【技术实现步骤摘要】
本专利技术属于无监督风险识别，具体地说是一种基于无监督学习的智能潜在特征识别电力营销风险规则库的构建方法及系统。
技术介绍
1、在电力营销事件领域，异常风险事件的识别对于保障电力系统的稳定运行和防范潜在的经济损失至关重要。然而，由于异常事件的发生频率较低且缺乏清晰的定义，加之往往缺乏真实的标签信息，目前对无监督异常检测方法的研究相对较少。此外，在电力营销事件中，同样存在缺乏真实标签的情况，这进一步增加了检测异常风险事件的难度。
2、随着智能电网和现代电力营销系统中传感器数量的不断增加，对电力营销事件进行异常检测变得愈发困难。如何有效地处理来自多传感器的测量数据，以学习系统的动态和背景，并提高系统的运行效率，成为新的挑战。传统的数学学习方法在处理大规模数据源时存在局限性，难以应对数据的复杂性和多样性。因此，引入深度学习（dl）技术成为一种有吸引力的选择。深度学习能够有效地捕捉上下文感知的潜在模式，并被广泛认为是各个领域中最先进的方法之一。
3、在基于深度学习的表征学习中，已经有一些研究致力于设计错误行为检测方法，以识别多传感器数据中的异常事件。然而，这些方法通常不能从多传感器数据中提取出强大且统一的基本正常行为表示，并同时保留事件之间的依赖性。因此，需要进一步探索和开发创新的方法，以克服这些挑战，提高对多传感器数据中风险事件的准确检测和有效建模的能力。
技术实现思路
1、针对上述现有技术存在的问题，本专利技术提出一种智能潜在特征识别电力营销风险规则库的构建方法
2、为此，本专利技术采用如下的技术方案。
3、第一方面，本专利技术提供一种智能潜在特征识别电力营销风险规则库的构建方法，其包括：
4、步骤1），收集电力营销数据，并将其转换为lstm-vae模型可接受的格式；
5、步骤2），构建lstm-vae模型，以提取电力营销数据中的潜在特征；
6、步骤3），使用电力营销数据训练lstm-vae模型；
7、步骤4），构建基于神经网络的自编码器模型，对lstm-vae模型提取的潜在特征进行稀疏编码和重建；
8、步骤5），使用lstm-vae模型提取的潜在特征训练自编码器模型；
9、步骤6），使用训练好的自编码器模型计算重建误差；
10、步骤7），应用3σ原则对重建误差进行异常点检测；
11、步骤8），将判断为异常点的数据加入风险规则库中，然后使用k-mean聚类法将加入的数据与库中的样本进行归类，实时更新风险规则库。
12、本专利技术可以有效地应对电力营销数据中异常事件的检测难题，提供了一种高效、准确的风险识别和建模手段，显著提升电力营销系统的运行效率和安全性。电力营销风险规则库是指包含电力营销风险事件规则的库。
13、本专利技术特别适用于识别风险事件的场景，能够在复杂的监测场景中定位异常事件，通过lstm-vae和nnae-ad模型的结合，实现高效特征提取和精确异常检测，并能够实时更新风险规则库。本专利技术适用于电力营销、时间序列数据分析以及缺乏标记数据的领域，能够处理未知异常类型的数据，具有广泛的适用性和灵活性，为电力营销风险控制和其他时间序列数据分析提供了高效可靠的解决方案。
14、进一步地，步骤2）中，所述的lstm-vae模型：编码器部分由lstm层组成，将时间序列数据转换为潜在特征；解码器部分由lstm层和全连接层组成，将潜在特征还原为原始数据。
15、进一步地，步骤3）中，所述lstm-vae模型的训练过程如下：
16、将电力营销数据分为训练集和验证集，再将数据输入到lstm-vae模型中，通过前向传播计算输出，并计算输出与输入之间的重建误差及潜在特征正则化项作为损失函数；使用反向传播算法，根据损失函数的梯度更新模型参数，优化模型性能；
17、训练过程中需要设定训练轮数和批次大小，并监控训练集和验证集的损失值，避免过拟合。
18、进一步地，步骤4）的具体内容如下：
19、41）定义自编码器模型的输入层，其输入特征维度与lstm-vae提取的潜在特征维度相同；
20、42）接着构建编码器部分，通过全连接层将输入特征压缩到一个低维度的稀疏编码；
21、43）构建解码器部分，将稀疏编码重建回原始特征空间；编译模型时，选择合适的优化器和损失函数，以确保模型在训练过程中能够有效地学习和重建特征。
22、进一步地，步骤5）中，将lstm-vae模型提取的潜在特征作为输入数据，输入到自编码器模型中进行训练，通过训练自编码器模型，使其能够识别和区分正常模式与异常模式。
23、更进一步地，当输入数据为正常模式时，自编码器模型能够准确重建输入数据，重建误差小；当输入数据为异常模式时，由于其特征与正常模式存在显著差异，自编码器模型难以准确重建输入数据，重建误差大；通过监测重建误差，自编码器模型能够有效识别和区分电力营销数据的正常模式与异常模式。
