【技术实现步骤摘要】
本专利技术提供了一种基于稀疏粒子离群挖掘的自适应电费风险预警方法，属于电费风险预警。
技术介绍
1、电力的供需要求实时平衡，电力不能大量经济地储存，各环节要求瞬时一次性完成。这些特点使得电网企业在运营过程中面临诸多的不确定性。为了尽可能规避电费回收的风险，供电企业针对普通电力用户提出“先付费，再用电”等费控策略，但该政策无法完全适用于电力大用户，电成本是电力大用户的主要生产经营成本，保证企业资金的流动性也是生产企业运作的关键，更是保障供电企业和电力大用户实现良性循环发展和持续性发展的基础。
2、随着经济快速增长，电力大用户用电规模速度增长，电网企业面临信用风险随之增加。与此同时，若电力大用户受宏观经济下滑因素、经济结构转变等负面影响，整体信用状况发生恶化，电网企业也将面临不断累计的电费回收信用风险。如果销售收入严重回收不足时，这将导致电网公司资金量的短缺，进而促使恶性循环的发生，危及整个社会。加之电力大用户数量众多，电力消费结构复杂，管理难度大，现有用户信用管理标准化程度低，电费回收风险大。因此，研究影响电网企业运营的风险，对风险因素进行有效地识别、度量与评估，对风险进行必要优化防控具有重要现实意义。
3、国内国外的风险研究大多集中在风险的评估，常常会运用外推法、主观估计法、概率分布分析法等方法去获取一些最基本的数据或信息。在此基础上，采用贝叶斯理论、层次分析法、灰色系统理论、人工神经网络法等方法进行进一步的数据分析处理。另外，有许多行业专家和学者引用商业信用评估的层次分析法、模糊综合评级法、bp神经网络
4、目前，尽管风险标准化评估与风险预警管理日益受到研究机构、生产企业和国家政府部门的重视，但是，作为电力生产者，我国供电企业在电力回收上仍缺乏系统性、科学性的风控意识和全面有效、可操作的方法，没有建立起标准化的信用评级制度，无法提前发现或规避用电企业拖欠电费和违规用电的可能性。山西作为资源大省，电力大用户多集中在采矿业和制造业等传统产业上，这类企业电能消耗量巨大，电费支出在企业生产成本中的占比较高。往往这类企业是地方政府经济的主要支柱和重要来源，一旦出现电费回收风险，不仅影响用电企业的正常发展，更将给供电企业带来不可预估的风险。这些企业中的大部分企业缺乏完善的财务信息披露制度，传统企业信用评估手段无法评价这类企业的欠费风险。识别和预测这些企业的电费偿付能力和电费回收风险，可以最大限度减少供电企业的风险。
5、同时，电力用户的用电数据是动态的。用户欠费风险随着时间会产生变化，低风险用户也会因为近期不良的用电行为提高风险等级，而高风险用户会因为及时缴纳电费而降低风险。借助专业经验或对用电企业定性追踪等传统方法，不具有稳定性、客观性和可推广性。因此，需要一种自适应风险预警方法，能根据数据动态变化，利用历史数据，识别并挖掘潜在风险用户。
技术实现思路
1、本专利技术为了解决目前电网运营风险预警准确性低、不全面的技术问题，提出了一种基于稀疏粒子离群挖掘的自适应电费风险预警方法。
2、为了解决上述技术问题，本专利技术采用的技术方案为：一种基于稀疏粒子离群挖掘的自适应电费风险预警方法，包括如下步骤：
3、步骤一：数据获取：从电网营销系统中获取电力大用户的用户基本信息、缴费行为和用电行为信息组成用电信用数据集db1，从相关网站获取电力大用户的工商、税务信息组成企业经营数据集db2；
4、步骤二：数据加工：对上述用电信用数据集db1和企业经营数据集db2中的原始数据进行前期加，得到符合后期需要的数据集，前期加工具体包括数据预处理、数据特征重组和特征提取；
5、步骤三：根据加工后的数据集，基于稀疏粒子离群挖掘技术对电力大用户的电费风险进行预测；
6、步骤四：对电力大用户的电费风险等级进行评估并制定对应的预警策略。
7、所述数据预处理具体包括去冗余、处理缺失值和异常值、数据转换、数据合并，并采用中值滤波器进行数据归一化处理，对归一化后数据采用等深思想进行离散化。
8、所述数据特征重组包括：
9、利用电量使用数据，重组产生电量同比增长率、电量环比增长率新特征；
10、利用电费欠费数据，重组产生去年6个月、12个月欠费次数/欠费总金额/限制停电次数新特征；
11、利用电费数据，重组产生去年月平均电费、月电费谷值和电费回收准时度新特征；
12、将电力大用户企业经营数据重组形成资产负债率、销售利润率、流动比率、应收账款周转率。
13、所述特征提取采用面向电力数据的约束频繁模式进行数据挖掘，采用两次扫描数据库来完成约束频繁模式树的构造，将离散化后的用电信用数据以及客户经营数据相结合，共同映射到约束频繁模式树中，约束频繁模式树中保存了用电大客户的电网数据和经营数据，并统计每一特征字段发生的频率，从中找出所有的高频项目/特征字段组，这就是电力用户数据的频繁模式，在获得频繁模式之后，通过计算这些高频项目组的可信度来产生关联规则，关联规则中包含的项目或字段就是造成电费回收风险的关联属性，并转化为电费回收的关联因素或关键因素。
