一种电费回收风险度预测模型的构建方法及装置制造方法及图纸

本发明专利技术提供一种电费回收风险度预测模型的构建方法及装置，能够确定每个用户的电费回收风险度。所述方法包括：根据用户电量变更数据构建RFMO电费回收风险度模型，根据构建的RFMO电费回收风险度模型，确定电量变更用户的电费回收风险度；确定与电费回收风险相关的用电行为指标；利用确定的与电费回收风险相关的用电行为指标以及RFMO电费回收风险度模型确定的电量变更用户的电费回收风险度构建电费回收风险度数据集；利用构建的电费回收风险度数据集，采用GBDT算法预测未发生电量变更行为用户的电费回收风险度。本发明专利技术适用于电力系统技术领域。

Method and device for constructing risk degree prediction model of electricity recovery

The invention provides a method and a device for establishing a risk degree prediction model for electricity recovery, which can determine the risk recovery rate of each user's electricity. The method comprises the following steps: according to the change of electricity user data to construct RFMO electricity recovery risk model based on the RFMO electricity recovery risk model, determine the quantity change of users electricity recovery risk; and determine the electricity recovery risk associated with electrical behavior is determined by the related index; electricity recovery risk index and electric behavior to determine the RFMO electricity recovery risk model of electricity users to change electricity recovery risk of construction electricity recovery risk data set; using the electricity recovery risk data set, GBDT algorithm is used to predict the behavior of users change without electricity electricity recovery risk. The invention is applicable to the technical field of power systems.

