一种基于电网业务数据的自动化处理方法及系统

1.本发明涉及电网业务数据处理技术领域，尤其涉及一种基于电网业务数据的自动化处理方法及系统。


背景技术：

2.电网企业售电是一种较为常见的电网业务，该业务的交易对象多，资金流向繁杂，风险点隐匿性高，在风险监管方面存在严重掣肘。
3.现有方式中，电网企业售电业务通常需要人工进行风险监控，效率低、实时性差，难以及时发现潜在风险。因此，电网企业售电业务的风险控制智能化水平有待提高。


技术实现要素：

4.鉴于上述的分析，本发明实施例旨在提供一种基于电网业务数据的自动化处理方法及系统，用以解决现有电网企业售电业务的风险控制智能化水平较低的问题。
5.本发明公开了一种基于电网业务数据的自动化处理方法，包括：
6.采集电网企业售电过程中的电网业务数据，所述电网业务数据包括风险关联数据；
7.根据风险关联数据的风险等级，生成评价云的特征参数；
8.根据评价云的特征参数绘制总风险正态分布云图，将总风险正态分布云图与风险等级标准云图进行曲线交叉堆叠，根据曲线交叉堆叠的重合点确定当前电网业务数据的风险评估处理结果。
9.在上述方案的基础上，本发明还做出了如下改进：
10.进一步，所述风险关联数据包括多项风险影响因素；
11.通过执行以下操作生成评价云的特征参数：
12.将风险关联数据中的每一项风险影响因素与预设的风险影响因素-风险等级关系规则表进行匹配，确定各项风险影响因素的风险等级；
13.根据风险关联数据中每一项风险影响因素的风险等级，生成评价云的特征参数。
14.进一步，根据风险关联数据中每一项风险影响因素的风险等级，生成评价云的特征参数，包括：
15.根据风险关联数据中每一项风险影响因素的风险等级对应的风险区间，生成风险评估矩阵；
16.对风险评估矩阵进行标准化处理，得到风险评估最优矩阵；
17.根据风险评估最优矩阵中每一列的变异系数，确定每一项风险影响因素的权重；
18.根据每一项风险影响因素的权重，生成评价云的特征参数。
19.进一步，所述风险评估矩阵x表示为：
[0020][0021]
其中，χ
ij
表示第i个专家对第j个项风险影响因素的风险评分，m表示专家总数，n表示风险影响因素的总项数。
[0022]
进一步，通过执行以下操作得到风险评估最优矩阵：
[0023]
提取风险评估矩阵x中每列差值最小的两个数据，得到风险评估最优矩阵a；
[0024][0025]
χ
aj
、χ
bj
表示风险评估矩阵x的第j列中差值最小的两个风险评分。
[0026]
进一步，所述风险评估最优矩阵a中第j列的变异系数cvj表示为：
[0027][0028]
其中，表示风险评估最优矩阵a中第j列的平均值，sj表示风险评估最优矩阵a中第j列的标准差；
[0029][0030][0031]
第j项风险影响因素的权重表示为：
[0032][0033]
进一步，所述评价云的特征参数包括平均值ex、熵值en及超熵值he；其中，
[0034][0035][0036][0037]
其中，exj表示第j项风险影响因素的平均值，enj表示第j项风险影响因素的熵值，
hej表示第j项风险影响因素的超熵值；
[0038]
其中，第j项风险影响因素的平均值exj、熵值enj分别为：
[0039]
exj＝(n
max_j
+n
min_j
)/2
ꢀꢀꢀ
(10)
[0040]
enj＝(n
max_j-n
min_j
)/6
ꢀꢀꢀ
(11)
[0041]
其中，n
max_j
、n
min_j
分别表示第j项风险影响因素的风险等级对应的风险区间的左、右界限。
[0042]
进一步，通过执行以下操作确定当前电网业务数据的风险评估处理结果：
[0043]
根据曲线交叉堆叠的重合点确定出若干风险隶属度，将风险隶属度最大的评价值对应的风险等级作为当前电网业务数据的风险评估处理结果。
[0044]
进一步，所述电网业务数据还包括预警关联数据；所述方法还包括：
[0045]
根据当前电网业务数据的风险评估处理结果和预警关联数据，对当前电网业务数据进行风险预警。
[0046]
另一方面，本发明还公开了一种基于电网业务数据的自动化处理系统，包括：
[0047]
