用电行为数据识别方法和装置、电子设备及存储介质与流程

本技术涉及数据识别，具体而言，涉及一种用电行为数据识别方法和装置、电子设备及存储介质。

背景技术：

1、在日常生产过程中，由于工业、农业、商业、居民用电等不同用途的电价之间存在一定差异，因此，部分用电用户会不遵守合约，出现实际用途与注册用途不相符的异常用电行为。在传统的技术中，需要相关部门耗费很大一部分的人力物力来进行大规模的筛查，才能识别出此类异常用电行为，并且，其识别效率与工作人员的工作强度息息相关。在此基础上，随着数据资产的积累与大数据技术的成熟，逐渐发展出结合专家经验设置阈值的规则筛选模型，与传统的纯人工排查的方法相比较，该类模型能大大减少人工工作量，提高识别效率。但只通过规则模型判断，存在两个较为明显的缺陷：其一，太过依赖专家的经验，不同省市地区需要重新组织相关专家讨论来确定规则阈值；其二，精准率与召回率通常都不太理想，为了提升准确率需要重复修改参数，工作量也较为繁复。

2、其中，经发明人研究发现，虽然目前积累了较多的用电行为数据，但是，具有标签信息的用电行为数据还是较少，这就导致如果采用传统的具有分类功能的神经网络来对用电行为数据进行分类识别，由于难以训练出具有较高可靠度的神经网络（标签信息较少，使得训练过程难以进行有效、可靠的监督），容易出现识别可靠度相对不高的问题。

技术实现思路

1、有鉴于此，本技术的目的在于提供一种用电行为数据识别方法和装置、电子设备及存储介质，以改善现有的用电行为数据识别技术中存在的识别可靠度相对不高的问题。

2、为实现上述目的，本技术实施例采用如下技术方案：

3、一种用电行为数据识别方法，包括：

4、分析出监督用电行为数据集合对应的第一误差分布和第二误差分布，其中，所述监督用电行为数据集合包括至少一条第一用电行为数据和至少一条第二用电行为数据，每一条所述第一用电行为数据属于存在异常用电行为的数据，每一条所述第二用电行为数据不属于存在异常用电行为的数据，所述第一误差分布包括至少一个第一误差，每一个所述第一误差属于利用目标神经网络对所述第一用电行为数据进行处理形成的误差，所述第二误差分布包括至少一个第二误差，每一个所述第二误差属于利用所述目标神经网络对所述第二用电行为数据进行处理形成的误差；

5、分析出第三用电行为数据对应的第三误差，其中，所述第三误差属于利用所述目标神经网络对所述第三用电行为数据进行处理形成的误差；

6、基于所述第三误差、所述第一误差分布和所述第二误差分布，确定所述第三用电行为数据对应的行为识别结果，其中，所述行为识别结果用于反映所述第三用电行为数据是否属于存在异常用电行为的数据。

7、在本技术实施例较佳的选择中，在上述用电行为数据识别方法中，所述分析出监督用电行为数据集合对应的第一误差分布和第二误差分布的步骤，包括：

8、获取到监督用电行为数据集合，其中，所述监督用电行为数据集合包括多条用电行为数据，每一条用电行为数据用于反映用电用户在至少一个时间段的用电情况，且每一条用电行为数据具有行为标签信息，所述行为标签信息用于反映所述用电行为数据是否属于存在异常用电行为的数据；

9、基于所述行为标签信息，对所述监督用电行为数据集合中的用电行为数据进行分组，形成对应的第一数据子集合和第二数据子集合，其中，所述第一数据子集合包括至少一条所述第一用电行为数据，所述第二数据子集合包括至少一条所述第二用电行为数据，所述第一数据子集合和所述第二数据子集合的并集，属于所述监督用电行为数据集合的子集；

10、利用目标神经网络，分别对所述第一数据子集合中的每一条第一用电行为数据进行编解码处理，得到每一条所述第一用电行为数据对应的第一解码用电行为数据，并利用所述目标神经网络，分别对所述第二数据子集合中的每一条第二用电行为数据进行编解码处理，得到每一条所述第二用电行为数据对应的第二解码用电行为数据；

