CN111680937A - 基于电力数据分级赋权的小微企业复工率评估方法 - Google Patents

Abstract

本发明涉及一种基于电力数据分级赋权的小微企业复工率评估方法，本发明解决现有技术的问题，其技术方案要点是，步骤一，通过电力大数据平台获取企业的历史电量数值和企业信息数据；步骤二，根据企业的历史电量数值的均值和企业信息数据对企业进行选择，通过多维度电量数据聚类分析的方式将符合设定条件的企业选出；步骤三，以企业的历史电量数值为参数，按电力数据分级赋权的方式进行评估；步骤四，将所有的评估结果进行显示；在步骤三中，基于电力数据分级赋权的方式进行评估包括以下子步骤：获取停工企业筛选条件、筛选出停工企业、计算出企业复工率。

Description

基于电力数据分级赋权的小微企业复工率评估方法

技术领域

本发明属于一种小微企业复工率的评估方法，具体涉及一种基于电力数据分级赋权的小微企业复工率评估方法。

背景技术

2019年年末新冠病毒肺炎导致了大量企业出现了较长时间的停工，因此对于电网负荷来说，因此对于企业复工复产的监控对于政策制定和指导都有很大的参考意义，更是能反应当前社会状态的直观表现，但是一般的大型生产类企业在监控的时候较为容易，而一般的小微企业，则由于数据分散、周期不定等各种客观因素的影响处于较难监控的情况，况且，小微企业中很多是服务业，用电量相对较小，且受订单客户的影响较大，不能像大型制造型企业一样存在一个相对稳定的规律，对于这样的企业，监控难度非常大，但是小微企业受限于自身体量，抗风险能力最弱，反而最需要进行监控和扶持，因此，开发一种能够合理评估小微企业复工率的评估方法很有必要。

现有技术中，对于小微企业的复工复产评估往往流于简单，只要是不用电或极少用电就判定未复工，很多情况下的计算过程可以都是以房屋空置率的方式来进行计算，虽然小微企业不复工的表现与房屋空置的表现存在很大程度的相似，但是，对比房屋空置的计算方式存在着对于小微企业的周期性、零散性意识不足，往往出现较大的评判误差的问题。因此，需要一种更为合理准确的小微企业复工率的评估方法。

发明内容

本发明解决了现有技术对于小微企业的复工复产评估往往流于简单，只要是不用电或极少用电就判定未复工，认为存在办公产地空置等问题，但是对于小微企业的周期性、零散性意识不足，往往出现较大的评判误差的问题，提供一种基于电力数据分级赋权的小微企业复工率评估方法。

