本發(fā)明涉及財務管理，更具體地說，本發(fā)明涉及一種用于風力發(fā)電站的并購財務風險分析方法。

背景技術：

1、風力發(fā)電站是利用風能轉化為電能的設施，風力發(fā)電站通過一系列風力發(fā)電機組，將風的動能轉換為電能，使得電能能夠并入電網(wǎng)提供給用戶端進行使用，當對風力發(fā)電站進行并購時，需要綜合考慮風力發(fā)電站的運行情況和財務情況，從而為后續(xù)風力發(fā)電站的并購財務風險分析提供依據(jù)，并準確的分析出并購可能面臨的財務風險。

2、參考公開號為cn111798297a的專利申請公開了一種財務風險預警分析的方法與裝置，其不需要人工的分析和干預，能夠自動化的采用大數(shù)據(jù)對單個企業(yè)的財務風險進行分析，提升了財務風險預警的精確度與可理解程度，能夠自動化地針對企業(yè)的財務風險進行多維度的交叉分析，利用財務指標之間的聯(lián)動邏輯，發(fā)現(xiàn)企業(yè)財務發(fā)展過程中的風險異常，并構建多維度的風險預警指標體系，構建自動化財務風險交叉分析的規(guī)則，對財務風險進行自動預警；

3、現(xiàn)有的并購財務風險分析時，采用將并購前所有運行數(shù)據(jù)和財務數(shù)據(jù)統(tǒng)一采集和分析的方式，并根據(jù)分析出的多個不同類型的結果，對并購財務風險進行整體評估，雖然能夠達到并購財務風險的評估分析效果，但是需要采集大量不同類型的原始數(shù)據(jù)并逐一分析，使得數(shù)據(jù)在財務風險分析時不具有層次性，既導致了財務風險分析的工作量大幅增加，容易出現(xiàn)分析結果不準的現(xiàn)象，同時也無法對明顯存在的財務風險進行提前識別，進而降低了并購財務風險的分析效率和準確性。

4、鑒于此，本發(fā)明提出一種用于風力發(fā)電站的并購財務風險分析方法以解決上述問題。

技術實現(xiàn)思路

1、為了克服現(xiàn)有技術的上述缺陷，為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：一種用于風力發(fā)電站的并購財務風險分析方法，包括：

2、s1：獲取風力發(fā)電站的基礎運行數(shù)據(jù)，從基礎運行數(shù)據(jù)中提取出運行特征，運行特征包括有效運行時長和單位發(fā)電量，并將運行特征組合成運行事件；

3、s2：基于狀態(tài)識別準則，對運行事件進行狀態(tài)識別，識別出運行事件的事件狀態(tài)，事件狀態(tài)包括有效事件和無效事件，并判定是否滿足并購基礎條件；

4、s3：若滿足并購基礎條件，設定風力發(fā)電站的財務風險時段，獲取風力發(fā)電站在財務風險時段內的綜合財務數(shù)據(jù)，綜合財務數(shù)據(jù)包括資產營負差、有效發(fā)電率、成交爬升率和投資回報率；

5、s4：將綜合財務數(shù)據(jù)輸入到提前訓練好的財務風險預測模型中，預測出風力發(fā)電站的財務狀態(tài)值，并判定是否發(fā)出財務風險預警提示；

6、s5：若發(fā)出財務風險預警提示，從綜合財務數(shù)據(jù)中識別出風險參數(shù)，并根據(jù)風險參數(shù)的數(shù)量，制定出財務風險等級。

7、進一步的，有效運行時長和單位發(fā)電量的提取方法包括：

8、通過數(shù)據(jù)庫查詢出風力發(fā)電站所有的原始數(shù)據(jù)，并逐一識別出原始數(shù)據(jù)的狀態(tài)類型，將狀態(tài)類型為有效狀態(tài)的原始數(shù)據(jù)記為基礎運行數(shù)據(jù)，獲得i個基礎運行數(shù)據(jù)；

9、通過時間戳逐一查詢出i個基礎運行數(shù)據(jù)完成儲存并記錄的時刻，獲得i個記錄時刻；

10、按照時間的先后順序，將i個記錄時刻依次排列，并將第一個記錄時刻至最后一個記錄時刻之間的時長記為有效運行時長；

11、通過自然語言處理技術逐一識別出i個基礎運行數(shù)據(jù)的文字部分和數(shù)字部分，將文字部分為發(fā)電量的基礎運行數(shù)據(jù)記為目標數(shù)據(jù)，并將目標數(shù)據(jù)的數(shù)字部分記為子發(fā)電量，獲得個子發(fā)電量；

