一种电网企业财务健康诊断方法与流程

本发明涉及电网财务管理技术领域，具体涉及一种电网企业财务健康诊断方法。

背景技术：

国家电网公司业务规模的扩大化、经营地点的分散化、组织人员的多元化、信息沟通的复杂化等，导致企业决策难度增加。国家电网公司对决策支持所需数据的准确性和时效性都有非常强烈的需求，要求财务部门更加快速地为企业决策提供更充分、及时、准确的信息以及适当的决策方法和决策建议，要求财务部门将更多的精力和资源投向战略和业务支持。

电网企业财务健康诊断可以有效帮助企业管理层及时了解企业财务的质量，有利于企业及其财务进行实时监控，实时把握企业生产、经营、管理现状，及时发现问题并采取处置措施，从而实现企业财务的健康运行。

目前，电网企业财务健康诊断可以参考和借鉴故障诊断技术。

由于故障诊断原理不同，故障诊断方法也有不同。基于解析模型和基于信号处理的方法，由于知识表达能力的局限性，一般适用于故障监测和简单场合的故障诊断。而基于知识的方法，除了依赖数学模型以外，还具有较为丰富和灵活的知识表达能力以及问题求解能力，除进行离线诊断外，还可用于在线的故障诊断及故障处理。

基于知识的方法主要包括灰色诊断方法、模糊诊断方法、神经网络诊断方法、专家系统诊断方法以及信息融合方法。

其中，由于专家系统依赖于知识获取，在现实中存在知识获取困难、控制策略不灵活等缺点，难以保证实时诊断的实现。而人工神经网络采用神经元及其之间的连接权重来隐含处理问题的知识，能够处理复杂问题，但神经网络诊断方法在训练样本的获取上存在一定的困难，此外，神经网络方法往往忽视了相关专家多年的经验积累，网络权值的表达也不易理解。

因此，亟需提供一种解决上述问题的电网企业财务健康诊断方法。

技术实现要素：

本发明的目的是提供一种电网企业财务健康诊断方法，将适合逻辑的专家系统与长于思维的神经网络进行有效的集成能起到优势互补的作用，使得建立的检测诊断系统同时具有很强的学习能力、解释能力和推理能力。

为了实现上述目的，本发明采取的技术方案如下：

一种电网企业财务健康诊断方法，基于企业当前财务状态，利用智能计算技术建立专家系统与神经网络相结合的电网企业财务健康诊断模型，利用专家系统作为框架，在其知识的存储和表示上，将神经网络融入其中；在进行财务健康检测诊断时，利用信息融合方法建立一个智能计算诊断系统，使神经网络与专家系统相辅相成；通过构建智能计算诊断知识库、神经网络知识学习以及专家系统推理，对企业财务健康状态的检测与诊断，并通过数据云台将诊断结论传输至上级电网数据中心进行存储。

作为本发明的进一步改进，所述专家系统具有专门知识与经验的程序系统，应用人工智能和计算机技术，根据领域内一个以上专家提供的知识和经验进行推理和判断，模拟人类专家的决策过程；

电网企业财务健康诊断模型基于专家系统进行知识推理机制，知识推理机制包括知识库构建、知识表示和知识推理机。

作为本发明的进一步改进，所述知识库构建方法如下：专家系统的知识库采用多层级模式，分类建立数据库、事实库、规则库；数据库用于存储电网企业财务状态，包括历史数据和当前状态数据；事实库存储专家知识与专家经验；规则库包括诊断规则库和元知识规则库，诊断规则库包括用于异常状态诊断的知识、用于异常状态原因分析的知识和用于消除异常状态的处置措施的知识。作为本发明的进一步改进，所述知识表示采用谓词结构、产生式规则两种表达方式，根据知识的特点辅以框架表示方法，其过程如下：

财务健康状态指标数据用谓词逻辑表示，在谓词逻辑中，事实由一个关系和多个有关系的个体组成，用p(xl,x2，...)表示n元谓词计算式，其中，p为n元谓词，12，...)为客体变量或变元，谓词计算式表示为：

(x)(i(x))→(l(x)∧h(x)∧p(x)∧q(x))(1)

