【關(guān)鍵詞】集約化模式；機(jī)器學(xué)習(xí)；電費(fèi)核算；異常；識(shí)別

引言

在電力產(chǎn)業(yè)領(lǐng)域內(nèi)，電費(fèi)核算作為確保電力順暢供應(yīng)、捍衛(wèi)市場(chǎng)公正性的核心步驟，其計(jì)算的精確性和作業(yè)的高效性，對(duì)電力企業(yè)經(jīng)濟(jì)效益的穩(wěn)定增長(zhǎng)以及公眾形象的構(gòu)建起著至關(guān)重要的作用。然而，電費(fèi)核算過(guò)程中受到各種因素的影響，存在一定的異常情況，不僅影響了電費(fèi)核算的準(zhǔn)確性，也給供電企業(yè)和用戶帶來(lái)了諸多不便。因此，對(duì)電費(fèi)核算異常進(jìn)行識(shí)別與處理，成為當(dāng)前電費(fèi)管理領(lǐng)域亟待解決的重要問(wèn)題?，F(xiàn)階段，文獻(xiàn)[1]、文獻(xiàn)[2]提出的識(shí)別方法應(yīng)用較為廣泛，雖然取得了一定的成果，但是在實(shí)際應(yīng)用中仍然存在缺陷。其中，李佳凝[1]提出的識(shí)別方法在面對(duì)海量復(fù)雜與動(dòng)態(tài)變化的電力數(shù)據(jù)時(shí)，難以有效應(yīng)對(duì)各種異常情況，導(dǎo)致電費(fèi)核算的準(zhǔn)確性較低。何小宇[2]等人提出的識(shí)別方法通過(guò)構(gòu)建異常識(shí)別模型實(shí)現(xiàn)電費(fèi)核算異常識(shí)別目標(biāo)，存在效率低下、錯(cuò)誤率高等問(wèn)題，無(wú)法滿足日益增長(zhǎng)的業(yè)務(wù)需求。

在電力行業(yè)中，集約化模式的應(yīng)用主要體現(xiàn)在資源的優(yōu)化配置、流程的簡(jiǎn)化與標(biāo)準(zhǔn)化、管理的精細(xì)化等方面[3]。機(jī)器學(xué)習(xí)作為人工智能的核心技術(shù)之一，在電費(fèi)核算異常識(shí)別中，可以自動(dòng)提取與電費(fèi)核算異常相關(guān)的關(guān)鍵特征，學(xué)習(xí)電力數(shù)據(jù)的正常模式，并自動(dòng)檢測(cè)與正常模式不符的異常數(shù)據(jù)，為異常識(shí)別提供有力的支持[4]。基于此，本文在集約化模式下，利用機(jī)器學(xué)習(xí)，開(kāi)展了電費(fèi)核算異常識(shí)別方法研究，以期為電費(fèi)管理領(lǐng)域的可持續(xù)發(fā)展做出貢獻(xiàn)。

一、電費(fèi)核算異常識(shí)別方法設(shè)計(jì)

（一）電費(fèi)核算數(shù)據(jù)采集

為了精準(zhǔn)識(shí)別電力客戶在電費(fèi)核算過(guò)程中可能出現(xiàn)的異常情況，首要步驟是系統(tǒng)性地收集并深入剖析電力客戶的龐大用電數(shù)據(jù)集，特別是那些直接關(guān)系到電費(fèi)核算精準(zhǔn)度的關(guān)鍵信息。鑒于這些數(shù)據(jù)量龐大且復(fù)雜，本文采用了精細(xì)化的數(shù)據(jù)篩選和提煉方法，將焦點(diǎn)鎖定在負(fù)荷數(shù)據(jù)和數(shù)據(jù)采集等核心字段上，以確保分析結(jié)果的準(zhǔn)確性和實(shí)用性。這些字段的詳細(xì)信息在表1中得到了具體呈現(xiàn)。

為了構(gòu)建全面而精確的用電大數(shù)據(jù)集，首先從供電局的負(fù)控終端、智能電表或其他服務(wù)提供商處收集電費(fèi)核算數(shù)據(jù)，包括電力客戶的用電記錄、賬單信息、歷史數(shù)據(jù)等。為了全面描繪電力使用的動(dòng)態(tài)變化，將原始的日負(fù)荷數(shù)據(jù)轉(zhuǎn)化為直觀的日負(fù)荷曲線圖。此過(guò)程通過(guò)捕捉電力消費(fèi)隨時(shí)間變化的趨勢(shì)，實(shí)現(xiàn)了電力使用情況的精確描繪[5]。進(jìn)一步將每日連續(xù)的負(fù)荷數(shù)據(jù)精簡(jiǎn)為24個(gè)具有代表性的時(shí)間節(jié)點(diǎn)數(shù)據(jù)點(diǎn)，這些節(jié)點(diǎn)涵蓋了從凌晨到深夜的負(fù)荷波動(dòng)[6]。通過(guò)這種方式，構(gòu)建了一個(gè)n×24維的初始負(fù)荷曲線矩陣，它集合了電力用戶的詳細(xì)用電信息，為后續(xù)的電費(fèi)核算異常檢測(cè)任務(wù)提供了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)。