12、將個子發(fā)電量逐一累加后與有效運行時長比較，獲得單位發(fā)電量；

13、單位發(fā)電量的表達式為：

14、；

15、式中，為單位發(fā)電量，為第個子發(fā)電量，為有效運行時長。

16、進一步的，運行事件的組合方法包括：

17、從數(shù)據(jù)庫內篩選出具有兩個事件單元的基礎事件，并將兩個事件單元分別記為第一事件單元和第二事件單元；

18、將有效運行時長和單位發(fā)電量分別導入到第一事件單元和第二事件單元內，生成運行時長單元和發(fā)電量單元；

19、將運行時長單元賦予數(shù)字編號1，將發(fā)電量單元賦予數(shù)字編號2，生成運行事件。

20、進一步的，狀態(tài)識別準則為：當出現(xiàn)異常單元時，停止狀態(tài)識別操作；

21、有效事件和無效事件的識別方法包括：

22、按照編號由小到大的方式，首先將編號為1的運行時長單元內的有效運行時長與運行時長標定值比較；

23、當有效運行時長小于運行時長標定值時，將運行時長單元記為異常單元，運行事件識別為無效事件；

24、當有效運行時長大于等于運行時長標定值時，然后將編號為2的發(fā)電量單元內的單位發(fā)電量與發(fā)電量標定值比較，當單位發(fā)電量小于發(fā)電量標定值時，將發(fā)電量單元記為異常單元，運行事件識別為無效事件；

25、當有效運行時長大于等于運行時長標定值，且單位發(fā)電量大于等于發(fā)電量標定值時，將運行事件識別為有效事件；

26、是否滿足并購基礎條件的判定方法包括：

27、當運行事件的事件狀態(tài)為有效事件時，判定滿足并購基礎條件；

28、當運行事件的事件狀態(tài)為無效事件時，判定不滿足并購基礎條件。

29、進一步的，有效發(fā)電率的獲取方法包括：

30、在財務風險時段內，通過數(shù)據(jù)庫查詢出風力發(fā)電站在每一個時刻的發(fā)電功率，并將發(fā)電功率第一次大于功率標準值的時刻至發(fā)電功率第一次小于功率標準值的時刻之間的時長記為功率間隔時長；

