基于长短期记忆网络算法的电费回收风险预警
2018-10-12谢林枫钱立军
电力工程技术 2018年5期
谢林枫, 钱立军, 季 聪, 江 明, 吕 辉
(1. 江苏方天电力技术有限公司, 江苏 南京 211102;2. 国网江苏省电力有限公司, 江苏 南京 210024)
0 引言
一直以来,电费回收率[1]都是电力公司的重要考核指标,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,其是否及时缴费,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[2]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。
文献[3—4]采用层次分析法、熵值法建立了电力大客户信用评价体系,用于防范电费回收风险,而本文综合考虑了电力客户电量、电费、工商、司法等数据,建立大客户电费回收风险预警体系。文献[5—6]采用逻辑回归、随机森林等传统数据挖掘算法实现了客户电费回收风险预警,而本文采用长短期记忆(long short-term memory, LSTM)网络算法提取客户风险特征,实现电费回收风险预警。文献[7—8]借助大数据技术、“客户画像”等新技术开展了电费回收风险研究。
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[9-11]算法能够自动选取关键因素,目前在电力负荷预测、变压器故障诊断等方面得到了应用[11-16]。因此本文研究了循环神经网络(recurrent neural network, RNN)算法的基本原理,考虑到电费回收风险预警随时间推移存在一定规律,本文进一步研究了RNN算法的特殊类型——LSTM网络算法,用于开展电费回收风险预警工作,取得了较传统算法更精确的预警结果。……
登录APP查看全文
