构建电力征信体系 服务经济新常态

正1经济新常态下电费回收面临新考验当前,中国经济下行压力增大,企业因盲目投资、过度融资、互保联保,出现的"两链"风险持续发酵,大量企业、个人成为银行的主要防控和收贷对象,周转资金压力巨大,造成电费风险用户不断凸现,用户缴电费的准时率不断下降。浙江省永康市近2年专变客户产生的违约金次数急剧增加,迫切需要规避电费回收风险。1.1目标外部缺乏有效的约束激励机制     

基于聚类与逻辑回归相结合的电费风险防控

为了解决在电费回收的过程中,遇到的回收不及时、回收难度大、电费回收不全等难点,严重影响了供电企业生产的最终经营成果。本文结合各个用户在近一年的各种生产活动产生的数据,建立与用户行为相关的模型。首先采用聚类的方法,根据最终得到的簇类,对重庆地区所有用户电费回收风险的类型有大致的认知。然后采用逻辑回归模型,并且针对高压、低压居民、低压非居民三种不同类型的用户分开进行分析建模,最终得到用户电费回收风险的得分。本文针对电费风险防控业务提出一种基于概率聚类逻辑回归模型,用于实现欠费风险精细化。分析、定位客户群体,提炼、归纳、总结客户特征,实现客户细分。基于客户细分结果提供精准的差异化服务。实践证明,该模型可为电网企业客户的风险评估实用化推广提供有效支撑。     

运用法律手段回收陈欠电费

2003年10月份长沙电业局城两供电局城区专变客户陈欠电费本金高达2600余万元。陈欠电费时间跨度长,其中1996年以前的陈欠电费本金720万元,1998年以前的陈欠电费本金862万元。陈欠电费回收十分困难的原因：一是陈欠电费债权不确定。由于历史原因,2004年以前,该局未和城区专变客户进行资产债权确定,从而造成陈欠电费用户欠费不确定;二是陈欠电费用户的经济状态非常糟,大多都是关、     

基于行业发展趋势的回归模型在电费回收风险预测中的应用研究

近年来,受电力体制改革、经济转型升级、环保力度加大、极端天气频发以及新冠疫情等影响,一些用电客户面临产量下降、销售困难等问题,进一步增加了电费回收的难度。针对此问题,提出了一种基于行业发展趋势的回归模型,对电费回收风险进行预测。首先利用季节调整算法提取行业历史售电量发展的趋势项,然后对影响售电量趋势的因素进行综合、定量分析。在此基础上构建行业发展趋势预测模型对行业发展态势进行感知,利用感知结果,结合用户缴费行为以及容量变化等数据,通过分类回归算法构建电费回收风险预警模型,客观量化用户电费回收的风险概率,识别存在电费回收风险的用户。最后通过实例验证,所提模型具有较好的预测能力。     

结合随机森林和SVM的风机叶片结冰预测

风电领域里工作在严寒地区的风机结冰现象严重。材料、结构性能的变化以及低温环境引起的负荷变化威胁风机的发电和安全运行。文中提出结合随机森林和SVM的风机叶片结冰监测方法。主要采取递归特征消除随机森林的特征选择方法从原始风机数据集选择出有效特征,SVM对特征选择后的数据集进行训练,最后用Stacking结合策略融合SVM模型和随机森林模型。经试验结果表明,采取RFE-随机森林特征选择和SVM相结合的方法比未经过特征选择的SVM模型在分类精度上平均提高9.64%;采取Stacking结合策略融合SVM模型和随机森林模型,融合模型具有最好的准确率99.05%和泛化性。该方法可以实现对风机结冰有效预测且可理解性好,对风场操作人员维护风机具有指导意义。     

基于市场细分的逻辑回归模型在电费回收风险预测中的应用研究

在大数据的基础上,通过数据挖掘技术,借助SAS工具,构建了基于逻辑回归的用户电费回收风险预测模型。同时,根据市场细分理论,针对高压用户、低压非居民用户、低压居民用户分别构建了预测模型。预测结果显示:3类模型预测准确率较高,为降低电费回收风险、提升电费回收率提供了数据支撑。     

