一种用电数据风险评估方法、装置、设备及存储介质与流程

1.本发明涉及风险评估领域，尤其涉及一种用电数据风险评估方法、装置、设备及存储介质。


背景技术：

2.电力资源是我国当前的社会发展中应用在各种生产活动和日常活动的重要社会资源，它客观上从一定程度上关系到我国的工业生产效率，而当前电力企业在工作过程中，会面临着用电企业的用户在使用电力的过程中出现违规用电行为的情况。
3.然而在实际工作中，在电力企业发现用户有违规异常用电行为后，通常会委派人员到所有的异常用户所对应的电力计量装置实地勘察排除异常风险，或者根据原始的历史数据、人工经验以及先验知识对用户的风险异常程度进行分析划分，评定用电用户稽查等级。
4.现有技术中委派人员现场排查的方法不仅效率低，而且单纯通过人力依靠历史数据和人工经验划分的方法误差大，容易对风险等级造成误判。


技术实现要素：

5.本发明提供了一种用电数据风险评估方法、装置、设备及存储介质，以实现评估用电用户的风险等级。
6.根据本发明的一方面，提供了一种用电数据风险评估方法，该方法包括：
7.读取配电网中各用户的历史用电数据，并根据历史用电数据构建评估模型，其中，评估模型中包含第一自编码器、第二自编码器以及全连接神经网络模型；
8.获取待测用电数据，通过评估模型对待测用电数据进行评分生成评分结果；
9.根据评分结果确定待测用电数据的风险等级。
10.优选的，获取待测用电数据，通过评估模型对待测用电数据进行评分生成评分结果，包括：对待测用电数据进行预处理生成数据集；通过第一自编码器对数据集进行处理，获得数据重构误差和数据集的第一特征值，其中，第一自编码器中包含编码层和解码层；通过第二自编码器对数据集的第一特征值进行处理获得特征重构误差、第一特征值的隐藏特征值和数据集的第二特征值；通过全连接神经网络模型对第二特征值进行处理生成高斯分数；根据数据重构误差、特征重构误差和高斯分数生成评分结果。
11.优选的，通过第一自编码器对数据集进行处理，获得数据重构误差和数据集的第一特征值，包括：通过编码层对数据集进行特征提取得到数据集的第一特征值；通过解码层对数据集进行重构得到重构数据集；根据数据集和重构数据集获取数据重构误差。
12.优选的，通过第二编码器对数据集的第一特征值进行处理获得特征重构误差、第一特征值的隐藏特征值和数据集的第二特征值，包括：通过第二自编码器对第一特征值进行重构得到数据集的重构特征值；通过第二自编码器对第一特征值进行编码得到第一特征值的隐藏特征值；根据重构特征值和数据集的第一特征值获取特征重构误差；获取重构特
征值和数据集的第一特征值的欧式距离以及余弦相似度，根据欧式距离、余弦相似度和隐藏特征值得到数据集的第二特征值。
13.优选的，通过全连接神经网络模型对第二特征值进行处理生成高斯分数，包括：通过全连接神经网络模型对数据集的第二特征值采用最大期望算法em进行计算，获取数据集的第二特征值所对应的归属概率；通过归属概率和数据集的第二特征值进行计算，获得全连接神经网络模型的分数计算关联参数；根据关联参数和数据集的第二特征值生成高斯分数。
14.优选的，根据数据重构误差、特征重构误差和高斯分数生成评分结果，包括：将数据重构误差、特征重构误差和高斯分数作为评估指标，并获取各评估指标对应的权重值；将各评估指标和各评估指标对应的权重值的乘积依次相加得到评分结果。
15.优选的，根据评分结果确定待测用电数据的风险等级，包括：确定评分结果对应的分数区间；根据分数区间确定待测用电数据的风险等级。
16.根据本发明的另一方面，提供了一种用电数据风险评估装置，该装置包括：
17.评估模型构建模块，用于读取配电网中各用户的历史用电数据，并根据历史用电数据构建评估模型，其中，评估模型中包含第一自编码器、第二自编码器以及全连接神经网络模型；
18.评分结果生成模块，用于获取待测用电数据，通过评估模型对待测用电数据进行评分生成评分结果；
19.风险等级确定模块，用于根据评分结果确定待测用电数据的风险等级。
20.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
21.至少一个处理器；以及
22.与所述至少一个处理器通信连接的存储器；其中，
23.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的一种用电数据风险评估方法。
24.根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的一种用电数据风险评估方法。
