[发明专利]一种电力大数据的电费风险模型构建方法

权利要求书

1.一种电力大数据的电费风险模型构建方法，其特征在于，包括：

S1、从国网内部的营销系统获取当前用电用户的历史特征数据；

S2、根据历史特征数据的召回率、精准率和F1度量值并利用逻辑回归算法构建电费风险模型；

S3、根据设定的阈值I和阈值II利用电费风险模型预测用电用户的风险等级；

S4、根据电费风险模型的输出结果和用户真实缴费情况对电费风险模型进行验证，并根据验证结果优化逻辑回归算法的参数。

2.根据权利要求1所述的电力大数据的电费风险模型构建方法，其特征在于，所述用电用户的历史特征数据获取的方法为：

S11、特征数据预处理：

(1)特征数据清洗：从国网内部的营销系统获得特征数据后，对特征数据中的异常值和缺失值进行处理，异常值用数值“1”进行替换处理，缺失值用数值“0”进行补充处理；

(2)特征数据格式转换：将特征数据中存在的文本型特征数据转换成数值型特征数据，并对类别型特征数据进行类别编码；

S12、历史欠费行为相关性分析：

(1)历史欠费行为相关性分析：搜集用户的历史特征数据，分析用户的欠费情况与历史缴费的相关性；

(2)特征相关性分析：分析不同特征之间的相关性，查找与用户是否欠费相关性高的特征；

S13、特征数据扩充：

利用用电用户最近6个月内用电行为的信息对特征数据进行扩充，用户用电行为的信息包括特征数据的最大值、最小值、均值、方差和标准差；

S14、特征重要度分析：

特征数据扩充结束后，对特征数据进行标准化处理，并利用基尼指数计算每个特征数据的特征重要度。

3.根据权利要求1或2所述的电力大数据的电费风险模型构建方法，其特征在于，所述电费风险模型的构建包括风险用户的选择、特征数据的选择、训练集选择和算法选择四部分，具体实现过程为：

S21、风险用户的选择：选择两年的数据作为观测目标，将数据中未欠过费的用电用户删除，将有过欠费记录的用电用户作为风险用户；

S22、特征数据的选择：根据步骤S14中的特征重要度信息，依次删除特征重要度最低的特征进行实验，并将特征的召回率、精准率和F1度量值作为衡量标准，将实验结果最好的一组特征保存到特征集合中；

S23、训练集选择：依次选择风险用户的不同周期内的用电数据进行实验，选择实验结果最好的一组用电数据作为训练集；

S24、算法选择：从算法预测精度和算法运行时间分别对时间序列算法、神经网络算法、SVM算法、随机森林算法和逻辑回归算法进行比较，选择逻辑回归算法去构建电费风险模型。

4.根据权利要求1所述的电力大数据的电费风险模型构建方法，其特征在于，所述根据电费风险模型预测用电用户的风险等级的方法为：

S31、风险等级划分：根据电费风险模型预测每个风险用户下个月欠费的概率，设置不同的阈值I将风险用户分为高风险用户、中风险用户和低风险用户；

S32、对于同一风险等级的用户，设置一个阈值II，将用户分为欠费用户和不欠费用户；欠费概率大于或等于阈值II的用户即判断该用户在预测月份将会欠费，欠费概率小于阈值II的用户即判断该用户在预测月份将不会欠费。

5.根据权利要求3所述的电力大数据的电费风险模型构建方法，其特征在于，所述步骤S22中的召回率recall为预测正确的欠费用户占真实欠费用户的比例：

所述精准率precision为预测正确的欠费个数占所有预测为欠费的用户的比例：

所述度量值F1为召回率recall和精准率precision的调和平均数：

其中，TP为真实欠费且预测结果也为欠费的个数，TN为真实不欠费且预测结果也为不欠费的个数，FN为真实欠费但是预测结果为不欠费的个数，FP为真实不欠费但是预测结果为欠费的个数。

6.根据权利要求5所述的电力大数据的电费风险模型构建方法，其特征在于，所述步骤S24中的逻辑回归算法的实现方法为：

假设样本是{X，y}，y的取值为0或1，y＝0表示“不欠费，即用户及时缴纳了电费”，y＝1表示“欠费，即用户未能及时交纳电费”，X为n维样本特征向量，X包含x₁,x₂,…,x_n，假设样本X属于负类，则欠费的概率为：

其中，g(x)＝θ₀+θ₁x₁+θ₂x₂+...θ_nx_n，θ为回归系数，θ包含θ₀,θ₁,…,θ_n；

回归系数θ的取值为：

S24-1、初始化回归系数θ的值；

S24-2、将回归系数θ代入公式(1)得到电费风险模型的输出值

S24-3、根据公式(2)计算电费风险模型的输出值与数据实际值y之间的误差：

S24-4、根据公式(3)对回归系数θ_i进行更新：

其中，i＝1,2,3,...,n，α为常数系数；

S24-5、设定阈值t，判断是否成立，如果成立执行步骤S24-6，否则返回步骤S24-2；

S24-6、输出回归系数θ_i的值，根据回归系数θ_i确定逻辑回归模型。