融合社会数据的高压企业电费回收风险筛查

电费资金是电网公司的主营收入,确保电费回收,是电网企业运营风险防控的重点。基于高压企业客户,融合工商、银行、司法、税务等12类社会数据,利用随机森林法、熵值法、关联聚类等大数据技术,从电力信用、用电异常、经营异常、失信处罚、政策事件、关联风险和舆情风险7个维度,建立了高压企业客户电费回收风险筛查模型,对企业各类潜在风险因素进行全面辨别,实现企业客户电费回收风险提前筛查预警。以某省级电网约4.5万户高压企业客户为例,选取随机森林算法、长短记忆网络(Long Short Term Memory,LSTM)进行模型优劣对比,对比结果表明,建立的模型预测结果遗漏率远低于对比模型,命中率高,算例结果验证了模型的准确性。     

预收电费应注意的几个问题

<正>供电企业为防范电费回收风险,要求部分存在潜在电费回收风险的用户按照一定标准预交电费。预收电费虽能有效防范电费回收风险,但在实践中极易引发其他法律风险,应当加强防范。某县供电公司2013年起要求部分工业、商业和租赁商铺的电力用户,按照上年度月平均用电量缴纳一个月的预交电费,未与用户就此签订相关补充协议,预交电费在公司账户上未充抵电     

相异模型下Stacking集成结构的异常用电用户识别方法

针对电力用户异常用电行为造成电网非技术性损失(non-technical-loss,NTL),影响企业收益及供电质量等问题,文中提出一种相异模型下Stacking集成结构的异常用电用户识别方法.该方法综合分析用户用电侧历史数据特性,建立并提取用户用电特征;采用支持向量机(support vector machine,SVM)、随机森林(random forests,RF)、梯度决策树(gradient boosting decision tree,GBDT)及深度森林(deep forest)4种相异模型做为Stacking结构的基分类模型,对用电特征进行Stacking转换;并选取XGBoost(extreme gradient boosting)算法作为Stacking结构的元分类模型,对转换后的用电特征集进行分类,判断用户用电是否异常.通过实例分析,验证本文所提模型相比于单个模型有更高效的分类性能,为供电企业用电监察工作及经济效益管理提供参考.     

基于逻辑回归算法的电费风险预测模型应用研究

电费回收是电网营销领域的重点工作。通过对电费回收风险的产生原因及具体情况进行深入分析,结合对供电企业电费回收相关业务的分析,将电费回收风险评估分为客户信用、用电趋势、行业景气信息和突发事件4个维度,采用逻辑回归算法构建电费风险防控模型。基于模型预测结果,针对高压大客户,制定风险防控流程。     

基于Stacking集成学习的有源台区线损率评估方法

人工智能及机器学习的发展,为有源台区线损率的评估提供了崭新的思路。文中提出一种基于Stacking集成学习的有源台区线损率评估方法。首先,从特定系统中提取有源台区数据,采用互信息等方法处理数据中异常值,并建立电气特征指标体系。然后,考虑传统的机器学习与不同思想的集成学习算法之间的差异,综合线性模型与非线性模型,选择线性回归算法、随机森林算法、GBDT算法作为基学习器,构建多算法融合的Stacking集成学习模型。最后,以某省有源台区数据为例,验证了所提方法的准确性和有效性。     

基于SDAE和双模型联合训练的低压用户窃电检测方法

用户窃电行为是电网企业运营管理的痛点,基于数据驱动的低压用户窃电检测是当前的重要发展方向.由于窃电数据集具有自身高维度且样本不平衡的特点,对窃电检测模型的拟合能力和泛化能力要求极高.为此,文章利用堆栈降噪自编码器对低压用户日用电量数据进行特征提取,通过挖掘数据的深层特征减少窃电产生的极端数据对检测模型的影响;进而提出逻辑回归与深度神经网络联合训练模型进行低压用户窃电检测,将逻辑回归模型的记忆能力与深度神经网络模型的泛化能力相结合,进一步提升窃电检测的精度.通过实际电网数据的实验仿真,从AUC值、准确率和召回值三个评价指标验证了所提出方法相对于传统机器学习算法具有明显的性能优势.     