25.本发明实施例的技术方案，通过历史用电数据构建评估模型，并通过预先构建的评估模型对待测用电数据进行评分，最后根据评分结果确定风险等级的方式可以准确通过评分结果确定风险等级，提高了评估的准确性，并且无需人员去现场检查，节约了人力资源的同时提高了风险评估效率。
26.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
27.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他
的附图。
28.图1是根据本发明实施例一提供的一种用电数据风险评估方法的流程图；
29.图2是根据本发明实施例一所适用的一种评估模型结构示意图；
30.图3是根据本发明实施例一提供的另一种用电数据风险评估方法的流程图；
31.图4是根据本发明实施例二提供的另一种用电数据风险评估方法的流程图；
32.图5是根据本发明实施例三提供的一种用电数据风险评估装置的结构示意图；
33.图6是实现本发明实施例的一种用电数据风险评估方法的电子设备的结构示意图。
具体实施方式
34.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
35.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
36.实施例一
37.图1为本发明实施例一提供了一种用电数据风险评估方法的流程图，本实施例可适用于评估用电用户的风险等级的情况，该方法可以由用电数据风险评估装置来执行，该用电数据风险评估装置可以采用硬件和/或软件的形式实现，该用电数据风险评估装置可配置于计算机中。如图1所示，该方法包括：
38.s110、读取配电网中各用户的历史用电数据，并根据历史用电数据构建评估模型。
39.其中，配电网是指35kv及其以下电压等级的电网，作用是给城市里各个配电站和各类用电负荷供给电源，用户是指配电网的中的供电用户，历史用电数据是指配电网中供电用户历史的用电数据，用电数据包括但不限于日用电量、运行容量和日负荷等。控制器通过读取配电网中各用户的历史用电数据来建立评估模型，图2为评估模型结构示意图，图2中，评估模型中包含第一自编码器、第二自编码器以及全连接神经网络模型。
40.具体的，第一自编码器可以是多层次的循环神经网络自编码器，该编码器包括编码层和解码层，编码层用于压缩和提取特征值，解码层用于还原重构数据，第二自编码器可以是深度自编码器，通过深度自编码器可以进一步压缩提取特征值，本实施方式中仅以第一编码器为循环神经网络自编码器以及第二编码器为深度自编码器时为例进行说明，并不对第一自编码器以及第二自编码器的类型进行限定。
41.s120、获取待测用电数据，通过评估模型对待测用电数据进行评分生成评分结果。
42.具体的，待测用电数据是指未知风险等级的新数据，控制器获取待测用电数据后，可以通过构建好的评估模型对待测用电数据进行评分以生成评分结果，通过评分结果可以进一步判断风险等级。
43.图3为本发明实施例一提供了一种工控网络数据风险确定方法的流程图，步骤s120主要包括如下的步骤s121至步骤s125：
44.s121、对待测用电数据进行预处理生成数据集。
45.具体的，控制器会对待测用电数据进行预处理，预处理是指对用户数据进行填补缺失值、剔除异常值等数据清洗操作与归一化等规范化处理的数据变换操作，最后将数据集规范为x＝(x1,x2,
…
xn)，其中n为用户的数量，xi＝(x1,x2,
…
xk)
t
为每个用户的t
×
k的多维时序数据。
46.示例性的，以用户数量n为4时为例，则x＝(x1,x2,x3,x4)，其中，x1、x2、x3和x4分别表示四个用户，而x1＝(x1,x2,x3)
t
，x1、x2和x3分别表示日用电量、运行容量和日负荷。
47.s122、通过第一自编码器对数据集进行处理，获得数据重构误差和数据集的第一特征值。
48.优选的，通过第一自编码器对数据集进行处理，获得数据重构误差和数据集的第一特征值，包括：通过编码层对数据集进行特征提取得到数据集的第一特征值；通过解码层对数据集进行重构得到重构数据集；根据数据集和重构数据集获取数据重构误差。
49.具体的，控制器会通过第一自编码器对数据集进行处理，即通过多层次的循环神经网络自编码器的编码层对数据集进行特征提取得到数据集的第一特征值，第一特征值是指数据集潜在空间的隐藏特征值，然后再通过解码层对数据集进行重构得到重构数据集，重构数据集是模型预测的数据下一个t时段用户的总输出，用户数据正常的情况下，重构数据集是接近数据集的，但异常数据就会使重构数据集出现不同程度的偏离，因此控制器会根据数据集和重构数据集获取数据重构误差，例如，当输入的数据集为xi，通过多层次的循环神经网络自编码器的编码层可以得到第一特征值h，通过解码层可以得到重构数据集x'i，并采用如下公式(1)计算数据重构误差：
