CN111724000B - 一种用户电费回收风险预测方法、装置及系统 - Google Patents
一种用户电费回收风险预测方法、装置及系统 Download PDFInfo
- Publication number
- CN111724000B CN111724000B CN202010603523.0A CN202010603523A CN111724000B CN 111724000 B CN111724000 B CN 111724000B CN 202010603523 A CN202010603523 A CN 202010603523A CN 111724000 B CN111724000 B CN 111724000B
- Authority
- CN
- China
- Prior art keywords
- model
- management device
- encryption
- prediction model
- joint prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000005611 electricity Effects 0.000 title claims abstract description 41
- 238000004064 recycling Methods 0.000 title claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 37
- 238000011084 recovery Methods 0.000 claims abstract description 29
- 230000003993 interaction Effects 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 24
- 230000004927 fusion Effects 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种用户电费回收风险预测方法、装置及系统,包括:电力收费管理装置获取目标用户的历史电费数据;电力收费管理装置将历史电费数据输入至第一联合预测模型进行模型运算,以获得目标用户的电费回收风险预测结果;其中,第一联合预测模型为配置在电力收费管理装置,且根据协作方装置发送的优化模型参数更新后的神经网络模型。本申请基于联邦学习架构,在电力收费管理装置无需与其他部门的数据进行数据交互的前提下,融合多个参与部门的数据,确保了预测效果,同时避免了各个部门的内部机密外泄,解决了现有的电费回收风险预测的信息安全性低的技术问题。
Description
技术领域
本申请涉及电费回收技术领域,尤其涉及一种用户电费回收风险预测方法、装置及系统。
背景技术
随着社会的发展,电力用户的数量急剧上升,在要满足日益增长的用电需求,使得电力部门必须跟随着大数据的步伐,以求进一步发展,而电费回收便是其中一项,电费回收指的是电力公司在向用户提供电能后,向用户收取费用的过程,是电力公司核心经济来源,关系到电力公司的正常运作。
同时伴随着大数据与人工智能技术的发展,针对电费回收风险预测的问题,采用神经网络方法建立预测模型以进行数据分析预测。但是采用这种方式为了达到模型的预期效果,需要将各个电费回收风险预测参与部门的数据样本集中在一个中心存储上再进行模型预测,但是各个部门的数据存在于自己的本地存储上且包含了相当一部分的内部隐私数据,导致了现有的电费回收风险预测的信息安全性低的技术问题。
发明内容
本申请提供了一种用户电费回收风险预测方法、装置及系统,用于解决现有的电费回收风险预测的信息安全性低的技术问题。
本申请第一方面提供了一种用户电费回收风险预测方法,应用于电力收费管理装置,包括:
电力收费管理装置获取目标用户的历史电费数据;
所述电力收费管理装置将所述历史电费数据输入至第一联合预测模型进行模型运算,以获得所述目标用户的电费回收风险预测结果;
其中,所述第一联合预测模型为配置在所述电力收费管理装置,且根据协作方装置发送的优化模型参数更新后的神经网络模型;
所述优化模型参数的生成过程包括:
