基于長短期記憶網(wǎng)絡(luò)的電費回收風(fēng)險分析方法

王林信，余向前，歐陽燕，陳元楷，張曉慶

（國網(wǎng)甘肅省電力公司，蘭州 730030）

0 引言

新冠肺炎疫情在全世界快速蔓延［1—2］，對世界各國產(chǎn)生影響，導(dǎo)致全球經(jīng)濟(jì)增長動能不足，進(jìn)出口貿(mào)易及全球供應(yīng)鏈、產(chǎn)業(yè)鏈?zhǔn)艿經(jīng)_擊和制約［3—4］。中國作為全球產(chǎn)業(yè)鏈的核心國家之一，國內(nèi)的進(jìn)出口行業(yè)受到疫情沖擊［5］，導(dǎo)致部分上下游企業(yè)資金鏈斷裂，無力支付電費，給供電企業(yè)的電費回收帶來了極大困擾［6—8］。因此，亟需采用有效的方法來進(jìn)行電費回收風(fēng)險分析，并采用相應(yīng)的措施進(jìn)行電費催繳，提高電費回收率。

國內(nèi)外許多學(xué)者對新冠疫情形勢下的電費回收風(fēng)險分析做了研究。文獻(xiàn)［9］提出了一種基于閉環(huán)管控的新冠疫情形勢下的電費回收方法，通過日動態(tài)跟蹤和風(fēng)險閉環(huán)清單來進(jìn)行電費回收風(fēng)險分析。文獻(xiàn)［10］提出了一種基于風(fēng)險方法的疫情下電費回收風(fēng)險分析方法，通過疫情下的“六保”應(yīng)收賬款分析，對電費回收進(jìn)行預(yù)測。文獻(xiàn)［11］提出了一種基于ε-SVR模型的電費回收風(fēng)險識別方法，通過特征識別與特征構(gòu)造，在多個學(xué)習(xí)器上對用戶電費回收風(fēng)險進(jìn)行綜合識別。文獻(xiàn)［12］提出了一種基于大數(shù)據(jù)分析的用戶電費回收風(fēng)險預(yù)測方法，通過構(gòu)建用戶用電行為、繳費行為等相關(guān)矩陣，運用邏輯回歸算法預(yù)測用戶電費回收風(fēng)險。文獻(xiàn)［13］提出了一種基于隨機(jī)森林的的電費回收風(fēng)險分析方法，通過隨機(jī)森林評判電費的多個風(fēng)險等級來預(yù)測用戶電費回收風(fēng)險。由此可見，新冠疫情形勢下的電費回收風(fēng)險分析方法多樣，且取得了一定的成果。但預(yù)測方法對用戶多時間尺度的數(shù)據(jù)分析不足，電費回收風(fēng)險分析準(zhǔn)確性較差，同時對于欠費用戶分析不足，電費催費針對性較差。

針對新冠疫情形勢下電費回收風(fēng)險分析準(zhǔn)確性差、催費針對性不強的問題，本文提出了一種基于長短期記憶網(wǎng)絡(luò)的電費回收風(fēng)險分析方法，該方法能在建立用戶分級分類體系的基礎(chǔ)上，進(jìn)行用戶的信用評估，并結(jié)合歷史繳費情況、用電特性等因素進(jìn)行用戶電費回收的預(yù)測。最后，將本方法應(yīng)用于某地區(qū)供電公司，其應(yīng)用結(jié)果，驗證了本方法的可行性。

1 電費回收風(fēng)險分析框架

文中提出了基于長短期記憶網(wǎng)絡(luò)的電費回收風(fēng)險分析方法，該方法重點考慮了用戶多時間尺度數(shù)據(jù)綜合分析的問題，電費回收框架如圖1 所示。該框架主要包括用電客戶分類、信用評估、電費回收風(fēng)險分析3個環(huán)節(jié)。

圖1 電費回收風(fēng)險分析Fig.1 Risk analysis of electricity tariff recovery

（1）在用電客戶分類分級環(huán)節(jié)，首先結(jié)合用戶的檔案數(shù)據(jù)、歷史用電數(shù)據(jù)，采用AP 聚類方法對用電客戶進(jìn)行分類。其次，根據(jù)用戶的用電特征屬性進(jìn)行用戶的用電級別劃分。

（2）在信用評估環(huán)節(jié)，通過熵權(quán)法建立用戶信用評估矩陣，結(jié)合用戶征信、司法裁判等信息綜合對供電用戶的信用進(jìn)行評估。

