[发明专利]一种基于深度学习的用电风险的判定方法

说明书

本发明公开了一种基于深度学习的用电风险的判定方法，分为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步骤，历史数据清洗及缺失值补全使用了期望最大化算法对缺失的数据进行插补，风险判定模型建立及检测根据历史数据样本采用FCM模糊聚类算法对数据集特征进行处理，并提取各特征权重，模型数据；最后，根据各特征权重，预测用电量情况，并按照判定原则给与预测数据判定结果。本发明将大数据分析、神经网络和电力营销领域相结合，提升了用电量预测能力，以及用电风险的监控能力。

技术领域

本发明基于深度学习技术，运用电力营销及稽查领域，具体是一种基于深度学习的用电风险的判定方法。

背景技术

在人工智能大背景下，单纯的依靠人力去发现用电异常行为已经过时，如何通过大数据以及深度学习来实现用电风险行为的分析，部分单位先后开展了电量预测方面以的应用研究，但各个单位相关工作开展的水平不一，用电量的预测结果也不够理想，同时用电量的作用还只是用于辅助电费的收缴，目前需要充分运用电量信息加强设备，营销稽查管理的作用，建立一套电量预测及快速分析异常情况的方法，提高设备使用率以及营销的风险管控管理。

目前，对于缺失值的补全主要是均值插补、热卡填充以及聚类填充几种。但是对于大样本量以及复杂度高的数据这些方法填补的数据准确度较低，不能保证样本数据的准确性。

现有的风险判定等级模式所使用的方式通过基于业务专家设计判定规则，规则指出用户是否属于淘汰落后产能，当月欠费情况，年内违约金记录，是否大电量用户，用户行业类别，用户缴费方式，用户缴费频率，预付费到账情况，用户缴费额度，月度费控余额情况，用户用电行为等多个方面。根据规则检验给出主要的风险特征，并对各种特征排序后按照重要性程度，判断待判定户号的风险等级。该方法完全基于经验，并不能根据实际情况全面的做到控制和调整，全方位多角度判定用电风险等级。

发明内容

本发明的目的是提供一种基于深度学习的用电风险的判定方法，利用最新的深度学习数据分析技术，解决传统方法在电量预测及异常用电预警中存在的一些缺陷，构建一个结构清晰，高精度和高鲁棒性的数据分析解决方案，从而提高用电风险判定结果。

本发明的目的通过以下技术方案实现：

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θ,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：