所述协作方装置根据接收到的加密模型参数,将各个所述加密模型参数输入至配置在所述协作方装置本地的联邦学习协作模型进行融合训练,得到所述优化模型参数,其中,所述加密模型参数包括:基于所述第一联合预测模型得到的第一加密模型参数、基于配置在计量管理装置的第二联合预测模型得到的第二加密模型参数。
可选地,获得所述联合预测模型输出的预测结果之后还包括:
所述电力收费管理装置将所述预测结果上传至所述协作方装置,使得所述协作方装置根据所述预测结果对所述优化模型参数进行更新。
可选地,所述第一加密模型参数的生成过程包括:
所述电力收费管理装置将所述目标用户的历史电费数据输入至第一联合预测模型,对所述第一联合预测模型进行训练,得到训练后的所述第一联合预测模型;
所述电力收费管理装置基于训练后的所述第一联合预测模型,提取所述第一联合预测模型的模型参数;
所述电力收费管理装置通过同态加密方式,对所述第一联合预测模型的模型参数进行加密,得到所述第一加密模型参数。
可选地,所述第二加密模型参数的生成过程包括:
所述计量管理装置将所述目标用户的用电计量数据输入至第二联合预测模型,对所述第二联合预测模型进行训练,得到训练后所述第二联合预测模型;
所述计量管理装置基于训练好的所述第二联合预测模型,提取所述第二联合预测模型的模型参数;
所述计量管理装置通过同态加密方式,对所述第二联合预测模型的模型参数进行加密,得到所述第二加密模型参数。
可选地,所述加密模型参数还包括:基于配置在客服管理装置的第三联合预测模型得到的第三加密模型参数。
可选地,所述第三加密模型参数的生成过程包括:
所述客服管理装置将所述目标用户的客服交互数据输入至第三联合预测模型,对所述第三联合预测模型进行训练,得到训练后所述第三联合预测模型;
所述客服管理装置基于训练好的所述第三联合预测模型,提取所述第三联合预测模型的模型参数;
所述客服管理装置通过同态加密方式,对所述第三联合预测模型的模型参数进行加密,得到所述第三加密模型参数。
本申请第二方面提供了一种电力收费管理装置,包括:
数据获取单元,用于获取目标用户的历史电费数据;
风险预测单元,用于将所述历史电费数据输入至第一联合预测模型进行模型运算,以获得所述目标用户的电费回收风险预测结果;
其中,所述第一联合预测模型为配置在所述电力收费管理装置,且根据协作方装置发送的优化模型参数更新后的神经网络模型;
所述优化模型参数的生成过程包括:
所述协作方装置根据接收到的加密模型参数,将各个所述加密模型参数输入至配置在所述协作方装置本地的联邦学习协作模型进行融合训练,得到所述优化模型参数,其中,所述加密模型参数包括:基于所述第一联合预测模型得到的第一加密模型参数、基于配置在计量管理装置的第二联合预测模型得到的第二加密模型参数。
可选地,还包括:
结果上传单元,用于将所述预测结果上传至所述协作方装置,使得所述协作方装置根据所述预测结果对所述优化模型参数进行更新。
本申请第三方面提供了一种用户电费回收风险预测系统,包括:计量管理装置、协作方装置以及如本申请第二方面所述的电力收费管理装置;
所述协作方装置,用于根据接收到的加密模型参数,将各个所述加密模型参数输入至配置在所述协作方装置本地的联邦学习协作模型进行融合训练,得到所述优化模型参数,其中,所述加密模型参数包括:基于配置在所述电力收费管理装置的第一联合预测模型得到的第一加密模型参数、基于配置在所述计量管理装置的第二联合预测模型得到的第二加密模型参数。
可选地,还包括:客服管理装置;
所述加密模型参数还包括:基于配置在客服管理装置的第三联合预测模型得到的第三加密模型参数。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请提供了一种用户电费回收风险预测方法,应用于电力收费管理装置,包括:电力收费管理装置获取目标用户的历史电费数据;所述电力收费管理装置将所述历史电费数据输入至第一联合预测模型进行模型运算,以获得所述目标用户的电费回收风险预测结果;其中,所述第一联合预测模型为配置在所述电力收费管理装置,且根据协作方装置发送的优化模型参数更新后的神经网络模型;所述优化模型参数的生成过程包括:所述协作方装置根据接收到的加密模型参数,将各个所述加密模型参数输入至配置在所述协作方装置本地的联邦学习协作模型进行融合训练,得到所述优化模型参数,其中,所述加密模型参数包括:基于所述第一联合预测模型得到的第一加密模型参数、基于配置在计量管理装置的第二联合预测模型得到的第二加密模型参数。