[0050][0051]
其中，表示数据重构误差，xi表示数据集，x'i表示重构数据集。
[0052]
s123、通过第二自编码器对数据集的第一特征值进行处理获得特征重构误差、第一特征值的隐藏特征值和数据集的第二特征值。
[0053]
优选的，通过第二编码器对数据集的第一特征值进行处理获得特征重构误差、第一特征值的隐藏特征值和数据集的第二特征值，包括：通过第二自编码器对第一特征值进行重构得到数据集的重构特征值；通过第二自编码器对第一特征值进行编码得到第一特征值的隐藏特征值；根据重构特征值和数据集的第一特征值获取特征重构误差；获取重构特征值和数据集的第一特征值的欧式距离以及余弦相似度，根据欧式距离、余弦相似度和隐藏特征值得到数据集的第二特征值。
[0054]
具体的，控制器会将第一编码器输出的数据集的第一特征值输入给第二编码器，即通过深度自编码器可以对第一特征值进行重构得到数据集的重构特征值并通过第二自编码器对第一特征值进行编码后生成潜在空间的隐藏特征值，再根据重构特征值和数据集
的第一特征值获取特征重构误差，即采用如下公式(2)计算特征重构误差：
[0055][0056]
其中，其中，表示特征重构误差，hi表示第一特征值，h'i表示重构特征值。
[0057]
进一步的，控制器在获取隐藏特征值和重构特征值后，还可以计算出重构特征值和第一特征值的欧式距离以及余弦相似度，由于隐藏特征值、欧式距离以及余弦相似度在相同维度，故控制器可将隐藏特征值、欧式距离和余弦相似度拼接即可得到第二特征值，例如，计算出的欧式距离为a＝(a1,a2,a3)，余弦相似度为b＝(b1,b2,b3),隐藏特征值为c＝(c1,c2,c3)控制器可将两个矩阵拼接得到特征z，即特征z＝(a,b,c)。
[0058]
s124、通过全连接神经网络模型对第二特征值进行处理生成高斯分数。
[0059]
优选的，通过全连接神经网络模型对第二特征值进行处理生成高斯分数，包括：通过全连接神经网络模型对数据集的第二特征值采用最大期望算法em进行计算，获取数据集的第二特征值所对应的归属概率；通过归属概率和数据集的第二特征值进行计算，获得全连接神经网络模型的分数计算关联参数；根据关联参数和数据集的第二特征值生成高斯分数。
[0060]
具体的，控制器会将第二编码器输出的数据集的第二特征值输入给全连接神经网络模型，全连接神经网络模型可以对第二特征值进行处理，并采用如下公式(3)计算逻辑值：
[0061]
p＝mlbp(z,θ)
ꢀꢀꢀ
(3)
[0062]
其中，mlbp(
·
)表示多层神经网络，θ表示神经网络参数，z表示第二特征值，p表示第二特征值的逻辑值。
[0063]
进一步的，控制器会将得到的逻辑值输入全连接神经网络模型的softmax层，并采用如下公式(4)输出γn归属概率：
[0064]
γn＝softmax(p)
ꢀꢀꢀ
(4)
[0065]
其中，p表示第二特征值的逻辑值，γn表示归属概率，得到归属概率后，控制器可以通过归属概率和数据集的第二特征值进行计算，获得全连接神经网络模型的分数计算关联参数，其中，关联参数包括先验、均值和协方差矩阵等，本实施方式中仅以关联参数为先验、均值和协方差矩阵为例进行说明，并不对关联参数的类型进行限定，示例性的，控制器可采用如下公式(5)计算先验：
[0066][0067]
其中，φn表示待测数据集的先验，n表示用户的总数量，i表示用户的数量，i＝1,2,
…
n，γ
i,n
表示归属概率。
[0068]
进一步的，控制器可以根据归属概率和数据集的第二特征值计算均值，并采用如下公式(6)计算均值：
[0069][0070]
其中，μn表示待测数据集的均值，n表示用户的总数量，i表示用户的数量，i＝1,
2,
…
n，γ
i,n
表示归属概率，zi表示第二特征值。
[0071]
进一步的，控制器在计算出均值后，可以根据均值、第二特征值以及归属概率计算协方差矩阵，并采用如下公式(7)计算协方差矩阵：
[0072][0073]
其中，σn表示协方差矩阵，t表示待测数据集的时段，γ
i,n
表示归属概率，zi表示第二特征值，μn表示待测数据集的均值，n表示用户的总数量，i表示用户的数量，i＝1,2,
…
n。
[0074]
进一步的，控制器计算出先验、均值和协方差矩阵后，可以将这些关联参数和数据集的第二特征值生成高斯分数，并采用如下公式(8)计算高斯分数：
[0075][0076]
其中，e(z)表示高斯分数，t表示待测数据集的时段，μn表示待测数据集的均值，z表示第二特征值，n表示用户的总数量，σn表示协方差矩阵，φn表示待测数据集的先验。
[0077]