一种基于组合算法的异常用电模式辨识方法

针对电力用户异常用电的检测问题,提出了一种基于无监督组合算法的异常用电模式辨识方法。所提辨识方法由数据处理、特征提取、离群检测三部分组成。文中先获取用户的用电量及相关数据,进行数据清洗和缺失数值补全;再对数据进行特征提取,得到相应的异常用电识别特征量;通过k均值聚类将用户聚为两组,并分别对每组进行主成分分析优化特征空间,计算离群邻近度,通过2 sigma原则实现异常用电用户辨识。该方法通过聚类、优化特征空间、离群检测组合算法,提高了辨识效率。文中采用真实用电数据进行了异常用电用户辨识仿真实验,辨识结果验证了该方法的有效性。     

基于谐波畸变率和负载率的变压器损耗及寿命损失分析

本文对变压器谐波条件下的损耗及寿命损失进行了量化研究。首先建立了谐波条件下油浸式变压器的有功功率损耗的分解模型,得出了功率损耗相对谐波电流畸变率和变压器负载率的表达式,结合变压器最热点温升与有功功率损耗的关系以及变压器寿命损失与最热点温升的关系,建立了油浸式变压器寿命损失与谐波电流畸变率和变压器负载率关系的模型。分析了不同谐波畸变率和负载率下变压器谐波损耗和寿命损失的变化规律,以某型变压器为例进行了谐波条件下损耗和寿命损失的计算。本文对制定针对性措施以提高变压器谐波条件下的运行经济性具有参考价值。     

基于稀疏自适应学习的台区用户拓扑结构校验

针对低压台区拓扑结构人工校验成本高且准确性不足的问题,提出了基于稀疏自适应学习的台区用户拓扑结构校验方法。基于用电信息系统采集的用电量数据,构建了参数化台区用电量模型,提出了稀疏自适应学习方法自动估计出模型参数。通过阈值检验识别出台户拓扑结构统计错误的用户。采用浙江省海宁地区的用电量数据对该方法的性能进行分析。实验结果表明,该方法具有较好的识别率。在模拟场景中,可以达到100%的查全率和查准率;在真实场景中,可以达到84.8%的查准率和90.7%的查全率。     

自适应分级多分类支持向量机在变压器故障诊断中的应用

以变压器油中溶解气体和变压器故障之间的关系为基础,提出了一种自适应分级多分类支持向量机变压器故障诊断方法。此方法基于模式识别特征提取的思想,采用不同的输入向量,对变压器有无故障和故障类型判别时,采取分级决策结构。采用自适应优化算法对多分类支持向量机进行优化,通过诊断效果和不同类型故障识别率的比较,得出变压器油中溶解气体的组分含量比值更能反映变压器故障类型,最终测试效果比较和支持向量机参数分析,可以看出该方法具有较高的准确率和良好的泛化能力。     

基于重加权策略平衡损失与LSTM的窃电行为检测研究

窃电行为是导致电能损失与电力企业经济效益降低的重要原因。针对窃电问题,提出了一种基于有效数量加权策略的损失函数,改善数据集分布不均衡导致训练模型泛化性能下降的问题;基于该策略,设计了基于长短期神经网络的时间序列分类模型,用于用户日用电量的窃电行为检测任务;采用用户日用电量真实数据进行实验测试,结果表明基于有效数量的加权策略可一定程度解决数据集不平衡导致的模型泛化性下降问题。与现有方法相比,所提方法在精确度上有所提高,对窃电行为检测具有有效性与可行性。     

基于领域自适应的变压器状态识别

针对变压器状态智能识别方法泛化能力不足的问题,提出一种基于领域自适应的变压器状态识别方法。首先,使用多尺度时频分析方法挖掘变压器振动信号中的状态信息和固有属性,构建完备的变压器状态描述特征空间;然后,使用一种基于流形嵌入和动态分布对齐的领域自适应方法,以减少领域偏移带来的负面影响,并且动态评估和量化流形特征的边缘分布和条件分布;最后,基于结构风险最小化原则迭代训练得到变压器状态识别分类器。测试结果表明所提方法在一定程度上改善了变压器状态识别分类器泛化能力低的问题。     

改进灰色关联分析在台区智能识别中的应用研究

配电台区用户接线方式繁多,线路拓扑结构和特征多样化,相邻台区之间存在通信串扰的问题,导致台区识别不准确,电能表抄读失败,严重制约着台区线损的准确计算,甚至引发供用电双方的计量纠纷,为解决上述问题,确保台区识别的准确性,针对台区智能电能表线路电压特征,提出了一种改进灰色关联分析的台区识别新方法,该方法克服了现有台区识别技术中存在的不足,通过分析未识别或跨台区电能表与已明确台区归属的电能表之间线路电压的关联度,摆脱了一定的主观判断性,实现台区智能识别。经实例测试表明,该方法能在复杂环境条件下准确进行台区识别,具有较高的实用价值。