11、基于对应的所述第一解码用电行为数据和所述第一用电行为数据，分别确定出每一条所述第一用电行为数据对应的第一误差，并基于对应的所述第二解码用电行为数据和所述第二用电行为数据，分别确定出每一条所述第二用电行为数据对应的第二误差；

12、基于所述第一数据子集合中的每一条第一用电行为数据对应的第一误差，得到对应的第一误差分布，并基于所述第二数据子集合中的每一条第二用电行为数据对应的第二误差，得到对应的第二误差分布。

13、在本技术实施例较佳的选择中，在上述用电行为数据识别方法中，所述基于所述行为标签信息，对所述监督用电行为数据集合中的用电行为数据进行分组，形成对应的第一数据子集合和第二数据子集合的步骤，包括：

14、按照预先确定的比例，对所述监督用电行为数据集合中的用电行为数据进行分组，形成第一数据组和第二数据组，其中，所述第一数据组包括的用电行为数据的数量大于所述第二数据组包括的用电行为数据的数量；

15、获取到包括编码子网络和解码子网络的初始神经网络，并利用所述第一数据组包括的用电行为数据，对所述初始神经网络进行网络优化处理，形成对应的目标神经网络，其中，在网络优化处理的过程中，对所述初始神经网络的网络参数进行优化的依据，至少包括利用所述初始神经网络对所述用电行为数据进行编解码形成的误差；

16、基于所述行为标签信息，对所述第二数据组包括的用电行为数据进行分组，形成对应的第一数据子集合和第二数据子集合。

17、在本技术实施例较佳的选择中，在上述用电行为数据识别方法中，所述利用目标神经网络，分别对所述第一数据子集合中的每一条第一用电行为数据进行编解码处理，得到每一条所述第一用电行为数据对应的第一解码用电行为数据，并利用所述目标神经网络，分别对所述第二数据子集合中的每一条第二用电行为数据进行编解码处理，得到每一条所述第二用电行为数据对应的第二解码用电行为数据的步骤，包括：

18、对于所述第一数据子集合中的每一条第一用电行为数据，利用目标神经网络包括的编码子网络中的多个编码单元，对该第一用电行为数据进行编码处理，形成对应的第一用电行为编码特征，以及，利用所述目标神经网络包括的解码子网络中的多个解码单元，对该第一用电行为编码特征进行解码处理，形成对应的第一解码用电行为数据，其中，所述多个编码单元级联连接，且所述多个解码单元级联连接；

19、对于所述第二数据子集合中的每一条第二用电行为数据，利用所述目标神经网络包括的编码子网络中的多个编码单元，对该第二用电行为数据进行编码处理，形成对应的第二用电行为编码特征，以及，利用所述目标神经网络包括的解码子网络中的多个解码单元，对该第二用电行为编码特征进行解码处理，形成对应的第二解码用电行为数据。

20、在本技术实施例较佳的选择中，在上述用电行为数据识别方法中，所述基于对应的所述第一解码用电行为数据和所述第一用电行为数据，分别确定出每一条所述第一用电行为数据对应的第一误差，并基于对应的所述第二解码用电行为数据和所述第二用电行为数据，分别确定出每一条所述第二用电行为数据对应的第二误差的步骤，包括：

21、对于每一条所述第一用电行为数据，对该第一用电行为数据和该第一用电行为数据对应的第一解码用电行为数据进行差异计算，得到该第一用电行为数据对应的编解码误差，并确定为对应的第一误差；

22、对于每一条所述第二用电行为数据，对该第二用电行为数据和该第二用电行为数据对应的第二解码用电行为数据进行差异计算，得到该第二用电行为数据对应的编解码误差，并确定为对应的第二误差。

