基于大數據的電力營銷過程中電費風險預警方法分析

張瀟

【關鍵詞】大數據；風險等級；風險特征庫；預警方法；電費風險；電力營銷

引言

供電公司在進行市場營銷時，會出現不同程度的電費風險。供電服務是指供電企業為其用戶提供電力資源等方面服務的一種經濟行為，此種行為大多是基于企業在健康、持續發展的基礎上進行的。在提供用戶電力資源與供電服務中，管理人員無法確保對全部電費的有效回收，導致部分客戶存在拖欠電費的現象，從而影響到供電公司的正常運行和電費風險管理。為解決此方面問題，有關部門加強并完善了電費風險管理制度，以降低或規避電費風險，促進供電公司、電力行業的健康發展[1]。然而，在電力企業的實際運作和經營中，由于電力市場存在著無法完全實現其經濟效益的問題，導致了電力企業內存在大量客戶拖欠電費問題。根據電力企業的反饋，現階段電費拖欠現象日益嚴重，導致電力系統的風險管理難度越來越高。電費風險涉及核算風險、收費風險、運營管理風險等。核算風險是指電力企業在收取用戶用電費用時，沒有按照國家標準或行業變更標準，進行收繳標準的調整與調度，從而出現少繳、漏繳等問題[2]。收費風險是由于用電單位無法按時支付用電費用、故意拖延，造成電費收取的困難。操作風險主要是由于收繳人員個人不規范行為所導致。因此需要對電力營銷過程中可能產生的電費風險進行預警。但是現有的預警方法在實際的電力營銷過程中，對電費風險的評估結果與實際電費風險差異較大，無法實現對電費風險的精準預警。

為了解決這一問題，本文結合大數據技術的應用，設計一種電力營銷過程中針對電費風險的全新預警方法，通過此種方式，完善并優化電費風險管理機制，助力電力行業的穩定、健康、積極發展。

一、電力營銷過程中用戶用電行為分析與風險行為提取

為實現對電力營銷過程中電費風險的預警，在設計預警方法前，需要先進行電力營銷過程中用戶用電行為的提取[3]。提取過程中，可以根據電力企業的運營方式與供電服務規模，對用戶類別進行劃分，將目標用戶劃分為高壓服務用戶、特殊服務用戶、一般服務用戶。對目標用戶的分類過程進行描述，如下計算公式所示。

公式（1）中： 表示對目標用戶的分類處理過程； 表示類別數量，此次設計 的取值為1～3之間的整數（包括1和3）； 表示目標群體總數量（供電服務用戶總數量）。對用戶的用電行為進行分析。在進行高壓用戶的用電行為分析時，可以采用“按月結算”或“分次劃撥”的方式，進行用戶行為數據的分類。在進行一般服務用戶的用電行為分析時，可以采用“低壓非居分次劃撥”或“低壓大量按月結算”的方式，進行用戶行為數據的分類[4]。

在進行特殊服務用戶的用電行為分析時，需要根據用戶的用電習慣，制定特殊的分析方式。按照上述方式，完成對電力營銷過程中用戶用電行為的分析，在此基礎上，提取用戶用電行為中存在風險的行為數據，可以從用戶基本屬性數據庫、用戶繳費行為特征、用戶欠費行為特征、用戶用電行為特征等方面，進行其風險行為的提取[5]。此過程如下計算公式所示。

公式（2）中：表示用戶用電風險行為的提取過程； 表示用戶繳費行為數據； 表示用戶欠費行為數據； 表示用戶基本屬性數據。完成對風險的提取后，整理數據信息，輸出電費逾期未繳用戶清單，并在數據庫中采取特殊的標號對其進行標注。按照上述方式，實現在電力營銷過程中，對用戶用電行為的分析與風險行為的提取。

二、基于大數據技術構建電費風險特征庫

在電力用戶的電費業務中，通過風險特征庫的定量表達和動態更新，可以有效地解決電力用戶在電費業務中的各種風險特征[6]。因此，引進大數據技術，構建電費風險特征庫。考慮到所獲取的風險行為特征信息較多，為避免數據量冗余對數據庫構建過程造成影響，使用大數據技術，對特征數據進行統一化處理[7]。處理過程如下計算公式所示。