14、约束频繁模式挖掘算法是在频繁模式树的基础上，将领域专家提供的约束条件融合在频繁模式挖掘过程中得到的。
15、所述步骤三中基于稀疏粒子离群挖掘技术对电力大用户的电费风险进行预测的步骤如下：
16、步骤3.1：基于用电信用数据和客户经营数据的稀疏粒子识别与粒子属性权重计算，在用电信用数据集db1和企业经营数据集db2加工基础上，利用属性特征稀疏性分析并过滤掉无关属性特征，同时，去除掉冗余空间内的数据，利用信息熵，计算保留下来的稀疏粒子体上所有属性特征的权重；
17、步骤3.2：利用离群值度量方法，计算各数据成为离群点的可能性，并以此在用电信用数据集db1和企业经营数据集db2中选取各自离群值最大的n个数据分别作为两个数据集中的最终离群点。
18、所述步骤四具体包括：
19、步骤4.1：电费回收风险等级评估：结合前期粒子体离群分析结果，综合对电力大用户的用电信用情况以及企业经营状况分别给出环境评语，给出用户电费回收风险等级；
20、电费回收风险信号主要分为四个等级：高风险、中风险、低风险和无风险，其中，当用户的信用评语和经营评语为“差”时，该用户的风险等级为“高风险”；当用户的信用评语为“差”、经营评语为“优”时，该用户的风险等级为“中风险”；当用户的信用评语为“优”、经营评语为“差”时，该用户的风险等级为“低风险”；当用户的信用评语和经营评语为“优”时，该用户的风险等级为“无风险”；
21、步骤4.2：制定电力本文档来自技高网...
【技术保护点】
1.一种基于稀疏粒子离群挖掘的自适应电费风险预警方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于稀疏粒子离群挖掘的自适应电费风险预警方法，其特征在于：所述数据预处理具体包括去冗余、处理缺失值和异常值、数据转换、数据合并，并采用中值滤波器进行数据归一化处理，对归一化后数据采用等深思想进行离散化。
3.根据权利要求2所述的一种基于稀疏粒子离群挖掘的自适应电费风险预警方法，其特征在于：所述数据特征重组包括：
4.根据权利要求3所述的一种基于稀疏粒子离群挖掘的自适应电费风险预警方法，其特征在于：所述特征提取采用面向电力数据的约束频繁模式进行数据挖掘，采用两次扫描数据库来完成约束频繁模式树的构造，将离散化后的用电信用数据以及客户经营数据相结合，共同映射到约束频繁模式树中，约束频繁模式树中保存了用电大客户的电网数据和经营数据，并统计每一特征字段发生的频率，从中找出所有的高频项目/特征字段组，这就是电力用户数据的频繁模式，在获得频繁模式之后，通过计算这些高频项目组的可信度来产生关联规则，关联规则中包含的项目或字段就是造成电费回收风险的关联属
5.根据权利要求4所述的一种基于稀疏粒子离群挖掘的自适应电费风险预警方法，其特征在于：约束频繁模式挖掘算法是在频繁模式树的基础上，将领域专家提供的约束条件融合在频繁模式挖掘过程中得到的。
6.根据权利要求4或5所述的一种基于稀疏粒子离群挖掘的自适应电费风险预警方法，其特征在于：所述步骤三中基于稀疏粒子离群挖掘技术对电力大用户的电费风险进行预测的步骤如下：
7.根据权利要求6所述的一种基于稀疏粒子离群挖掘的自适应电费风险预警方法，其特征在于：所述步骤四具体包括：
8.根据权利要求6所述的一种基于稀疏粒子离群挖掘的自适应电费风险预警方法，其特征在于：所述步骤3.1具体包括：
...【技术特征摘要】
1.一种基于稀疏粒子离群挖掘的自适应电费风险预警方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于稀疏粒子离群挖掘的自适应电费风险预警方法，其特征在于：所述数据预处理具体包括去冗余、处理缺失值和异常值、数据转换、数据合并，并采用中值滤波器进行数据归一化处理，对归一化后数据采用等深思想进行离散化。
3.根据权利要求2所述的一种基于稀疏粒子离群挖掘的自适应电费风险预警方法，其特征在于：所述数据特征重组包括：
4.根据权利要求3所述的一种基于稀疏粒子离群挖掘的自适应电费风险预警方法，其特征在于：所述特征提取采用面向电力数据的约束频繁模式进行数据挖掘，采用两次扫描数据库来完成约束频繁模式树的构造，将离散化后的用电信用数据以及客户经营数据相结合，共同映射到约束频繁模式树中，约束频繁模式树中保存了用电大客户的电网数据和经营数据，并统计每一特征字段发生的频率，从中找出所有的高频项目/...
【专利技术属性】
技术研发人员：赵飞，白贵君，陈运蓬，贺江华，牛志鹏，朱睿，丁智慧，庞永丽，
申请(专利权)人：国网山西省电力公司大同供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。