[发明专利]基于多分枝残差注意力网络的智能稽查建模方法

说明书

本发明提出了一种基于多分枝残差注意力网络的智能稽查建模方法，其步骤为：首先，获取稽查数据字段，并对稽查数据字段进行预处理得到训练数据；其次，构建多分枝残差注意力网络，并利用训练数据对多分枝残差注意力网络进行训练，得到多分枝残差注意力网络模型；最后，将稽查数据输入多分枝残差注意力网络模型中，输出稽查结果，完成对电力营销业务中的异常问题的识别分类与自动排查。本发明通过多次卷积操作，捕获更多数据，解决长时序数据较难学习的问题，同时该网络采用高效注意力机制，在稽查数据变化较大的时刻点投入更多的注意力，从而提高了模型训练和预测的准确度。

技术领域

本发明涉及智能稽查建模技术领域，特别是指一种基于多分枝残差注意力网络的智能稽查建模方法。

背景技术

电力稽查是电力营销中不可或缺的一个职能，在电力营销市场化过程中扮演越来越重要的角色。如何平衡稽查与被稽查者之间的利益，在有限的稽查中发现和预测电力营销中更多的错误，已经成为电力公司和科研人员关注的新课题。建立智能稽查模型，深入洞察电力营销业务中存在的问题，支撑异常问题整改，实现数字化稽查是提高电力营销稽查效率的必要手段。目前，电力营销稽查建模方法主要有以下几种：

(1)基于稽查结果的营销工作质量评价定性分析模型

该方法运用专家调查法进行风险程度和管控强度测评，基于评价得分和具体差错类型，应用专业统计分析建模技术，建立稽查结果统计分析模型，实现营销差错的主因分析确定、成因分析、责任岗位分析、营销业务短板分析、风险性分析，但是这种方法稽查方式单一。

(2)基于数据挖掘技术的电价执行在线稽查模型

该方法以计量、营销等海量用电数据为研究对象，利用K-Means聚类算法识别客户的典型用电模式，利用马氏距离判别算法识别电价异常用户。利用计量自动化、营销系统海量用电数据，基于自适应模糊神经推理和决策树C5.0算法构建电价执行智能稽查模型，但是这种方法准确率不高。

(3)基于数据挖掘的用电数据异常的分析与研究

该方法首先利用孤立森林算法构建异常检测模型，识别大部分异常用户。其次通过建立基于聚类分析、局部离群因子算法的异常检测模型并进行比较。再次利用决策树算法建立用电数据异常识别模型，但是此方法效率低下，排查范围有限。

(4)基于广义规则归纳算法的电力稽查关联问题分析模型

该模型从建模角度出发，对稽查样本问题库进行编码整理，再对问题字段进行bool变换，将文本规范化为符号变量，解决了文本难以分类和噪声过大的问题，然后利用数据挖掘中的GRI关联算法对已有的稽查样本数据库进行问题关联分析，得出问题间的隐含关系，但是此方法排查深度不够，误差率高。

发明内容

针对目前深度学习算法在稽查建模方法中存在特征提取不充分，浅层的网络容易出现梯度消失，较难有效学习长时序数据间的映射关系等问题，本发明提供了一种基于多分枝残差注意力网络的智能稽查建模方法，克服了传统方法人工筛选效率低、应用场景单一、模型精度差的缺陷。

本发明的技术方案是这样实现的：

一种基于多分枝残差注意力网络的智能稽查建模方法，其步骤如下：

步骤一：获取稽查数据字段，并对稽查数据字段进行预处理得到训练数据；

步骤二：构建多分枝残差注意力网络，并利用训练数据对多分枝残差注意力网络进行训练，得到多分枝残差注意力网络模型；

步骤三：将稽查数据输入多分枝残差注意力网络模型中，输出稽查结果，完成对电力营销业务中的异常问题的识别分类与自动排查。

所述稽查数据字段包括:日期、线路或台区ID、供电量、售电量、线路用户电量、电流、电压和功率因素。