表 1 電費風險特征庫結構

按照上述方式，完成基于大數據技術的電費風險特征庫建立。

三、基于風險等級的電費風險預警

表 2 電力營銷過程中電費風險預警等級

在上述內容的基礎上，設計電力營銷過程中電費風險預警等級，如下表2所示。完成對預警方法的設計。

四、實驗

上文從三個方面，完成了基于大數據的電力營銷過程中電費風險預警方法設計，為證明設計的預警方法在實際應用中的有效性，下述將通過設計對比實驗的方式，對該方法進行驗證。

選擇某地區大型供電服務中心作為此次實驗的試點場所，在供電服務中心數據庫中選擇2010年～2020年，10年的電力營銷數據作為實驗的樣本數據，選擇10000組數據進行實驗測試，篩選其中8000組數據，將其作為訓練數據，剩余數據作為測試中的參照數據。在此基礎上，參照信用等級，對該供電服務中心的市場運營電費風險進行評估，通過此種方式，構建電費風險預警訓練中的指標。下述表3為供電服務中心在電力市場營銷中的電費風險與權重值。

表 3 供電服務中心的電費風險指標與權重值

通過上述表格中所示的內容可以看出，造成此供電服務中心電費風險的影響因素較多，不同的指標在企業營銷服務過程中的權重與排序不同。按照上述方式，使用本文設計的方法，進行電力營銷過程中電費風險的預警。根據不同指標的可量化程度，對電力營銷過程中用戶用電行為信息進行提取，通過對用戶行為的分析，掌握電力服務中心在供電過程中的電費風險行為，提取風險行為，引進大數據技術，建立電費風險特征庫。根據電力企業在市場內的運營規模，劃分電費風險等級，對其進行預警。

為確保設計的預警方法可以在設計應用中發揮預期的作用，將采集的電費風險信息進行訓練。設定最大訓練次數為100000次，訓練后期望值輸出精度為0.001，訓練過程如圖1所示。

圖 1 電費風險數據訓練處理過程

從上述圖1可以看出，電費風險數據在經過了60000次訓練后，達到期望輸出值。

在此基礎上，引進基于蟻群算法的電費風險預警方法作為傳統方法。使用兩種方法對電力營銷過程中的電費風險進行預警。

將電力服務中心的運營時段以月為單位進行統計，根據兩種方法在不同階段中對電費風險的預警情況，進行本文方法可行性的評估。實驗結果如下圖2所示。

圖 2 電力營銷過程中電費風險評估結果

上述圖2中，（1）表示傳統方法對電力營銷過程中電費風險的評估結果；（2）表示本文方法對電力營銷過程中電費風險的評估結果；（3）表示電力營銷過程中的實際電費風險；三級表示電費風險預警界限。

從上述圖2所示的實驗結果可以看出，本文方法對電力營銷過程中電費風險的評估結果與電力營銷過程中的實際電費風險基本一致，而傳統方法對電力營銷過程中電費風險的評估結果與電力營銷過程中的實際電費風險差異較大。

根據各個階段的電費風險等級可知，本文方法在第四階段與第七階段對電費風險進行了預警，傳統方法在第三階段、第四階段與第六階段對電費風險進行了預警。但根據電力企業實際運營情況可知，本文方法的預警階段與實際發生風險的階段較為適配，由此可以證明，本文設計的基于大數據的電力營銷過程中電費風險預警方法，對于用電風險的預警更為可靠。

結束語

為提高電力企業在市場內發展的穩定性與持續性，本文通過電力營銷過程中用戶用電行為分析與風險行為提取、電費風險特征庫建立、基于風險等級的電費風險預警，完成了基于大數據的電力營銷過程中電費風險預警方法設計。該方法在經過檢驗后，證明了具有一定可行性，可以實現在應用中，對風險的精準預警，以此種方式，為電力企業對外服務、營銷、管理過程提供全面的技術指導與幫助。