本申请基于联邦学习架构,由电力收费管理装置通过配置在本地,且根据协作方装置发送的优化模型参数更新后的第一联合预测模型进行用户的电费回收风险预测,在无需与其他部门的数据进行数据交互的前提下,融合了各个参与部门的数据,确保了预测效果,同时避免了各个部门的内部机密外泄,解决了现有的电费回收风险预测的信息安全性低的技术问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请提供的一种用户电费回收风险预测方法的第一个实施例的流程示意图;
图2为本申请提供的一种用户电费回收风险预测方法的第二个实施例的流程示意图;
图3为本申请提供的一种电力收费管理装置的第一个实施例的结构示意图。
图4为本申请提供的一种用户电费回收风险预测系统的第一个实施例的结构示意图。
具体实施方式
本申请实施例提供了一种用户电费回收风险预测方法、装置及系统,用于解决现有的电费回收风险预测的信息安全性低的技术问题。
为使得本申请的发明目的、特征、优点能够更加的明显和易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本申请一部分实施例,而非全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
联邦学习(Federated Learning)是一种新兴的人工智能基础技术,是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下,在多参与方或多计算结点之间开展高效率的机器学习。
以包含两个数据拥有方(A和B)的场景为例介绍联邦学习的系统构架。该构架可扩展至包含多个数据拥有方的场景。假设A和B想联合训练一个机器学习模型,它们的业务终端分别拥有各自用户的相关数据。此外,企业B还拥有模型需要预测的标签数据。出于数据隐私保护和安全考虑,A和B无法直接进行数据交换,可使用联邦学习系统建立模型。
由于两家企业的用户群体并非完全重合,系统利用基于加密的用户样本对齐技术,在A和B不公开各自数据的前提下确认双方的共有用户,并且不暴露不互相重叠的用户,以便联合这些用户的特征进行建模。第二部分:加密模型训练。在确定共有用户群体后,就可以利用这些数据训练机器学习模型。为了保证训练过程中数据的保密性,需要借助第三方协作者C进行加密训练。在模型应用过程中,A和B各自的数据均保留在本地,仅进行模型参数的交互,且训练或使用中的数据交互也不会导致数据隐私泄露。因此,双方在联邦学习的帮助下得以实现合作训练模型。
请参阅图1,本申请第一个实施例提供了一种用户电费回收风险预测方法,应用于电力收费管理装置,包括:
步骤101、电力收费管理装置获取目标用户的历史电费数据。
步骤102、电力收费管理装置将历史电费数据输入至第一联合预测模型进行模型运算,以获得目标用户的电费回收风险预测结果,其中,第一联合预测模型为配置在电力收费管理装置,且根据协作方装置发送的优化模型参数更新后的神经网络模型。
优化模型参数的生成过程包括:
协作方装置根据接收到的加密模型参数,将各个加密模型参数输入至配置在协作方装置本地的联邦学习协作模型进行融合训练,得到优化模型参数,其中,加密模型参数包括:基于第一联合预测模型得到的第一加密模型参数、基于配置在计量管理装置的第二联合预测模型得到的第二加密模型参数。
需要说明的是,本实施例以通过实施用户电费回收风险预测的营业厅部门一方为主,其中,电力收费管理装置指代的是营业厅部门实施用户电费回收风险预测的设备统称。
首先,电力收费管理装置从电力部门的数据库获取预测目标用户用电电费回收风险所需的历史电费数据,接着将该历史电费数据输入至第一联合预测模型通过协作方装置下发的优化模型参数更新后的第一联合预测模型进行运算后,以根据模型数据结果得到该目标企业的电费回收风险预测结果。本实施例的优化模型参数是由协作方装置根据从包括电力收费管理装置在内的多个参与方装置处获得的加密模型参数,将各个加密模型参数输入至配置在协作方装置本地的联邦学习协作模型进行融合训练得到的参数。基于联邦学习架构,由电力收费管理装置通过配置在本地,且根据协作方装置发送的优化模型参数更新后的第一联合预测模型进行用户的电费回收风险预测,在无需与其他部门的数据进行数据交互的前提下,融合了各个参与部门的数据,确保了预测效果,同时避免了各个部门的内部机密外泄,解决了现有的电费回收风险预测的信息安全性低的技术问题。
