(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211080258.8 (22)申请日 2022.09.05 (71)申请人 南方电网数字电网研究院有限公司 地址 510000 广东省广州市黄埔区中新广 州知识城 亿创街1号 406房之86 (72)发明人 杨劲锋　郑楷洪　周尚礼　张乐平　 曾璐琨　李胜　刘玉仙　 (74)专利代理 机构 广州蓝晟专利代理事务所 (普通合伙) 44452 专利代理师 栾洋洋 (51)Int.Cl. G06Q 40/02(2012.01) G01R 31/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 16/25(2019.01) G06F 16/2458(2019.01) G06F 16/28(2019.01) G06K 9/62(2022.01) (54)发明名称 一种基于用电变动周期的企业风险预测方 法 (57)摘要 本申请提供一种基于用电变动周期的企业 风险预测方法， 包括： 获取 企业的的用电数据； 基 于深度学习方法训练电器设备识别神经网络模 型； 识别统计企业的用电规模和设备规模， 分析 企业的运转周期和工作规律； 基于企业的运作周 期和工作规律分析企业经营情况； 根据不同设备 用电规模判断生产环节中各阶段情况， 建立生产 环节规模识别模 型； 基于历史数据判断生产经营 情况变化； 基于企业生产经营状况预测企业风 险； 基于企业风险给出企业贷款建议； 提供企业 信息接口。 权利要求书4页 说明书10页 附图2页 CN 115330531 A 2022.11.11 CN 115330531 A 1.一种基于用电变动周期的企业 风险预测方法， 其特 征在于， 所述方法包括： 获取企业的的用电数据； 基于深度学习方法训练电器设备识别神经网络模型； 识别统 计企业的用电规模和设备规模， 分析企业的运转周期和工作规律， 所述识别统计企业的用 电规模和设备规模， 分析企业的运转周期和工作规律， 具体包括： 基于企业用电规模和设备 规模评价企业， 建立企业类型识别模型， 建立 企业规模的模型， 结合其他 企业的运转周期和 工作规律进行意外用电判断； 基于企业的运作周期和工作规律分析企业经营情况； 根据不 同设备用电规模判断生产环节中各阶段情况， 建立生产环节规模识别模型； 基于历史数据 判断生产经营情况变化； 基于企业生产经营状况预测企业风险， 所述基于企业生产经营状 况预测企业风险， 具体包括： 预测企业经营风险， 预测企业政 策风险， 预测企业产品风险； 基 于企业风险给出企业贷款建议， 所述基于企业风险给出企业贷款建议， 具体包括： 计算当前 企业贷款的适当金额， 基于企业贷款金额预估模型 的结果分析当前企业贷款申请的风险； 提供企业信息 接口。 2.根据权利要求1所述的方法， 其中， 所述获取企业的 的用电数据， 包括: 与企业签订协议， 获得企业授权； 在插座中嵌入微型电压互感器和微型电流互感器； 通 过A/D转换芯片 完成信号的模数转换； 数字滤波器对信号进 行滤波， 剔除无用信号和干扰信 号； 电量检测芯片记录时序电压、 电流信号； 通过电压和电流计算得到电功率； 51单片机基 于时序记录电压、 电流、 功率以及用电时间信息， 并传输到服务器中； 根据芯片传输的信息 进行数据预处理； 对 数据进行分类并提取用电指标数据， 即index＝{电压， 电流， 功率， 用电 时间}， 其中i ndex表示用电数据指标。 3.根据权利要求1所述的方法， 其中， 所述基于深度 学习方法训练电器设备识别神经网 络模型， 包括: 采集大量企业中的设备用电数据作为训练集和测试集； 对用电数据训练集进行预处 理， 提取出电压、 电流、 功率和用电时长数据； 将电压、 电流、 功率和用电时长数据这些数据 标注标签， 标签为对应的电器 设备； 将带有 标签的样 本通过BP神经网络模型进 行学习， 建立 用电设备识别模型； 将测试集数据经过预处理后输入到训练好的模型中进行测试， 评估分 类结果的准确性； 根据测试结果调整模型参数， 提高模型分类准确性。 k为 输入节点个数， n 为输出节点个数， c取1 ‑4之间的整数。 4.