電網(wǎng)企業(yè)財務(wù)健康診斷知識推理技術(shù)

萬齊鳴，王英軍，李有華

?

電網(wǎng)企業(yè)財務(wù)健康診斷知識推理技術(shù)

萬齊鳴1，王英軍1，李有華2

（1. 北京中電普華信息技術(shù)有限公司，北京 100192； 2. 國網(wǎng)能源研究院有限公司，北京 102209）

研究了電網(wǎng)企業(yè)財務(wù)健康診斷知識推理技術(shù)，將專家系統(tǒng)與神經(jīng)網(wǎng)絡(luò)相結(jié)合，采用專家系統(tǒng)框架，利用神經(jīng)網(wǎng)絡(luò)完成部分知識的存儲與表示，克服了傳統(tǒng)診斷方法的局限性，將領(lǐng)域?qū)＜业闹R與神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力有機融合在一起，實現(xiàn)對電網(wǎng)企業(yè)財務(wù)更健康、更準確的實時狀態(tài)檢測與智能診斷。

財務(wù)健康；檢測診斷；知識推理；專家系統(tǒng)；神經(jīng)網(wǎng)絡(luò)

1 引言

國家電網(wǎng)公司業(yè)務(wù)規(guī)模的擴大化、經(jīng)營地點的分散化、組織人員的多元化、信息溝通的復(fù)雜化等，導(dǎo)致企業(yè)決策難度增加。國家電網(wǎng)公司對決策支持所需數(shù)據(jù)的準確性和時效性都有非常強烈的需求，要求財務(wù)部門更加快速地為企業(yè)決策提供更充分、及時、準確的信息以及適當(dāng)?shù)臎Q策方法和決策建議，要求財務(wù)部門將更多的精力和資源投向戰(zhàn)略和業(yè)務(wù)支持。

電網(wǎng)企業(yè)財務(wù)健康診斷針對新形勢下的財務(wù)管理變革和業(yè)財一體化決策需求，基于財務(wù)數(shù)據(jù)集中的業(yè)務(wù)背景，應(yīng)用大數(shù)據(jù)和智能計算技術(shù)，以財務(wù)為視角，基于企業(yè)真實的業(yè)務(wù)財務(wù)數(shù)據(jù)流轉(zhuǎn)，對于企業(yè)財務(wù)健康狀態(tài)進行實時檢測、計算和診斷，為企業(yè)業(yè)務(wù)科學(xué)決策和企業(yè)健康運行提供支持。

電網(wǎng)企業(yè)財務(wù)健康診斷可以有效幫助企業(yè)管理層及時了解企業(yè)財務(wù)的質(zhì)量，有利于企業(yè)及其財務(wù)進行實時監(jiān)控，實時把握企業(yè)生產(chǎn)、經(jīng)營、管理現(xiàn)狀，及時發(fā)現(xiàn)問題并采取處置措施，從而實現(xiàn)企業(yè)財務(wù)的健康運行。

2 電網(wǎng)企業(yè)財務(wù)健康診斷模型

電網(wǎng)企業(yè)財務(wù)健康診斷基于企業(yè)當(dāng)前財務(wù)狀態(tài)，利用智能計算技術(shù)，實時計算當(dāng)前企業(yè)財務(wù)健康指數(shù)，對于異常指標進行對標分析和異常預(yù)警，利用知識推理技術(shù)，給出問題診斷及處置方案建議，并利用大數(shù)據(jù)分析挖掘技術(shù)，對于發(fā)現(xiàn)的問題進行問題成因分析，利用機器學(xué)習(xí)技術(shù)，對于診斷結(jié)果進行跟蹤驗證，并不斷進行模型優(yōu)化和知識庫進化，從而達到檢測診斷企業(yè)財務(wù)健康狀態(tài)、實現(xiàn)業(yè)務(wù)優(yōu)化提升的目的。

