【技术实现步骤摘要】
本专利技术属于人工智能领域，尤其涉及基于一种基于人工智能的财务数据异常检测方法及系统。
技术介绍
1、在当今高速发展的电力市场中，随着电力系统规模的扩大和复杂度的增加，财务数据管理成为电力企业面临的重要挑战之一。传统的财务数据异常检测方法主要依赖于规则基础的检测和简单的统计分析，这些方法虽然在早期的电力系统管理中发挥了一定的作用，但随着数据量的爆炸式增长和电力系统运营环境的复杂化，这些传统方法已经难以满足现代电力系统对于财务数据管理的需求。例如，规则基础的方法无法有效处理非线性和高维度的数据特性，而简单的统计分析方法则难以识别复杂的异常模式，这些局限性使得电力企业难以及时发现和处理财务数据中的异常情况，从而增加了经营风险和财务损失。
2、近年来，随着人工智能技术的迅速发展，基于机器学习的异常检测方法开始被应用于多个领域，包括财务数据管理。这些方法通过学习历史数据中的模式，能够自动识别出与这些模式不符的异常数据。然而，电力系统的财务数据具有其特有的复杂性，如受到季节变化、天气条件、政策调整等多种因素的影响，这些因素使得电力系统的财务数据呈现出高度的非线性和动态变化特性。此外，电力系统的财务数据还涉及到大规模的资本支出和运维成本，这些数据之间存在复杂的相互关系。现有的基于机器学习的异常检测方法往往忽略了这些特性，导致其在电力系统财务数据管理中的应用效果有限。因此，如何有效地结合电力系统财务数据的特点，开发出更加高效、准确的异常检测方法，成为亟须解决的问题。
技术实现思路
1
2、为了达到上述目的，在本专利技术第一方面提供一种基于人工智能的财务数据异常检测方法，所述方法包括：
3、s1、获取电力系统财务数据并对所述电力系统财务数据进行数据清洗和归一化处理得到财务数据，然后使用自适应窗口技术、统计特性计算和事件识别增强算法提取关键时间特征，再采用基于深度学习的自编码器进行数据降维，同时通过强化学习优化自编码器参数；其中，原始数据集为x，归一化后的数据为x'，归一化函数为f(·)，则对于任意数据点x∈x，所述数据清洗和归一化处理表示如下：
4、
5、其中，μ和σ分别代表x中数据的动态平均值和标准差；
6、s2、构建基于长短时神经网络的周期性负荷预测模型，用于捕捉和预测电力系统财务数据的周期性变化，引入季节性调整计算调整后的财务数据，同时在长短时神经网络的特征融合层整合从长短时神经网络学到的时间序列特征和外部影响因素，输入到全连接层，设计基于电力系统财务数据的周期性权重的损失函数，同时使用adam优化器动态调整学习率；其中，所述损失函数l表示如下：
7、
8、其中，wt是一个基于时间t的周期性权重因子，n表示样本数量，x't表示经季节性调整后的实际财务数据值，表示预测的财务数据值；另外，所述周期性权重因子表示如下：
9、
10、其中，p表示周期长度，φ为周期相位偏移，α是权重调整因子，用于控制周期性权重的影响程度；所述使用adam优化器动态调整学习率表示如下：
11、
12、其中，ηnew是调整后的学习率，ηbase是基础学习率，β是学习率调整因子，用于控制学习率变化的幅度；
13、s3、将财务数据构成财务数据集d，再对财务数据集d进行标准化处理得到特征，然后采用核方法对特征进行拓展计算财务数据的非线性关系和隐藏模式，然后基于处理后的特征构建多维关联图g＝(v,e)，其中节点v代表电力财务数据的不同维度特征，边e代表不同特征之间的关联强度，然后基于图嵌入技术将多维关联图转化为低维向量空间，再通过特征选择算法筛选出对预测任务最有贡献的特征；
14、s4、利用因果推理和关联规则学习技术分析这些数据间的关系；
15、s5、使用机器学习分类算法进行异常数据的检测与识别；
16、s6、根据异常检测的反馈结果，利用强化学习中的actor-critic网络不断调整和优化检测策略和模型参数；
17、s7、将异常数据的检测与识别结构和用户反馈整合入系统优化循环，不断迭代更新模型。
18、进一步地，所述自适应窗口技术表示通过cpd算法识别出变化点集合{cp1,cp2,…,cpn}，然后根据这些变化点划分时间窗口；
19、所述统计特性计算表示在每个自适应窗口内计算统计特性s(ti)，其中，统计特性s(ti)包括均值mean(ti)，方差var(ti)，趋势trend(ti)，表示如下：
20、s(ti)＝{mean(ti),var(ti),trend(ti),…}
21、其中，ti表示在时间窗i内的数据序列；
22、所述事件识别增强算法表示采用文本分析技术从财务报告和市场新闻中提取与电力相关的事件标签，将事件标签作为额外的特征纳入模型。