【技术实现步骤摘要】
一种电费回收风险度预测模型的构建方法及装置
本专利技术涉及电力系统
，特别是指一种电费回收风险度预测模型的构建方法及装置。
技术介绍
近年来，随着智能电网、微网的建设与信息技术的发展，使得具有预测以及预警等功能的智能系统的设备受关注，而电费回收管理工作是保证供电公司电费正常回收、实现公司可持续发展的一项重要任务，针对于每个用电用户，供电公司迫切希望通过其用电行为来预测每个用户的电费回收风险度，进而有足够的时间来采取措施来维护自身的经济效益。现有技术中，不能在没有用电用户欠费数据或电费回收风险度标签情形下确定每个用户的电费回收风险度。
技术实现思路
本专利技术要解决的技术问题是提供一种电费回收风险度预测模型的构建方法及装置，以解决现有技术所存在的不能在没有用电用户欠费数据或电费回收风险度标签情形下确定每个用户的电费回收风险度的问题。为解决上述技术问题，本专利技术实施例提供一种电费回收风险度预测模型的构建方法，包括：根据用户电量变更数据构建RFMO电费回收风险度模型，根据构建的RFMO电费回收风险度模型，确定电量变更用户的电费回收风险度；确定与电费回收风险相关的用电行为指标；利用确定的与电费回收风险相关的用电行为指标以及RFMO电费回收风险度模型确定的电量变更用户的电费回收风险度构建电费回收风险度数据集；利用构建的电费回收风险度数据集，采用GBDT算法预测未发生电量变更行为用户的电费回收风险度。进一步地，所述RFMO电费回收风险度模型包括：R、F、M、O四项指标；其中，R表示客户最后一次电量变更距离分析点时间；F表示客户一定时期内电量变更的次数；M表示客户一定时期内的电量变更的值；O表示客户9个月内的电量变更的总和与(9个月内的电量变更的总和+9个月内的总电量)的比值。进一步地，所述根据构建的RFMO电费回收风险度模型，确定电量变更用户的电费回收风险度包括：利用等分法对RFMO电费回收风险度模型各个指标对应的值进行打分；根据打分结果，利用分值求和的方式确定电量变更用户的电费回收风险度。进一步地，所述与电费回收风险相关的用电行为指标包括：电压等级、用电类别、合同容量、运行容量、生产班次、负荷等级、客户年龄、上月份电量、近3个月总用电量、近6个月总用电量、近9个月总用电量、9月份电费、近3个月电费、近6个月电费、近9个月电费、上月份的基本电费与近9个月总电费占比比例、近3个月基本电费与近9个月总电费占比比例、近6个月基本电费与近9个月总电费占比比例、近9个月基本电费与近9个月总电费占比比例、近3个月平均缴费时长、近6个月平均缴费时长、近9个月平均缴费时长、近3个月预收费金额、近6个月预收费金额、近9个月预收费金额、近3个月违约用电次数、近6个月违约用电次数、近9个月违约用电次数、近3个月违约用电电量、近6个月违约用电电量、近9个月违约用电电量、近3个月违约用电金额、近6个月违约用电金额、近9个月违约用电金额、近3个月办理减容的次数、近6个月办理减容的次数、近9个月办理减容的次数、近3个月办理暂停的次数、近6个月办理暂停的次数、近9个月办理暂停的次数、近3个月办理增容的次数、近6个月办理增容的次数、近9个月办理增容的次数、近9个月95597故障报修次数、上月份总用电量增长率、近3个月行业电量与上3个月行业电量占比、近6月行业电量与上6个月行业电量占比、近9月行业电量与上9个月行业电量占比、近3个月办理减容容量占比、近6个月办理减容容量占比、近9个月办理减容容量占比、近3个月办理暂停容量占比、近6个月办理暂停容量占比、近9个月办理暂停容量占比、近3个月办理增容容量占比、近6个月办理增容容量占比、近9个月办理增容容量占比、是否三方协议用户、是否分次划拨、是否预收费用户。进一步地，所述利用构建的电费回收风险度数据集，采用GBDT算法预测未发生电量变更行为用户的电费回收风险度包括：利用构建的电费回收风险度数据集以及GBDT算法构建分类器；将未发生电量变更行为用户的用电行为指标带入构建的分类器，输出未发生电量变更行为用户的电费回收风险度。本实施例还提供一种电费回收风险度预测模型的构建装置，包括：第一确定模块，用于根据用户电量变更数据构建RFMO电费回收风险度模型，根据构建的RFMO电费回收风险度模型，确定电量变更用户的电费回收风险度；第二确定模块，用于确定与电费回收风险相关的用电行为指标；构建模块，用于利用确定的与电费回收风险相关的用电行为指标以及RFMO电费回收风险度模型确定的电量变更用户的电费回收风险度构建电费回收风险度数据集；预测模块，用于利用构建的电费回收风险度数据集，采用GBDT算法预测未发生电量变更行为用户的电费回收风险度。进一步地，所述RFMO电费回收风险度模型包括：R、F、M、O四项指标；其中，R表示客户最后一次电量变更距离分析点时间；F表示客户一定时期内电量变更的次数；M表示客户一定时期内的电量变更的值；O表示客户9个月内的电量变更的总和与(9个月内的电量变更的总和+9个月内的总电量)的比值。进一步地，所述第一确定模块包括：打分单元，用于利用等分法对RFMO电费回收风险度模型各个指标对应的值进行打分；求和单元，用于根据打分结果，利用分值求和的方式确定电量变更用户的电费回收风险度。进一步地，所述与电费回收风险相关的用电行为指标包括：电压等级、用电类别、合同容量、运行容量、生产班次、负荷等级、客户年龄、上月份电量、近3个月总用电量、近6个月总用电量、近9个月总用电量、9月份电费、近3个月电费、近6个月电费、近9个月电费、上月份的基本电费与近9个月总电费占比比例、近3个月基本电费与近9个月总电费占比比例、近6个月基本电费与近9个月总电费占比比例、近9个月基本电费与近9个月总电费占比比例、近3个月平均缴费时长、近6个月平均缴费时长、近9个月平均缴费时长、近3个月预收费金额、近6个月预收费金额、近9个月预收费金额、近3个月违约用电次数、近6个月违约用电次数、近9个月违约用电次数、近3个月违约用电电量、近6个月违约用电电量、近9个月违约用电电量、近3个月违约用电金额、近6个月违约用电金额、近9个月违约用电金额、近3个月办理减容的次数、近6个月办理减容的次数、近9个月办理减容的次数、近3个月办理暂停的次数、近6个月办理暂停的次数、近9个月办理暂停的次数、近3个月办理增容的次数、近6个月办理增容的次数、近9个月办理增容的次数、近9个月95597故障报修次数、上月份总用电量增长率、近3个月行业电量与上3个月行业电量占比、近6月行业电量与上6个月行业电量占比、近9月行业电量与上9个月行业电量占比、近3个月办理减容容量占比、近6个月办理减容容量占比、近9个月办理减容容量占比、近3个月办理暂停容量占比、近6个月办理暂停容量占比、近9个月办理暂停容量占比、近3个月办理增容容量占比、近6个月办理增容容量占比、近9个月办理增容容量占比、是否三方协议用户、是否分次划拨、是否预收费用户。进一步地，所述预测模块包括：构建单元，用于利用构建的电费回收风险度数据集以及GBDT算法构建分类器；输出单元，用于将未发生电量变更行为用户的用电行为指标带入构建的分类器，输出未发生电量变更行为用户的电费回收风险度。本专利技术的上述技术方案的有益效果如下：本文档来自技高网...

