一种基于用电变动周期的企业风险预测方法技术

本申请提供一种基于用电变动周期的企业风险预测方法，包括：获取企业的的用电数据；基于深度学习方法训练电器设备识别神经网络模型；识别统计企业的用电规模和设备规模，分析企业的运转周期和工作规律；基于企业的运作周期和工作规律分析企业经营情况；根据不同设备用电规模判断生产环节中各阶段情况，建立生产环节规模识别模型；基于历史数据判断生产经营情况变化；基于企业生产经营状况预测企业风险；基于企业风险给出企业贷款建议；提供企业信息接口。信息接口。信息接口。

【技术实现步骤摘要】
一种基于用电变动周期的企业风险预测方法


[0001]本专利技术涉及信息
，尤其涉及一种基于用电变动周期的企业风险预测方法。

技术介绍

[0002]企业的经营经常需要用到很多大型或小型设备，尤其是制造业企业更是如此。因为通过用电数据是可以知道该企业生产经营状态的。但是企业经营经常有变动，可能是周期性变动，也可能是环境变化。有很多因素会导致用电变化，而这个变化，很可能会导致变成评判他是否经营正常的依据。而企业贷款就是基于企业的经营活动进行判断的。如何获取企业真实的运营状态，进而对其评估是否以及如何进行企业贷款，是当前一个很值得解决的问题。

