【技术实现步骤摘要】
本专利技术属于电力量费，特别涉及一种基于人工智能大模型的量费智能审核方法。
技术介绍
1、大模型技术是一种基于深度学习的人工智能模型，能够通过对海量数据的训练，实现复杂任务的自动化处理和智能决策。在电力量费审核中，大模型技术可以整合用户计费档案、算法规则和历史异常数据等多源信息，自动识别电量异常、优化审核规则，提升审核的准确性和效率，解决复杂业务场景下的量费异常问题，推动审核流程智能化与自动化。
2、然而，随着电网用户数量增加、用户用电行为复杂化和电力系统的数字化转型，传统的量费审核模式正面临诸多挑战：(1)场景适应性不足：现有的大模型在处理量费审核时，主要针对部分标准化的业务场景，而在用电行为复杂多变的实际环境下，模型泛化能力不足，难以覆盖所有应用场景。(2)数据利用率不足：现有大模型较为依赖结构化的用电数据，未能充分利用多模态数据，如用户行为、历史异常案例和专家知识等，进而导致模型无法全方位分析复杂的业务场景，影响了审核结果的精度和覆盖面。(3)审核规则与技术更新不足：现有量费审核规则大多依赖人工设定，模型缺乏自动化的规则更新和优化机制，无法适应不断变化的业务场景和新型用电行为。
3、公开号为cn114154719a的中国专利公开了一种基于神经网络大工业用电基本电费预测方法，包括以下步骤：(1)首先将企业历史用电负荷数据进行统计预处理；(2)其次对负荷数据做归一化处理，将负荷数据转化为[0,1]区间上的输入向量；(3)然后根据输入向量以及需要的输出向量构建误差反向传播算法神经网络模型；(4)完成训练及
技术实现思路
1、本专利技术提供一种基于人工智能大模型的量费智能审核方法，旨在解决现有的量费审核模式场景适应性不足、数据利用率较低且审核规则与技术更新滞后的问题。
2、为解决上述技术问题，本专利技术提供一种基于人工智能大模型的量费智能审核方法，包括以下步骤：
3、s1：利用智能语料归集技术与自然语言处理技术对用户计费档案、用户行为日志、算法规则、异常审核规则、历史异常案例和专家知识进行自动采集和整理，形成结构化和非结构化的多模态数据集。
4、s2：对多模态数据集进行预处理后，利用特征提取技术提取关键特征，并对提取关键特征的多模态数据集进行融合处理。
5、s3：通过图神经网络基于多模态数据集，对用户之间的用电行为和计费关系建立关系模型，用于自动检测和识别量费异常问题。
6、s4：建立审核规则模型，对图神经网络输出向量与审核规则模型基于强化学习方法进行训练，并通过超参数优化技术和反向传播算法调整强化学习参数，以提升量费异常检测的准确性。
7、优选的，所述步骤s2具体为：
8、通过包括异常值检测、缺失值填补和归一化在内的数据清洗对多模态数据集进行预处理。
9、利用主成分分析、线性判别分析和特征选择算法中任一算法对经过预处理的多模态数据集提取关键特征。
10、利用基于卷积神经网络和长短期记忆网络的混合模型将提取关键特征的多模态数据集进行融合处理。
11、优选的，所述卷积神经网络与长短期记忆网络的混合模型结构具体为：
12、f(x)＝α*fstruct(xstruct)+β*funstruct(xunstruct)+γ*ftime(xtime)
13、其中，fstruct表示结构化数据的特征提取函数，主要通过全连接网络处理；funstruct表示非结构化数据的特征提取函数，由卷积神经网络提取；ftime表示时序数据的特征提取函数，由长短期记忆网络提取；α、β、γ为动态权重系数，表示各类数据的重要性，这些权重在训练过程中通过反向传播算法自适应优化；xstruct为结构化数据；xunstruct为非结构化数据；xtime为时间序列数据。
14、优选的，所述步骤s3具体为：
15、用户网络被表示为一个无向图g＝(v,e)，其中v为用户节点，e为用户之间的关系,每个用户节点vi∈v的特征向量即为多模态数据集中的特征向量通过图神经网络层进行信息传播和聚合，更新节点的表示。
16、对于每个用户节点vi，其在k+1层的特征向量表示为：
17、
18、式中，aggregate是聚合函数，表示平均值、最大值或加权求和；为第u个用户节点在k层的特征向量；n(vi)是节点vi的邻居节点集合；w(k)为第k层的权重矩阵，σ为激活函数。
19、通过多层图神经网络的传播，更新用户节点的表示，逐渐融合其邻居节点的信息，捕捉用户用电行为关联。
20、优选的，对于每个用户节点，构建异常检测函数a(v)用于评估用户节点异常性，表示该节点在网络中的异常程度，结合用户节点的更新表示，定义异常度量为：