23、进一步地，所述s1中自编码器的损失函数l(x,edecode(eencode(x)))表示如下：
24、l(x,edecode(eencode(x)))＝mse(x,edecode(eencode(x)))+λ||θ||2
25、其中，x表示输入到自编码器的原始财务数据；eencode表示自编码器的编码部分，负责将输入数据转换成低维表示；edecode表示自编码器的解码部分，用于将低维表示恢复成原始数据格式；mse表示均方误差；λ为正则化参数，θ为自编码器的参数。
26、进一步地，所述引入季节性调整计算调整后的财务数据，表示如下：
27、
28、其中，xt表示时间t的原始数据；st表示季节性因子，根据历史数据中同一景节的平均值得出；x't表示季节性调整后的数据。
29、进一步地，所述s3中，所述对财务数据集d进行标准化，如下所示：
30、
31、其中，d'i表示处理后的数据点，且数据点di∈d，μi和σi分别表示特征i的平均值和标准差；
32、采用核方法对特征进行拓展计算财务数据的非线性关系和隐藏模式，表示如下：
33、
34、其中，φ(d'i)表示特征d'i的新表示，通过核方法转换增强财务数据的非线性关系表达；d'i表示经预处理的财务数据特征；c表示核函数中心，σ表示核函数的宽度参数；
35、然后基于图嵌入技术将多维关联图转化为低维向量空间，表示如下：
36、
37、其中，p(d′i,d′j)表示联合概率分布，p(d′i)和p(d′j)表示边缘概率分布；
38、再通过特征选择算法筛选出对预测任务最有贡献的特征，表示如下：
39、l＝α·lpred+(1-α)·lgraph
40、lpred表示本文档来自技高网...
【技术保护点】
1.一种基于人工智能的财务数据异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于人工智能的财务数据异常检测方法，其特征在于，所述自适应窗口技术表示通过CPD算法识别出变化点集合{cp1,cp2,…,cpn}，然后根据这些变化点划分时间窗口；
3.根据权利要求1所述的一种基于人工智能的财务数据异常检测方法，其特征在于，所述S1中自编码器的损失函数L(X,Edecode(Eencode(X)))表示如下：
4.根据权利要求1所述的一种基于人工智能的财务数据异常检测方法，其特征在于，所述引入季节性调整计算调整后的财务数据，表示如下：
5.根据权利要求1所述的一种基于人工智能的财务数据异常检测方法，其特征在于，所述S3中，所述对财务数据集D进行标准化，如下所示：
6.根据权利要求1所述的一种基于人工智能的财务数据异常检测方法，其特征在于，所述S4具体包括：
7.根据权利要求1所述的一种基于人工智能的财务数据异常检测方法，其特征在于，所述S5具体包括：
8.根据权利要求1所述的一种基
9.根据权利要求1所述的一种基于人工智能的财务数据异常检测方法，其特征在于，所述S7具体包括：
10.一种基于人工智能的财务数据异常检测系统，包括计算机可读存储介质和处理器，其特征在于，所述计算机可读存储介质用于存储可执行程序；所述处理器用于读取所述计算机可读存储介质中存储的可执行程序，执行权利要求1-9任一项所述的一种基于人工智能的财务数据异常检测方法。
...【技术特征摘要】
1.一种基于人工智能的财务数据异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于人工智能的财务数据异常检测方法，其特征在于，所述自适应窗口技术表示通过cpd算法识别出变化点集合{cp1,cp2,…,cpn}，然后根据这些变化点划分时间窗口；
3.根据权利要求1所述的一种基于人工智能的财务数据异常检测方法，其特征在于，所述s1中自编码器的损失函数l(x,edecode(eencode(x)))表示如下：
4.根据权利要求1所述的一种基于人工智能的财务数据异常检测方法，其特征在于，所述引入季节性调整计算调整后的财务数据，表示如下：
5.根据权利要求1所述的一种基于人工智能的财务数据异常检测方法，其特征在于，所述s3中，所述对财务数据集d进行标准化，如下所示：
6.根据权利要求1所述的一种基于人工智能的财务数据异常...
【专利技术属性】
技术研发人员：苏华权，李俊伟，郭莉，王婉烁，温游，曾纪钧，李凯，
申请(专利权)人：广东电网有限责任公司信息中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。