（3）在電費回收風(fēng)險分析方面，首先結(jié)合國內(nèi)、國際經(jīng)濟(jì)形勢對行業(yè)趨勢變化進(jìn)行分析，其次，通過長短期記憶網(wǎng)絡(luò)，結(jié)合用戶的歷史的繳費信息和用戶信用，對用戶的繳費行為評估分析，從而獲得用戶的電費回收風(fēng)險分析結(jié)果，最后，方法生成用戶電費催繳建議策略。

2 電費回收風(fēng)險分析模型

基于長短期記憶網(wǎng)絡(luò)的電費回收風(fēng)險分析方法是一種充分考慮多時間尺度數(shù)據(jù)特性，并采用長短期記憶網(wǎng)絡(luò)進(jìn)行電費回收風(fēng)險分析的方法［14—15］，該方法可提高電費回收風(fēng)險分析準(zhǔn)確度，并生成電費催繳建議。

2.1 用電客戶分級分類

受新冠疫情的影響，用戶在繳納電費時呈現(xiàn)的特征差別較大，通過對用電客戶的分級分類，可以精準(zhǔn)掌握用戶的繳費特性。

近鄰傳播聚類（affinity propagation clustering，AP）是一種多維度、多類別的快速聚類方法，該方法具有無需指定聚類數(shù)目和計算準(zhǔn)確的特點，可有效的提高聚類的運行效率與準(zhǔn)確度［16—17］。

用電電費繳費相似度矩陣K(as,bs)為

式中:Las、Lbs分別為用電客戶as與用電客戶bs繳納電費時間離散特征到指標(biāo)中心聚類點z 的歐化距離；?為離散特征值權(quán)重。

選用多次迭代的F指標(biāo)作為近鄰傳播聚類的偏向函數(shù)和收斂依據(jù)，聚類后，相似度矩陣K(as,bs)更新為

式中:Ca為用戶電費繳費相似度矩陣的對角線中位數(shù)；Δf為迭代檢索閾值；Fmin為多次迭代的最小值。通過式（2），可獲得用電客戶的電費回收分類。

2.2 用電客戶信用評估

用電客戶信用評估是電費回收預(yù)測的重要因素，用戶的信用評估越好，電費繳費越及時；用戶的信用評估越長，則越可能存在電費欠費的行為。針對不同區(qū)域的用戶，信用評估指標(biāo)的權(quán)重會存在差異，因此，在對用電客戶進(jìn)行分級分類后，通過熵權(quán)法［18—20］建立用電用戶信用評估矩陣，通過用戶征信、司法裁判等信息綜合對供電用戶的信用進(jìn)行評估，評估矩陣選取指標(biāo)如表1所示。

表1 用電客戶信用評估Table 1 Electricity customer credit evaluation

通過熵權(quán)法建立用戶信用評估矩陣的權(quán)重本文的評估矩陣指標(biāo)選擇數(shù)量為6個，標(biāo)準(zhǔn)數(shù)據(jù)Va為

式中:n為給定的指標(biāo)個數(shù)；U為指標(biāo)標(biāo)準(zhǔn)化前的值；V為指標(biāo)標(biāo)準(zhǔn)化后的值。

電費回收的每個指標(biāo)的權(quán)重為Wi=(W1,W2,…,W6)為

式中:λ為電費回收的每個指標(biāo)的信息熵；p為標(biāo)準(zhǔn)中心值。通過指標(biāo)權(quán)重，可計算出用電客戶的信用評估。

2.3 電費回收風(fēng)險分析

長短期記憶網(wǎng)絡(luò)（long short term memory network，LSTM）是一種在時間維度的循環(huán)網(wǎng)絡(luò)。LSTM網(wǎng)絡(luò)在循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行了改進(jìn)，可以處理多時間尺度特征數(shù)據(jù)依賴關(guān)系的問題［21—24］。因此，文中采用LSTM網(wǎng)絡(luò)進(jìn)行電費回收風(fēng)險分析。

輸入的數(shù)據(jù)合集Za為

式中:Ga為輸入的用電客戶信用評價數(shù)據(jù)；Sa為用電客戶的歷史繳費數(shù)據(jù)；Qa為用電客戶的行為特征數(shù)據(jù)。

輸入的隱含信息合計Lm為

式中:Lg為設(shè)輸入的信用評價的隱含信息；Ls為用電客戶歷史繳費數(shù)據(jù)隱含信息；Lq為用電客戶行為特征的隱含數(shù)據(jù)。

用電客戶的回收風(fēng)險分析數(shù)據(jù)To為

式中:Δa為長短期記憶網(wǎng)絡(luò)的輸入激活函數(shù)；tanh為遺忘門存儲激活函數(shù)。

由式（7）可見，可通過LSTM網(wǎng)絡(luò)獲得的電費回收風(fēng)險分析數(shù)據(jù)，在此基礎(chǔ)上，依據(jù)供電公司的電費回收風(fēng)險評估分值等級，生成催繳建議清單，催繳建議如表2所示。