根据权利要求1所述的方法， 其中， 所述识别统计企业的用电规模和设备规模， 分析 企业的运 转周期和工作规 律， 包括: 统计每天企业中所有智能插座的用电量， 得到企业的用电规模数据； 采集智能插座的 用电数据， 通过电器设备识别神经模型识别出该数据对应的电器设备； 统计各类电器设备 的类型和数量， 得到企业的设备规模； 基于企业的用电规模数据和设备规模数据分析企业 运作周期和工作规律； 包括： 基于企业用电规模和设备规模评价 企业； 建立 企业类型识别模 型； 建立企业 规模的模型； 结合 其他企业的运 转周期和工作规 律进行意外用电判断； 所述基于企业用电规模和设备规模评价企业， 具体包括: 获得企业各类型设备的类型和数量， 得到企业设备规模； 基于机器学习建立模型， 输入 企业设备规模信息预测出企业类型； 建立不同类型企业规模评价体系； 以企业类型为前提 根据企业用电规模估算企业销售额； 将预测的企业销售额与预设的阈值对比， 推 断出企业 规模； 结合企业类型和企业 规模综合评价企业；权　利　要　求　书 1/4 页 2 CN 115330531 A 2所述建立企业类型识别模型， 具体包括: 通过企业官网、 实地考察获取大量不同企业所拥有的设备类型和设备数量信息； 采集 的设备信息数据利用ETL方式进行数据清洗， 删除缺失数据、 重复数据与错误数据； 将设备 类型和设备数量信息预先分类， 赋予这些信息不同企业类型的标签， 作为训练集和测试集； 将带有标签的样本通过BP神经网络模型进行学习， 建立企业类型识别模型； 将测试集数据 经过预处理后输入到训练好的模型中进行测试， 评估分类结果的准确 性； 根据测试结果调 整模型参数， 提高模型分类准确性； 所述建立企业 规模的模型， 具体包括: 将企业按照行业进行分类； 行业种类有： 农、 林、 牧、 渔业， 轻工业， 重工业， 建筑业， 批发 业， 零售业， 交通运输业； 获取企业用电设备和用电量； 基于WASD神经网络建立企业生产产 品和销售量预测模型， 输入层为行业种类、 用电设备、 用电量， 隐含层神经元使用单极性 Sigmoid激励函数， 输出层为 企业产品数量及价值； 将测试集数据经过预 处理后输入到训练 好的模型中进 行测试， 调整参数， 提高预测准确度； 将营业收入与对应行业不同规模的营业 收入阈值进行比较； 所述结合 其他企业的运 转周期和工作规 律进行意外用电判断， 具体包括: 获取同类型企业用电规模数据； 记录每家企业每周的总用电量； 通过非线性最小二乘 拟合方法得到每家企业的用电周期和规律曲线图； 基于K ‑means聚合算法对用电数据进行 高维混合数据挖掘； 高维混合数据由分类型数据和数值型数据共同构成； 将分类型数据和 数值型数据的相似度度量形式作为高维混合属性数据的度量形式， 即D＝Dn +Wi*De， 其中Dn 为高维混合属性数据中的数值型数据相似度， De为分类型数据相似度， Wi为第i个簇内分类 型数据的占比权重值； 利用降噪处理所得的聚类结果进行异常标记； 将企业用电规律 曲线 与同类型企业用电数据比较， 得到意外用电数据； 将意外用电数据排除， 重新拟合用电周期 和规律曲线图； 将用电规律与同类型企业用电规律进行对比， 当拟合度高于预设的阈值时 则判断计算结果具有鲁棒 性。 5.根据权利要求1所述的方法， 其中， 所述基于企业的运作周期和工作规律分析企业经 营情况， 包括: 通过评估企业资产管理能力和盈利能力分析企业经营情况； 资产 管理能力包括营业周 期、 总资产周转率， 盈利能力包括成本费用利润率、 净资产收益率； 将企业的营业周期等同 于企业的运转周期； 提取智能插座的用电数据， 得到企业用电设备及其对应的用电度数数 据； 基于生产环节规模识别模型计算收入净额、 资产总额、 企业利润总额、 企业成本费用总 额、 销售净利率、 资产周转率； 得到企业经营评价模型， 即M＝100*(W1*A+W2*P)， 其中M为企 业经营评价指数， A为企业资产管理能力指数， P为企业盈利能力指数， T为企业营业周期， C 为企业总资产周转率， D为企业成本费用利润率， N为企业净资产收益率,W1、 W2、 W3、 W4为权 重值。 6.根据权利要求1所述的方法， 其中， 所述根据不同设备用电规模判断生产环节中各阶 段情况， 建立 生产环节规模识别模型， 包括: 通过智能插座获取企业中设备种类和设备用电度 数； 基于用电设备识别模型将设备划 分为不同类型； 将设备类型分为处理原材料设备、 生产设备、 处理成品设备； 建立BP神经网 络训练生产 环节规模识别模 型； BP神经网络的输入层 包括4个指标： 设备种类， 设备功能， 设权　利　要　求　书 2/4 页 3 CN 115330531 A 3