其中，i(x)表示企业财务状况，l(x)表示短期偿债能，h(x)表示长期偿债能，p(x)表示经营能力，q(x)表示获利能力；

检测型的知识采用产生式规则表示，基于规则的产生式系统是一种适合于表达因果关系的表示模式，产生式的规则：其igthen结构接近人类思维和会话的自然形式，企业财务健康检测诊断的检测型知识采用产生式规则表示。

作为本发明的进一步改进，所述知识推理机是智能系统中用来实现推理的程序，专家系统的知识推理过程是通过知识推理机完成的；知识推理机通过运用由用户提供的初始数据，从知识库中选取相关的知识，并按照一定的推理策略进行推理，直到得出相应的结论。

作为本发明的进一步改进，所述知识推理机采用不精确推理方法构建不精确推理模型，财务健康检测诊断使用模糊推理，其理论基础是模糊集理论以及在此基础上发展起来的模糊逻辑。

作为本发明的进一步改进，所述知识推理机的推理方向有3种：正向推理、反向推理以及正反向混合推理；企业财务健康检测诊断平台采用采用正、反向推理相结合的混合方式，在检测到数据异常状态时，先采取正向推理的方法根据目前异常状态初步推理出可能的原因，然后通过反向推理进一步求证目标，排除多个原因中的一部分内容，然后再进行正向推理。

作为本发明的进一步改进，所述知识推理机的搜索策略采用宽度优先搜索和深度优先搜索两种算法，电网企业财务健康检测知识推理，在知识库的规则查找路径方式上，正向推理采取深度优先搜索策略，以找到问题原因，而反向推理采用宽度优先策略。

作为本发明的进一步改进，所述知识推理机采用的诊断规则库通过bp神经网络进行知识的存储与知识表示。

作为本发明的进一步改进，bp神经网络以及异常状态层级和异常状态类别划分建立多个神经网络，神经网络的学习采用具有监督的delta算法，根据网络的实际输出与期望输出之间的差别调整各个连接权值。

与现有技术相比，本发明所取得的有益效果如下：

本发明将专家系统与神经网络相结合，利用专家系统作为框架，在其知识的存储和表示上，将神经网络融入其中。在进行财务健康检测诊断时，利用信息融合方法建立一个智能计算诊断系统，使神经网络与专家系统相辅相成。通过构建智能计算诊断知识库、神经网络知识学习以及专家系统推理，完成对企业财务健康状态的检测与诊断。

附图说明

附图1是电网企业财务健康诊断模型；

附图2是专家系统知识库层级模型；

附图3是异常状态检测诊断预警原理图；

附图4是神经网络拓扑结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。

因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

在本申请的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。

如图1所示，一种电网企业财务健康诊断方法，基于企业当前财务状态，利用智能计算技术建立专家系统与神经网络相结合的电网企业财务健康诊断模型，利用专家系统作为框架，在其知识的存储和表示上，将神经网络融入其中；在进行财务健康检测诊断时，利用信息融合方法建立一个智能计算诊断系统，使神经网络与专家系统相辅相成；通过构建智能计算诊断知识库、神经网络知识学习以及专家系统推理，对企业财务健康状态的检测与诊断，并通过数据云台将诊断结论传输至上级电网数据中心进行存储。

利用智能计算技术，实时计算当前企业财务健康指数，对于异常指标进行对标分析和异常预警，利用知识推理技术，给出问题诊断及处置方案建议，并利用大数据分析挖掘技术，对于发现的问题进行问题成因分析，利用机器学习技术，对于诊断结果进行跟踪验证，并不断进行模型优化和知识库进化，从而达到检测诊断企业财务健康状态、实现业务优化提升的目的。

作为本发明的进一步改进，所述专家系统具有专门知识与经验的程序系统，应用人工智能和计算机技术，根据领域内一个以上专家提供的知识和经验进行推理和判断，模拟人类专家的决策过程；

电网企业财务健康诊断模型基于专家系统进行知识推理机制，知识推理机制包括知识库构建、知识表示和知识推理机。

如图2所示，所述知识库构建方法如下：由于电网企业财务健康状态的多样性和异常状态表示的差异性，专家系统的知识库采用多层级模式，分类建立数据库、事实库、规则库；数据库用于存储电网企业财务状态，包括历史数据和当前状态数据；事实库存储专家知识与专家经验；规则库包括诊断规则库和元知识规则库，诊断规则库包括用于异常状态诊断的知识、用于异常状态原因分析的知识和用于消除异常状态的处置措施的知识。