以上为本申请提供的一种用户电费回收风险预测方法的第一个实施例的详细说明,下面为本申请提供的一种用户电费回收风险预测方法的第二个实施例的详细说明。
请参阅图2,本申请第二个实施例提供了一种用户电费回收风险预测方法,包括:
步骤201、电力收费管理装置获取目标用户的历史电费数据。
步骤202、电力收费管理装置将历史电费数据输入至第一联合预测模型进行模型运算,以获得目标用户的电费回收风险预测结果。其中,第一联合预测模型为配置在电力收费管理装置,且根据协作方装置发送的优化模型参数更新后的神经网络模型。
优化模型参数的生成过程包括:
协作方装置根据接收到的加密模型参数,将各个加密模型参数输入至配置在协作方装置本地的联邦学习协作模型进行融合训练,得到优化模型参数,其中,加密模型参数包括:基于第一联合预测模型得到的第一加密模型参数、基于配置在计量管理装置的第二联合预测模型得到的第二加密模型参数。
更具体地第一加密模型参数的生成过程包括:
电力收费管理装置将目标用户的历史电费数据输入至第一联合预测模型,对第一联合预测模型进行训练,得到训练后的第一联合预测模型;
电力收费管理装置基于训练后的第一联合预测模型,提取第一联合预测模型的模型参数;
电力收费管理装置通过同态加密方式,对第一联合预测模型的模型参数进行加密,得到第一加密模型参数。
可以理解的是,在本实施例的第一加密模型参数的生成过程包括中,电力收费管理装置将用于训练的历史电费数据进行加密并输入到配置于电力收费管理装置本地的第一联合预测模型中,对本地的第一联合预测模型进行训练,该过程与单机机器学习中神经网络的训练类似,之后需要对训练后的模型参数损失函数(Loss)和梯度参数(GD)进行上传,以便联邦学习协作模型进行后续的参数优化后麻将优化模型参数回传至电力收费管理装置,使得电力收费管理装置更新后以备下一次风险预测的执行。
其中,本实施例的历史电费数据包括但不限于以下内容:缴费金额,欠费次数,历史缴费记录,历史欠费次数,缴费时间等。
更具体地,第二加密模型参数的生成过程包括:
计量管理装置将目标用户的用电计量数据输入至第二联合预测模型,对第二联合预测模型进行训练,得到训练后第二联合预测模型;
计量管理装置基于训练好的第二联合预测模型,提取第二联合预测模型的模型参数;
计量管理装置通过同态加密方式,对第二联合预测模型的模型参数进行加密,得到第二加密模型参数。
其中,本实施例的用电计量数据包括但不限于以下内容:电表采集数据,故障数据,当月计量设备事件数,时间记录,用电量等。
更具体地,加密模型参数还包括:基于配置在客服管理装置的第三联合预测模型得到的第三加密模型参数。
第三加密模型参数的生成过程包括:
客服管理装置将目标用户的客服交互数据输入至第三联合预测模型,对第三联合预测模型进行训练,得到训练后第三联合预测模型;
客服管理装置基于训练好的第三联合预测模型,提取第三联合预测模型的模型参数;
客服管理装置通过同态加密方式,对第三联合预测模型的模型参数进行加密,得到第三加密模型参数。
同理可理解的是,在本实施例的第二加密模型参数和第三加密模型参数的生成过程与第一加密模型参数的相似,需要对训练后的模型参数损失函数(Loss)和梯度参数(GD)进行上传,以便联邦学习协作模型进行后续的参数优化后回传至参与方装置,在此不做重复赘述。
其中本实施例提及的,配置在各个参与方装置中的联合预测模型的模型参数均包括:该联合预测模型的目标函数和梯度参数。
需要说明的是,本实施例的联邦学习架构可以基于营业厅部门所拥有的目标用户的历史电费数据,以及计量部门所拥有的该目标用户的用电计量数据进行联邦学习预测,但是为了进一步提高预测的准确度还可以进一步加入客服部门所拥有的该目标用户的客服交互数据,以将客服交互数据作为反映该目标用户的用户行为的数据,进一步提高对该目标用户的电费回收风险预测准确度。
步骤203、电力收费管理装置将预测结果上传至协作方装置,使得协作方装置根据预测结果对优化模型参数进行更新。
需要说明的是,本实施例在步骤202的预测阶段之后,还可以包括步骤203的模型更新步骤,使得本实施例的联合预测模型的准确度随着使用次数而提升。
本实施例基于联邦学习架构,由电力收费管理装置通过配置在本地,且根据协作方装置发送的优化模型参数更新后的第一联合预测模型进行用户的电费回收风险预测,在无需与其他部门的数据进行数据交互的前提下,融合了各个参与部门的数据,确保了预测效果,同时避免了各个部门的内部机密外泄,解决了现有的电费回收风险预测的信息安全性低的技术问题。
