营企业比例，深灰色虚线为基准线，为测试期前7周的行业内非正常运营企业比例的平均水平，且图中同样标记春节假期(灰色阴影)和复工日期(灰色虚线)，同时，每个子图右上角注明该行业的企业样本数量以及曲线的最高值，在疫情冲击下，上海市各行业的非正常运营比例均有所上升，在上海市的主要行业中，制造业和建筑业作为典型的第二产业，在春节后的非正常的企业比例相较于2019年年底的平均水平分别上升8.45％和8.63％，但上升幅度仍远低于大多数归属于第三产业的行业，如：房地产业(12.48％)与文化、体育和娱乐业(14.04％)，交通运输、仓储和邮政业是第三产业中非正常运营企业比例增幅最小的行业之一，为8.51％，调查显示，由于社交距离的建议以及对疫情感染传播的担忧，人们更多地转向线上购物，且逐渐成为一种持续的习惯，以致交通运输、仓储和邮政业在复苏最快的行业之列，在3月12日已经恢复至2019年年底的平均水平，信息传输、软件和信息技术服务业的经济环境不确定性表现十分独特，不同于其他任何一种行业，在春节后的非正常运营企业比例有所上升(约为6.79％)，但在测试期内并没有出现年后急剧上升并缓步下降的态势，原因之一为这一行业的运转对电力的依赖性较弱，此外，由于中小学以及高等院校均开展线上教学，以致教育行业的非正常运营企业比例回落较慢，距离2月9日复工过去54天，在4月4日才恢复至上年第四季度的平均水平。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种基于电力大数据的企业及行业运营风险评估方法，其特征在于，该方法包括以下步骤：
步骤1：对企业的用电量数据进行数据预处理；
步骤2：根据用电量数据建立有限混合模型，以识别企业运营的不同状态；
步骤3：通过有限混合模型得到企业的用电行为分属不同状态的概率；
步骤4：通过抓取企业的用电行为，对企业的运营状态以及对行业的运营风险进行实时评估，以获得真实的运营情况；
所述的步骤2中，建立有限混合模型的过程具体如下：
步骤101：将关注的时间区间和上年同期的时间区间分别作为测试器和控制期，设为
步骤102：将测试期内的日用电量减去控制期的日用电量，再进行平滑处理得到平滑差值向量Y(i)，以剔除周的用电波动；
其中，i为正整数，表示第i个企业，表示第i个企业的测试期内第t天的平滑差值；
步骤103：设平滑差值向量Y(i)与时间t有关，建立有限混合模型；
步骤104：采用EM算法对有限混合模型的相应参数进行估计；
步骤105：对有限混合模型进行拟合得到曲线，以对企业的运营状态进行判别；
所述的步骤103中，有限混合模型表示为：
Π＝(π1,π2)T
其中，k表示企业经营的两种隐藏状态，πk表示企业归属隐藏状态k的概率且满足约束条件，Θ和Π为待估计参数，fk(t；Θ)为关于t的一元线性函数；
所述的步骤4中，对企业的运营状态进行实时评估的过程具体为：
步骤401：对测试期和控制期的企业用电量数据进行数据清洗；
步骤402：根据测试期与控制期的日用电量平滑差值得到负荷差值曲线；
步骤403：根据有限混合模型得到的企业经营分别呈正常状态和异常状态的概率得到两种状态的概率分布图；
步骤404：通过得到的曲线和概率分布图对企业的运营状态进行分析和评估；
所述的步骤4中，对行业的运营风险进行实时评估的过程具体为：
步骤411：采用来自行业各企业的用电量数据，并进行数据清洗；
步骤412：将测试期前7周的行业非正常运营平均水平设为基准线；
步骤413：通过有限混合模型对行业的各企业经营状态进行识别，得到行业内非正常运营企业比例，并得到减去平均水平后的曲线图；
步骤414：通过得到的曲线图对行业的运营风险进行实时评估，非正常运营企业比例在行业运营受到影响时的趋势体现该行业的运营风险：非正常运营企业比例增幅大或回落慢，运营风险大；非正常运营企业比例增幅小或回落快，运营风险小。
2.根据权利要求1所述的一种基于电力大数据的企业及行业运营风险的评估方法，其特征在于，所述的企业归属隐藏状态k的概率满足的约束条件为：
。
3.根据权利要求2所述的一种基于电力大数据的企业及行业运营风险的评估方法，其特征在于，所述的一元线性函数的表达式为：
fk(t；Θ)＝αt+β+ε
其中，α和β为待估计参数，ε为随机误差项。
4.根据权利要求3所述的一种基于电力大数据的企业及行业运营风险的评估方法，其特征在于，所述的随机误差项满足的条件为：
ε～N(0,σ2)。
5.根据权利要求4所述的一种基于电力大数据的企业及行业运营风险的评估方法，其特征在于，所述的两种隐藏状态分别为正常状态和异常状态。
