汤 林，张 婧

(国网重庆市区供电公司，重庆 400010)

近年来，随着大数据、云计算、物联网、移动互联等技术的推广和应用，国网公司信息化基础设施建设发展迅速，这些信息化基础设施已产生规模庞大的电力大数据，其规模已达 PB/EB/ZB[1]， 在类型上包含了结构化、半结构化及空间矢量数据[2]。电力大数据具备“4V”特征，即规模大(volume)、类型多(variety)、价值密度低(value)和变化快(velocity)[3]。在大数据分析、云计算、人工智能等新技术赋能下，电力大数据将成为国网公司重要的战略资源和新的生产要素。如何利用电力大数据服务于企业自身、政府、社会，已成为电力领域研究热点之一[4]。

目前，在新冠疫情的影响下，部分电力客户资金周转困难，又由于电力与民生关系紧密，社会舆论压力巨大，所以供电企业传统电费回收工作面临巨大挑战。本文通过对客户历史缴费数据、电量数据进行挖掘分析，采用人工智能领域中的深度学习算法，评估客户电费回收风险、缴费习惯、居住行为和用电行为，从而制订差异化的电费回收风险防控策略，以全面提升供电企业电费精益化、数字化、智能化的管理水平。

1 供电企业电费回收现状

供电企业电费回收效率与企业内部管理、国家法规政策、客观经济形势等各种内外因素相关[5]。目前电费回收存在以下3个难点。

1)客户群体广且增速快。鉴于一户一表安装、国有企业“三供一业”分离、小微企业快速发展等情况，供电企业客户基数和增量均较大，传统的基于个人工作经验的电费回收模式具有较大局限性，缺乏科学的、全面的客户电费回收风险评估手段。

2)实际用电客户信息迭代快。随着房地产经济的繁荣，房屋交易、租赁导致实际用电主体信息变更较快，供电企业掌握的客户基本信息数据，如客户联系方式，其准确度不足以支撑电费远程催收工作有效开展。

3)客户违约成本低，法律意识淡薄[6]。按照《电力供应与使用条例》第三十九条规定：“逾期未交付电费的，供电企业可以从逾期之日起，每日按照电费总额的千分之一至千分之三加收违约金。”虽然单一客户的违约成本低，但供电企业的客户基数大，叠加后其资金回收压力较大。

在有限人力成本的支撑下，在电力企业智能化、数字化推进发展的大前提下，基于电力大数据的风险防控策略的制订及实施，对供电企业电费回收工作意义重大。

2 电力大数据挖掘分析

2.1 缴费数据挖掘

电费回收工作具有明显时间节点特征。未缴纳电费的客户继续用电，则按照国网重庆市电力公司有关文件规定，每月24日以后，当月电费发行开始计收违约金。客户在电力系统中的缴费记录数据与电费回收风险评估模型具有较大关联性，该项数据具有较大挖掘价值。

利用深度学习-决策树分类理论，并考虑到用电客户主体可能变更等因素，将训练样本缩减为用户2018—2020年所有的电费缴费记录，并通过特征工程整合，整合出：开户年限/缴费总次数/欠费总次数/欠费次数占比/5号前缴费次数/5号前缴费占比/20号前缴费次数/平均缴费时间段等20个新特征。

输出参数包含3项：欠费概率，定义为客户20号以后缴费的概率，同时定义欠费概率在80%及以上的为高风险客户；缴费方式，分“线上缴费”“营业厅坐收”和“其他机构代收”3类；缴费习惯，分“当月10号以前”“当月10～15号”“当月15～20号”3类。

缴费数据挖掘分析如图1所示。

图1 缴费数据挖掘分析

2.2 电量数据挖掘

供电企业用电信息采集系统建设，能够提供大量客户的历史电量数据，同时通过电力载波通信，可实时采集客户电流、电压数据，这些数据均可用于客户画像，进而可分析得出客户历史用电习惯，比如什么时候在家、目前用电状态、是否停用电等。电量数据的挖掘分析，对于供电企业电费回收工作中的上门催收、停电催收等环节具有重要参考价值。如图2所示。

图2 电量数据挖掘分析

通过样本训练，可以得到客户的居住行为判定与预测模型，用于供电企业精准上门催收；也可以得到客户用电行为判定模型，用于供电企业监控对欠费客户实施停电催收的工作是否执行顺利。

3 差异化电费回收风险防控策略

基于上述大数据挖掘分析结果，结合供电企业目前电费回收工作模式，本文提出如下差异化电费回收风险防控策略。

策略一：针对风险评估模型预测的高风险客户(以下简称“预测型高风险客户”)，电费发行后开展上门催收(告知)、电话催收(告知)，提前开展电费催收(告知)工作，增加客户感知度；

策略二：针对预测型高风险客户，收集并及时更新维护其基本信息，包括居住性质(业主、租赁户)和联系电话；

策略三：根据缴费习惯判定模型，对超过习惯缴费日的，将其预警成突变型高风险客户；

策略四：根据缴费方式判定模型，对习惯线上缴费的高风险客户优先开展电话催收(告知)工作；

策略五：根据居住行为判定与预测模型，合理安排上门催收工作，避免遇到上门时无人在家的情况；

策略六：根据用电行为判定模型，实时跟踪对违约欠费客户实施停电工作的效果。

供电企业传统电费回收工作流程如图3所示。

图3 传统电费回收工作流程

基于电力大数据的电费回收风险防控策略的电费回收工作流程如图4所示。

图4 基于电力大数据的电费回收工作流程

4 基于电力大数据的电费回收风险防控策略应用

国网重庆市区供电公司随机抽取电力客户52 441户，导出其2018年1月至2020年12月期间的缴费记录数据，通过深度学习-决策树分类理论，划出436户高风险客户，通过导出此部分用户3月缴费记录进行验证分析发现，当期缴费习惯良好用户有91户，占比20.78%，验证结果表明，本文提出的电费回收高风险评估模型预测准确率约为80%。针对上述缴费习惯较差的345户客户，于2020年5月按照基于电力大数据的电费回收工作流程开展电费回收工作，截至2020年5月22日，其电费回收成效如表1所示。

表1 基于电力大数据的电费回收工作成效

综上所述，若以预测准确率80%、回收成功率60%来计算，用基于电力大数据的电费回收风险防控策略后的电费回收工作流程，可在传统电费催收工作开始时间节点前，提前完成约48%的电费催收工作量。此外，风险防控策略中的精准上门催收和辅助监控停电催收，对供电企业电费回收工作的高效开展也具有显著作用。

5 结论

基于电力大数据的电费回收风险防控策略，充分将供电企业的客户历史缴费数据和用电数据与电费回收实际工作相结合，通过深度学习算法，构建四大模型，根据模型结果制订出差异化的、科学的电费回收工作流程，降低了供电企业电费回收风险，起到了较好风险防控效果。实践结果表明，应用新的风险防控策略后，月底欠费客户数下降48%，节省了供电企业电费催缴成本，提高了电费回收工作效率。下一步可与政府、互联网企业开展数据共享合作，自动关联并更新客户档案数据，减少人工数据收集工作量，同时引入智能语音客服、自动短信推送等智能化手段，进一步提高电费回收的工作效率。