以上为本申请提供的一种用户电费回收风险预测方法的第二个实施例的详细说明,下面为本申请提供的一种电力费用管理装置的第一个实施例的详细说明。
请参阅图3,本申请第三个实施例提供了一种电力收费管理装置,包括:
数据获取单元301,用于获取目标用户的历史电费数据;
风险预测单元302,用于将历史电费数据输入至第一联合预测模型进行模型运算,以获得目标用户的电费回收风险预测结果;
其中,第一联合预测模型为配置在电力收费管理装置,且根据协作方装置发送的优化模型参数更新后的神经网络模型;
优化模型参数的生成过程包括:
协作方装置根据接收到的加密模型参数,将各个加密模型参数输入至配置在协作方装置本地的联邦学习协作模型进行融合训练,得到优化模型参数,其中,加密模型参数包括:基于第一联合预测模型得到的第一加密模型参数、基于配置在计量管理装置的第二联合预测模型得到的第二加密模型参数。
更具体地,还包括:
结果上传单元303,用于将预测结果上传至协作方装置,使得协作方装置根据预测结果对优化模型参数进行更新。
以上为本申请提供的一种用户电费回收风险预测方法的第二个实施例的详细说明,下面为本申请提供的一种电力费用管理装置的第一个实施例的详细说明。
请参阅图4,本申请第四个实施例提供了一种用户电费回收风险预测系统,包括:计量管理装置B、协作方装置C以及如本申请第三个实施例提及的电力收费管理装置A;
协作方装置C,用于根据接收到的加密模型参数,将各个加密模型参数输入至配置在协作方装置本地的联邦学习协作模型进行融合训练,得到优化模型参数,其中,加密模型参数包括:基于配置在电力收费管理装置A的第一联合预测模型得到的第一加密模型参数、基于配置在计量管理装置B的第二联合预测模型得到的第二加密模型参数。
进一步地,还包括:客服管理装置D;
加密模型参数还包括:基于配置在客服管理装置D的第三联合预测模型得到的第三加密模型参数。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (9)
1.一种用户电费回收风险预测方法,应用于电力收费管理装置,其特征在于,包括:
电力收费管理装置获取目标用户的历史电费数据;
所述电力收费管理装置将所述历史电费数据输入至第一联合预测模型进行模型运算,以获得所述目标用户的电费回收风险预测结果;
其中,所述第一联合预测模型为配置在所述电力收费管理装置,且根据协作方装置发送的优化模型参数更新后的神经网络模型;
所述优化模型参数的生成过程包括:
所述协作方装置根据接收到的加密模型参数,将各个所述加密模型参数输入至配置在所述协作方装置本地的联邦学习协作模型进行融合训练,得到所述优化模型参数,其中,所述加密模型参数包括:基于所述第一联合预测模型得到的第一加密模型参数、基于配置在计量管理装置的第二联合预测模型得到的第二加密模型参数;
所述第二加密模型参数的生成过程包括:
所述计量管理装置将所述目标用户的用电计量数据输入至第二联合预测模型,对所述第二联合预测模型进行训练,得到训练后所述第二联合预测模型;
所述计量管理装置基于训练好的所述第二联合预测模型,提取所述第二联合预测模型的模型参数;
所述计量管理装置通过同态加密方式,对所述第二联合预测模型的模型参数进行加密,得到所述第二加密模型参数。
2.根据权利要求1所述的一种用户电费回收风险预测方法,其特征在于,获得所述联合预测模型输出的预测结果之后还包括:
所述电力收费管理装置将所述预测结果上传至所述协作方装置,使得所述协作方装置根据所述预测结果对所述优化模型参数进行更新。
3.根据权利要求1所述的一种用户电费回收风险预测方法,其特征在于,所述第一加密模型参数的生成过程包括:
所述电力收费管理装置将所述目标用户的历史电费数据输入至第一联合预测模型,对所述第一联合预测模型进行训练,得到训练后的所述第一联合预测模型;
所述电力收费管理装置基于训练后的所述第一联合预测模型,提取所述第一联合预测模型的模型参数;
所述电力收费管理装置通过同态加密方式,对所述第一联合预测模型的模型参数进行加密,得到所述第一加密模型参数。
4.根据权利要求1所述的一种用户电费回收风险预测方法,其特征在于,所述加密模型参数还包括:基于配置在客服管理装置的第三联合预测模型得到的第三加密模型参数。