表2 電費催繳建議Table 2 Proposal for electricity charge collection

在電費催繳建議表中，一級用戶為高風(fēng)險用戶，存在無力支付電費的風(fēng)險，需供電公司營銷部門增大催繳力度。二級用戶是用電用戶資金鏈運轉(zhuǎn)正常，但該類用戶有經(jīng)常拖欠電費的歷史，需供電公司營銷部門進(jìn)行催繳。三級用戶是用電用戶存在資金鏈風(fēng)險，需供電公司營銷部門對該類用電用戶進(jìn)行電費催繳提醒。四級用戶是用電用戶繳費正常、無拖欠的用戶，無需供電公司營銷部門進(jìn)行關(guān)注。

2.4 電費回收風(fēng)險分析仿真流程

基于長短期記憶網(wǎng)絡(luò)的電費回收風(fēng)險分析仿真流程步驟如下。

步驟1:根據(jù)輸入的用電客戶歷史繳費信息、用戶征信信息進(jìn)行用電客戶的分類分級。

步驟2:使用信用評估矩陣對用電客戶的信用進(jìn)行評估。

步驟3:在用電客戶的行業(yè)發(fā)展趨勢特征、用電客戶繳費行為特征分析的基礎(chǔ)上進(jìn)行用電客戶電費回收風(fēng)險分析。

步驟4:針對有風(fēng)險的用電客戶，生成催繳建議清單。

3 算例分析

采用本文所提的基于長短期記憶網(wǎng)絡(luò)的電費回收風(fēng)險分析方法，某地區(qū)供電公司進(jìn)行實例運行，使用操作系統(tǒng)環(huán)境為win10，CPU 為INTEL 至強2.4 G，內(nèi)存為32 G，硬盤為2 TB。

文中用于比對的是文獻(xiàn)［25］中的Stacking 模型，該模型在供電公司電費回收領(lǐng)域廣泛運用，具有電力行業(yè)的通用性。

（1）電費回收風(fēng)險分析性能

電費回收風(fēng)險分析性能是指模型運行的速度，該指標(biāo)是衡量模型優(yōu)劣的重要指標(biāo)之一，文中所用模型電費回收風(fēng)險分析模型的運行時長來衡量模型的性能，運行時長越短，說明電費回收風(fēng)險分析模型性能越好。

采用本文所提的基于長短期記憶網(wǎng)絡(luò)的電費回收風(fēng)險分析方法與Stacking融合模型進(jìn)行電費回收運行性能測試，選擇的用電客戶數(shù)據(jù)分別為100、200、500、1 000、5 000、10 000，2 種模型比較的結(jié)果如表3所示。

表3 電費回收風(fēng)險分析性能Table 3 Risk analysis and performance of electricity tariff recovery

由表3 可見，基于長短期記憶網(wǎng)絡(luò)的電費回收風(fēng)險分析方法模型的電費預(yù)測處理性能優(yōu)于Stacking融合模型。

（2）電費回收風(fēng)險整體分析準(zhǔn)確性

電費回收風(fēng)險整體分析的準(zhǔn)確性是衡量文中所提模型的核心關(guān)鍵指標(biāo)。該指標(biāo)是電費回收風(fēng)險分析是否有效的關(guān)鍵因素，文中所提的正確電費回收風(fēng)險預(yù)測用電客戶為分析模型判斷該用戶欠費，當(dāng)月繳費中，該用戶實際欠費即為準(zhǔn)確。采用模型風(fēng)險分析正確的用電客戶數(shù)量比電費回收分析用電客戶總數(shù)的比值，該指標(biāo)越大電費回收風(fēng)險分析的準(zhǔn)確性就越好。

采用本文所提的基于長短期記憶網(wǎng)絡(luò)的電費回收風(fēng)險分析方法與Stacking融合模型進(jìn)行電費回收風(fēng)險預(yù)測準(zhǔn)確性測試，訓(xùn)練樣本數(shù)據(jù)選用某地區(qū)供電公司50 000個用戶2019年的電費回收數(shù)據(jù)，驗證集數(shù)據(jù)選用采用10 000 個用電客戶2020 年的電費回收風(fēng)險分析數(shù)據(jù)與實際數(shù)據(jù)進(jìn)行比較。2種算法的電費回收風(fēng)險分析的準(zhǔn)確性如表4所示。