本发明解决其技术问题所采用的技术方案是：基于电力数据分级赋权的小微企业复工率评估方法，包括以下步骤：

步骤一，通过电力大数据平台获取企业的历史电量数值和企业信息数据；

步骤二，根据企业的历史电量数值的均值和企业信息数据对企业进行选择，通过多维度电量数据聚类分析的方式将符合设定条件的企业选出；

步骤三，以企业的历史电量数值为参数，按电力数据分级赋权的方式进行评估；

步骤四，将所有的评估结果进行显示；

在步骤三中，基于电力数据分级赋权的方式进行评估包括以下子步骤：

评估子步骤一，根据电力大数据平台提供的企业电力大数据，分析零电量和周期性企业的用电特征，获取停工企业筛选条件；

评估子步骤二，根据筛选条件，筛选出停工企业，判定企业为停工企业的筛选条件下所示：

，

其中

，一个计量周期由若干个分计量周期构成，

若企业用电数据，满足条件a，或者不满足条件a但分计量周期满足条件b的次数大于设定值，则判定该企业为完全停工；

若连续m个分计量周期满足条件b，判定该企业对停工率的贡献度为α,连续n个分计量周期满足条件b，判定该企业对停工率的贡献度为β，n＞m；

贡献度与该企业停工情况对目标区域内全部企业停工率的影响程度成正比，完全停工企业的贡献度为1；

评估子步骤三，根据下式计算目标区域内的企业复工率R：

，

上式中， k为贡献度为α的户数，q为贡献度为β的户数，e为计量周期内完全停工企业数， N为目标区域内符合设定条件的企业总数。

本发明在电力大数据平台的支持下，采用了多步走的方式来进行评判小微企业的复工率，但本发明的第一次数据分析过程中，由于用到地区内所有企业的历史数据，所有首先采用聚类分析的方式将小微企业和其他大中型企业也一并进行分类，这个步骤有助于解决整个地区复工复产时数据的需要，并不是单独对小微企业所做，在客观上起到了节省算力的作用；进一步的，采用了按电力数据分级赋权的方式进行复工率计算，本发明采用了两级制的方式进行评价，在较长的计量周期内完全没有复工迹象的，或者维持在极低用电水平的小微企业，可以定位其处于停工状态，而对于在较长计量周期内，部分乃至大部分时间维持在极低用电水平的小微企业，认为其存在复工复产，但是由于订单和客户的不稳定，目前还存在不确定性。本发明中设置了m个分计量周期满足条件和n个分计量周期基本能够满足大部分的计量需要，如果为了进一步提高小微企业的计量需要，还可以设置更多的计量周期分级别，但是这个在提高小微企业复工复产的计算时相对有限，作用上不如针对每个小微企业确定一个合理的分计量周期更为有效，一般情况下，默认的计量周期有一月或一周两种，对应的分计量周期为一周和一天；但是这个设置仍有改进的余地，例如，很多小微企业是以二天到三天为一个生产周期的，中间的休息时间相对不固定，此时，分计量周期则以二天到三天更为合理。需要特别指出的是，若连续m个分计量周期满足条件b，同时还满足连续n个分计量周期满足条件b时，判定该企业对停工率的贡献度为 。

作为优选，在显示地区的整体复工率时，设立有时间轴，在相同时间点下，显示当前或预测的地区的整体复工水平；

在显示地区的整体复工水平时，通过设定颜色色相、明度和纯度参数进行区分，当前地区的复工水平处于不同层级时，采用色相进行区分；当前地区的复工水平处于相同层级时，明度和/或纯度值与地区的整体复工率相乘后进行显示。

本发明中采用相同色相不同明度和纯度进行区分时可以将能耗水平指数作为参数，直接用于调整相关的明度和纯度，在此基础上，显示的内容可见性直观性更佳，能够获得更好的体验。具体的说，在同一张地图上设置了时间轴之后，通过调节时间轴，即使能耗层级相同，但是由于指数的变化，使用者依然可以明显感知到明度和纯度的变化，在人为观察和判断上较为可靠。

作为优选，在步骤一中，建立每一类的多维度电量数据中的初始电量数值集合R_o，R_o={P_1,1，P_1,2，…P_1,t，P_2,1，P_2,2，… P_2,t，… P_k,t }，P_k,t为k企业第t时间点的电量数值，t为复工后从低电量水平恢复后的时间维度表示，k为同一化后的企业编号，对电量数值集合R_o进行均值和/或中位数计算，以电量数值集合R_o为基础重构为前向差值电量数值集合R_e，R_e={P_1,2-P_1,1，P_1,3-P_1,2，…P_1,t-P_1,t-1，P_2,2-P_2,1，P_2,3-P_2,2，… P_2,t-P_2,t-1，… P_k,t-P_k,t-1 }，对前向差值电量数值集合进行均值和/或中位数计算；

然后，人工设定有对应电量均值和/或电量中位数的偏差系数值，通过偏差系数值确定每一类的多维度电量数据中的电量数值的上限值mxk,t；

选取所有符合P_k,t＜MX_k,t要求的企业，将所有符合要求的企业多维度电量数值与时间维度重新进行关联后形成后续使用的电量数值集合R_n，R_n={P_1,1，P_1,2，…P_1,t，P_2,1，P_2,2，…P_2,t，… P_n,t }，n≤k。

本发明目的是将符合要求的企业进行筛选，这个筛选的方法就是为了鉴于小微企业的性质与一般生产型企业存在较大不同，因此需要直接将其取出，而能源大客户因为存在与一般生产企业存在共性，因此符合数据要求的能源大客户不做去除，其数据可以进行后续的利用，而不符合要求的可以被作为能源大客户进行独立计算和解析。在本发明中人工设定有对应能耗均值和/或能耗中位数的偏差系数值就是用于将能源大客户进行排查所设定的，很多情况下MN_k,t取值都为0，特别是时间轴同一化的复工复产初期。更进一步的，MN_k,t＜P_k,t＜MX_k,t的形式设计，主要是为了同一化时间轴之后，确立大致的能耗变动趋势，只要位于这一趋势内的能耗数值集合，都可以被后续利用。能耗数值集合R_n与在整个集合中每个能耗数值都带有时间点维度、企业性质维度、企业能耗层级和企业能耗类型维度，其中除了时间点维度外，其他维度都相同。

作为优选，在步骤二中，多维度电量数据聚类分析的方式包括以下聚类子步骤：

聚类子步骤一，构建包括企业电量均值的层级和企业电量类型两个维度在内的企业多维度电量数据空间；

聚类子步骤二，在企业多维度电量数据空间内选定的K个典型企业确定为K个聚类的中心；

聚类子步骤三，计算每个企业的多维度电量数据与聚类中心的欧式距离，并根据欧式距离进行聚类；

聚类子步骤四，更新聚类中心，并重复聚类子步骤三步骤直到聚类中心的迭代次数满足设定要求，将最后聚类后的多维度电量数据供步骤三使用。

本发明通过聚类的方式，将各个维度的信息加以利用，维度距离的计算中，需要设定企业多维度信息之间的维度距离，这个由人工加以规定，通过不同方式的调节后能够获得不同的结果，这个规定内容需要在整个地区计算时确定并统一。所述企业能耗类型由常态数据进行确定，将常态数据中企业能耗数值随着时间稳定收敛的企业确定为一类企业，将常态数据中企业能耗数值随着时间周期波动的企业确定为另一类企业。企业能耗数值大类上一般存在周期型和收敛型两大类形式，虽然很难完全符合周期型和收敛型的能耗表示，但是一般来说是可以较为明确的区分为周期型和收敛型两大类形，在此基础上其他能耗形式也可以根据近似的程度划分为周期型或收敛型，如果其变动幅度过大，则将其数据进行排除，由人工进行后续的处理。

