一种企业停复工状态识别方法及系统与流程

1.本发明涉及企业复工复产的技术领域，具体涉及一种企业停复工状态识别方法及系统。


背景技术：

2.基于电力数据协助政府开展企业复工复产分析，有利于实现对社会经济活动的全面监测和实时分析。准确的企业复工复产情况界定可以为政府决策制定提供强有力数据支撑。
3.但是目前利用电力数据进行区域、行业复工率计算时，对每一个企业计算其日用电量与去年12月的日均用电量的比值，并人为设置停复工阈值为30％(后来调整为50％和70％)，比值大于等于停复工阈值时企业为复工状态，小于停复工阈值时企业为停工状。对区域内所有企业计算比值并根据停复工阈值(30％、50％或70％)判断是否复工态，区域或行业每天的复工企业数量与所用企业数量的比值即为这一天区域或行业的复工率。现有复工率计算规则简单、见效快，但是计算规则利用前一年12月的日均电量作为电量基准，没有考虑到电力客户用电的季节项特征，特别是旅游业、商业、农业等行业用户用电受季节影响很大；判断企业停复工状态的阈值(30％、50％或70％)是人为定义的，停复工阈值设置缺乏科学性，不能反映企业用电客户实际的停工、复工行为；并且新报装用户可能没有去年12月数据，无法将这部分用户纳入分析；由于用电客户日用电量曲线波动大，电量比值波动也大，当电量比值在阈值附近波动时，将导致复工率曲线波动大，进而影响对企业停复工状态的识别，影响政府决策的制定。


技术实现要素：

4.为了解决现有技术中电量受季节性影响大、难以科学界定停复工阈值的问题，本发明提供一种企业停复工状态识别方法，包括：
5.基于企业用电数据生成用电量曲线；
6.基于所述用电量曲线，确定假期及假期前/后一段时间的用电趋势；
7.基于各企业在假期及假期前/后一段时间用电趋势确定所述企业是否存在停复工情况。
8.优选的，所述基于企业用电数据生成用电量曲线，包括：
9.获取企业的档案数据和历史日用电量数据，对所述历史日用电量数据进行修正；
10.基于修正后的历史日用电量数据生成日用电量曲线。
11.优选的，所述对所述历史日用电量数据进行修正，包括：
12.利用箱线图法识别所述历史日用电量数据中的异常值并剔除；
13.对于剔除异常值后的用电量数据中缺失的数据，根据缺失日类型采用与所述缺失日类型一致的日用电量数据进行补全；
14.其中所述缺失日类型包括：工作日、周末和节假日。
15.优选的，所述生成日用电量曲线之后还包括：
16.利用stl算法对所述日用电量曲线进行分解剔除波动数据；
17.所述波动数据包括：季节波动和随机波动。
18.优选的，所述基于各企业在假期及假期前/后一段时间用电趋势确定所述企业是否存在停复工情况，包括：
19.利用mk算法对假期前的日用电量趋势曲线进行检测；
20.当企业假期前存在用电量下降，且所述电量下降达到一定阈值时，则判断所述企业在假期前存在停工行为；否则判断所述企业在假期前未停工；
21.当企业存在停工行为时，确定企业停工时长，并根据所述企业在假期及假期后一段时间用电趋势确定所述企业是否存在复工行为。
22.优选的，所述确定企业停工时长，包括：
23.基于假期中的每一个日期，利用假期前一定天数及所述日期前一定天数的企业的日用电量趋势值计算假期每天的倾斜度；
24.从假期中每一个日期的倾斜度中找出其中负的最小值对应的日期即为开始停工日期；
25.基于所述企业的日用电量趋势值得到所述企业的逆序曲线，进而得到逆序用电量趋势值；
26.基于假期中的每一个日期，利用假期前一定天数及所述日期前一定天数的逆序用电量趋势值计算假期每天的倾斜度；
27.从假期中每一个日期的倾斜度中找出其中正的最大值对应的日期即为完成停工日期；
28.基于所述开始停工日期和完成停工日期确定企业停工时长。
29.优选的，所述基于所述企业在假期及假期后一段时间用电趋势确定所述企业是否存在复工行为，包括：
30.利用mk算法对假期后的日用电量趋势曲线进行检测；
31.当企业假期后存在用电量上升，且所述电量上升达到一定阈值时，则判断所述企业在假期后存在复工行为，并确定企业复工时长；否则判断所述企业在假期后未复工。
32.优选的，所述确定企业复工时长，包括：
33.基于假期中的每一个日期，基于所述日期后的一定天数及假期后的一定天数的日用电量趋势值计算假期中每一个日期的倾斜度；
34.从假期每一个日期的倾斜度中找出其中正的最大值对应的日期即为开始复工日期；
35.基于所述企业的日用电量趋势值得到所述企业的逆序曲线，进而得到逆序用电量趋势值；