s125、根据数据重构误差、特征重构误差和高斯分数生成评分结果。
[0078]
优选的，根据数据重构误差、特征重构误差和高斯分数生成评分结果，包括：将数据重构误差、特征重构误差和高斯分数作为评估指标，并获取各评估指标对应的权重值；将各评估指标和各评估指标对应的权重值的乘积依次相加得到评分结果。
[0079]
具体的，控制器在计算出数据重构误差、特征重构误差和高斯分数后，会将这些数值作为评估指标，并会获取每个评估指标对应的权重值，权重值是研发人员根据各个指标的重要程度在控制器输入的，控制器将各评估指标和各评估指标对应的权重值的乘积依次相加就可以得到评分结果，进一步的，控制器在构建评估模型时，也会对评估模型进行最小化训练，这样控制器在计算待测用电数据时即可直接输出评分结果的值，即采用如下公式(9)计算评分结果：
[0080][0081]
其中，e(z)表示高斯分数，n表示用户的总数量，表示数据重构误差，表示特征重构误差，i表示用户的数量，i＝1,2,
…
n，λ1表示数据重构误差对应的权重值，λ2表示特征重构误差对应的权重值，λ3表示高斯分数对应的权重值，例如，待测用电数据m的数据重构误差为20对应的权重值λ1为0.2，特征重构误差为30对应的权重值λ2为0.1，高斯分数为50对应的权重值λ3为0.7，则待测用电数据m的最终评分＝20*0.2+30*0.1+50*0.7＝42。
[0082]
s130、根据评分结果确定待测用电数据的风险等级。
[0083]
具体的，控制器可以根据评分结果来确定待测用户数据的风险等级，风险等级分为无风险、低风险、中风险和高风险，例如，当确定待测用电数据m的最终评分为42时，可以得到待测用电数据的风险等级为中风险。
[0084]
进一步的，当控制器确定出待测用电数据的风险等级为中风险或高风险时，还会
生成风险提示，并将风险提示发送至和控制器相连的显示器上，例如，提示内容为：待测用电数据m中风险。
[0085]
本发明实施例的技术方案，通过历史用电数据构建评估模型，并通过预先构建的评估模型对待测用电数据进行评分，最后根据评分结果确定风险等级的方式可以准确通过评分结果确定风险等级，提高了评估的准确性，并且无需人员去现场检查，节约了人力资源的同时提高了风险评估效率。
[0086]
实施例二
[0087]
图4为本发明实施例二提供的一种用电数据风险评估方法的流程图，本实施例与上述实施例一的基础上增加了对根据评分结果确定待测用电数据的风险等级的具体说明，其中，步骤s210至s220的具体内容与实施例一中的步骤s110至s120大致相同，因此本实施方式中不再进行赘述。
[0088]
如图4所示，该方法包括：
[0089]
s210、读取配电网中各用户的历史用电数据，并根据历史用电数据构建评估模型。
[0090]
s220、获取待测用电数据，通过评估模型对待测用电数据进行评分生成评分结果。
[0091]
s230、确定评分结果对应的分数区间。
[0092]
具体的，控制器在通过上述公式(9)计算出评分结果后，还会根据评分结果确定对应的分数区间，分数区间分为0-10分、10-30分、30-80分以及大于80分四个分数区间，例如，待测用电数据m的评分结果为42分时，控制器可以确定待测用电数据m对应的评分区间为30-80分。
[0093]
s240、根据分数区间确定待测用电数据的风险等级。
[0094]
具体的，每个分数区间都有对应的风险等级，风险等级分为无风险、低风险、中风险和高风险，评分结果为0-10分时对应无风险，评分结果为10-30分时对应低风险，评分结果为30-80分时对应中风险，评分结果为大于80分时对应高风险。
[0095]
本发明实施例的技术方案，通过历史用电数据构建评估模型，并通过预先构建的评估模型对待测用电数据进行评分，最后根据评分结果确定风险等级的方式可以准确通过评分结果确定出分数所在区间，再确定分数区间对应的风险等级，提高了评估的准确性，并且无需人员去现场检查，节约了人力资源的同时提高了风险评估效率。
[0096]
实施例三
[0097]
图5为本发明实施例三提供的一种用电数据风险评估装置的结构示意图。如图5所示，该装置包括：评估模型构建模块310，用于读取配电网中各用户的历史用电数据，并根据历史用电数据构建评估模型，其中，评估模型中包含第一自编码器、第二自编码器以及全连接神经网络模型；评分结果生成模块320，用于获取待测用电数据，通过评估模型对待测用电数据进行评分生成评分结果；风险等级确定模块330，用于根据评分结果确定待测用电数据的风险等级。
[0098]