5.根据权利要求4所述的一种用户电费回收风险预测方法,其特征在于,所述第三加密模型参数的生成过程包括:
所述客服管理装置将所述目标用户的客服交互数据输入至第三联合预测模型,对所述第三联合预测模型进行训练,得到训练后所述第三联合预测模型;
所述客服管理装置基于训练好的所述第三联合预测模型,提取所述第三联合预测模型的模型参数;
所述客服管理装置通过同态加密方式,对所述第三联合预测模型的模型参数进行加密,得到所述第三加密模型参数。
6.一种电力收费管理装置,其特征在于,包括:
数据获取单元,用于获取目标用户的历史电费数据;
风险预测单元,用于将所述历史电费数据输入至第一联合预测模型进行模型运算,以获得所述目标用户的电费回收风险预测结果;
其中,所述第一联合预测模型为配置在所述电力收费管理装置,且根据协作方装置发送的优化模型参数更新后的神经网络模型;
所述优化模型参数的生成过程包括:
所述协作方装置根据接收到的加密模型参数,将各个所述加密模型参数输入至配置在所述协作方装置本地的联邦学习协作模型进行融合训练,得到所述优化模型参数,其中,所述加密模型参数包括:基于所述第一联合预测模型得到的第一加密模型参数、基于配置在计量管理装置的第二联合预测模型得到的第二加密模型参数;
所述第二加密模型参数的生成过程包括:
所述计量管理装置将所述目标用户的用电计量数据输入至第二联合预测模型,对所述第二联合预测模型进行训练,得到训练后所述第二联合预测模型;
所述计量管理装置基于训练好的所述第二联合预测模型,提取所述第二联合预测模型的模型参数;
所述计量管理装置通过同态加密方式,对所述第二联合预测模型的模型参数进行加密,得到所述第二加密模型参数。
7.根据权利要求6所述的一种电力收费管理装置,其特征在于,还包括:
结果上传单元,用于将所述预测结果上传至所述协作方装置,使得所述协作方装置根据所述预测结果对所述优化模型参数进行更新。
8.一种用户电费回收风险预测系统,其特征在于,包括:计量管理装置、协作方装置以及如权利要求6或7所述的电力收费管理装置;
所述协作方装置,用于根据接收到的加密模型参数,将各个所述加密模型参数输入至配置在所述协作方装置本地的联邦学习协作模型进行融合训练,得到所述优化模型参数,其中,所述加密模型参数包括:基于配置在所述电力收费管理装置的第一联合预测模型得到的第一加密模型参数、基于配置在所述计量管理装置的第二联合预测模型得到的第二加密模型参数。
9.根据权利要求8所述的一种用户电费回收风险预测系统,其特征在于,还包括:客服管理装置;
所述加密模型参数还包括:基于配置在客服管理装置的第三联合预测模型得到的第三加密模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010603523.0A CN111724000B (zh) | 2020-06-29 | 2020-06-29 | 一种用户电费回收风险预测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010603523.0A CN111724000B (zh) | 2020-06-29 | 2020-06-29 | 一种用户电费回收风险预测方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111724000A CN111724000A (zh) | 2020-09-29 |
CN111724000B true CN111724000B (zh) | 2024-02-09 |
Family
ID=72569612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010603523.0A Active CN111724000B (zh) | 2020-06-29 | 2020-06-29 | 一种用户电费回收风险预测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111724000B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488421B (zh) * | 2020-12-15 | 2023-04-28 | 国网雄安金融科技集团有限公司 | 一种电费应收账款的跟踪预测方法及装置 |