36.基于假期中的每一个日期，基于所述日期后的一定天数及假期后的一定天数的逆序用电量趋势值计算假期中每一个日期的倾斜度；
37.从假期每一个日期的倾斜度中找出其中负的最小值对应的日期即为完成复工日期；
38.基于所述开始复工日期和完成复工日期确定企业复工时长。
39.优选的，所述基于各企业在假期及假期前/后一段时间用电趋势确定所述企业是否存在停复工情况，之后还包括：企业停复工分类、正在停工率、已停工率、正在复工率和已复工率的确定。
40.优选的，所述企业停复工分类，包括：未停工、停工后未复工、停工后已复工。
41.基于同一种发明构思，本发明还提供一种企业停复工状态识别系统，包括：
42.曲线生成模块，用于基于企业用电数据生成用电量曲线；
43.用电趋势模块，用于基于所述用电量曲线，确定假期及假期前/后一段时间的用电趋势；
44.确定模块，用于基于各企业在假期及假期前/后一段时间用电趋势确定所述企业是否存在停复工情况。
45.与现有技术相比，本发明的有益效果为：
46.本发明提供一种企业停复工状态识别方法及系统，包括：基于企业用电数据生成用电量曲线；基于所述用电量曲线，确定假期及假期前/后一段时间的用电趋势；基于各企业在假期及假期前/后一段时间用电趋势确定所述企业是否存在停复工情况；准确分析了企业停复工状态、科学的界定停复工起止日期，实现了对各地企业动态监测、精准分析复工情况，为政府决策制定提供强有力数据支撑。
附图说明
47.图1为本发明的企业停复工状态识别方法流程图；
48.图2为实施例1中未停工曲线趋势识别示例；
49.图3为实施例1中停工后未复工曲线趋势识别示例；
50.图4为实施例1中停工后已复工曲线趋势识别示例；
51.图5为stl分解算法效果图；
52.图6为本发明提供的系统结构图；
53.图中，bserved为电量原始曲线；trend为电量趋势曲线；season为电量季节曲线；resid为电量随机曲线。
具体实施方式
54.为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
55.实施例1：
56.本发明提供一种企业停复工状态识别方法，如图1所示，包括：
57.s1：基于企业用电数据生成用电量曲线；
58.s2：基于所述用电量曲线，确定假期及假期前/后一段时间的用电趋势；
59.s3：基于各企业在假期及假期前/后一段时间用电趋势确定所述企业是否存在停复工情况。
60.步骤s1：基于企业用电数据生成用电量曲线，具体包括：
61.获取企业用电客户的档案数据和历史日用电量数据，对历史日用电量数据进行缺失值和异常值处理。
62.对每一个企业用户，利用箱线图法识别异常值并将异常值剔除，然后对原始缺失值和剔除异常值后产生的缺失值进行补全。当缺失值日期为工作日时，利用该日期前5个工作日和后5个工作日的日电量平均值进行补全；当缺失值日期为周末和节假日时，利用该日期前2个周末或节假日和后2个周末或节假日的日电量平均值进行补全。
63.针对每一个企业用电客户，利用seasonal and trend decomposition using loess算法(简称stl算法)对用户的日用电量曲线进行分解，得到用户日用电量的趋势曲线，即
64.趋势曲线＝日用电曲线
‑
季节曲线
‑
随机波动曲线
65.通过stl曲线分解，将日用电量曲线中的季节项波动和随机波动剔除，避免日用电量曲线波动较大导致对企业停工、复工状态识别难度大，提高状态识别准确性。
66.步骤s2：基于所述用电量曲线，确定假期及假期前/后一段时间的用电趋势，包括：
67.针对每一个企业用电客户，获取放假(例如春节假期)前后一段时间的日用电量趋势曲线数据进行停复工状态识别，定位开始停工日期和开始复工日期识别。定义用于停复工状态识别的趋势曲线数据为：
68.t＝{e
‑
b
，e
‑
b 1
，...，e
‑2，e
‑1，e0，e1，e2，e3，...，e
a
‑1，e
a
}
69.其中e0为放假当天的电量趋势值，e
‑
b
为放假前b天的电量趋势值，e
a
为放假后a天的电量趋势值，即用于放假前后停复产状态识别的数据长度为a b 1。
70.步骤s3：基于各企业在假期及假期前/后一段时间用电趋势确定所述企业是否存在停复工情况，下面以春节数据为例对放假前/后数据进行分析：
71.企业开始停工识别
72.利用mann
‑
kendall趋势检验算法(简称mk算法)对春节前的日用电量趋势曲线t
b
＝{e
‑
b
，e
‑
b 1
，...，e
‑2，e