优选的，评分结果生成模块320，具体包括：数据集生成单元，用于对待测用电数据进行预处理生成数据集；第一自编码器单元，用于通过第一自编码器对数据集进行处理，获得数据重构误差和数据集的第一特征值，其中，第一自编码器中包含编码层和解码层；第二自编码器单元，用于通过第二自编码器对数据集的第一特征值进行处理获得特征重构误差、第一特征值的隐藏特征值和数据集的第二特征值；全连接神经网络模型单元，用于通过
全连接神经网络模型对第二特征值进行处理生成高斯分数；评分结果生成单元，用于根据数据重构误差、特征重构误差和高斯分数生成评分结果。
[0099]
优选的，第一自编码器单元，具体用于：通过编码层对数据集进行特征提取得到数据集的第一特征值；通过解码层对数据集进行重构得到重构数据集；根据数据集和重构数据集获取数据重构误差。
[0100]
优选的，第二自编码器单元，具体用于：通过第二自编码器对第一特征值进行重构得到数据集的重构特征值；通过第二自编码器对第一特征值进行编码得到第一特征值的隐藏特征值；根据重构特征值和数据集的第一特征值获取特征重构误差；获取重构特征值和数据集的第一特征值的欧式距离以及余弦相似度，根据欧式距离、余弦相似度和隐藏特征值得到数据集的第二特征值。
[0101]
优选的，全连接神经网络模型单元，具体用于：通过全连接神经网络模型对数据集的第二特征值采用最大期望算法em进行计算，获取数据集的第二特征值所对应的归属概率；通过归属概率和数据集的第二特征值进行计算，获得全连接神经网络模型的分数计算关联参数；根据关联参数和数据集的第二特征值生成高斯分数。
[0102]
优选的，评分结果生成单元，具体用于：将数据重构误差、特征重构误差和高斯分数作为评估指标，并获取各评估指标对应的权重值；将各评估指标和各评估指标对应的权重值的乘积依次相加得到评分结果。
[0103]
优选的，风险等级确定模块330，具体用于：确定评分结果对应的分数区间；根据分数区间确定待测用电数据的风险等级。
[0104]
本发明实施例的技术方案，通过历史用电数据构建评估模型，并通过预先构建的评估模型对待测用电数据进行评分，最后根据评分结果确定风险等级的方式可以准确通过评分结果确定风险等级，提高了评估的准确性，并且无需人员去现场检查，节约了人力资源的同时提高了风险评估效率。
[0105]
本发明实施例所提供的一种用电数据风险评估装置可执行本发明任意实施例所提供的一种用电数据风险评估方法，具备执行方法相应的功能模块和有益效果。
[0106]
实施例四
[0107]
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0108]
如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0109]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标
等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0110]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如一种用电数据风险评估方法。
[0111]
在一些实施例中，一种用电数据风险评估方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的一种用电数据风险评估方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行一种用电数据风险评估方法。。
[0112]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0113]
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0114]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0115]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给
用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0116]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0117]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0118]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0119]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。