（二）提取電費(fèi)核算特征

為了聚焦關(guān)鍵信息并提升處理效率，應(yīng)當(dāng)提取出數(shù)據(jù)集中的重要數(shù)據(jù)點(diǎn)，并捕獲這些數(shù)據(jù)的核心特征，揭示用電數(shù)據(jù)與電費(fèi)識(shí)別之間的潛在聯(lián)系。首先，運(yùn)用流聚類技術(shù)，設(shè)定閾值，并在數(shù)據(jù)集中選擇初始簇的中心點(diǎn)。其次，分析每個(gè)用電數(shù)據(jù)點(diǎn)到這些簇中心點(diǎn)的距離，識(shí)別出那些與簇中心緊密相關(guān)且距離小于設(shè)定閾值的用電數(shù)據(jù)。將這些數(shù)據(jù)點(diǎn)歸為一組，形成數(shù)據(jù)集族簇。通過(guò)迭代更新，根據(jù)新的數(shù)據(jù)和聚類結(jié)果對(duì)族簇進(jìn)行調(diào)整和優(yōu)化，公式如下所示：

其中，ri+1表示迭代更新后的用電數(shù)據(jù)集族簇；i表示迭代更新的次數(shù)；mi表示當(dāng)前批次加入用電數(shù)據(jù)集族簇的點(diǎn)的數(shù)量；ri表示上一次得到的初始族簇；qi表示當(dāng)前批次的族簇中心；c表示衰減因子；ki表示族簇分配對(duì)應(yīng)的點(diǎn)數(shù)。在此基礎(chǔ)上，識(shí)別出電費(fèi)核算的周期性成分，公式如下：

其中，n表示時(shí)間序列的長(zhǎng)度；μ表示時(shí)間序列的均值；σ2表示時(shí)間序列的方差。通過(guò)該公式衡量時(shí)間序列在不同時(shí)間延遲下的相似性，從而揭示用電數(shù)據(jù)的周期性特征，反映用電數(shù)據(jù)在一段時(shí)間內(nèi)重復(fù)出現(xiàn)的模式[7]。

通過(guò)上述處理流程，能夠更精準(zhǔn)地提取出用電數(shù)據(jù)中的關(guān)鍵特征信息，為電費(fèi)核算異常識(shí)別提供有力支持。

（三）基于機(jī)器學(xué)習(xí)的電費(fèi)核算異常識(shí)別

電費(fèi)核算特征提取完畢后，在此基礎(chǔ)上，利用機(jī)器學(xué)習(xí)，對(duì)電費(fèi)核算異常進(jìn)行全方位地識(shí)別。利用機(jī)器學(xué)習(xí)構(gòu)建適用于電費(fèi)核算異常識(shí)別的人工神經(jīng)網(wǎng)絡(luò)，如圖1所示。

圖1中，輸入層主要包括電力用戶的各項(xiàng)基本信息、電費(fèi)結(jié)算數(shù)據(jù)、采集數(shù)據(jù)等；輸出層包括電費(fèi)核算異常、用電行為異常、抄表異常等。首先，將前期采集的詳細(xì)數(shù)據(jù)與提取的關(guān)鍵特征作為輸入，注入模型的起始層。隨后，調(diào)整并優(yōu)化機(jī)器學(xué)習(xí)算法，確保其在多臺(tái)高性能服務(wù)器上能夠高效運(yùn)行。接下來(lái)，通過(guò)監(jiān)督學(xué)習(xí)的方式，利用這些電費(fèi)核算數(shù)據(jù)對(duì)模型進(jìn)行深度訓(xùn)練，從而生成一個(gè)精準(zhǔn)識(shí)別異常的人工神經(jīng)網(wǎng)絡(luò)。一旦待審核的電費(fèi)核算數(shù)據(jù)流入該模型，它能夠迅速捕捉并定位異常，準(zhǔn)確判斷電費(fèi)核算中的異常類型，并有效識(shí)別出潛在的風(fēng)險(xiǎn)點(diǎn)。若電費(fèi)核算數(shù)據(jù)連續(xù)、穩(wěn)定，波動(dòng)范圍正常，且電量電費(fèi)核算結(jié)果與電力系統(tǒng)提示的審核結(jié)果一致，無(wú)異常提示，則識(shí)別該電費(fèi)核算無(wú)異常。若電費(fèi)核算數(shù)據(jù)缺失或異常波動(dòng)，如電量突然激增或減少，且電量電費(fèi)核算結(jié)果與電力系統(tǒng)提示的審核結(jié)果不一致，存在錯(cuò)誤提示，則識(shí)別該電費(fèi)核算存在異常。電費(fèi)核算異常類型，如下表2所示。