‑1，e0}进行检测。如果mk算法检测发现企业用电客户在春节前存在明显的下降趋势，则表明该企业用电客户在春节前存在停工行为，否则该企业春节前没有发生停工。
73.对于春节前存在停工行为的企业用电客户，利用春节前第d天及其后面4天(这里取4天也是因为考虑春节假期一般为7天，其他假期可以根据假期长短确定具体天数)的日用电量趋势值计算日期d的倾斜度β
d
：
[0074][0075]
其中，median(
·
)为中位数函数，e
‑
i
和e
‑
j
分别为春节前第i天和第j天的日用电量趋势值。对春节前b
‑
3天的b
‑
3个倾斜度β
d
(d＝4，5，...，b)，找出其中负的最小值对应的日期，该企业用电客户在该日期的电量趋势下降最快，该企业在该日期开始停工。由于该企业在春节前存在明显下降趋势，因此必然存在倾斜度为负的日期，因此只需找到倾斜度最小的日期即为该企业的停工日期，开始停工日期为：
[0076]
d
bs
＝argmin(β
d
)d＝4，5，...，b
[0077]
其中，argmin(
·
)为β
d
取最小值时的d值。
[0078]
对于春节前没有发生停工的企业用电客户，该客户未受春节影响，春节前后均处于复工状态。
[0079]
企业开始复工识别
[0080]
对于春节前存在停工行为的企业用电客户，利用mk趋势检验算法对春节后的日用电量趋势曲线t
a
＝{e0，e1，e2，e3，...，e
a
‑1，e
a
}进行检测。如果mk算法检测发现企业用电客户在春节后存在明显的上升趋势，则表明该企业用电客户在春节后进行了复工，否则该企业春节后没有复工。
[0081]
对于存在复工行为的企业用电客户，利用春节后第d天及其后面4天的日用电量趋势值计算日期d的倾斜度β
d
：
[0082][0083]
其中，median(
·
)为中位数函数，e
i
和e
j
分别为春节后第i天和第j天的日用电量趋势值。对春节后a
‑
3天的a
‑
3个倾斜度β
d
(d＝0，1，...，a
‑
3)，找出其中正的最大值对应的日期，该企业用电客户在该日期的电量趋势上升最快，该企业在该日期开始复工。由于该企业在春节后存在明显上升趋势，因此必然存在倾斜度为正的日期，因此只需找到倾斜度最大的日期即为该企业的复工日期，开始复工日期为：
[0084]
d
br
＝argmax(β
d
)d＝0，1，...，a
‑3[0085]
其中，argmax(
·
)为β
d
取最大值时的d值。
[0086]
对于春节后没有发生复工的企业用电客户，该客户在春节前停工后一直未复工，该用户在开始停工日期d
bs
一直处于停工状态。
[0087]
完成停工日期和完成复工日期识别
[0088]
将企业用电客户的日用电量趋势曲线按日期逆序排序，得到逆序趋势曲线：
[0089]
t
′
＝{e
a
，e
a
‑1，...，e2，e1，e0，e
‑1，e
‑2，e
‑3，...，e
‑
b 1
，e
‑
b
}
[0090]
对于存在停工行为的企业，其年前的趋势曲线存在明显的下降趋势，那么年前趋势曲线的逆序曲线存在明显的上升趋势，并且逆序曲线上升最快的日期就是趋势曲线由明显下降转为平稳的日期，该日期即为停工企业完成停工的日期。因此，根据前述开始复工日期识别方法，从年前趋势曲线的逆序序列t
′
b
＝{e0，e
‑1，e
‑2，e
‑3，...，e
‑
b 1
，e
‑
b
}中找出开始复工日期(即逆序曲线上升最快的日期)，该日期即为年前趋势曲线的完成停工日期，记为d
fs
。企业用电客户完成停工后，将有一段时间处于停工状态，直到企业开始复工。
[0091]
对于存在复工行为的企业，其年后的趋势曲线存在明显的上升趋势，那么年后趋势曲线的逆序曲线存在明显的下降趋势，并且逆序曲线下降最快的日期就是趋势曲线由明显上升转为平稳的日期，该日期即为停工企业完成复工的日期。因此，根据前述开始停工日期识别方法，从年后趋势曲线的逆序序列t
′
b
＝{e
a
，e
a
‑1，...，e2，e1，e0}中找出开始停工日期(即逆序曲线下降最快的日期)，该日期即为年前趋势曲线的完成停工日期，记为d
fr
。完成停工后，企业用电客户的用电回到正常水平。
[0092]
利用本发明的正序逆序检测两次的算法可以在检测两次时一次计算中找到4个上升、下降最快的点。
[0093]
利用本发明企业停复工状态识别方法还可以对企业停复工分类，根据企业停复工状态及停复工日期识别结果，可以将企业用电客户分为三类，本实施例以春节为例，如下表所示，其他假期可以用相同方法进行分类。未停工企业用电不受春节影响，春节前后用电较为平稳，没有停复工日期，该类企业一直处于复工状态；停工后未复工企业受春节影响，并且停工后一直未复工，有开始停工日期和完成停工日期，该类企业在开始停工七日d
