湯 林，張 婧

(國網(wǎng)重慶市區(qū)供電公司，重慶 400010)

近年來，隨著大數(shù)據(jù)、云計(jì)算、物聯(lián)網(wǎng)、移動(dòng)互聯(lián)等技術(shù)的推廣和應(yīng)用，國網(wǎng)公司信息化基礎(chǔ)設(shè)施建設(shè)發(fā)展迅速，這些信息化基礎(chǔ)設(shè)施已產(chǎn)生規(guī)模龐大的電力大數(shù)據(jù)，其規(guī)模已達(dá) PB/EB/ZB[1]， 在類型上包含了結(jié)構(gòu)化、半結(jié)構(gòu)化及空間矢量數(shù)據(jù)[2]。電力大數(shù)據(jù)具備“4V”特征，即規(guī)模大(volume)、類型多(variety)、價(jià)值密度低(value)和變化快(velocity)[3]。在大數(shù)據(jù)分析、云計(jì)算、人工智能等新技術(shù)賦能下，電力大數(shù)據(jù)將成為國網(wǎng)公司重要的戰(zhàn)略資源和新的生產(chǎn)要素。如何利用電力大數(shù)據(jù)服務(wù)于企業(yè)自身、政府、社會(huì)，已成為電力領(lǐng)域研究熱點(diǎn)之一[4]。

目前，在新冠疫情的影響下，部分電力客戶資金周轉(zhuǎn)困難，又由于電力與民生關(guān)系緊密，社會(huì)輿論壓力巨大，所以供電企業(yè)傳統(tǒng)電費(fèi)回收工作面臨巨大挑戰(zhàn)。本文通過對(duì)客戶歷史繳費(fèi)數(shù)據(jù)、電量數(shù)據(jù)進(jìn)行挖掘分析，采用人工智能領(lǐng)域中的深度學(xué)習(xí)算法，評(píng)估客戶電費(fèi)回收風(fēng)險(xiǎn)、繳費(fèi)習(xí)慣、居住行為和用電行為，從而制訂差異化的電費(fèi)回收風(fēng)險(xiǎn)防控策略，以全面提升供電企業(yè)電費(fèi)精益化、數(shù)字化、智能化的管理水平。

1 供電企業(yè)電費(fèi)回收現(xiàn)狀

供電企業(yè)電費(fèi)回收效率與企業(yè)內(nèi)部管理、國家法規(guī)政策、客觀經(jīng)濟(jì)形勢等各種內(nèi)外因素相關(guān)[5]。目前電費(fèi)回收存在以下3個(gè)難點(diǎn)。

1)客戶群體廣且增速快。鑒于一戶一表安裝、國有企業(yè)“三供一業(yè)”分離、小微企業(yè)快速發(fā)展等情況，供電企業(yè)客戶基數(shù)和增量均較大，傳統(tǒng)的基于個(gè)人工作經(jīng)驗(yàn)的電費(fèi)回收模式具有較大局限性，缺乏科學(xué)的、全面的客戶電費(fèi)回收風(fēng)險(xiǎn)評(píng)估手段。

2)實(shí)際用電客戶信息迭代快。隨著房地產(chǎn)經(jīng)濟(jì)的繁榮，房屋交易、租賃導(dǎo)致實(shí)際用電主體信息變更較快，供電企業(yè)掌握的客戶基本信息數(shù)據(jù)，如客戶聯(lián)系方式，其準(zhǔn)確度不足以支撐電費(fèi)遠(yuǎn)程催收工作有效開展。

3)客戶違約成本低，法律意識(shí)淡薄[6]。按照《電力供應(yīng)與使用條例》第三十九條規(guī)定：“逾期未交付電費(fèi)的，供電企業(yè)可以從逾期之日起，每日按照電費(fèi)總額的千分之一至千分之三加收違約金?！彪m然單一客戶的違約成本低，但供電企業(yè)的客戶基數(shù)大，疊加后其資金回收壓力較大。

在有限人力成本的支撐下，在電力企業(yè)智能化、數(shù)字化推進(jìn)發(fā)展的大前提下，基于電力大數(shù)據(jù)的風(fēng)險(xiǎn)防控策略的制訂及實(shí)施，對(duì)供電企業(yè)電費(fèi)回收工作意義重大。