21、
22、其中，hmean是所有用户节点的平均表示，异常度量越大，说明该用户节点的用电行为与其邻居节点的差异越大，可能存在异常行为。
23、优选的，所述步骤s4中通过强化学习方法，对审核规则模型进行训练具体为：
24、强化学习方法基于q-learning模型通过与环境交互，不断优化策略π(s)，其目标是最大化累计奖励r＝∑γtrt，其中γ为折扣因子，rt是第t步的即时奖励。
25、在q-learning模型训练中，将审核规则模型设为动作a，图神经网络输出向量设为状态s，定义状态-动作值函数q(s,a)，其更新规则为：
26、q(s,a)←q(s,a)+α[r+γmaxq(s′,a′)-q(s,a)]
27、式中，r是即时奖励；α为学习率；γ为折扣因子；q(s′,a′)为状态-动作值函数，具体指状态s下采取动作a之后，未来所能获得的累积奖励的期望值。
28、在每个时间步，q-learning模型根据当前状态st选择动作at，通过环境反馈奖励rt，并根据q值更新公式对审核规则模型进行优化。
29、优选的，所述方法还包括：
30、s5：基于规则推理技术和专家系统，构建动态优化机制，通过自动优化初始审核规则的生成及更新，结合强化学习算法使审核规则能够自适应调整，以应对新业务场景的变化。
31、另一方面，本专利技术提供一种基于人工智能大模型的量费智能审核系统，包括数据采集模块、数据提取与融合模块、关系建模与异常检测模块以及模型训练与量费审核模块。
32、数据采集模块，用于利用智能语料归集技术与自然语言处理技术对用户计费档案、用户行为日志、算法规则、本文档来自技高网...
【技术保护点】
1.一种基于人工智能大模型的量费智能审核方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于人工智能大模型的量费智能审核方法，其特征在于，所述步骤S2具体为：
3.根据权利要求2所述的基于人工智能大模型的量费智能审核方法，其特征在于，所述卷积神经网络与长短期记忆网络的混合模型结构具体为：
4.根据权利要求1所述的基于人工智能大模型的量费智能审核方法，其特征在于，所述步骤S3具体为：
5.根据权利要求4所述的基于人工智能大模型的量费智能审核方法，其特征在于，对于每个用户节点，构建异常检测函数A(v)用于评估用户节点异常性，表示该节点在网络中的异常程度，结合用户节点的更新表示，定义异常度量为：
6.根据权利要求1所述的基于人工智能大模型的量费智能审核方法，其特征在于，所述步骤S4中通过强化学习方法，对审核规则模型进行训练具体为：
7.根据权利要求1所述的基于人工智能大模型的量费智能审核方法，其特征在于，所述方法还包括：
8.一种基于人工智能大模型的量费智能审核系统，其特征在于，所述系统基于权
9.一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于人工智能大模型的量费智能审核方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能大模型的量费智能审核方法。
...【技术特征摘要】
1.一种基于人工智能大模型的量费智能审核方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于人工智能大模型的量费智能审核方法，其特征在于，所述步骤s2具体为：
3.根据权利要求2所述的基于人工智能大模型的量费智能审核方法，其特征在于，所述卷积神经网络与长短期记忆网络的混合模型结构具体为：
4.根据权利要求1所述的基于人工智能大模型的量费智能审核方法，其特征在于，所述步骤s3具体为：
5.根据权利要求4所述的基于人工智能大模型的量费智能审核方法，其特征在于，对于每个用户节点，构建异常检测函数a(v)用于评估用户节点异常性，表示该节点在网络中的异常程度，结合用户节点的更新表示，定义异常度量为：
6.根据权利要求1所述的基于人工智能大模型的量费智能审核方法，其特征在于，所述步骤s4中通过强化学习方法，对审核规则模型...
【专利技术属性】
技术研发人员：张怡，洪华伟，陈孟颖，钱晓瑞，王佩韵，陈筱珺，江润叶，詹祥澎，王丽丽，吕隽，黄佳慧，郑文悦，黄洲，
申请(专利权)人：国网福建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。