作为优选，在评估子步骤一执行时，由以下方式对分计量周期进行确定：

分计量周期确定子步骤一，将电量数值集合R_n和前向差值电量数值集合R_e制成对应每个企业的电量拟合曲线f(P_k,t)和拟合差值曲线f(P_k,t-P_k,t-1)；

分计量周期确定子步骤二，若电量拟合曲线f(P_k,t)和拟合差值曲线f(P_k,t-P_k,t-1)随着时间稳定收敛的企业确定为稳定型企业，而电量拟合曲线f(P_k,t)和拟合差值曲线f(P_k,t-P_k,t-1)随着时间周期性波动的确定为周期型企业；

分计量周期确定子步骤三，对于周期型企业根据企业的电量的变化周期，将一个电量的变化周期确定为一个分计量周期，将至少三个分计量周期确定为一个计量周期，对于稳定型企业将至少一周确定为一个分计量周期，将至少三个分计量周期确定为一个计量周期。

此技术方案主要是为了获取更为合理的分计量周期，特别是相对存在周期性用电情况的小微企业，举个简单的例子，小微企业若是周六周日放假，则以七天作为一个分计量周期较为合适，而部分小微企业坚持轮换制度，保持了周六周日的生产，则直接以天作为分计量周期就可以了；这两种情况在分计量周期计算中误差就有不同，对比现有技术的直接以天为单位数，查看连续不用电天数的做法更有了巨大的进步；特别是部分小微企业，存在只周六周日工作的情况，此时利用本方案进行计量，与现有技术相比则存在更大的精度提升。

作为优选，在步骤二中应用神经网络将企业电量类型分为周期型企业、稳定型企业和其他型企业。其他企业是属于数据离散性过大，无法归类的企业，这些企业若体量较大可以采取人工处理的方式，若是体量一般、数量较少的可以舍弃，或者划归于周期性企业，分计量周期以现有确定的最大分计量周期进行计算。

作为优选，神经网络将企业电量类型进行分类的子步骤包括：

分类子步骤一，通过人工方式选择供神经网络训练使用的电量拟合曲线f(P_k,t)和/或拟合差值曲线f(P_k,t-P_k,t-1)，人工设定受电量拟合曲线f(P_k,t)和/或拟合差值曲线f(P_k,t-P_k,t-1)的企业电量类型作为神经网络的一级输出结果，若属于周期型企业，则根据分计量周期的细分，确定周期型企业的分计量周期作为神经网络的二级输出结果；

分类子步骤二，计算电量拟合曲线f(P_k,t)和/或拟合差值曲线f(P_k,t-P_k,t-1)的变化率、所占面积和/或拐点数量作为神经网络训练用的特征量；

分类子步骤三：重复对神经网络进行训练，直到神经网络训练结果符合设定要求；

分类子步骤四：利用训练好的神经网络确定各个企业的企业电量类型，若属于周期型企业，则确定周期型企业的分计量周期。

本发明中，通过神经网络，对企业类型的确定可以快速提高分计量周期的确定速度，通过合理的分计量周期的确定，进一步提高本发明的判断准确性。

作为优选，以企业电量以占用变电站或配电站的额定供电比作为电量数值进行记录，记录时以目标地区整体供电额定值作为所有企业对比数值的统一标准，在目标区域进行变化时，根据目标地区整体供电额定值的变化进行换算。本发明采用了折算方式，可以在各个层级的区域中进行对比，相对比较直观。

作为优选，在分计量周期确定子步骤一中，电量数值集合R_n制成对应每个企业的电量拟合曲线f(P_k,t)之前，若电量数值集合R_n的数据量小于设定值，则进行若干次的数据***，将电量数值集合R_n扩充为电量数值集合R_c，R_c={P_1,1，Q_1,1，P_1,2，Q_1,2，…P_1,t-1，Q_1,t-1,，P_1,t，P_2,1，Q_2,1，P_2,2，Q_2,2，… P_2,t-1，Q_2,t-1,，P_2,t，… P_k,t-1，Q_k,t-1，P_k,t }, Q_k,t-1为***的数据，***数据完成后，将电量数值集合R_n赋值等于R_c。本发明，通过数据***的方式进一步强化数据的数量，通过合理的增加数据使得拟合曲线更为合适，用于神经网络中计算的内容更为恰当合理。