電網(wǎng)企業(yè)財務(wù)健康診斷模型如圖1所示。

3 電網(wǎng)企業(yè)財務(wù)健康診斷技術(shù)的比較與選擇

電網(wǎng)企業(yè)財務(wù)健康診斷可以參考和借鑒故障診斷技術(shù)。由于故障診斷原理不同，故障診斷方法也有不同?；诮馕瞿Ｐ秃突谛盘柼幚淼姆椒ǎ捎谥R表達能力的局限性，一般適用于故障監(jiān)測和簡單場合的故障診斷。而基于知識的方法，除了依賴數(shù)學(xué)模型以外，還具有較為豐富和靈活的知識表達能力以及問題求解能力，除進行離線診斷外，還可用于在線的故障診斷及故障處理。因此，采取基于知識的方法進行此項研究。

基于知識的方法主要包括灰色診斷方法、模糊診斷方法、神經(jīng)網(wǎng)絡(luò)診斷方法、專家系統(tǒng)診斷方法以及信息融合方法。其中，信息融合方法就是將多種方法融合在一起，包括專家系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的融合、模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的融合以及遺傳算法與神經(jīng)網(wǎng)絡(luò)的融合。

由于專家系統(tǒng)依賴于知識獲取，在現(xiàn)實中存在知識獲取困難、控制策略不靈活等缺點，難以保證實時診斷的實現(xiàn)。而人工神經(jīng)網(wǎng)絡(luò)采用神經(jīng)元及其之間的連接權(quán)重來隱含處理問題的知識，能夠處理復(fù)雜問題。此外，由于神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)能力，在故障診斷領(lǐng)域被廣泛地應(yīng)用。但神經(jīng)網(wǎng)絡(luò)診斷方法在訓(xùn)練樣本的獲取上存在一定的困難，此外，神經(jīng)網(wǎng)絡(luò)方法往往忽視了相關(guān)專家多年的經(jīng)驗積累，網(wǎng)絡(luò)權(quán)值的表達也不易理解。專家系統(tǒng)適合邏輯，神經(jīng)網(wǎng)絡(luò)長于思維，將它們進行有效的集成能起到優(yōu)勢互補的作用，使得建立的檢測診斷系統(tǒng)同時具有很強的學(xué)習(xí)能力、解釋能力和推理能力。

電網(wǎng)企業(yè)財務(wù)健康診斷模型將專家系統(tǒng)與神經(jīng)網(wǎng)絡(luò)相結(jié)合，利用專家系統(tǒng)作為框架，在其知識的存儲和表示上，將神經(jīng)網(wǎng)絡(luò)融入其中。在進行財務(wù)健康檢測診斷時，利用信息融合方法建立一個智能計算診斷系統(tǒng)，使神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)相輔相成。通過構(gòu)建智能計算診斷知識庫、神經(jīng)網(wǎng)絡(luò)知識學(xué)習(xí)以及專家系統(tǒng)推理，完成對企業(yè)財務(wù)健康狀態(tài)的檢測與診斷。

4 基于專家系統(tǒng)與知識推理的財務(wù)健康診斷

專家系統(tǒng)是一個具有大量專門知識與經(jīng)驗的程序系統(tǒng)，它應(yīng)用人工智能和計算機技術(shù)，根據(jù)某領(lǐng)域一個或多個專家提供的知識和經(jīng)驗進行推理和判斷，模擬人類專家的決策過程，以便解決那些需要人類專家處理的復(fù)雜問題。專家系統(tǒng)通常由人機交互界面、知識庫、推理機、解釋器、綜合數(shù)據(jù)庫、知識獲取6個部分構(gòu)成。以下重點從知識庫構(gòu)建、知識表示、知識推理機闡述電網(wǎng)企業(yè)財務(wù)健康診斷的知識推理機制。

4.1 知識庫的構(gòu)建

由于電網(wǎng)企業(yè)財務(wù)健康狀態(tài)的多樣性和異常狀態(tài)表示的差異性，專家系統(tǒng)的知識庫采用多層級模式，分類建立數(shù)據(jù)庫、事實庫、規(guī)則庫。數(shù)據(jù)庫用于存儲電網(wǎng)企業(yè)財務(wù)狀態(tài)，包括歷史數(shù)據(jù)和當(dāng)前狀態(tài)數(shù)據(jù)；事實庫存儲專家知識與專家經(jīng)驗；規(guī)則庫包括診斷規(guī)則庫和元知識規(guī)則庫。診斷規(guī)則庫又包括用于異常狀態(tài)診斷的知識、用于異常狀態(tài)原因分析的知識和用于消除異常狀態(tài)的處置措施的知識。