24、进一步地，步骤6）中，所述重建误差的计算过程如下：
25、所述的重建误差通过比较原始潜在特征与重建后潜在特征之间的差异来计算，使用均方误差作为度量标准。
26、进一步地，步骤7）中，应用3σ原则对重建误差进行异常点检测的具体步骤如下：
27、71）计算所有重建误差的均值μ和计算所有重建误差的标准差σ；
28、72）设定阈值：根据3σ原则，设定阈值为μ+3σ；重建误差超过该阈值的数据点被视为异常点，重建误差大。
29、进一步地，步骤8）中的具体过程如下：
30、81）将识别出的异常点数据加入风险规则库中，确保所有异常事件都被记录和跟踪；
31、82）对风险规则库中的数据进行k-means聚类，将新增的数据与库中的样本进行归类，从而识别和分类出不同类型的风险事件；
32、83）定期或再有新数据时，根据新加入数据，使用k-means模型进行新数据归类，确保风险规则库中的分类和聚类结果始终是最新和最准确。
33、第二方面，本专利技术提供一种智能潜在特征识别电力营销风险规则库的构建系统，其用于实现所述智能潜在特征识别电力营销风险规则库的构建方法，包括：
34、数据准备单元：用于收集电力营销数据，并将其转换为lstm-vae模型可接受的格式；
35、lstm-vae模型构建单元：用于构建lstm-vae模型，以提取电力营销数据中的潜在特征；
36、lstm-vae模型训练单元：使用电力营销数据训练lstm-vae模型；
37、自编码器模型构建本文档来自技高网...
【技术保护点】
1.一种智能潜在特征识别电力营销风险规则库的构建方法，其特征在于，包括：
2.根据权利要求1所述的智能潜在特征识别电力营销风险规则库的构建方法，其特征在于，步骤2）中，所述的LSTM-VAE模型：编码器部分由LSTM层组成，将时间序列数据转换为潜在特征；解码器部分由LSTM层和全连接层组成，将潜在特征还原为原始数据。
3.根据权利要求1所述的智能潜在特征识别电力营销风险规则库的构建方法，其特征在于，步骤3）中，所述LSTM-VAE模型的训练过程如下：
4.根据权利要求1所述的智能潜在特征识别电力营销风险规则库的构建方法，其特征在于，步骤4）的具体内容如下：
5.根据权利要求1所述的智能潜在特征识别电力营销风险规则库的构建方法，其特征在于，步骤5）中，将LSTM-VAE模型提取的潜在特征作为输入数据，输入到自编码器模型中进行训练，通过训练自编码器模型，使其能够识别和区分正常模式与异常模式。
6.根据权利要求5所述的智能潜在特征识别电力营销风险规则库的构建方法，其特征在于，当输入数据为正常模式时，重建误差小，自编码器模型能够
7.根据权利要求1所述的智能潜在特征识别电力营销风险规则库的构建方法，其特征在于，步骤6）中，所述重建误差的计算过程如下：
8.根据权利要求1所述的智能潜在特征识别电力营销风险规则库的构建方法，其特征在于，步骤7）中，应用3σ原则对重建误差进行异常点检测的具体步骤如下：
9.根据权利要求1所述的智能潜在特征识别电力营销风险规则库的构建方法，其特征在于，步骤8）中的具体过程如下：
10.一种智能潜在特征识别电力营销风险规则库的构建系统，用于实现权利要求1-9任一项所述智能潜在特征识别电力营销风险规则库的构建方法，其特征在于，包括：
...【技术特征摘要】
1.一种智能潜在特征识别电力营销风险规则库的构建方法，其特征在于，包括：
2.根据权利要求1所述的智能潜在特征识别电力营销风险规则库的构建方法，其特征在于，步骤2）中，所述的lstm-vae模型：编码器部分由lstm层组成，将时间序列数据转换为潜在特征；解码器部分由lstm层和全连接层组成，将潜在特征还原为原始数据。
3.根据权利要求1所述的智能潜在特征识别电力营销风险规则库的构建方法，其特征在于，步骤3）中，所述lstm-vae模型的训练过程如下：
4.根据权利要求1所述的智能潜在特征识别电力营销风险规则库的构建方法，其特征在于，步骤4）的具体内容如下：
5.根据权利要求1所述的智能潜在特征识别电力营销风险规则库的构建方法，其特征在于，步骤5）中，将lstm-vae模型提取的潜在特征作为输入数据，输入到自编码器模型中进行训练，通过训练自编码器模型，使其能够识别和区分正常模式与异常模式。
6.根据权利要求5所述的智能潜在...
【专利技术属性】
技术研发人员：杨柳欣，孙钢，沈然，徐世予，刘欢，程杰慧，蒋弋帆，郭励，罗宇恒，方炳坤，章一新，金王英，汪金荣，谷泓杰，章江铭，
申请(专利权)人：国网浙江省电力有限公司营销服务中心，
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。