作为优选，在分计量周期确定子步骤一中, Q_k,t-1= P_k,t-1×（1-0.5e^-s）+ P_k,t×0.5e^-s

为***数据的次数，***一次数据为1/2，之后每***一次数据则s减少为原来的1/2。本技术方案中***的数值使得拟合曲线更为平稳和光滑，适合拟合曲线的拐点计算等内容。

本发明的实质性效果是：本发明在电力大数据平台的支持下，采用了按电力数据分级赋权的方式进行复工率计算，克服了由于小微企业的周期性、零散性意识不足，往往出现较大的评判误差的问题，能够提供一个较为合理和精确的复工数值。

附图说明

图1为本发明中的一种流程示意图；

图2为本发明中评估子步骤的一种流程示意图；

图3为本发明中分计量周期确定子步骤的一种流程示意图；

图4为本发明中分类子步骤的一种流程示意图。

具体实施方式

下面通过具体实施例，对本发明的技术方案作进一步的具体说明。

实施例1：

一种基于电力数据分级赋权的小微企业复工率评估方法（参见附图1），

包括以下步骤：

步骤一，通过电力大数据平台获取企业的历史电量数值和企业信息数据；

步骤二，根据企业的历史电量数值的均值和企业信息数据对企业进行选择，通过多维度电量数据聚类分析的方式将符合设定条件的企业选出；

步骤三，以企业的历史电量数值为参数，按电力数据分级赋权的方式进行评估；

步骤四，将所有的评估结果进行显示；

在步骤三中，基于电力数据分级赋权的方式进行评估包括以下子步骤（参见附图2）：

评估子步骤一，根据电力大数据平台提供的企业电力大数据，分析零电量和周期性企业的用电特征，获取停工企业筛选条件；

评估子步骤二，根据筛选条件，筛选出停工企业，判定企业为停工企业的筛选条件下所示：

，

其中

，一个计量周期由若干个分计量周期构成，

若企业用电数据，满足条件a，或者不满足条件a但分计量周期满足条件b的次数大于设定值，则判定该企业为完全停工；

若连续m个分计量周期满足条件b，判定该企业对停工率的贡献度为α,连续n个分计量周期满足条件b，判定该企业对停工率的贡献度为β，n＞m；

贡献度与该企业停工情况对目标区域内全部企业停工率的影响程度成正比，完全停工企业的贡献度为1；

评估子步骤三，根据下式计算目标区域内的企业复工率R：

，

上式中，k为贡献度为α的户数，q为贡献度为β的户数，e为计量周期内完全停工企业数，N为目标区域内符合设定条件的企业总数。

本实施例在电力大数据平台的支持下，采用了多步走的方式来进行评判小微企业 的复工率，但本实施例的第一次数据分析过程中，由于用到地区内所有企业的历史数据，所 有首先采用聚类分析的方式将小微企业和其他大中型企业也一并进行分类，这个步骤有助 于解决整个地区复工复产时数据的需要，并不是单独对小微企业所做，在客观上，起到了节 省算力的作用，进一步的，采用了按电力数据分级赋权的方式进行复工率计算，本实施例采 用了两级制的方式进行评价，在较长的计量周期内完全没有复工迹象的，或者维持在极低 用电水平的小微企业，可以定位其处于停工状态，而对于在较长计量周期内，部分乃至大部 分时间维持在极低用电水平的小微企业，认为其存在复工复产，但是由于订单和客户的不 稳定，目前还存在不确定性。本实施例中设置了m个分计量周期满足条件和n个分计量周期 基本能够满足大部分的计量需要，如果为了进一步提高小微企业的计量需要，还可以设置 更多的计量周期分级别，例如设计企业复工率的公式为：

，其中，若连续m个分计量周期满足条件b，判 定该企业对停工率的贡献度为α,连续n个分计量周期满足条件b，判定该企业对停工率的贡 献度为β，若连续o个分计量周期满足条件b，判定该企业对停工率的贡献度为

，r为贡献度 为

的户数，类似此技术方案都是可行的，且是对于本实施例中开始所提的技术方案是有 所提升的，但是此技术内容所获得的提升在小微企业复工复产的计算时相对有限，作用上 不如针对每个小微企业确定一个合理的分计量周期更为有效，一般情况下，默认的计量周 期有一月或一周两种，对应的分计量周期为一周和一天；但是这个设置仍有改进的余地，例 如，很多小微企业是以二天到三天为一个生产周期的，中间的休息时间相对不固定，此时， 分计量周期则以二天到三天更为合理。需要特别指出的是，若连续m个分计量周期满足条件 b，同时还满足连续n个分计量周期满足条件b时，判定该企业对停工率的贡献度为β。针对这 一部分内容，本实施例在分计量周期确定子步骤中进行了合理的设置。除此之外，在上述基 础上，还可以采用隶属度方式对贡献度进行计算，例如设定隶属度函数，对于一个企业是以 符合条件a的隶属度来确定贡献度α与隶属度的乘积，符合条件b的隶属度来确定贡献度β与 隶属度的乘积的方式来获取更为准确的贡献度，此时，小微企业的贡献度累加之后更为精 确。但是这个计算属于可选方案，依然推荐以设定n＞m，且若连续m个分计量周期满足条件 b，且连续n个分计量周期满足条件b，则直接判定该企业对停工率的贡献度为β的方式来进 行计算。