31、以一個功率間隔時長為標準，在財務風險時段內標記出個功率時刻點，并依次查詢出個功率時刻點的發(fā)電功率，獲得個實際功率；

32、通過技術參數(shù)表查詢出風力發(fā)電站的最大發(fā)電功率，記為總功率，并將個實際功率依次與總功率比較后求平均值，獲得有效發(fā)電率；

33、有效發(fā)電率的表達式為：

34、；

35、式中，為有效發(fā)電率，為第個實際功率，為總功率。

36、進一步的，成交爬升率的獲取方法包括：

37、將財務風險時段劃分為個相同時長且連續(xù)的銷售區(qū)段，并標記出每一個銷售區(qū)段的起點時刻和終點時刻，獲得個起點時刻和個終點時刻；

38、通過財務管理系統(tǒng)逐一查詢出風力發(fā)電站在個起點時刻和個終點時刻的發(fā)電量銷售值，獲得個起點銷售值和個終點銷售值；

39、將個終點銷售值依次與對應的個起點銷售值作差后，并與風力發(fā)電站的總銷售值比較，獲得個區(qū)段銷售率；

40、區(qū)段銷售率的表達式為：

41、；

42、式中，為第個區(qū)段銷售率，為第個終點銷售值，為第個起點銷售值，為風力發(fā)電站的總銷售值；

43、將相鄰兩個區(qū)段銷售率依次作差后，獲得個子攀升率，并將個子攀升率累加后求平均，獲得成交爬升率；

44、成交爬升率的表達式為：

45、；

46、式中，為成交爬升率，為第個子攀升率。

47、進一步的，投資回報率的獲取方法包括：

48、通過股權管理系統(tǒng)查詢出風力發(fā)電站的投資信息，并識別出投資信息中的投資方，獲得個投資方；

49、通過財務管理系統(tǒng)分別查詢出個投資方在財務風險時段內的期望回報額和實際回報額，并將個實際回報額與個期望回報額比較后，生成個子回報率；

50、子回報率的表達式為：

51、；

52、式中，為第個子回報率，為第個實際回報額，為第個期望回報額；

53、將個子回報率累加后求平均，獲得投資回報率；

54、投資回報率的表達式為：

55、；

56、式中，為投資回報率，為第個子回報率。

57、進一步的，財務狀態(tài)值包括安全狀態(tài)和風險狀態(tài)；

58、財務風險預測模型的訓練方法包括：

59、預先采集多組綜合財務數(shù)據(jù)以及與綜合財務數(shù)據(jù)對應的財務狀態(tài)值；

60、將綜合財務數(shù)據(jù)轉換為對應的一組特征向量，將特征向量作為神經(jīng)網(wǎng)絡模型的輸入，將財務狀態(tài)值轉換為與綜合財務數(shù)據(jù)對應的標簽，將安全狀態(tài)轉換為0，將風險狀態(tài)轉換為1，并將每組綜合財務數(shù)據(jù)對應的財務狀態(tài)值作為神經(jīng)網(wǎng)絡模型的輸出，以財務狀態(tài)值為預測目標，以最小化所有訓練數(shù)據(jù)的預測誤差之和作為訓練目標，對神經(jīng)網(wǎng)絡模型進行訓練，直至預測誤差之和達到收斂時停止訓練，獲得財務風險預測模型；

61、是否發(fā)出財務風險預警提示的判定方法包括：

62、當財務風險預測模型的輸出為0時，預測的財務狀態(tài)值為安全狀態(tài)，判定不發(fā)出財務風險預警提示；

63、當財務風險預測模型的輸出為1時，預測的財務狀態(tài)值為風險狀態(tài)，判定發(fā)出財務風險預警提示。

64、進一步的，風險參數(shù)的識別方法包括：

65、將資產營負差與安全營負差比較，當資產營負差小于安全營負差時，將資產營負差記為風險參數(shù)；

66、將有效發(fā)電率與安全發(fā)電率比較，當有效發(fā)電率小于安全發(fā)電率時，將有效發(fā)電率記為風險參數(shù)；

67、將成交爬升率與安全爬升率比較，當成交爬升率小于安全爬升率時，將成交爬升率記為風險參數(shù)；

68、將投資回報率與安全回報率比較，當投資回報率小于安全回報率時，將投資回報率記為風險參數(shù)。

69、進一步的，財務風險等級包括可控級別和不可控級別；

70、可控級別和不可控級別的制定方法包括：

71、統(tǒng)計出被標記為風險參數(shù)的數(shù)量，記為風險量值；

72、當風險量值為1或2時，制定出可控級別；

73、當風險量值為3或4時，制定出不可控級別。

74、本發(fā)明一種用于風力發(fā)電站的并購財務風險分析方法的技術效果和優(yōu)點：

75、本發(fā)明通過獲取風力發(fā)電站的基礎運行數(shù)據(jù)，從基礎運行數(shù)據(jù)中提取出運行特征，并將運行特征組合成運行事件，基于狀態(tài)識別準則，對運行事件進行狀態(tài)識別，識別出運行事件的事件狀態(tài)，并判定是否滿足并購基礎條件，設定風力發(fā)電站的財務風險時段，獲取風力發(fā)電站在財務風險時段內的綜合財務數(shù)據(jù)，將綜合財務數(shù)據(jù)輸入到提前訓練好的財務風險預測模型中，預測出風力發(fā)電站的財務狀態(tài)值，并判定是否發(fā)出財務風險預警提示，從綜合財務數(shù)據(jù)中識別出風險參數(shù)，并根據(jù)風險參數(shù)的數(shù)量，制定出財務風險等級；相對于現(xiàn)有技術，通過將運行特征組合成運行事件后，并對運行事件的事件狀態(tài)進行識別，即可對風力發(fā)電站的基礎運行狀態(tài)進行分析，防止基礎運行狀態(tài)不佳的風力發(fā)電站參與后續(xù)的分析流程，從而避免了后續(xù)并購財務風險分析的一系列無用操作，降低了并購財務風險分析的工作負擔，同時通過對風力發(fā)電站的運營收支、發(fā)電工作、時長表現(xiàn)和投資回報等方面的數(shù)據(jù)采集，能夠多角度且真實的獲取到風力發(fā)電站的財務風險情況，并基于預測模型預測出并購財務風險的狀態(tài)值，從而根據(jù)預測的財務狀態(tài)值來對并購可能出現(xiàn)的財務風險進行分析，為風力發(fā)電站的并購財務風險提供了可靠且準確的數(shù)據(jù)支持，提高了并購財務風險分析工作的準確性和高效性。