一种基于深度学习的电力大客户电费回收风险预警方法技术

本发明专利技术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。本发明专利技术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。

A Risk Early Warning Method of Electricity Charge Recovery for Power Major Customers Based on Deep Learning

【技术实现步骤摘要】
一种基于深度学习的电力大客户电费回收风险预警方法
本专利技术属于电力营销智能应用的
，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。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术采取的技术方案为：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(longshort-termmemory,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。本专利技术具有以下有益效果：本专利技术研究了循环神经网络(recurrentneuralnetwork,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专利技术的实施例作进一步详细描述。本专利技术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。第二层和本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：谢林枫，丁晓，季聪，管诗骈，尹飞，吕辉，熊政，江明，仲春林，李昆明，徐明珠，方超，邵俊，郑飞，张开振，张沈习，
申请(专利权)人：江苏方天电力技术有限公司，国网江苏省电力有限公司，国家电网公司，上海交统电力科技有限公司，
类型：发明
国别省市：江苏,32