在步骤一中，建立每一类的多维度电量数据中的初始电量数值集合R_o，R_o={P_1,1，P_1,2，…P_1,t，P_2,1，P_2,2，… P_2,t，… P_k,t }，P_k,t为k企业第t时间点的电量数值，t为复工后从低电量水平恢复后的时间维度表示，k为同一化后的企业编号，对电量数值集合R_o进行均值和/或中位数计算，以电量数值集合R_o为基础重构为前向差值电量数值集合R_e，R_e={ P_1,2-P_1,1，P_1,3-P_1,2，…P_1,t-P_1,t-1，P_2,2-P_2,1，P_2,3-P_2,2，… P_2,t-P_2,t-1，… P_k,t-P_k,t-1 }，对前向差值电量数值集合进行均值和/或中位数计算；

然后，人工设定有对应电量均值和/或电量中位数的偏差系数值，通过偏差系数值确定每一类的多维度电量数据中的电量数值的上限值MX_k,t；

选取所有符合P_k,t＜MX_k,t要求的企业，将所有符合要求的企业多维度电量数值与时间维度重新进行关联后形成后续使用的电量数值集合R_n，R_n={P_1,1，P_1,2，…P_1,t，P_2,1，P_2,2，…P_2,t，… P_n,t }，n≤k。

本实施例目的是将符合要求的企业进行筛选，这个筛选的方法就是为了鉴于小微企业的性质与一般生产型企业存在较大不同，因此需要直接将其取出，而能源大客户因为存在与一般生产企业存在共性，因此符合数据要求的能源大客户不做去除，其数据可以进行后续的利用，而不符合要求的可以被作为能源大客户进行独立计算和解析。在本实施例中人工设定有对应能耗均值和/或能耗中位数的偏差系数值就是用于将能源大客户进行排查所设定的，很多情况下MN_k,t取值都为0，特别是时间轴同一化的复工复产初期。更进一步的，MN_k,t＜P_k,t＜MX_k,t的形式设计，主要是为了同一化时间轴之后，确立大致的能耗变动趋势，只要位于这一趋势内的能耗数值集合，都可以被后续利用。能耗数值集合R_n与在整个集合中每个能耗数值都带有时间点维度、企业性质维度、企业能耗层级和企业能耗类型维度，其中除了时间点维度外，其他维度都相同。

在步骤二中，多维度电量数据聚类分析的方式包括以下聚类子步骤：

聚类子步骤一，构建包括企业电量均值的层级和企业电量类型两个维度在内的企业多维度电量数据空间；

聚类子步骤二，在企业多维度电量数据空间内选定的K个典型企业确定为K个聚类的中心；

聚类子步骤三，计算每个企业的多维度电量数据与聚类中心的欧式距离，并根据欧式距离进行聚类；

聚类子步骤四，更新聚类中心，并重复聚类子步骤三步骤直到聚类中心的迭代次数满足设定要求，将最后聚类后的多维度电量数据供步骤三使用。

本实施例通过聚类的方式，将各个维度的信息加以利用，维度距离的计算中，需要设定企业多维度信息之间的维度距离，这个由人工加以规定，通过不同方式的调节后能够获得不同的结果，这个规定内容需要在整个地区计算时确定并统一。所述企业能耗类型由常态数据进行确定，将常态数据中企业能耗数值随着时间稳定收敛的企业确定为一类企业，将常态数据中企业能耗数值随着时间周期波动的企业确定为另一类企业。企业能耗数值大类上一般存在周期型和收敛型两大类形式，虽然很难完全符合周期型和收敛型的能耗表示，但是一般来说是可以较为明确的区分为周期型和收敛型两大类形，在此基础上其他能耗形式也可以根据近似的程度划分为周期型或收敛型，如果其变动幅度过大，则将其数据进行排除，由人工进行后续的处理。

在评估子步骤一执行时，由以下方式对分计量周期进行确定（参见附图3）：

分计量周期确定子步骤一，将电量数值集合R_n和前向差值电量数值集合R_e制成对应每个企业的电量拟合曲线f(P_k,t)和拟合差值曲线f(P_k,t-P_k,t-1)；

分计量周期确定子步骤二，若电量拟合曲线f(P_k,t)和拟合差值曲线f(P_k,t-P_k,t-1)随着时间稳定收敛的企业确定为稳定型企业，而电量拟合曲线f(P_k,t)和拟合差值曲线f(P_k,t-P_k,t-1)随着时间周期性波动的确定为周期型企业；

分计量周期确定子步骤三，对于周期型企业根据企业的电量的变化周期，将一个电量的变化周期确定为一个分计量周期，将至少三个分计量周期确定为一个计量周期，对于稳定型企业将至少一周确定为一个分计量周期，将至少三个分计量周期确定为一个计量周期。