数据采集模块，用于采集电网企业售电过程中的电网业务数据，所述电网业务数据包括风险关联数据和预警关联数据；
[0048]
特征参数生成模块，用于根据风险关联数据的风险等级，生成评价云的特征参数；
[0049]
风险评估处理结果输出模块，用于根据评价云的特征参数绘制总风险正态分布云图，将总风险正态分布云图与风险等级标准云图进行曲线交叉堆叠，根据曲线交叉堆叠的重合点确定当前电网业务数据的风险评估处理结果并输出。
[0050]
与现有技术相比，本发明至少可实现如下有益效果之一：
[0051]
本发明提供的基于电网业务数据的自动化处理方法及系统，具备如下效果：
[0052]
第一，基于电网企业售电过程中的风险关联数据进行风险等级评估。在获取正弦等级评估结果的基础上，基于正向发生器原理进行风险评估，从而确定风险评估处理结果。该过程显著提升了电网企业售电业务的风险控制智能化水平，降低了人工成分，提升了风险评估的准确度。
[0053]
第二，还根据风险评估处理结果和预警关联数据，对当前电网业务数据进行风险预警，以便相关工作人员及时发现风险，避免造成难以挽回的损失。
[0054]
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
[0055]
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
[0056]
图1为本发明实施例1提供的基于电网业务数据的自动化处理方法流程图；
[0057]
图2为本发明实施例1提供的风险等级标准云图；
[0058]
图3为本发明实施例1提供的总风险正态分布云图；
[0059]
图4为本发明实施例1提供的总风险正态分布云图与风险等级标准云图的曲线交
叉结果示意图；
[0060]
图5为本发明实施例2提供的基于电网业务数据的自动化处理系统结构示意图。
具体实施方式
[0061]
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
[0062]
实施例1
[0063]
本发明的一个具体实施例，公开了一种基于电网业务数据的自动化处理方法，流程图如图1所示，包括以下步骤：
[0064]
步骤s1：采集电网企业售电过程中的电网业务数据，电网业务数据包括风险关联数据和预警关联数据；
[0065]
在本实施例中，风险关联数据中包括以下风险影响因素：
[0066]
(1)交易对象的信用等级
[0067]
交易对象指电网企业售电的用户，交易对象的信用等级可通过国家征信系统查询得到。
[0068]
查询国家征信系统可以查询得到，交易对象的信用等级从高到低依次分为：aaa、aa、a、bbb、bb、b、ccc及以下。
[0069]
(2)供用电合同类别
[0070]
在本实施例中，根据省电力公司《供用电合同管理办法》规定、供用电合同应根据供电方式、用电容量等因素实行分级分类管理。按电压、容量划分的供用电合同类别包括：
[0071]
一类合同，供电电压在110千伏及以上用户、用电容量10000千伏安及以上用户、趸购转售电能用户的供用电合同。
[0072]
二类合同，用电容量在1000千伏安及以上。10000千伏安以下用户和有特殊供电要求用户的供用电合同。
[0073]
三类合同，用电容量在1000千伏安以下高压供电用户的供用电合同。
[0074]
四类合同，10千瓦及以上低压供电用户的供用电合同。
[0075]
五类合同，10千瓦以下低压供电用户的供用电合同。
[0076]
(3)交易位置范围
[0077]
交易位置范围用于指示电网企业的输电位置和用户的用电位置在地理上的相对位置关系。
[0078]
示例性地，交易位置范围可以分为以下几种：乡镇内、市区内、省内跨市、临省、非临省的全国跨省跨区；
[0079]
(4)交易周期
[0080]
交易周期用于约定售电交易的时间跨度。
[0081]
示例性地，交易周期可以分为以下几种：1季度以内，1季度-3季度，3季度-1年，1年-3年，3年以上；
[0082]
(5)月度交易电量
[0083]
月度交易电量用于指示售电交易过程中月度实际发生的电量；
[0084]
(6)交易用电类型，用于指示用户的用电类型；
[0085]