技术实现思路

[0003]本专利技术提供了一种基于用电变动周期的企业风险预测方法，主要包括：
[0004]获取企业的的用电数据；基于深度学习方法训练电器设备识别神经网络模型；识别统计企业的用电规模和设备规模，分析企业的运转周期和工作规律；基于企业的运作周期和工作规律分析企业经营情况；根据不同设备用电规模判断生产环节中各阶段情况，建立生产环节规模识别模型；基于历史数据判断生产经营情况变化；基于企业生产经营状况预测企业风险；基于企业风险给出企业贷款建议；提供企业信息接口；
[0005]进一步可选地，所述获取企业的的用电数据包括：
[0006]与企业签订协议，获得企业授权；在插座中嵌入微型电压互感器和微型电流互感器；通过A/D转换芯片完成信号的模数转换；数字滤波器对信号进行滤波，剔除无用信号和干扰信号；电量检测芯片记录时序电压、电流信号；通过电压和电流计算得到电功率；51单片机基于时序记录电压、电流、功率以及用电时间信息，并传输到服务器中；根据芯片传输的信息进行数据预处理；对数据进行分类并提取用电指标数据，即index＝{电压，电流，功率，用电时间}，其中index表示用电数据指标。
[0007]进一步可选地，所述基于深度学习方法训练电器设备识别神经网络模型包括：
[0008]采集大量企业中的设备用电数据作为训练集和测试集；对用电数据训练集进行预处理，提取出电压、电流、功率和用电时长数据；将电压、电流、功率和用电时长数据这些数据标注标签，标签为对应的电器设备；将带有标签的样本通过BP神经网络模型进行学习，建立用电设备识别模型；将测试集数据经过预处理后输入到训练好的模型中进行测试，评估分类结果的准确性；根据测试结果调整模型参数，提高模型分类准确性。
[0009]进一步可选地，所述识别统计企业的用电规模和设备规模，分析企业的运转周期和工作规律包括：
[0010]统计每天企业中所有智能插座的用电量，得到企业的用电规模数据；采集智能插座的用电数据，通过电器设备识别神经模型识别出该数据对应的电器设备；统计各类电器
设备的类型和数量，得到企业的设备规模；基于企业的用电规模数据和设备规模数据分析企业运作周期和工作规律；包括：基于企业用电规模和设备规模评价企业；建立企业类型识别模型；建立企业规模的模型；结合其他企业的运转周期和工作规律进行意外用电判断；
[0011]所述基于企业用电规模和设备规模评价企业，具体包括：
[0012]获得企业各类型设备的类型和数量，得到企业设备规模。基于机器学习建立模型，输入企业设备规模信息预测出企业类型。建立不同类型企业规模评价体系。以企业类型为前提根据企业用电规模估算企业销售额。将预测的企业销售额与预设的阈值对比，推断出企业规模。结合企业类型和企业规模综合评价企业。
[0013]所述建立企业类型识别模型，具体包括：
[0014]通过企业官网、实地考察获取大量不同企业所拥有的设备类型和设备数量信息。采集的设备信息数据利用ETL方式进行数据清洗，删除缺失数据、重复数据与错误数据。将设备类型和设备数量信息预先分类，赋予这些信息不同企业类型的标签，作为训练集和测试集。将带有标签的样本通过BP神经网络模型进行学习，建立企业类型识别模型。将测试集数据经过预处理后输入到训练好的模型中进行测试，评估分类结果的准确性。根据测试结果调整模型参数，提高模型分类准确性。
[0015]所述建立企业规模的模型，具体包括：
[0016]将企业按照行业进行分类。行业种类有：农、林、牧、渔业，轻工业，重工业，建筑业，批发业，零售业，交通运输业。获取企业用电设备和用电量。基于WASD神经网络建立企业生产产品和销售量预测模型，输入层为行业种类、用电设备、用电量，隐含层神经元使用单极性Sigmoid激励函数，输出层为企业产品数量及价值。将测试集数据经过预处理后输入到训练好的模型中进行测试，调整参数，提高预测准确度。将营业收入与对应行业不同规模的营业收入阈值进行比较。
[0017]所述结合其他企业的运转周期和工作规律进行意外用电判断，具体包括：
[0018]获取同类型企业用电规模数据。记录每家企业每周的总用电量。通过非线性最小二乘拟合方法得到每家企业的用电周期和规律曲线图。基于K
‑
means聚合算法对用电数据进行高维混合数据挖掘。高维混合数据由分类型数据和数值型数据共同构成。将分类型数据和数值型数据的相似度度量形式作为高维混合属性数据的度量形式，即D＝Dn+Wi*De，其中Dn为高维混合属性数据中的数值型数据相似度，De为分类型数据相似度，Wi为第i个簇内分类型数据的占比权重值。利用降噪处理所得的聚类结果进行异常标记。将企业用电规律曲线与同类型企业用电数据比较，得到意外用电数据。将意外用电数据排除，重新拟合用电周期和规律曲线图。将用电规律与同类型企业用电规律进行对比，当拟合度高于预设的阈值时则判断计算结果具有鲁棒性。
[0019]进一步可选地，所述基于企业的运作周期和工作规律分析企业经营情况包括：
[0020]通过评估企业资产管理能力和盈利能力分析企业经营情况；资产管理能力包括营业周期、总资产周转率，盈利能力包括成本费用利润率、净资产收益率；将企业的营业周期等同于企业的运转周期；提取智能插座的用电数据，得到企业用电设备及其对应的用电度数数据；基于生产环节规模识别模型计算收入净额、资产总额、企业利润总额、企业成本费用总额、销售净利率、资产周转率；得到企业经营评价模型，即M＝100*(W1*A+W2*P)，其中M为企业经营评价指数，A为企业资产管理能力指数，P为企业盈利能力指数，T为企业营业周
期，C为企业总资产周转率，D为企业成本费用利润率，N为企业净资产收益率,W1、W2、W3、W4为权重值。
[0021]进一步可选地，所述根据不同设备用电规模判断生产环节中各阶段情况，建立生产环节规模识别模型包括：