6.根据权利要求5所述的一种基于电力大数据的企业及行业运营风险的评估方法，其特征在于，所述的步骤105中，对企业的运营状态进行判别的标准为：当企业的运营处于正常状态时，的值在0值附近波动且与时间t的变动无关，且该状态对应的fk(t；Θ)中的β大于0或逼近0值；当企业的运营处于异常状态时，用电量下降使得/>为负数，以致该状态对应的fk(t；Θ)中的β远小于0，以允许企业用电行为存在系统性偏差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110937512.0A CN113723775B (zh) | 2021-08-16 | 2021-08-16 | 一种基于电力大数据的企业及行业运营风险的评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110937512.0A CN113723775B (zh) | 2021-08-16 | 2021-08-16 | 一种基于电力大数据的企业及行业运营风险的评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113723775A CN113723775A (zh) | 2021-11-30 |
| CN113723775B true CN113723775B (zh) | 2023-09-12 |
Family
ID=78675993
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110937512.0A Active CN113723775B (zh) | 2021-08-16 | 2021-08-16 | 一种基于电力大数据的企业及行业运营风险的评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113723775B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103917658A (zh) * | 2011-07-13 | 2014-07-09 | T2生物系统公司 | 用于监测血块形成的nmr方法 |
| CN104966227A (zh) * | 2015-06-11 | 2015-10-07 | 安徽融信金模信息技术有限公司 | 一种基于多种经营数据的企业风险评估系统 |
| CN104992234A (zh) * | 2015-06-11 | 2015-10-21 | 安徽融信金模信息技术有限公司 | 一种基于多种运营数据的企业风险评估方法 |
| CN105389732A (zh) * | 2015-11-30 | 2016-03-09 | 安徽融信金模信息技术有限公司 | 一种用于企业风险评估的方法 |
| CN105512815A (zh) * | 2015-11-30 | 2016-04-20 | 安徽融信金模信息技术有限公司 | 一种用于企业风险评估的系统 |
| CN107153774A (zh) * | 2017-05-24 | 2017-09-12 | 山东大学 | 慢性病风险评估双曲线模型的构建及应用该模型的疾病预测系统 |
| CN109190954A (zh) * | 2018-08-22 | 2019-01-11 | 深圳合纵能源技术有限公司 | 基于实时用电数据评估企业生产经营管理风险的方法 |
| CN111932268A (zh) * | 2020-08-03 | 2020-11-13 | 中国工商银行股份有限公司 | 企业风险识别方法及装置 |
| CN112434962A (zh) * | 2020-12-01 | 2021-03-02 | 国网江苏省电力有限公司营销服务中心 | 基于电力负荷数据的企业用户状态评估方法和系统 |
| CN112613201A (zh) * | 2020-11-25 | 2021-04-06 | 国网浙江省电力有限公司绍兴供电公司 | 一种特高压输电杆塔结构抗风性能评估方法及系统 |
| CN113160264A (zh) * | 2021-04-14 | 2021-07-23 | 桂林理工大学 | 基于融入空间信息的加权伽马混合模型的sar影像分割方法 |
-
2021
- 2021-08-16 CN CN202110937512.0A patent/CN113723775B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103917658A (zh) * | 2011-07-13 | 2014-07-09 | T2生物系统公司 | 用于监测血块形成的nmr方法 |
| CN104966227A (zh) * | 2015-06-11 | 2015-10-07 | 安徽融信金模信息技术有限公司 | 一种基于多种经营数据的企业风险评估系统 |
| CN104992234A (zh) * | 2015-06-11 | 2015-10-21 | 安徽融信金模信息技术有限公司 | 一种基于多种运营数据的企业风险评估方法 |
| CN105389732A (zh) * | 2015-11-30 | 2016-03-09 | 安徽融信金模信息技术有限公司 | 一种用于企业风险评估的方法 |
| CN105512815A (zh) * | 2015-11-30 | 2016-04-20 | 安徽融信金模信息技术有限公司 | 一种用于企业风险评估的系统 |
| CN107153774A (zh) * | 2017-05-24 | 2017-09-12 | 山东大学 | 慢性病风险评估双曲线模型的构建及应用该模型的疾病预测系统 |