交易用电类型分为：农业用电、居民用电、大型工业供电、商业用电、小型工业用电；
[0086]
(7)月度交易金额
[0087]
月度交易金额用于指示售电交易过程中月度交易完成的电量按照权责发生制已经确认的交易金额；
[0088]
月度交易金额＝月度交易电量*合同约定的电量单价。
[0089]
(8)交易资金流动比率
[0090]
交易资金流动比率指的是月度交易金额与月度交易成本的比值。
[0091]
预警关联数据包括实际使用资金和预算金额；其中，
[0092]
实际使用资金指企业会计按照收付实现制确认的资金使用量。
[0093]
预算金额指指电网企业在对合同交易事项进行评估判断的基础上设置的总预算金额，预算金额＝计划交易电量*计划单价。
[0094]
步骤s2：根据风险关联数据的风险等级，生成评价云的特征参数；具体地，执行：
[0095]
步骤s21：将风险关联数据中的每一项风险影响因素与预设的风险影响因素-风险等级关系规则表进行匹配，确定各项风险影响因素的风险等级；
[0096]
示例性地，对于步骤s1中列出的各风险影响因素与风险等级之间的映射规则如表1所示：
[0097]
表1风险影响因素与风险等级之间的映射规则
[0098][0099]
步骤s22：根据风险关联数据中每一项风险影响因素的风险等级，生成评价云的特征参数。
[0100]
为了契合云模型的风险预测，本实施例需要确定各风险影响因素的权重。信息量权数法是基于数据所包含的分辨信息来确定指标权重的方法，采用变异系数法，变异系数越大，说明该指标对结果的影响越大，因此所赋的权重也越大。相比较其他权重确定方法，信息量权数法更加关注信息量本身的分辨信息，因此，相对而言主观性较弱。具体地，
[0101]
步骤s221：根据风险关联数据中每一项风险影响因素的风险等级对应的风险区间，生成风险评估矩阵x；
[0102][0103]
其中，χ
ij
表示第i个专家对第j个项风险影响因素的风险评分，m表示专家总数，n表示风险影响因素的总项数。在本实施例中，n＝8。实际实施过程中，χ
ij
从第j个项风险影响因素的风险等级对应的风险区间内随机选取确定。
[0104]
各项风险影响因素的风险等级对应的风险区间参考如表2所示的风险等级区间描述表。
[0105]
表2风险等级区间描述表
[0106]
风险等级极低风险弱风险中风险高风险极高风险影响程度极低影响低影响中影响高影响极高影响风险区间[0,2)[2,4)[4,6)[6,8)[8,10]
[0107]
步骤s222：对风险评估矩阵进行标准化处理，得到风险评估最优矩阵。
[0108]
该步骤的作用在于加强各专家评价结果之间的一致性。由于专家评价时需要采集多个专家的评价结果，生成的评价矩阵存在多输入多输出的特征。通过构造最优传递矩阵，可以有效实现各个专家评价数据的联动统一，从而保证数据的科学性。
[0109]
提取风险评估矩阵x中每列差值最小的两个数据，得到风险评估最优矩阵a。
[0110][0111]
χ
aj
、χ
bj
表示风险评估矩阵x的第j列中差值最小的两个风险评分。
[0112]
步骤s223：根据风险评估最优矩阵中每一列的变异系数，确定每一项风险影响因素的权重。
[0113]
风险评估最优矩阵a中第j列的变异系数cvj可以表示为：
[0114][0115]
其中，表示风险评估最优矩阵a中第j列的平均值，sj表示风险评估最优矩阵a中第j列的标准差；
[0116][0117][0118]
第j项风险影响因素的权重可以表示为：
[0119][0120]
步骤s224：根据每一项风险影响因素的权重，生成评价云的特征参数。
[0121]
评价云的特征参数包括平均值ex、熵值en及超熵值he；其中，
[0122][0123][0124][0125]
其中，exj表示第j项风险影响因素的平均值，enj表示第j项风险影响因素的熵值，hej表示第j项风险影响因素的超熵值。
[0126]
根据风险等级描述表，可以确定：
[0127]
第j项风险影响因素的平均值exj、熵值enj分别为：
[0128]
exj＝(n
max_j
+n
min_j
)/2
ꢀꢀꢀ
(10)
[0129]
enj＝(n
max_j-n
min_j
)/6
ꢀꢀꢀ