bs
和完
成停工日期d
fs
之间为停工过程，在完成停工日期d
fs
之后一直处于停工状态；停工后已复工企业受春节影响，但春节后已复工，该类企业在开始停工七日d
bs
和完成停工日期d
fs
之间为停工过程，在完成停工日期d
fs
和开始复工日期d
br
之间为停工状态，在开始复工日期d
br
和完成复工日期d
fr
之间为停工状态，在完成复工日期d
fr
之后用电恢复正常水平。
[0094][0095]
对每个企业用电客户进行停复工状态及停复工日期识别，并根据企业停复工分类表，可以得到每个企业用电客户每个日期的停复工状态。通过按区域或行业汇总得到不同停复工状态企业数量，例如正在停工企业数、已停工企业数、正在复工企业数和已复工企业数，进而可以得到正在停工率、已停工率、正在复工率和已复工率等指标，这些指标反映了区域或行业企业用电客户受放假影响的停复工情况。
[0096]
由于本专利的方法只要是在放假前报装的用户都可以进行分析，而不一定只能用完成一年的数据，因此可以把去年12月1日到放假之前的新用户纳入分析。
[0097]
本发明相关算法介绍：
[0098]
stl分解算法
[0099]
stl分解算法是一个非常通用和稳健强硬的分解时间序列的方法，它可以处理任何类型的周期性，将企业用电量时间序列分解为趋势分量、周期分量和余项。使用stl分解算法可以平滑曲线波动，在电量原始曲线(observed基础上)剔除季节(season)和随机项(resid)的影响后得到电量趋势曲线(trend)，提高企业停复工状态识别的准确性。stl分解效果图5所示。
[0100]
mann
‑
kendall趋势检验算法
[0101]
mann
‑
kendall检验是一种非参数检验方法，其优点是不要求样本遵从一定的分布，检验结果不受少数异常值的干扰，广泛应用于时间序列趋势变化分析。
[0102]
mk检验的原理为对于时间序列x，mk趋势检验统计量s如下：
[0103][0104]
其中，x
p
、x
q
分别为时间序列的第p、q个数据值；m为数据样本的长度；sign是符号函数，其定义如下：
[0105][0106]
衡量趋势大小的指标为：
[0107]
[0108]
式中，1＜q＜p＜m，β为倾斜度，在这里，正的β值表示“上升趋势”，负的β值表示“下降趋势”。
[0109]
本发明提供的复工状态识别方法的目的就是解决基于电力数据开展企业复工复产分析时基准电量受季节性影响大、难以科学界定停复工阈值、无法将新报装客户纳入分析、复工率曲线波动大等问题。本实施例虽然以春节为例，但是本发明提供的方案也可用于国庆、新冠疫情等重大节假日和社会事件的企业停复工分析。利用本发明的方法可以对不同地区、不同电价类别、不同行业类别用户开展多种维度统计分析，针对重点行业、医药行业、食品行业进行“画像”，动态监测、精准分析各地企业复工情况，为政府决策制定提供强有力数据支撑。
[0110]
实施例2：
[0111]
基于同一种发明构思，本发明还提供了一种企业停复工状态识别系统，如图6所示，包括：
[0112]
曲线生成模块，用于基于企业用电数据生成用电量曲线；
[0113]
用电趋势模块，用于基于所述用电量曲线，确定假期及假期前/后一段时间的用电趋势；
[0114]
确定模块，用于基于各企业在假期及假期前/后一段时间用电趋势确定所述企业是否存在停复工情况：
[0115]
本实施例中的各模块实现的功能同实施例1这里不再累述。
[0116]
显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0117]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0118]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0119]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0120]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一
个方框或多个方框中指定的功能的步骤。
[0121]
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。