專家系統(tǒng)知識庫構(gòu)建的層級模型如圖2所示。

圖2 專家系統(tǒng)知識庫層級模型

4.2 知識的表示

專家系統(tǒng)的知識表示主要采用謂詞結(jié)構(gòu)、產(chǎn)生式規(guī)則兩種表達方式，根據(jù)知識的特點輔以框架表示方法。由于專家的經(jīng)驗知識主觀因素較大，因此以其為依據(jù)產(chǎn)生的規(guī)則并非完全可信。為了得到更加客觀的結(jié)果，可在產(chǎn)生式規(guī)則中增加可信度因子。

（1）財務(wù)健康狀態(tài)指標數(shù)據(jù)用謂詞邏輯表示

在謂詞邏輯中，事實由一個關(guān)系和一些有關(guān)系的個體組成。用(1,2,…,x)表示元謂詞計算式，其中，為元謂詞，(1,2,…,x)為客體變量或變元。

假設(shè)有命題：企業(yè)財務(wù)狀況=average（一般），要求短期償債能力=good（好）且長期償債能力=average且經(jīng)營能力=good且獲利能力= average。

用()表示“企業(yè)財務(wù)狀況=average”，()表示“短期償債能力=good”，()表示“長期償債能力=average”，()表示“經(jīng)營能力=good”，()表示“獲利能力=average”。上述命題用謂詞計算式可以表示為：

（）(())→(()∧()∧()∧()) （1）

（2）檢測型的知識采用產(chǎn)生式規(guī)則表示

基于規(guī)則的產(chǎn)生式系統(tǒng)是一種很適合于表達因果關(guān)系的表示模式，是目前專家系統(tǒng)中最為普遍的一種表達方法。產(chǎn)生式的規(guī)則：其“if-then”結(jié)構(gòu)接近人類思維和會話的自然形式，易于人們在特定情況下的行為知識的表達和編碼。企業(yè)財務(wù)健康檢測診斷的檢測型知識可以采用產(chǎn)生式規(guī)則表示。實際情況中，如果企業(yè)狀態(tài)檢測知識比較模糊，可增加可信度因子CF表征這些事實的經(jīng)驗可信度值。

在產(chǎn)生式系統(tǒng)中，論域的知識分為兩種：一是事實知識，另外一種是用產(chǎn)生式規(guī)則表示的推理性知識。產(chǎn)生式規(guī)則是一個“如果滿足某條件，就采取某些操作”的語句。即：

if 條件/條件組

then 結(jié)果。

假設(shè)“短期償債能力=unsatisfactory（差）”的原因集合：

短期償債能力差={（流動比率=unsatisfactory，0.5），（存貨周轉(zhuǎn)率=acceptable（尚可），0.2），（應(yīng)收賬款周轉(zhuǎn)率=unsatisfactory，0.3）}。

可以用產(chǎn)生式規(guī)則表示為：

if（流動比率=unsatisfactory，0.5）and（存貨周轉(zhuǎn)率=acceptable，0.2）and（應(yīng)收賬款周轉(zhuǎn)率=unsatisfactory，0.3）

then 短期償債能力=unsatisfactory。

本試驗采用鋁合金7050-T7451板材，工件為30 mm(高度H)×100 mm(長度L)×10 mm(厚度h)，銑刀對工件側(cè)壁進行銑削，見圖6。

4.3 知識推理機

專家系統(tǒng)的知識推理過程是通過推理機完成的，推理機就是智能系統(tǒng)中用來實現(xiàn)推理的程序，是知識系統(tǒng)的主要部分。推理機的基本任務(wù)就是在一定控制策略指導(dǎo)下，搜索知識庫中可用的知識，與數(shù)據(jù)庫匹配，產(chǎn)生或論證新的事實。搜索和匹配是推理機的兩大基本任務(wù)。