[0022]通过智能插座获取企业中设备种类和设备用电度数；基于用电设备识别模型将设备划分为不同类型；将设备类型分为处理原材料设备、生产设备、处理成品设备；建立BP神经网络训练生产环节规模识别模型；BP神经网络的输入层包括4个指标：设备种类，设备功能，设备数量，用电度数，即n＝4，输出层为生产环节规模评价结果,即m＝1，隐含层为4层；采用Sig本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用电变动周期的企业风险预测方法，其特征在于，所述方法包括：获取企业的的用电数据；基于深度学习方法训练电器设备识别神经网络模型；识别统计企业的用电规模和设备规模，分析企业的运转周期和工作规律，所述识别统计企业的用电规模和设备规模，分析企业的运转周期和工作规律，具体包括：基于企业用电规模和设备规模评价企业，建立企业类型识别模型，建立企业规模的模型，结合其他企业的运转周期和工作规律进行意外用电判断；基于企业的运作周期和工作规律分析企业经营情况；根据不同设备用电规模判断生产环节中各阶段情况，建立生产环节规模识别模型；基于历史数据判断生产经营情况变化；基于企业生产经营状况预测企业风险，所述基于企业生产经营状况预测企业风险，具体包括：预测企业经营风险，预测企业政策风险，预测企业产品风险；基于企业风险给出企业贷款建议，所述基于企业风险给出企业贷款建议，具体包括：计算当前企业贷款的适当金额，基于企业贷款金额预估模型的结果分析当前企业贷款申请的风险；提供企业信息接口。2.根据权利要求1所述的方法，其中，所述获取企业的的用电数据，包括:与企业签订协议，获得企业授权；在插座中嵌入微型电压互感器和微型电流互感器；通过A/D转换芯片完成信号的模数转换；数字滤波器对信号进行滤波，剔除无用信号和干扰信号；电量检测芯片记录时序电压、电流信号；通过电压和电流计算得到电功率；51单片机基于时序记录电压、电流、功率以及用电时间信息，并传输到服务器中；根据芯片传输的信息进行数据预处理；对数据进行分类并提取用电指标数据，即index＝{电压，电流，功率，用电时间}，其中index表示用电数据指标。3.根据权利要求1所述的方法，其中，所述基于深度学习方法训练电器设备识别神经网络模型，包括:采集大量企业中的设备用电数据作为训练集和测试集；对用电数据训练集进行预处理，提取出电压、电流、功率和用电时长数据；将电压、电流、功率和用电时长数据这些数据标注标签，标签为对应的电器设备；将带有标签的样本通过BP神经网络模型进行学习，建立用电设备识别模型；将测试集数据经过预处理后输入到训练好的模型中进行测试，评估分类结果的准确性；根据测试结果调整模型参数，提高模型分类准确性。k为输入节点个数，n为输出节点个数，c取1
‑
4之间的整数。4.根据权利要求1所述的方法，其中，所述识别统计企业的用电规模和设备规模，分析企业的运转周期和工作规律，包括:统计每天企业中所有智能插座的用电量，得到企业的用电规模数据；采集智能插座的用电数据，通过电器设备识别神经模型识别出该数据对应的电器设备；统计各类电器设备的类型和数量，得到企业的设备规模；基于企业的用电规模数据和设备规模数据分析企业运作周期和工作规律；包括：基于企业用电规模和设备规模评价企业；建立企业类型识别模型；建立企业规模的模型；结合其他企业的运转周期和工作规律进行意外用电判断；所述基于企业用电规模和设备规模评价企业，具体包括:获得企业各类型设备的类型和数量，得到企业设备规模；基于机器学习建立模型，输入企业设备规模信息预测出企业类型；建立不同类型企业规模评价体系；以企业类型为前提根据企业用电规模估算企业销售额；将预测的企业销售额与预设的阈值对比，推断出企业规模；结合企业类型和企业规模综合评价企业；
所述建立企业类型识别模型，具体包括:通过企业官网、实地考察获取大量不同企业所拥有的设备类型和设备数量信息；采集的设备信息数据利用ETL方式进行数据清洗，删除缺失数据、重复数据与错误数据；将设备类型和设备数量信息预先分类，赋予这些信息不同企业类型的标签，作为训练集和测试集；将带有标签的样本通过BP神经网络模型进行学习，建立企业类型识别模型；将测试集数据经过预处理后输入到训练好的模型中进行测试，评估分类结果的准确性；根据测试结果调整模型参数，提高模型分类准确性；所述建立企业规模的模型，具体包括:将企业按照行业进行分类；行业种类有：农、林、牧、渔业，轻工业，重工业，建筑业，批发业，零售业，交通运输业；获取企业用电设备和用电量；基于WASD神经网络建立企业生产产品和销售量预测模型，输入层为行业种类、用电设备、用电量，隐含层神经元使用单极性Sigmoid激励函数，输出层为企业产品数量及价值；将测试集数据经过预处理后输入到训练好的模型中进行测试，调整参数，提高预测准确度；将营业收入与对应行业不同规模的营业收入阈值进行比较；所述结合其他企业的运转周期和工作规律进行意外用电判断，具体包括:获取同类型企业用电规模数据；记录每家企业每周的总用电量；通过非线性最小二乘拟合方法得到每家企业的用电周期和规律曲线图；基于K
‑
means聚合算法对用电数据进行高维混合数据挖掘；高维混合数据由分类型数据和数值型数据共同构成；将分类型数据和数值型数据的相似度度量形式作为高维混合属性数据的度量形式，即D＝Dn+Wi*De，其中Dn为高维混合属性数据中的数值型数据相似度，De为分类型数据相似度，Wi为第i个簇内分类型数据的占比权重值；利用降噪处理所得的聚类结果进行异常标记；将企业用电规律曲线与同类型企业用电数据比较，得到意外用电数据；将意外用电数据排除，重新拟合用电周期和规律曲线图；将用电规律与同类型企业用电规律进行对比，当拟合度高于预设的阈值时则判断计算结果具有鲁棒性。5.根据权利要求1所述的方法，其中，所述基于企业的运作周期和工作规律分析企业经营情况，包括:通过评估企业资产管理能力和盈利能力分析企业经营情况；资产管理能力包括营业周期、总资产周转率，盈利能力包括成本费用利润率、净资产收益率；将企业的营业周期等同于企业的运转周期；提取智能插座的用电数据，得到企业用电设备及其对应的用电度数数据；基于生产环节规模识别模型计算收入净额、资产总额、企业利润总额、企业成本费用总额、销售净利率、资产周转率；得到企业经营评价模型，即M＝100*(W1*A+W2*P)，其中M为企业经营评价指数，A为企业资产管理能力指数，P为企业盈利能力指数，T为企业营业周期，C为企业总资产周转率，D为企业成本费用利润率，N为企业净资产收益率,W1、W2、W...

【专利技术属性】
技术研发人员：杨劲锋，郑楷洪，周尚礼，张乐平，曾璐琨，李胜，刘玉仙，
申请(专利权)人：南方电网数字电网研究院有限公司，
类型：发明
国别省市：