2 電力大數(shù)據(jù)挖掘分析

2.1 繳費(fèi)數(shù)據(jù)挖掘

電費(fèi)回收工作具有明顯時(shí)間節(jié)點(diǎn)特征。未繳納電費(fèi)的客戶繼續(xù)用電，則按照國網(wǎng)重慶市電力公司有關(guān)文件規(guī)定，每月24日以后，當(dāng)月電費(fèi)發(fā)行開始計(jì)收違約金?？蛻粼陔娏ο到y(tǒng)中的繳費(fèi)記錄數(shù)據(jù)與電費(fèi)回收風(fēng)險(xiǎn)評(píng)估模型具有較大關(guān)聯(lián)性，該項(xiàng)數(shù)據(jù)具有較大挖掘價(jià)值。

利用深度學(xué)習(xí)-決策樹分類理論，并考慮到用電客戶主體可能變更等因素，將訓(xùn)練樣本縮減為用戶2018—2020年所有的電費(fèi)繳費(fèi)記錄，并通過特征工程整合，整合出：開戶年限/繳費(fèi)總次數(shù)/欠費(fèi)總次數(shù)/欠費(fèi)次數(shù)占比/5號(hào)前繳費(fèi)次數(shù)/5號(hào)前繳費(fèi)占比/20號(hào)前繳費(fèi)次數(shù)/平均繳費(fèi)時(shí)間段等20個(gè)新特征。

輸出參數(shù)包含3項(xiàng)：欠費(fèi)概率，定義為客戶20號(hào)以后繳費(fèi)的概率，同時(shí)定義欠費(fèi)概率在80%及以上的為高風(fēng)險(xiǎn)客戶；繳費(fèi)方式，分“線上繳費(fèi)”“營業(yè)廳坐收”和“其他機(jī)構(gòu)代收”3類；繳費(fèi)習(xí)慣，分“當(dāng)月10號(hào)以前”“當(dāng)月10～15號(hào)”“當(dāng)月15～20號(hào)”3類。

繳費(fèi)數(shù)據(jù)挖掘分析如圖1所示。

圖1 繳費(fèi)數(shù)據(jù)挖掘分析

2.2 電量數(shù)據(jù)挖掘

供電企業(yè)用電信息采集系統(tǒng)建設(shè)，能夠提供大量客戶的歷史電量數(shù)據(jù)，同時(shí)通過電力載波通信，可實(shí)時(shí)采集客戶電流、電壓數(shù)據(jù)，這些數(shù)據(jù)均可用于客戶畫像，進(jìn)而可分析得出客戶歷史用電習(xí)慣，比如什么時(shí)候在家、目前用電狀態(tài)、是否停用電等。電量數(shù)據(jù)的挖掘分析，對(duì)于供電企業(yè)電費(fèi)回收工作中的上門催收、停電催收等環(huán)節(jié)具有重要參考價(jià)值。如圖2所示。

圖2 電量數(shù)據(jù)挖掘分析

通過樣本訓(xùn)練，可以得到客戶的居住行為判定與預(yù)測模型，用于供電企業(yè)精準(zhǔn)上門催收；也可以得到客戶用電行為判定模型，用于供電企業(yè)監(jiān)控對(duì)欠費(fèi)客戶實(shí)施停電催收的工作是否執(zhí)行順利。

3 差異化電費(fèi)回收風(fēng)險(xiǎn)防控策略

基于上述大數(shù)據(jù)挖掘分析結(jié)果，結(jié)合供電企業(yè)目前電費(fèi)回收工作模式，本文提出如下差異化電費(fèi)回收風(fēng)險(xiǎn)防控策略。

策略一：針對(duì)風(fēng)險(xiǎn)評(píng)估模型預(yù)測的高風(fēng)險(xiǎn)客戶(以下簡稱“預(yù)測型高風(fēng)險(xiǎn)客戶”)，電費(fèi)發(fā)行后開展上門催收(告知)、電話催收(告知)，提前開展電費(fèi)催收(告知)工作，增加客戶感知度；

策略二：針對(duì)預(yù)測型高風(fēng)險(xiǎn)客戶，收集并及時(shí)更新維護(hù)其基本信息，包括居住性質(zhì)(業(yè)主、租賃戶)和聯(lián)系電話；

策略三：根據(jù)繳費(fèi)習(xí)慣判定模型，對(duì)超過習(xí)慣繳費(fèi)日的，將其預(yù)警成突變型高風(fēng)險(xiǎn)客戶；