作为本发明的进一步改进，所述知识表示采用谓词结构、产生式规则两种表达方式，根据知识的特点辅以框架表示方法，其过程如下：

财务健康状态指标数据用谓词逻辑表示，在谓词逻辑中，事实由一个关系和多个有关系的个体组成，用p(xl,x2，...)表示n元谓词计算式，其中，p为n元谓词，12，...)为客体变量或变元，谓词计算式表示为：

(x)(i(x))→(l(x)∧h(x)∧p(x)∧q(x))(1)

其中，i(x)表示企业财务状况，l(x)表示短期偿债能，h(x)表示长期偿债能，p(x)表示经营能力，q(x)表示获利能力；

检测型的知识采用产生式规则表示，基于规则的产生式系统是一种适合于表达因果关系的表示模式，产生式的规则：其igthen结构接近人类思维和会话的自然形式，企业财务健康检测诊断的检测型知识采用产生式规则表示，实际情况中，如果企业状态检测知识比较模糊，可增加可信度因子cf表征这些事实的经验可信度值。

作为本发明的进一步改进，所述知识推理机是智能系统中用来实现推理的程序，专家系统的知识推理过程是通过知识推理机完成的；知识推理机通过运用由用户提供的初始数据，从知识库中选取相关的知识，并按照一定的推理策略进行推理，直到得出相应的结论。

作为本发明的进一步改进，所述知识推理机采用不精确推理方法构建不精确推理模型，财务健康检测诊断使用模糊推理，其理论基础是模糊集理论以及在此基础上发展起来的模糊逻辑。

作为本发明的进一步改进，所述知识推理机的推理方向有3种：正向推理、反向推理以及正反向混合推理；企业财务健康检测诊断平台采用采用正、反向推理相结合的混合方式，在检测到数据异常状态时，先采取正向推理的方法根据目前异常状态初步推理出可能的原因，然后通过反向推理进一步求证目标，排除多个原因中的一部分内容，然后再进行正向推理。

作为本发明的进一步改进，所述知识推理机的搜索策略采用宽度优先搜索和深度优先搜索两种算法，电网企业财务健康检测知识推理，在知识库的规则查找路径方式上，正向推理采取深度优先搜索策略，以找到问题原因，而反向推理采用宽度优先策略。

如图3所示，

假设电网企业财务健康所有要检测的对象可能发生的状态组成的空间为s，检测过程中可测量数据的参数特征组成的空问为q，某个状态s与其对应的特征q之间的关系用映射g表示，g：s→q。反之，某一特征q也对应于企业财务健康的确定状态s，即存在映射f，f：q→s。电网企业财务健康诊断的目的是根据测量到的特征向量判断当前企业财务所处的状态，即映射f。

作为本发明的进一步改进，所述知识推理机采用的诊断规则库通过bp神经网络进行知识的存储与知识表示。

作为本发明的进一步改进，bp神经网络以及异常状态层级和异常状态类别划分建立多个神经网络，神经网络的学习采用具有监督的delta算法，根据网络的实际输出与期望输出之间的差别调整各个连接权值。

假设成本费用异常模块包括购电成本异常、科技研发成本异常、基建维修成本异常3个子网络，购电成本异常包括火电、风电、水电和太阳能发电4个输入神经元，1个输出神经元，由于输入、输出神经元较少，可以采用三层神经网络，隐含层神经元可以取为3个，其拓扑结构如图4所示。

本发明将专家系统与神经网络相结合，采用专家系统框架，利用神经网络完成部分知识的储存与表示，并通过数据云台将诊断数据及结论完整的传输至上级电网数据中心进行存储，克服了传统单一方式检测诊断的局限性，实现对电网企业财务健康准确的实时状态的检测和智能诊断。

以上所述实例表达了本发明的优选实施例，描述内容较为详细和具体，但并不仅仅局限于本发明；特别指出的是，对于本领域的研究人员或技术人员来讲，在不脱离本发明的结构之内，系统内部的局部改进和子系统之间的改动、变换等，均属于本发明的保护范围之内。