(11)
[0130]
其中，n
max_j
、n
min_j
分别表示第j项风险影响因素的风险等级对应的风险区间的左、右界限。
[0131]
步骤s3：根据评价云的特征参数绘制总风险正态分布云图，将总风险正态分布云图与风险等级标准云图进行曲线交叉堆叠，根据曲线交叉堆叠的重合点确定当前电网业务数据的风险评估处理结果；
[0132]
在本实施例中，根据表2的风险等级区间描述表，即可绘制出风险等级标准云图。具体地，在本实施例中，根据表2的风险等级区间描述表，可以确定每一风险等级对应的特征参数，包括平均值、熵值和超熵值。其中，第k个风险等级对应的平均值exk、熵值enk分别为：
[0133]
exk＝(n
max_k
+n
min_k
)/2
ꢀꢀꢀ
(12)
[0134]
enk＝(n
max_k-n
min_k
)/6
ꢀꢀꢀꢀ
(13)
[0135]
其中，n
max_k
、n
min_k
分别表示第k个风险等级对应的风险区间的左、右界限。在本实施例中，k取1-5，k从1到5对应的风险等级分别是极低风险、弱风险、中风险、高风险、极高风险。在本实施例中，各个风险的超熵值hek均取0.05；此时，各风险等级的特征参数如表3所示。
[0136]
表3各风险等级的特征参数
[0137] 无弱中低高评分范围[0,2)[2,4)[4,6)[6,8)[8,10]exk13579
enk0.330.330.330.330.33hek0.050.050.050.050.05
[0138]
正向云发生器从定性概念到定量表示的映射，作用方式根据数字特征生成云滴。根据表3中各风险等级的特征参数与正向云发生器的作用结果，即可生成风险等级标准云图，如图2所示。同时，根据评价云的特征参数与正向云发生器的作用结果，即可生成总风险正态分布云图，如图3所示。
[0139]
将总风险正态分布云图与风险等级标准云图进行曲线交叉堆叠，得到总风险正态分布云图与风险等级标准云图的曲线交叉结果，如图4所示。根据曲线交叉堆叠的重合点确定出若干风险隶属度，将风险隶属度最大的评价值对应的风险等级作为当前电网业务数据的风险评估处理结果。
[0140]
此外，根据本技术的风险评估处理结果，可以进行风险预警。因此，该方法还可以包括以下步骤：
[0141]
步骤s4：根据当前电网业务数据的风险评估处理结果和预警关联数据，对当前电网业务数据进行风险预警。
[0142]
图4风险预警规则
[0143][0144]
综上所述，本实施例提供的基于电网业务数据的自动化处理方法，基于电网企业售电过程中的风险关联数据进行风险等级评估。在获取正弦等级评估结果的基础上，基于正向发生器原理进行风险评估，从而确定风险评估处理结果。此外，还根据风险评估处理结果和预警关联数据，对当前电网业务数据进行风险预警，以便相关工作人员及时发现风险，避免造成难以挽回的损失。
[0145]
实施例2
[0146]
本发明实施例2，公开了一种基于电网业务数据的自动化处理系统，如图5所示，包括：
[0147]
数据采集模块，用于采集电网企业售电过程中的电网业务数据，所述电网业务数据包括风险关联数据和预警关联数据；
[0148]
特征参数生成模块，用于根据风险关联数据的风险等级，生成评价云的特征参数；
[0149]
风险评估处理结果输出模块，用于根据评价云的特征参数绘制总风险正态分布云图，将总风险正态分布云图与风险等级标准云图进行曲线交叉堆叠，根据曲线交叉堆叠的重合点确定当前电网业务数据的风险评估处理结果并输出。
[0150]
此外，本实施例还可以包括风险预警模块，用于根据当前电网业务数据的风险评估处理结果和电网业务数据中的预警关联数据，对当前电网业务数据进行风险预警。
[0151]
本系统实施例的具体实施过程参见上述方法实施例即可，本系统实施例在此不再赘述。
[0152]
由于本系统实施例与上述方法实施例原理相同，所以本系统也具有上述方法实施例相应的技术效果。
[0153]
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
[0154]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。