策略四：根據(jù)繳費(fèi)方式判定模型，對(duì)習(xí)慣線上繳費(fèi)的高風(fēng)險(xiǎn)客戶優(yōu)先開展電話催收(告知)工作；

策略五：根據(jù)居住行為判定與預(yù)測模型，合理安排上門催收工作，避免遇到上門時(shí)無人在家的情況；

策略六：根據(jù)用電行為判定模型，實(shí)時(shí)跟蹤對(duì)違約欠費(fèi)客戶實(shí)施停電工作的效果。

供電企業(yè)傳統(tǒng)電費(fèi)回收工作流程如圖3所示。

圖3 傳統(tǒng)電費(fèi)回收工作流程

基于電力大數(shù)據(jù)的電費(fèi)回收風(fēng)險(xiǎn)防控策略的電費(fèi)回收工作流程如圖4所示。

圖4 基于電力大數(shù)據(jù)的電費(fèi)回收工作流程

4 基于電力大數(shù)據(jù)的電費(fèi)回收風(fēng)險(xiǎn)防控策略應(yīng)用

國網(wǎng)重慶市區(qū)供電公司隨機(jī)抽取電力客戶52 441戶，導(dǎo)出其2018年1月至2020年12月期間的繳費(fèi)記錄數(shù)據(jù)，通過深度學(xué)習(xí)-決策樹分類理論，劃出436戶高風(fēng)險(xiǎn)客戶，通過導(dǎo)出此部分用戶3月繳費(fèi)記錄進(jìn)行驗(yàn)證分析發(fā)現(xiàn)，當(dāng)期繳費(fèi)習(xí)慣良好用戶有91戶，占比20.78%，驗(yàn)證結(jié)果表明，本文提出的電費(fèi)回收高風(fēng)險(xiǎn)評(píng)估模型預(yù)測準(zhǔn)確率約為80%。針對(duì)上述繳費(fèi)習(xí)慣較差的345戶客戶，于2020年5月按照基于電力大數(shù)據(jù)的電費(fèi)回收工作流程開展電費(fèi)回收工作，截至2020年5月22日，其電費(fèi)回收成效如表1所示。

表1 基于電力大數(shù)據(jù)的電費(fèi)回收工作成效

綜上所述，若以預(yù)測準(zhǔn)確率80%、回收成功率60%來計(jì)算，用基于電力大數(shù)據(jù)的電費(fèi)回收風(fēng)險(xiǎn)防控策略后的電費(fèi)回收工作流程，可在傳統(tǒng)電費(fèi)催收工作開始時(shí)間節(jié)點(diǎn)前，提前完成約48%的電費(fèi)催收工作量。此外，風(fēng)險(xiǎn)防控策略中的精準(zhǔn)上門催收和輔助監(jiān)控停電催收，對(duì)供電企業(yè)電費(fèi)回收工作的高效開展也具有顯著作用。

5 結(jié)論

基于電力大數(shù)據(jù)的電費(fèi)回收風(fēng)險(xiǎn)防控策略，充分將供電企業(yè)的客戶歷史繳費(fèi)數(shù)據(jù)和用電數(shù)據(jù)與電費(fèi)回收實(shí)際工作相結(jié)合，通過深度學(xué)習(xí)算法，構(gòu)建四大模型，根據(jù)模型結(jié)果制訂出差異化的、科學(xué)的電費(fèi)回收工作流程，降低了供電企業(yè)電費(fèi)回收風(fēng)險(xiǎn)，起到了較好風(fēng)險(xiǎn)防控效果。實(shí)踐結(jié)果表明，應(yīng)用新的風(fēng)險(xiǎn)防控策略后，月底欠費(fèi)客戶數(shù)下降48%，節(jié)省了供電企業(yè)電費(fèi)催繳成本，提高了電費(fèi)回收工作效率。下一步可與政府、互聯(lián)網(wǎng)企業(yè)開展數(shù)據(jù)共享合作，自動(dòng)關(guān)聯(lián)并更新客戶檔案數(shù)據(jù)，減少人工數(shù)據(jù)收集工作量，同時(shí)引入智能語音客服、自動(dòng)短信推送等智能化手段，進(jìn)一步提高電費(fèi)回收的工作效率。