專家系統(tǒng)的知識推理包括兩個基本問題：一是推理方法，二是推理的控制策略。推理方法研究的是前提與結(jié)論之間的種種邏輯關(guān)系及其信度傳遞規(guī)律等，控制策略是推理機的核心部分，它的主要任務(wù)是解決知識的選擇與應(yīng)用的順序，也就是確定搜索方式和搜索方法，目的是限制和縮小搜索的空間，使原來的指數(shù)型困難問題在多項式時間內(nèi)求解。從問題求解角度來看，控制策略亦稱為求解策略，它包括推理策略和搜索策略兩大類。

作為專家系統(tǒng)的組織控制機構(gòu)，推理機能通過運用由用戶提供的初始數(shù)據(jù)，從知識庫中選取相關(guān)的知識，并按照一定的推理策略進行推理，直到得出相應(yīng)的結(jié)論。在設(shè)計推理機時應(yīng)考慮推理方法、推理方向和搜索策略。

（1）推理方法

在現(xiàn)實中，事物的特征并不總是表現(xiàn)出明顯的是與非，同時還可能存在著其他原因，如概念模糊、知識本身存在著可信度問題等。專家系統(tǒng)的問題求解不像經(jīng)典數(shù)學(xué)、物理等學(xué)科那樣具有嚴密性和精確性，領(lǐng)域?qū)＜业闹R和人們要處理的信息往往是不確定的。因此為了把這些不確定的知識表示在專家系統(tǒng)中，并且能用這些形式化、不確定的知識進行判斷、推理和決策，在專家系統(tǒng)中往往要使用不精確推理方法。

在不精確推理模型中，財務(wù)健康檢測診斷使用模糊推理，其理論基礎(chǔ)是模糊集理論以及在此基礎(chǔ)上發(fā)展起來的模糊邏輯。

（2）推理方向

推理方向有3種：正向推理、反向推理、正反向混合推理。

如果說正向推理是自下而上的方式，那么反向推理與之相反。反向推理是以自上而下的方式，以反向驗證的方式進行推理。反向推理從目標出發(fā)，沿著推理路徑追溯到事實。與正向推理相比，反向推理具有很強的目的性。

正反向混合推理是指先根據(jù)給定的不充分的原始數(shù)據(jù)或證據(jù)向前推理，得出可能成立的診斷結(jié)論，然后，以這些結(jié)論為假設(shè)，進行反向推理，尋找支持這些假設(shè)的事實或證據(jù)。

企業(yè)財務(wù)健康檢測診斷平臺在檢測到數(shù)據(jù)異常狀態(tài)時，先采取正向推理的方法根據(jù)目前異常狀態(tài)（現(xiàn)象）初步推理出可能的原因，然后通過反向驗證（反向推理）進一步求證目標，排除多個原因中的一部分內(nèi)容，然后再進行正向推理。采用正、反向推理相結(jié)合的混合方式，既可以避免正向推理的盲目性，也可避免反向推理中初始目標選擇的盲目性，是一種有益的互補方式。

（3）搜索策略

知識推理機的搜索策略中，寬度優(yōu)先搜索、深度優(yōu)先搜索兩種算法的應(yīng)用非常廣泛。

寬度優(yōu)先搜索方法按照一層一層的步驟搜索，即首先搜索與起始節(jié)點直接相連的下一層節(jié)點，再搜索所有與下層節(jié)點直接相連的更下層節(jié)點，依次類推。

與寬度優(yōu)先搜索的機制不同，在深度優(yōu)先搜索中，深度越大的節(jié)點越先得到擴展。深度優(yōu)先搜索方法主要存在兩個缺點：有可能出現(xiàn)無窮遞歸的情況，從而搜索不到需要的解；即使搜索到也可能不是最短路徑。

對于電網(wǎng)企業(yè)財務(wù)健康檢測知識推理，在知識庫的規(guī)則查找路徑方式上，正向推理可采取深度優(yōu)先搜索策略，以找到問題原因，而反向推理可采用寬度優(yōu)先策略。

4.4 實證研究

假設(shè)電網(wǎng)企業(yè)財務(wù)健康所有要檢測的對象可能發(fā)生的狀態(tài)組成的空間為，檢測過程中可測量數(shù)據(jù)的參數(shù)特征組成的空間為，某個狀態(tài)與其對應(yīng)的特征之間的關(guān)系用映射表示，：→。反之，某一特征也對應(yīng)于企業(yè)財務(wù)健康的確定狀態(tài)，即存在映射，：→。電網(wǎng)企業(yè)財務(wù)健康診斷的目的是根據(jù)測量到的特征向量判斷當(dāng)前企業(yè)財務(wù)所處的狀態(tài)，即映射。

