基于时间序列的电力营销稽查场景异常检测方法及系统与流程

本发明属于电力营销，尤其涉及一种基于时间序列的电力营销稽查场景异常检测方法及系统。

背景技术：

1、电量是公司营利的重要指标，开展电量异常稽查承担着防范企业经营风险、维护公司根本利益、提升企业精益化管理水平的重要责任，而复杂稽查场景的判断也一直是公司业务人员苦恼的痛点。开展基于模型构建的数字化稽查“新基建”承担着促进公司各级营销稽查工作常态化、标准化、长效化，高质量完成年度稽查和反窃查违工作，实现挖潜增效、降本增效和创新增效的重要责任。

2、现有技术中，电力营销系统稽查应用是基于sql规则构建的营销业务稽查主题分析及查询，无法支撑复杂的营销业务稽查场景，耗费大量的数据计算资源和查询等待时间，稽查数据分析的精准度较低，大大增加了业务人员现场校核的工作量。针对复杂稽查场景的判断分析进行了一些技术改进，但仍然面临如下问题：需人工分析海量数据导致效率低；而且面对海量电力数据时，仅通过人力提取异常特征和线索挖掘，费时费力、准确度低；同时，人工判断的方式使供电区单位的人工成本大大增加，同时也会出现稽查人员徇私舞弊的现象。基于深度学习的电力营销业务稽查方法被提出，能够减轻电力稽查人员的工作负担，并辅助确定适当的电力营销业务稽查对策。但是传统的电力营销业务稽查技术存在着针对性不强、电力营销业务稽查场景反馈响应慢的问题，不能及时更新电力营销数据，并且无法及时反馈电力数据异常的问题。

技术实现思路

1、为解决现有技术中存在的不足，本发明提供一种基于时间序列的电力营销稽查场景异常检测方法及系统，解决不同电力营销稽查场景的核查难题，并自动更新以及预测电力营销数据且反馈电力数据异常的问题。

2、本发明采用如下的技术方案。

3、本发明提出了一种基于时间序列的电力营销稽查场景异常检测方法，包括：

4、步骤1，采集电力营销稽查场景下的多用户用电数据和用电档案数据；

5、步骤2，基于无监督学习方法，建立费用错漏收稽查模型；

6、步骤3，多用户用电数据和用电档案数据输入费用错漏收稽查模型，得到基于时间序列的多用户用电预测数据，并且以机器学习决策树为判据对多用户用电预测数据进行异常检测生成异常分数；

7、步骤4，当异常分数大于异常阈值时，利用交叉熵函数计算多用户用电预测数据与用电档案数据之间的差异；

8、步骤5，将差异和异常分数的加权求和值与异常阈值再进行比较，若加权求和值小于异常阈值，则判定电力营销稽查场景中无异常；否则进入步骤6；

9、步骤6，从多用户用电预测数据中提取单用户用电预测数据输入费用错漏收稽查模型，以机器学习决策树为判据对单用户用电预测数据进行异常检测，检测到异常时费用错漏收稽查模型输出异常用户对应的电力营销稽查场景。

10、费用错漏收稽查模型，包括：异常检测子模型和数据优化子模型；

11、其中，异常检测子模型包括transformer编码器和异常检测编码器；数据优化子模型包括数据优化编码器。

12、步骤3包括：

13、步骤3.1，多用户用电数据和用电档案数据输入transformer编码器中，生成基于时间序列的多用户用电预测数据；

14、步骤3.2，基于时间序列的多用户用电预测数据输入异常检测编码器中，以机器学习决策树为判据，对基于时间序列的多用户用电预测数据进行异常检测生成异常分数。

15、transformer编码器通过季节性趋势分析方法建立长短期时间序列依赖模型，长短期时间序列依赖模型将多用户用电数据和用电档案数据进行比对，以用电档案数据里的时间作为时间戳，提取不同时间戳下数据完整且真实存在的多用户用电数据作为基于时间序列的多用户用电预测数据。

16、基于滑动窗口，提取不同时间戳下数据完整且真实存在的多用户用电数据。

17、利用机器学习决策树计算各时间戳下的多用户用电历史异常数据的异常概率，以多用户用电历史异常数据和异常概率迭代训练检测编码器；训练好的检测编码器生成异常分数。

18、迭代训练检测编码器时，对异常分数引入平衡因子，平衡因子的取值范围为0至1。

19、步骤4中，当异常分数大于异常阈值时，其中，异常阈值取值为0.5,利用交叉熵函数计算一天24小时内多用户用电预测数据与用电档案数据之间的差异。

20、数据优化编码器基于滑动窗口对单用户用电预测数据进行结构化处理。

21、利用机器学习决策树计算各时间戳下的单用户用电历史异常数据的异常概率，以单用户用电历史异常数据和异常概率迭代训练数据优化编码器；训练好的数据优化编码器对单用户进行异常检测。

22、本发明还提出了一种基于时间序列的电力营销稽查场景异常检测系统，包括：采集模块，费用错漏收稽查模型模块，多用户异常检测模块，单用户异常检测模块；

23、采集模块，用于采集电力营销稽查场景下的多用户用电数据和用电档案数据；

24、费用错漏收稽查模型模块，用于基于无监督学习方法，建立费用错漏收稽查模型；多用户用电数据和用电档案数据输入费用错漏收稽查模型，得到基于时间序列的多用户用电预测数据

25、多用户异常检测模块，用于以机器学习决策树为判据对多用户用电预测数据进行异常检测生成异常分数；当异常分数大于异常阈值时，利用交叉熵函数计算多用户用电预测数据与用电档案数据之间的差异；将差异和异常分数的加权求和值与异常阈值再进行比较，若加权求和值小于异常阈值，则判定电力营销稽查场景中无异常；否则调用单用户异常检测模块进行异常检测；

26、单用户异常检测模块，用于从多用户用电预测数据中提取单用户用电预测数据输入费用错漏收稽查模型，以机器学习决策树为判据对单用户用电预测数据进行异常检测，检测到异常时费用错漏收稽查模型输出异常用户对应的电力营销稽查场景。

27、本发明的有益效果在于，与现有技术相比，本发明提出的方法通过收集不同场景下用户的电力数据和用户用电档案，来帮助电力营销企业和电力安全分析人员确定和分类潜在错漏收的电力稽查场景，从而自动化调用基于深度学习的电力营销稽查模型，可以迅速警告和反馈电力稽查场景的用户信息。

28、基于深度学习的电力营销稽查模型，同时考虑了当前用户的具体用电信息和用电场景，具有自动研判、自动警报的功能，从而无需人员干涉，减少了人为因素带来的错误，提高了电力营销业务稽查的效率。

29、电力营销稽查模型基于时间序列的电力营销稽查场景异常检测方法，并以此建立长短期时间序列依赖模型，在传统的时间序列预测模型的基础上增加了异常检测子模型和数据优化子模型，两者以协同的方式对不同的稽查场景的数据进行分析、预测、反馈。在不同的电力营销稽查的场景中，通过异常检测子模型分析快速推理出某时间段内多用户用电异常，并对提取该用户的异常情况进行具体研判，防止异常误报；通过数据优化子模型记录用户异常情况并将数据扩展为启发的dt策略，并将结构化的用户异常误判数据添加到现有的数据无异常事件集合中，同时协同异常检测子模型约束异常的用户数据以及无异常事件集对模型的影响，最后以此方式优化高可靠性费用错漏收稽查模型来输出具体稽查场景的预测和反馈。