按照表2，識(shí)別出電費(fèi)核算異常的具體類型。

二、實(shí)驗(yàn)分析

（一）實(shí)驗(yàn)準(zhǔn)備

實(shí)驗(yàn)所使用的數(shù)據(jù)集來(lái)源于某大型電網(wǎng)公司近五年的電費(fèi)核算記錄，總數(shù)據(jù)量達(dá)到200萬(wàn)個(gè)用戶記錄。這些記錄涵蓋了用戶的基本信息（如用戶ID、地址、用電類型等）、歷史用電量、電費(fèi)金額以及用電時(shí)間等關(guān)鍵字段。數(shù)據(jù)的多樣性和豐富性為實(shí)驗(yàn)提供了堅(jiān)實(shí)的基礎(chǔ)。為了模擬真實(shí)的電費(fèi)核算異常情況，在原始數(shù)據(jù)集中注入了不同比例和類型的異常數(shù)據(jù)，如下表3所示。

除了主動(dòng)注入的異常數(shù)據(jù)外，對(duì)于用電量或電費(fèi)金額明顯偏離正常范圍的異常值，進(jìn)行刪除處理。本實(shí)驗(yàn)在搭載Intel Core i7處理器、16GB RAM和1TB SSD的服務(wù)器上進(jìn)行。使用Python 3.8作為編程語(yǔ)言，并安裝數(shù)據(jù)處理庫(kù)，旨在提供一個(gè)全面、真實(shí)且具有挑戰(zhàn)性的實(shí)驗(yàn)環(huán)境，以驗(yàn)證基于機(jī)器學(xué)習(xí)的電費(fèi)核算異常識(shí)別方法的有效性和可靠性。

（二）識(shí)別結(jié)果分析

設(shè)定實(shí)驗(yàn)場(chǎng)景，將客戶用電負(fù)載的變化細(xì)分為六個(gè)時(shí)間片段。實(shí)驗(yàn)中，每秒接收高達(dá)1000條的電費(fèi)核算數(shù)據(jù)。使用本文提出的異常識(shí)別方法，標(biāo)記為方法A，為了進(jìn)行對(duì)照，還引入了文獻(xiàn)[1]、[2]設(shè)計(jì)的兩種常規(guī)識(shí)別方法，分別標(biāo)記為方法B和方法C。每種方法都獨(dú)立地處理了每秒接收的1000條電費(fèi)核算數(shù)據(jù)，旨在從中識(shí)別出異常模式。完成異常識(shí)別后，我們將三種方法的識(shí)別結(jié)果與實(shí)際的電費(fèi)核算異常情況進(jìn)行了詳細(xì)的對(duì)比分析，評(píng)估每種識(shí)別方法在處理電費(fèi)核算數(shù)據(jù)時(shí)的準(zhǔn)確性和可靠性。通過(guò)對(duì)比，能夠清晰地識(shí)別出每種方法的識(shí)別誤差，并將這些結(jié)果以圖2進(jìn)行了直觀展示。

由圖2的對(duì)比結(jié)果可以看出，本文提出的異常識(shí)別方法應(yīng)用后，在識(shí)別數(shù)據(jù)量逐漸增加的情況下，識(shí)別誤差始終小于另外兩種常規(guī)方法。這意味著該方法在識(shí)別電費(fèi)核算數(shù)據(jù)中的異常時(shí)，能夠更準(zhǔn)確地捕捉和定位到實(shí)際存在的異常情況，從而提高了電費(fèi)核算的準(zhǔn)確性。

結(jié)束語(yǔ)

電費(fèi)核算異常識(shí)別研究，旨在通過(guò)運(yùn)用現(xiàn)代數(shù)據(jù)分析技術(shù)和人工智能算法，對(duì)電費(fèi)核算過(guò)程中可能出現(xiàn)的各種異常情況進(jìn)行深入分析和研究。該研究不僅有助于提升電費(fèi)核算的準(zhǔn)確性和效率，還能夠?yàn)楣╇娖髽I(yè)制定更為科學(xué)合理的電費(fèi)管理策略提供有力支持。同時(shí)，對(duì)于維護(hù)電力市場(chǎng)的健康、穩(wěn)定運(yùn)作、促進(jìn)電力市場(chǎng)的可持續(xù)發(fā)展具有深遠(yuǎn)影響。