假設(shè)與參數(shù)有關(guān)的企業(yè)財務(wù)健康可能發(fā)生狀態(tài)是有限的，為，正常的狀態(tài)為0，財務(wù)指標有個，則狀態(tài)空間可以表示為={0,s1,…,s}。企業(yè)財務(wù)健康狀態(tài)s對應(yīng)的參數(shù)特征值為Q={[i,1],[i,2],…，[i,m]}。企業(yè)財務(wù)健康狀態(tài)的檢測通常是由實時數(shù)據(jù)、歷史數(shù)據(jù)聯(lián)合進行判斷完成，因此特征參數(shù)的取值大多數(shù)情況下為集合{Q}。

當(dāng)企業(yè)財務(wù)狀態(tài)檢測不健康時，首先依據(jù)當(dāng)前的異常狀態(tài)利用專家系統(tǒng)進行正向推理，得到問題發(fā)生的可能原因，再利用反向推理的方法進行驗證，排除一部分可能的原因后，再進行正向推理。通過正向推理和反向推理二者結(jié)合的方法，避免了兩種推理過程中的盲目性，得到最佳推理診斷結(jié)果。

電網(wǎng)企業(yè)財務(wù)健康狀態(tài)的檢測診斷，實際上就是根據(jù)得到的個特征參數(shù)對狀態(tài)進行分類，或稱為對狀態(tài)進行模式識別。這個過程包括3個步驟：檢測企業(yè)財務(wù)監(jiān)控指標狀態(tài)值；異常特征或征兆提?。挥僧惓Ｌ卣骷捌渌R確定企業(yè)財務(wù)健康的狀態(tài)，完成異常診斷和預(yù)警。其原理如圖3所示。

圖3 異常狀態(tài)監(jiān)測診斷預(yù)警原理

5 基于神經(jīng)網(wǎng)絡(luò)與知識學(xué)習(xí)的模型優(yōu)化

在電網(wǎng)企業(yè)財務(wù)健康診斷模型中，核心知識推理機用到的診斷規(guī)則庫可以考慮通過BP（back propagation）神經(jīng)網(wǎng)絡(luò)進行知識的存儲與知識表示。

由于企業(yè)財務(wù)健康異常狀態(tài)的多樣性、復(fù)雜性，包括異常狀態(tài)特征、異常狀態(tài)成因、異常狀態(tài)處置措施等相關(guān)的信息，依據(jù)異常狀態(tài)層級、異常狀態(tài)類別劃分，可以建立多個神經(jīng)網(wǎng)絡(luò)。

以圖4中的典型異常狀態(tài)與特征征兆之間的知識圖為例，說明1個子神經(jīng)網(wǎng)絡(luò)的建立過程。假設(shè)成本費用異常模塊包括購電成本異常、科技研發(fā)成本異常、基建維修成本異常3個子網(wǎng)絡(luò)。購電成本異常子網(wǎng)絡(luò)包括4個輸入神經(jīng)元（火電、風(fēng)電、水電、太陽能發(fā)電），1個輸出神經(jīng)元，由于輸入、輸出層神經(jīng)元較少，可以采用三層神經(jīng)網(wǎng)絡(luò)，隱含層神經(jīng)元可以取為3個，其拓撲結(jié)構(gòu)如圖4所示。

神經(jīng)網(wǎng)絡(luò)不僅可以用于知識存儲與知識表示，其結(jié)構(gòu)特征也可作為知識推理機的推理規(guī)則，進行異常檢測、診斷，并給出處置建議。