23、在本技术实施例较佳的选择中，在上述用电行为数据识别方法中，所述分析出第三用电行为数据对应的第三误差的步骤，包括：

24、利用所述目标神经网络，对所述第三用电行为数据进行编解码处理，得到所述第三用电行为数据对应的第三解码用电行为数据；

25、对所述第三用电行为数据和所述第三解码用电行为数据进行差异计算，得到所述第三用电行为数据对应的编解码误差，并确定为所述第三用电行为数据对应的第三误差。

26、在本技术实施例较佳的选择中，在上述用电行为数据识别方法中，所述基于所述第三误差、所述第一误差分布和所述第二误差分布，确定所述第三用电行为数据对应的行为识别结果的步骤，包括：

27、基于所述第一误差分布和所述第二误差分布，确定出对应的判断阈值，其中，所述判断阈值与所述第一误差分布中的误差分布情况和所述第二误差分布中的误差分布情况之间都具有相关性；

28、将所述第三误差和所述判断阈值进行大小比较处理；

29、在所述第三误差小于或等于所述判断阈值时，得到用于反映所述第三用电行为数据不属于存在异常用电行为的数据的行为识别结果；

30、在所述第三误差大于所述判断阈值时，得到用于反映所述第三用电行为数据属于存在异常用电行为的数据的行为识别结果。

31、本技术实施例还提供了一种用电行为数据识别装置，包括：

32、第一误差分析模块，用于分析出监督用电行为数据集合对应的第一误差分布和第二误差分布，其中，所述监督用电行为数据集合包括至少一条第一用电行为数据和至少一条第二用电行为数据，每一条所述第一用电行为数据属于存在异常用电行为的数据，每一条所述第二用电行为数据不属于存在异常用电行为的数据，所述第一误差分布包括至少一个第一误差，每一个所述第一误差属于利用目标神经网络对所述第一用电行为数据进行处理形成的误差，所述第二误差分布包括至少一个第二误差，每一个所述第二误差属于利用所述目标神经网络对所述第二用电行为数据进行处理形成的误差；

33、第二误差分析模块，用于分析出第三用电行为数据对应的第三误差，其中，所述第三误差属于利用所述目标神经网络对所述第三用电行为数据进行处理形成的误差；

34、用电行为数据识别模块，用于基于所述第三误差、所述第一误差分布和所述第二误差分布，确定所述第三用电行为数据对应的行为识别结果，其中，所述行为识别结果用于反映所述第三用电行为数据是否属于存在异常用电行为的数据。

35、在上述基础上，本技术实施例还提供了一种电子设备，包括：

36、存储器，用于存储计算机程序；

37、与所述存储器连接的处理器，用于执行该存储器存储的计算机程序，以实现上述的用电行为数据识别方法。

38、在上述基础上，本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，该计算机程序运行时执行上述的用电行为数据识别方法的各个步骤。

39、本技术提供的用电行为数据识别方法和装置、电子设备及存储介质，首先，可以分析出监督用电行为数据集合对应的第一误差分布和第二误差分布；其次，可以分析出第三用电行为数据对应的第三误差；然后，可以基于第三误差、第一误差分布和第二误差分布，确定第三用电行为数据对应的行为识别结果。基于上述内容，由于在进行用电行为数据识别的过程中，并不会直接利用目标神经网络进行分类识别，而是分别利用目标神经网络将第一用电行为数据、第二用电行为数据和第三用电行为数据进行处理，并得到相应的误差即可，如得到第一误差、第二误差和第三误差，如此，由于第一用电行为数据和第二用电行为数据实际上是有标签信息的（少量即可），即已经知道第一用电行为数据和第二用电行为数据是否属于存在异常用电行为的数据，就可以基于第三误差与第一误差和第二误差之间的关系，确定出第三用电行为数据是否也属于存在异常用电行为的数据。也就是说，对于用电行为数据最后的分类识别并不直接依赖于目标神经网络，因此，在目标神经网络的优化过程中也并不需要通过标签信息对分类识别功能进行训练、优化，即对标签信息的依赖较小，基于此，可以改善现有的用电行为数据识别技术中因较少的标签信息不能对具有分类识别功能的神经网络进行有效的监督训练而导致的识别可靠度相对不高的问题。