表4 電費回收風(fēng)險分析準(zhǔn)確度Table 4 Accuracy for risk analysis of electricity tariff recovery%

由表4 可見，按供電公司月應(yīng)回收電費10 億元計算，基于長短期記憶網(wǎng)絡(luò)的電費回收風(fēng)險分析方法模型電費回收較Stacking 融合模型提高了1 120萬元收入，因此，基于長短期記憶網(wǎng)絡(luò)的電費回收風(fēng)險分析方法模型的電費回收分析準(zhǔn)確性優(yōu)于Stacking融合模型。

（3）歷史正常繳費用電客戶電費回收風(fēng)險分析準(zhǔn)確性

供電公司營銷工作人員往往能根據(jù)經(jīng)驗?zāi)芘袛喑鼋?jīng)常欠電費的用戶，并進(jìn)行催收。但之前月份正常繳費的用電客戶突然無法正常繳費的情況，供電公司營銷人員往往不能正確判斷。歷史正常用電客戶電費回收風(fēng)險分析準(zhǔn)確性，是衡量電費回收風(fēng)險的重要指標(biāo)之一，該分析是模型判斷出歷史正常繳費客戶出現(xiàn)欠費的用電客戶數(shù)量與歷史正?？蛻艨倲?shù)量之比。

采用本文所提的基于長短期記憶網(wǎng)絡(luò)的電費回收風(fēng)險分析方法與Stacking融合模型進(jìn)行歷史正常繳費用電客戶電費回收風(fēng)險分析準(zhǔn)確性測試，選擇2021 年1—6 月某供電公司的10 000 個歷史繳費正常用戶數(shù)據(jù)。兩種算法的電費回收風(fēng)險分析的準(zhǔn)確性如表5所示。

表5 歷史正常繳費用電客戶電費回收風(fēng)險分析準(zhǔn)確度Table 5 Accuracy for risk analysis of tariff recovery of historical normal paying customers%

由表5 可見，基于長短期記憶網(wǎng)絡(luò)的電費回收風(fēng)險分析方法在歷史正常繳費用電客戶電費回收風(fēng)險分析準(zhǔn)確性方面優(yōu)于Stacking融合模型。

（4）電力催費分析

電力催費分析是為了評估電力用戶定向催費有效性的指標(biāo)，該指標(biāo)的計算方式為選擇相同數(shù)量的用戶進(jìn)行催費，催費后，供電公司電費收入金額增長越多，就說明催費效果越好。

選擇催費的用戶數(shù)為100、200、300、400、500戶，采用文中所提基于長短期記憶網(wǎng)絡(luò)的電費回收風(fēng)險分析方法與Stacking融合模型比較電費催費后供電公司收入增加值，比較結(jié)果如表6所示。

表6 催費后電費收入增加Table 6 Electricity tariff income increase after urging

由圖6可見，在不同的催費數(shù)量情況下，文中所提基于長短期記憶網(wǎng)絡(luò)的電費回收風(fēng)險分析方法電費收入均比Stacking融合模型高。

4 結(jié)束語

為解決新冠疫情形勢下電費回收風(fēng)險分析準(zhǔn)確性差的問題，本文提出了一種基于長短期記憶網(wǎng)絡(luò)的電費回收風(fēng)險分析方法，設(shè)計了一種基于長短期記憶網(wǎng)絡(luò)的電費回收風(fēng)險分析模型，通過AP聚類方法，實現(xiàn)了用電客戶的分類和分級，然后，通過熵權(quán)法建立用電客戶信用評估矩陣，采用用電用戶征信、司法裁判等信息進(jìn)行用電客戶信用評價，再次，通過長短期記憶網(wǎng)絡(luò)，結(jié)合用戶的歷史繳費信息和用戶信用進(jìn)行電費回收風(fēng)險分析。最后，將本方法在某地區(qū)的供電企業(yè)進(jìn)行運行應(yīng)用，其結(jié)果表明本方法可行，且性能、準(zhǔn)確率均優(yōu)于Stacking融合模型電費回收風(fēng)險分析方法。

下一步，將結(jié)合電費回收的考核機(jī)制，對電費回收風(fēng)險分析做進(jìn)一步優(yōu)化。D