| CN109190954A (zh) * | 2018-08-22 | 2019-01-11 | 深圳合纵能源技术有限公司 | 基于实时用电数据评估企业生产经营管理风险的方法 |
| CN111932268A (zh) * | 2020-08-03 | 2020-11-13 | 中国工商银行股份有限公司 | 企业风险识别方法及装置 |
| CN112613201A (zh) * | 2020-11-25 | 2021-04-06 | 国网浙江省电力有限公司绍兴供电公司 | 一种特高压输电杆塔结构抗风性能评估方法及系统 |
| CN112434962A (zh) * | 2020-12-01 | 2021-03-02 | 国网江苏省电力有限公司营销服务中心 | 基于电力负荷数据的企业用户状态评估方法和系统 |
| CN113160264A (zh) * | 2021-04-14 | 2021-07-23 | 桂林理工大学 | 基于融入空间信息的加权伽马混合模型的sar影像分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113723775A (zh) | 2021-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11699198B2 (en) | Methods and systems for machine-learning for prediction of grid carbon emissions | |
| CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
| CN109615226B (zh) | 一种运营指标异常监测方法 | |
| Ford et al. | Smart grid energy fraud detection using artificial neural networks | |
| CN110019401B (zh) | 件量预测方法、装置、设备及其存储介质 | |
| CN111126776A (zh) | 一种基于逻辑回归算法的电费风险防控模型构建方法 | |
| CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
| CN116861306A (zh) | 一种基于用电趋势量化网络的异常用电检测方法 | |
| CN112381433A (zh) | 一种实用的面向现货市场结算的电量数据处理方法 | |
| CN116468536A (zh) | 一种自动化风险控制规则生成的方法 | |
| CN115660725A (zh) | 多维度能源用户画像的刻画方法 | |
| CN110738565A (zh) | 基于数据集合的房产金融人工智能复合风控模型 | |
| CN117408394A (zh) | 电力系统的碳排放因子预测方法、装置及电子设备 | |
| Ahmed et al. | Enhancing stock portfolios for enterprise management and investment in energy industry | |
| CN113723775B (zh) | 一种基于电力大数据的企业及行业运营风险的评估方法 | |
| CN116777616A (zh) | 一种基于概率密度分布的现货市场新能源日前交易决策方法 | |
| CN115689713A (zh) | 异常风险数据处理方法、装置、计算机设备和存储介质 | |
| An et al. | Impact of transition risks of climate change on Chinese financial market stability | |
| CN116050856A (zh) | 碳排放数据处理方法、装置、设备及存储介质 | |
| CN115409616A (zh) | 风险检测方法、装置、设备、存储介质及产品 | |
| CN108805603A (zh) | 营销活动质量评估方法、服务器及计算机可读存储介质 | |
| CN107704723A (zh) | 一种基于斜率关联度的显著变量选择方法 | |
| CN113592140A (zh) | 电费缴纳预测模型训练系统和电费缴纳预测模型 | |
| Jati et al. | Determinants of Profitability: Evidence from Construction Companies Listed on Indonesian Securities Market | |
| Aggarwal et al. | Artificial Neural Network and Forecasting Major Electricity Markets |
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 |