此技术方案主要是为了获取更为合理的分计量周期，特别是相对存在周期性用电情况的小微企业，举个简单的例子，小微企业若是周六周日放假，则以七天作为一个分计量周期较为合适，而部分小微企业坚持轮换制度，保持了周六周日的生产，则直接以天作为分计量周期就可以了；这两种情况在分计量周期计算中误差就有不同，对比现有技术的直接以天为单位数，查看连续不用电天数的做法更有了巨大的进步；特别是部分小微企业，存在只周六周日工作的情况，此时利用本方案进行计量，与现有技术相比则存在更大的精度提升。

在步骤二中应用神经网络将企业电量类型分为周期型企业、稳定型企业和其他型企业。采用神经网络将企业电量类型进行分类的子步骤包括（参见附图4）：

分类子步骤一，通过人工方式选择供神经网络训练使用的电量拟合曲线f(P_k,t)和/或拟合差值曲线f(P_k,t-P_k,t-1)，人工设定受电量拟合曲线f(P_k,t)和/或拟合差值曲线f(P_k,t-P_k,t-1)的企业电量类型作为神经网络的一级输出结果，若属于周期型企业，则根据分计量周期的细分，确定周期型企业的分计量周期作为神经网络的二级输出结果；

分类子步骤二，计算电量拟合曲线f(P_k,t)和/或拟合差值曲线f(P_k,t-P_k,t-1)的变化率、所占面积和/或拐点数量作为神经网络训练用的特征量；

分类子步骤三：重复对神经网络进行训练，直到神经网络训练结果符合设定要求；

分类子步骤四：利用训练好的神经网络确定各个企业的企业电量类型，若属于周期型企业，则确定周期型企业的分计量周期。

本实施例中，通过神经网络，对企业类型的确定可以快速提高分计量周期的确定速度，通过合理的分计量周期的确定，进一步提高本实施例的判断准确性。更为进一步的是，本实施例中，通过拟合曲线和拟合曲线的参数来作为训练集，通过拟合曲线对应的企业类型来作为结果集，训练集和结果集相互对应，通过这个计算形成一个较好和较快速的分类，作为一级输出结果进行输出，对于剩下的数据则送入一个新的神经网络或者是串行的神经网络中，这个神经网络的输出结果是人工根据常规的企业用电状态设置的若干种分计量周期及其对应的拟合曲线作为二级输出结果，例如一天、两天、两天半、三天等等作为分计量周期，由于分计量周期的设定天数不许太多，因此，一般分计量周期的天数控制在十天以内，因此所需的计算量也不大，对应一级输出结果的计算，二级输出结果的计算反而计算更为简便和快速。因此针对一级输出结果的神经网络计算，应当采用包括剪枝等手段进行优化。

以企业电量以占用变电站或配电站的额定供电比作为电量数值进行记录，记录时以目标地区整体供电额定值作为所有企业对比数值的统一标准，在目标区域进行变化时，根据目标地区整体供电额定值的变化进行换算。本实施例采用了折算方式，可以在各个层级的区域中进行对比，相对比较直观，例如在同一个配电站供电的企业可以根据与配电站的相对比值进行电量数值的计算，这个计量能够较为直观的反应当前同一地区内企业的规模和用电数量等，无需再一步的换算，存在较好的直观性。且如果此地区计算完成之后需要将数值进行汇总，只需进一步的根据相关变电站和配电站的额定数值进行换算即可达到相应的目标，相对简单快速。

在分计量周期确定子步骤一中，电量数值集合R_n制成对应每个企业的电量拟合曲线f(P_k,t)之前，若电量数值集合R_n的数据量小于设定值，则进行若干次的数据***，将电量数值集合R_n扩充为电量数值集合R_c，R_c={P_1,1，Q_1,1，P_1,2，Q_1,2，…P_1,t-1，Q_1,t-1,，P_1,t，P_2,1，Q_2,1，P_2,2，Q_2,2，… P_2,t-1，Q_2,t-1,，P_2,t，… P_k,t-1，Q_k,t-1，P_k,t }, Q_k,t-1为***的数据，***数据完成后，将电量数值集合R_n赋值等于R_c。本实施例，通过数据***的方式进一步强化数据的数量，通过合理的增加数据使得拟合曲线更为合适，用于神经网络中计算的内容更为恰当合理。

在分计量周期确定子步骤一中，Q_k,t-1= P_k,t-1×（1-0.5e^-s）+ P_k,t×（1-0.5e^-s），s为***数据的次数，***一次数据为1/2，之后每***一次数据则s减少为原来的1/2。当然本实施例中的***方式多种多样，采用直接去均值***的方式也是可选的方案，本实施例相比直接***均值的方案，本技术方案中***的数值使得拟合曲线更为平稳和光滑，尤其是在计算拐点、峰值等内容的时候，本方案***的内容更为平滑，更适合拟合曲线的拐点计算等内容。