【技术保护点】
一种电费回收风险度预测模型的构建方法，其特征在于，包括：根据用户电量变更数据构建RFMO电费回收风险度模型，根据构建的RFMO电费回收风险度模型，确定电量变更用户的电费回收风险度；确定与电费回收风险相关的用电行为指标；利用确定的与电费回收风险相关的用电行为指标以及RFMO电费回收风险度模型确定的电量变更用户的电费回收风险度构建电费回收风险度数据集；利用构建的电费回收风险度数据集，采用GBDT算法预测未发生电量变更行为用户的电费回收风险度。

【技术特征摘要】
1.一种电费回收风险度预测模型的构建方法，其特征在于，包括：根据用户电量变更数据构建RFMO电费回收风险度模型，根据构建的RFMO电费回收风险度模型，确定电量变更用户的电费回收风险度；确定与电费回收风险相关的用电行为指标；利用确定的与电费回收风险相关的用电行为指标以及RFMO电费回收风险度模型确定的电量变更用户的电费回收风险度构建电费回收风险度数据集；利用构建的电费回收风险度数据集，采用GBDT算法预测未发生电量变更行为用户的电费回收风险度。2.根据权利要求1所述的电费回收风险度预测模型的构建方法，其特征在于，所述RFMO电费回收风险度模型包括：R、F、M、O四项指标；其中，R表示客户最后一次电量变更距离分析点时间；F表示客户一定时期内电量变更的次数；M表示客户一定时期内的电量变更的值；O表示客户9个月内的电量变更的总和与(9个月内的电量变更的总和+9个月内的总电量)的比值。3.根据权利要求2所述的电费回收风险度预测模型的构建方法，其特征在于，所述根据构建的RFMO电费回收风险度模型，确定电量变更用户的电费回收风险度包括：利用等分法对RFMO电费回收风险度模型各个指标对应的值进行打分；根据打分结果，利用分值求和的方式确定电量变更用户的电费回收风险度。4.根据权利要求1所述的电费回收风险度预测模型的构建方法，其特征在于，所述与电费回收风险相关的用电行为指标包括：电压等级、用电类别、合同容量、运行容量、生产班次、负荷等级、客户年龄、上月份电量、近3个月总用电量、近6个月总用电量、近9个月总用电量、9月份电费、近3个月电费、近6个月电费、近9个月电费、上月份的基本电费与近9个月总电费占比比例、近3个月基本电费与近9个月总电费占比比例、近6个月基本电费与近9个月总电费占比比例、近9个月基本电费与近9个月总电费占比比例、近3个月平均缴费时长、近6个月平均缴费时长、近9个月平均缴费时长、近3个月预收费金额、近6个月预收费金额、近9个月预收费金额、近3个月违约用电次数、近6个月违约用电次数、近9个月违约用电次数、近3个月违约用电电量、近6个月违约用电电量、近9个月违约用电电量、近3个月违约用电金额、近6个月违约用电金额、近9个月违约用电金额、近3个月办理减容的次数、近6个月办理减容的次数、近9个月办理减容的次数、近3个月办理暂停的次数、近6个月办理暂停的次数、近9个月办理暂停的次数、近3个月办理增容的次数、近6个月办理增容的次数、近9个月办理增容的次数、近9个月95597故障报修次数、上月份总用电量增长率、近3个月行业电量与上3个月行业电量占比、近6月行业电量与上6个月行业电量占比、近9月行业电量与上9个月行业电量占比、近3个月办理减容容量占比、近6个月办理减容容量占比、近9个月办理减容容量占比、近3个月办理暂停容量占比、近6个月办理暂停容量占比、近9个月办理暂停容量占比、近3个月办理增容容量占比、近6个月办理增容容量占比、近9个月办理增容容量占比、是否三方协议用户、是否分次划拨、是否预收费用户。5.根据权利要求1所述的电费回收风险度预测模型的构建方法，其特征在于，所述利用构建的电费回收风险度数据集，采用GBDT算法预测未发生电量变更行为用户的电费回收风险度包括：利用构建的电费回收风险度数据集以及GBDT算法构建分类器；将未发生电量变更行为用户的用电行为指标带入构建的分类器，输出未发生电量变更行为用户的电费回...

【专利技术属性】
技术研发人员：黄彪，付薇薇，阿孜古丽，张德政，谢永红，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京,11