神經(jīng)網(wǎng)絡(luò)同時還具有自學(xué)習(xí)能力，可以對于模型進行優(yōu)化提升。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)屬于Delta算法，是一種有監(jiān)督的學(xué)習(xí)算法，根據(jù)網(wǎng)絡(luò)的實際輸出與期望輸出之間的差別調(diào)整各個連接權(quán)值，直至誤差在可接受的取值范圍之內(nèi)。其學(xué)習(xí)算法可以采用改進的最小梯度法，改善標準學(xué)習(xí)算法中局部極小、收斂速度慢的缺點。神經(jīng)網(wǎng)絡(luò)算法要求激活函數(shù)處處可導(dǎo)，另外學(xué)習(xí)速率根據(jù)誤差函數(shù)序列的增益情況進行適應(yīng)性調(diào)整，減少迭代次數(shù)、避免震蕩甚至發(fā)散情況的發(fā)生。

通過神經(jīng)網(wǎng)絡(luò)與機器學(xué)習(xí)，結(jié)合財務(wù)健康實際的檢測、診斷、處置、效果跟蹤的實際數(shù)據(jù)作為樣本，可以不斷完善知識庫的知識表示與知識推理規(guī)則，使其更接近于企業(yè)實際的應(yīng)用場景，從而使得檢測診斷結(jié)果更為準確，處置建議更為恰當(dāng)，可以更好地發(fā)揮企業(yè)財務(wù)健康診斷的應(yīng)用效果。

6 結(jié)束語

電網(wǎng)企業(yè)財務(wù)健康診斷基于企業(yè)當(dāng)前生產(chǎn)、經(jīng)營、管理狀態(tài)，利用智能計算技術(shù)，實時計算當(dāng)前企業(yè)財務(wù)健康指數(shù)，利用知識推理技術(shù)，給出診斷解決方案，從而達到監(jiān)控企業(yè)財務(wù)健康狀態(tài)、實現(xiàn)規(guī)避企業(yè)財務(wù)風(fēng)險的目的。

電網(wǎng)企業(yè)財務(wù)健康診斷理論研究成果目前正由北京中電普華信息技術(shù)有限公司進行成果轉(zhuǎn)化，設(shè)計和開發(fā)電網(wǎng)企業(yè)財務(wù)健康檢測診斷系統(tǒng)，并結(jié)合國網(wǎng)信息通信產(chǎn)業(yè)集團公司實際案例，構(gòu)建企業(yè)財務(wù)健康監(jiān)控指標體系，設(shè)計財務(wù)健康指數(shù)，進行數(shù)據(jù)采集和數(shù)據(jù)清洗、模型構(gòu)建，以滿足企業(yè)財務(wù)健康檢測診斷的應(yīng)用需求。實際應(yīng)用效果由于系統(tǒng)正在建設(shè)中，尚有待驗證。

本文研究電網(wǎng)企業(yè)財務(wù)健康診斷知識推理技術(shù)，將專家系統(tǒng)與神經(jīng)網(wǎng)絡(luò)相結(jié)合，采用專家系統(tǒng)框架，利用神經(jīng)網(wǎng)絡(luò)完成部分知識的存儲與表示，克服了傳統(tǒng)檢測診斷方法的局限性，將領(lǐng)域?qū)＜抑R與神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力有機融合在一起，實現(xiàn)對電網(wǎng)企業(yè)財務(wù)更健康、更準確的實時狀態(tài)檢測與智能診斷。

[1] 梁爛英. 企業(yè)財務(wù)健康評價指標體系研究-來自信息技術(shù)類上市公司的實證分析[D]. 杭州: 浙江大學(xué), 2011.

LIANG L Y. Research on index system of corporate financial health evaluation-empirical analysis from information technology listed companies[D]. Hangzhou: Zhejiang University, 2011.

[2] 曹旭, 曹瑞彤. 基于大數(shù)據(jù)分析的網(wǎng)絡(luò)異常檢測方法[J]. 電信科學(xué), 2014, 30(6): 152-156.

CAO X, CAO R T. Network anomaly prediction method based on big data [J]. Telecommunications Science, 2014, 30(6): 152-156.

[3] 楊慕涵. 電力行業(yè)上市公司財務(wù)預(yù)警研究[D]. 西安: 西安工業(yè)大學(xué), 2013.

YANG M H. Research on financial early-warning of listed companies in electric power industry[D]. Xi’an: Xi’an Technological University, 2013.

[4] 李傳煌, 孫正君, 袁小雍, 等. 基于深度學(xué)習(xí)的實時DDoS攻擊檢測[J]. 電信科學(xué), 2017, 33(7): 53-65.

