[发明专利]一种基于深度学习的用电风险的判定方法

权利要求书

1.一种基于深度学习的用电风险的判定方法，其特征在于：包括结合深度学习神经网络，对历史数据清洗及缺失值补全；风险判定模型建立及检测；用电预测及风险判断三个过程；

其中历史数据清洗及缺失值采用期望最大化算法进行补全，首先根据参数初始值来计算出期望值，然后将似然函数最大化以或得新的参数值，重复两个步骤直至收敛，最后将估算的值对缺失的数据进行插补；

风险特征权重的获取是根据历史数据集样本采用FCM模糊聚类算法提取，首先指定聚类类别数，更新划分矩阵，当变化不大的时候则停止迭代，否则循环；对数据集特征处理，获得各特征权重，处理数据集获得建模数据；

预测用户用电量信息使用，结合风险相关各特征的数据，对数据预测数据的风险结果；风险判断是根据构成风险的各特征值的权重，以及某特定风险概率下的预期分析以及指定的风险概率翻倍的情况，获取待判定值所在判定区间，确定风险等级；

具体步骤如下：

步骤一、从电力计量系统自动化系统和营销系统有选择的抽取部分大用电用户数据用电信息以及关联特征信息；

步骤二、对数据进行数据预处理,包括数据清洗,缺失值处理，首先将清除毛刺数据，用空值替代，然后使用EM算法对缺失数据插值补全；设定初始化分布参数θ₀,按照EM算法步骤重复直至收敛；

E步骤：根据参数初始值θ₀或上一次迭代的模型参数θ_n来计算出隐性变量的后验概率，

其实就是隐性变量的期望值Q函数；作为隐藏变量的现估计值：

M步骤：得到Q函数的极大值点，来作为第n+1次迭代所得到的参数估计值Q_n+1：

重复E步骤和M步骤直至收敛得到估算的数据，同时将新构建的数据集映射到缺失值的位置，做到缺失值补全，从而构建出样本数据集；

其中：观测数据Y＝(y₁,y₂,...,y_n)，不可观测数据Z＝(z₁,z₂,...,z_n)，模型参数θ＝(θ₀,θ₁,...θ_n)；

步骤三、采用步骤二的方法对用电量预测值进行填补；

步骤四、采用FCM模糊聚类算法对数据集特征处理，获得各特征权重，处理数据集获得建模数据；

FCM算法的具体流程如下：

1)、确定分类数c，指数m的值，确定迭代次数；

2)、初始化一个隶属度U；

3)、根据U计算聚类中心C；

4)、计算目标函数J和约束条件

5)、根据C返回去计算U，回到算法的3)步骤，直至循环结束得到特征权重；

其中J代表了目标函数；c代表了最后聚合的分类数目；n代表了数据集中的数据个数；U_ij代表了样本j属于类i的隶属度；x_j代表了数据集j的位置；c_i代表了类i的中心位置；m代表了样本的轻缓程度；

步骤五、创建风险判定计算公式，算取各特征对应的分值，最后得到预测待判定户号的情况，结合风险等级区间，并给出判定结果。

2.根据权利要求1所述的基于深度学习的用电风险的判定方法，其特征在于：运用数据补全方式对数据集做数据预测，获取待预测户号的用电量信息；创建评分公式：

S＝A-B*log(o)

其中S:评定结果；A:补偿值，指定特定风险概率下的预期分值；B权重，指定的风险概率翻倍的结果；o:风险可能性，不受特征值影响的截距；

采用该公式计算出各特征分类对应的风险判定结果值；最后通过参考值确定以及总分得到的值确定该户号是否存在风险；风险等级划分：风险概率P的分段界限值，将P值在[0,1]之间定义为高风险，在(1,6]之间定义为中风险，在(6,10]之间定义为低风险。