在显示地区的整体复工率时，设立有时间轴，在相同时间点下，显示当前或预测的地区的整体复工水平；

在显示地区的整体复工水平时，通过设定颜色色相、明度和纯度参数进行区分，当前地区的复工水平处于不同层级时，采用色相进行区分；当前地区的复工水平处于相同层级时，明度和/或纯度值与地区的整体复工率相乘后进行显示。预测当前地区的复工水平时，可以根据当前复工企业用电的周期性进行计算，从而实现一定的预测功能。本实施例中采用相同色相不同明度和纯度进行区分时可以将能耗水平指数作为参数，直接用于调整相关的明度和纯度，在此基础上，显示的内容可见性直观性更佳，能够获得更好的体验。具体的说，在同一张地图上设置了时间轴之后，通过调节时间轴，即使能耗层级相同，但是由于指数的变化，使用者依然可以明显感知到明度和纯度的变化，在人为观察和判断上较为可靠。在此基础上，还可以将本实施例中的小微企业数据与大中型生产企业的数据进行结合，以及能源大户的数据进行结合，从而进一步得出预测数据。使用者根据负荷恢复情况和预测情况，可以安排对应的措施，电网企业也可以根据对应的负荷情况，进行检修维护计划的安排。

综上所述，本实施例在电力大数据平台的支持下，采用了按电力数据分级赋权的方式进行复工率计算，克服了由于小微企业的周期性、零散性意识不足，往往出现较大的评判误差的问题，能够提供一个较为合理和精确的复工数值，同时提供了一种能够直观快捷表示出当前小微企业复工复产状态的显示方法，能够进一步的提高本实施例的可用性和适用性。

以上所述的实施例只是本实施例的一种较佳的方案，并非对本实施例作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (10)

1.基于电力数据分级赋权的小微企业复工率评估方法，其特征在于包括以下步骤：

步骤一，通过电力大数据平台获取企业的历史电量数值和企业信息数据；

步骤二，根据企业的历史电量数值的均值和企业信息数据对企业进行选择，通过多维度电量数据聚类分析的方式将符合设定条件的企业选出；

步骤三，以企业的历史电量数值为参数，按电力数据分级赋权的方式进行评估；

步骤四，将所有的评估结果进行显示；

在步骤三中，基于电力数据分级赋权的方式进行评估包括以下子步骤：

评估子步骤一，根据电力大数据平台提供的企业电力大数据，分析企业的用电特征，获取停工企业筛选条件；

评估子步骤二，根据筛选条件，筛选出停工企业，判定企业为停工企业的筛选条件下所示：

，

其中

，一个计量周期由若干个分计量周期构成，

若企业用电数据，满足条件a，或者不满足条件a但分计量周期满足条件b的次数大于设定值，则判定该企业为完全停工；

若连续m个分计量周期满足条件b，判定该企业对停工率的贡献度为α,连续n个分计量周期满足条件b，判定该企业对停工率的贡献度为β，n＞m；

贡献度与该企业停工情况对目标区域内全部企业停工率的影响程度成正比，完全停工企业的贡献度为1；

评估子步骤三，根据下式计算目标区域内的企业复工率R：

，

上式中，k为贡献度为α的户数，q为贡献度为β的户数，e为计量周期内完全停工企业数，N为目标区域内符合设定条件的企业总数。

2.根据权利要求1所述的基于电力数据分级赋权的小微企业复工率评估方法，其特征在于：在显示地区的整体复工率时，设立有时间轴，在相同时间点下，显示当前或预测的地区的整体复工水平；

在显示地区的整体复工水平时，通过设定颜色色相、明度和纯度参数进行区分，当前地区的复工水平处于不同层级时，采用色相进行区分；当前地区的复工水平处于相同层级时，明度和/或纯度值与地区的整体复工率相乘后进行显示。

3.根据权利要求1所述的基于电力数据分级赋权的小微企业复工率评估方法，其特征在于：在步骤一中，建立每一类的多维度电量数据中的初始电量数值集合R_o，R_o={P_1,1，P_1,2，…P_1,t，P_2,1，P_2,2，… P_2,t，… P_k,t }，P_k,t为k企业第t时间点的电量数值，t为复工后从低电量水平恢复后的时间维度表示，k为同一化后的企业编号，对电量数值集合R_o进行均值和/或中位数计算，以电量数值集合R_o为基础重构为前向差值电量数值集合R_e，R_e={ P_1,2-P_1,1，P_1,3-P_1,2，…P_1,t-P_1,t-1，P_2,2-P_2,1，P_2,3-P_2,2，… P_2,t-P_2,t-1，… P_k,t-P_k,t-1 }，对前向差值电量数值集合进行均值和/或中位数计算；