LI C H, SUN Z J, YUAN X Y, et al. Real-time DDoS attack detection based on deep learning[J]. Telecommunications Science, 2017, 33(7): 53-65.

[5] 任慶霜, 司景萍. 基于神經(jīng)網(wǎng)絡(luò)的汽車電噴發(fā)動機故障診斷[J]. 內(nèi)燃機與配件, 2010(4): 33-35.

REN Q S, SI J P. Fault diagnosis of automotive EFI engine based on neural network[J]. Internal Combustion Engine & Parts, 2010(4): 33-35.

[6] 姜紅紅, 張濤, 趙新建, 等. 基于大數(shù)據(jù)的電力信息網(wǎng)絡(luò)流量異常檢測機制[J]. 電信科學(xué), 2017, 33(3): 134-141.

JIANG H H, ZHANG T, ZHAO X J, et al. A big data based flow anomaly detection mechanism of electric power information network[J]. Telecommunications Science, 2017, 33(3): 134-141.

[7] 李長河, 曹廣傳.一種通用型模糊環(huán)境智能故障診斷系統(tǒng)的實現(xiàn)[J]. 西安理工大學(xué)學(xué)報, 2006, 22(3): 323-326.

LI C H, CAO G C. Implementation of a general fault diagnosis system based on fuzzy ambient intelligence[J]. Journal of Xi’an University of Technology, 2006, 22(3): 323-326.

[8] 張國偉, 徐宏, 毛紅奎. 鋁鑄件缺陷專家系統(tǒng)知識推理策略研究[J]. 鑄造技術(shù), 2011, 32(12): 1690-1693.

ZHANG G W, XU H, MAO H K. Study on expert system inference analysis control strategy of casting defects in aluminum castings[J]. Foundry Technology, 2011, 32(12): 1690-1693.

[9] 章偉聰. 基于神經(jīng)網(wǎng)絡(luò)的汽油發(fā)動機的故障診斷專家系統(tǒng)初探[J]. 浙江萬里學(xué)院學(xué)報, 2005, 18(2): 27-31.

ZHANG W C. Fault diagnosis expert system of auto engines based on artificial neural networks and expert system [J]. Journal of Zhejiang Wanli University, 2005, 18(2): 27-31.

Knowledge inference techniques for financial health diagnosis of power grid enterprises

WAN Qiming1,WANG Yingjun1,LI Youhua2

1. Beijing China-Power Information Technology Co., Ltd., Beijing 100192, China 2. State Grid Energy Research Institute Co., Ltd., Beijing 102209, China

The knowledge inference techniques for financial health diagnosis of power grid enterprises was studied. Combining experts system with neural network, expert system framework was used, finishing storage and representation of partial knowledge with neural network, thus overcoming the limitations of traditional diagnosis methods, organically integrating experts’ knowledge in the field with self-learning abilities of neutral network. More accurate real-time status detection and intelligent diagnosis for financial health of power grid enterprise were realized.

financial health, detection and diagnosis, knowledge inference, expert system, neural network

TP391.5

A

10.11959/j.issn.1000?0801.2018148

萬齊鳴（1971?），男，北京中電普華信息技術(shù)有限公司發(fā)展研究中心高級技術(shù)專家，主要研究方向為大數(shù)據(jù)、智能計算、知識管理、搜索引擎。

王英軍（1974?），男，北京中電普華信息技術(shù)有限公司發(fā)展研究中心主任、工程師，主要研究方向為企業(yè)信息化咨詢、財務(wù)信息化、項目管理。

李有華（1974?），男，國網(wǎng)能源研究院有限公司財務(wù)與審計研究室主任、高級審計師，主要研究方向為財務(wù)與審計。

2018?01?23；

2018?04?10

國家公司科技基金資助項目“電網(wǎng)集團公司管理會計關(guān)鍵技術(shù)及財務(wù)健康狀態(tài)檢測診斷研究”（No.5202011600U9）

National Company Science and Technology “Research on Key Technologies and Financial Health Status Detection and Diagnosis of the Management Accounting of Power Grid Group Corporation” (No.5202011600U9)