然后，人工设定有对应电量均值和/或电量中位数的偏差系数值，通过偏差系数值确定每一类的多维度电量数据中的电量数值的上限值MX_k,t；

选取所有符合P_k,t＜MX_k,t要求的企业，将所有符合要求的企业多维度电量数值与时间维度重新进行关联后形成后续使用的电量数值集合R_n，R_n={P_1,1，P_1,2，…P_1,t，P_2,1，P_2,2，…P_2,t，… P_n,t }，n≤k。

4.根据权利要求3所述的基于电力数据分级赋权的小微企业复工率评估方法，其特征在于：在步骤二中，多维度电量数据聚类分析的方式包括以下聚类子步骤：

聚类子步骤一，构建包括企业电量均值的层级和企业电量类型两个维度在内的企业多维度电量数据空间；

聚类子步骤二，在企业多维度电量数据空间内选定的K个典型企业确定为K个聚类的中心；

聚类子步骤三，计算每个企业的多维度电量数据与聚类中心的欧式距离，并根据欧式距离进行聚类；

聚类子步骤四，更新聚类中心，并重复聚类子步骤三步骤直到聚类中心的迭代次数满足设定要求，将最后聚类后的多维度电量数据供步骤三使用。

5.根据权利要求4所述的基于电力数据分级赋权的小微企业复工率评估方法，其特征在于：在评估子步骤一执行时，由以下方式对分计量周期进行确定：

分计量周期确定子步骤一，将电量数值集合R_n和前向差值电量数值集合R_e制成对应每个企业的电量拟合曲线f(P_k,t)和拟合差值曲线f(P_k,t-P_k,t-1)；

分计量周期确定子步骤二，若电量拟合曲线f(P_k,t)和拟合差值曲线f(P_k,t-P_k,t-1)随着时间稳定收敛的企业确定为稳定型企业，而电量拟合曲线f(P_k,t)和拟合差值曲线f(P_k,t-P_k,t-1)随着时间周期性波动的确定为周期型企业；

分计量周期确定子步骤三，对于周期型企业根据企业的电量的变化周期，将一个电量的变化周期确定为一个分计量周期，将至少三个分计量周期确定为一个计量周期，对于稳定型企业将至少一周确定为一个分计量周期，将至少三个分计量周期确定为一个计量周期。

6.根据权利要求5所述的基于电力数据分级赋权的小微企业复工率评估方法，其特征在于：在步骤二中应用神经网络将企业电量类型分为周期型企业、稳定型企业和其他型企业。

7.根据权利要求6所述的基于电力数据分级赋权的小微企业复工率评估方法，其特征在于：神经网络将企业电量类型进行分类的子步骤包括：

分类子步骤一，通过人工方式选择供神经网络训练使用的电量拟合曲线f(P_k,t)和/或拟合差值曲线f(P_k,t-P_k,t-1)，人工设定受电量拟合曲线f(P_k,t)和/或拟合差值曲线f(P_k,t-P_k,t-1)的企业电量类型作为神经网络的一级输出结果，若属于周期型企业，则根据分计量周期的细分，确定周期型企业的分计量周期作为神经网络的二级输出结果；

分类子步骤二，计算电量拟合曲线f(P_k,t)和/或拟合差值曲线f(P_k,t-P_k,t-1)的变化率、所占面积和/或拐点数量作为神经网络训练用的特征量；

分类子步骤三：重复对神经网络进行训练，直到神经网络训练结果符合设定要求；

分类子步骤四：利用训练好的神经网络确定各个企业的企业电量类型，若属于周期型企业，则确定周期型企业的分计量周期。

8.根据权利要求7所述的基于电力数据分级赋权的小微企业复工率评估方法，其特征在于：以企业电量以占用变电站或配电站的额定供电比作为电量数值进行记录，记录时以目标地区整体供电额定值作为所有企业对比数值的统一标准，在目标区域进行变化时，根据目标地区整体供电额定值的变化进行换算。

9.根据权利要求7所述的基于电力数据分级赋权的小微企业复工率评估方法，其特征在于：在分计量周期确定子步骤一中，电量数值集合R_n制成对应每个企业的电量拟合曲线f(P_k,t)之前，若电量数值集合R_n的数据量小于设定值，则进行若干次的数据***，将电量数值集合R_n扩充为电量数值集合R_c，R_c={P_1,1，Q_1,1，P_1,2，Q_1,2，…P_1,t-1，Q_1,t-1,，P_1,t，P_2,1，Q_2,1，P_2,2，Q_2,2，… P_2,t-1，Q_2,t-1,，P_2,t，… P_k,t-1，Q_k,t-1，P_k,t }, Q_k,t-1为***的数据，***数据完成后，将电量数值集合R_n赋值等于R_c。

10.根据权利要求9所述的基于电力数据分级赋权的小微企业复工率评估方法，其特征在于：在分计量周期确定子步骤一中，Q_k,t-1= P_k,t-1×（1-0.5e^-s）+ P_k,t×0.5e^-s，s为***数据的次数，***一次数据为1/2，之后每***一次数据则s减少为原来的1/2。

Images