CN113610303B (zh) * | 2021-08-09 | 2024-03-19 | 北京邮电大学 | 一种负荷预测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004078692A (ja) * | 2002-08-20 | 2004-03-11 | Chugoku Electric Power Co Inc:The | リスク対応型電気料金提案支援装置、リスク対応型電気料金提案支援方法、およびその方法をコンピュータに実行させるプログラム |
JP6476338B1 (ja) * | 2018-08-28 | 2019-02-27 | 新日鉄住金エンジニアリング株式会社 | 電力需要予測システム、電力需要予測モデルの構築方法、プログラム、及び営業支援システム |
CN110444263A (zh) * | 2019-08-21 | 2019-11-12 | 深圳前海微众银行股份有限公司 | 基于联邦学习的疾病数据处理方法、装置、设备及介质 |
WO2020020088A1 (zh) * | 2018-07-23 | 2020-01-30 | 第四范式(北京)技术有限公司 | 神经网络模型的训练方法和系统以及预测方法和系统 |
WO2020029585A1 (zh) * | 2018-08-10 | 2020-02-13 | 深圳前海微众银行股份有限公司 | 基于迁移学习的神经网络联邦建模方法、设备及存储介质 |
CN110874484A (zh) * | 2019-10-16 | 2020-03-10 | 众安信息技术服务有限公司 | 基于神经网络和联邦学习的数据处理方法和系统 |
CN111008709A (zh) * | 2020-03-10 | 2020-04-14 | 支付宝(杭州)信息技术有限公司 | 联邦学习、资料风险评估方法、装置和系统 |
CN111340375A (zh) * | 2020-02-28 | 2020-06-26 | 创新奇智(上海)科技有限公司 | 一种电费回收风险预测方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2387776A4 (en) * | 2009-01-14 | 2013-03-20 | Integral Analytics Inc | OPTIMIZED MICROGRID ENERGY UTILIZATION AND DISTRIBUTION |
-
2020
- 2020-06-29 CN CN202010603523.0A patent/CN111724000B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004078692A (ja) * | 2002-08-20 | 2004-03-11 | Chugoku Electric Power Co Inc:The | リスク対応型電気料金提案支援装置、リスク対応型電気料金提案支援方法、およびその方法をコンピュータに実行させるプログラム |
WO2020020088A1 (zh) * | 2018-07-23 | 2020-01-30 | 第四范式(北京)技术有限公司 | 神经网络模型的训练方法和系统以及预测方法和系统 |
WO2020029585A1 (zh) * | 2018-08-10 | 2020-02-13 | 深圳前海微众银行股份有限公司 | 基于迁移学习的神经网络联邦建模方法、设备及存储介质 |
JP6476338B1 (ja) * | 2018-08-28 | 2019-02-27 | 新日鉄住金エンジニアリング株式会社 | 電力需要予測システム、電力需要予測モデルの構築方法、プログラム、及び営業支援システム |
CN110444263A (zh) * | 2019-08-21 | 2019-11-12 | 深圳前海微众银行股份有限公司 | 基于联邦学习的疾病数据处理方法、装置、设备及介质 |
CN110874484A (zh) * | 2019-10-16 | 2020-03-10 | 众安信息技术服务有限公司 | 基于神经网络和联邦学习的数据处理方法和系统 |
CN111340375A (zh) * | 2020-02-28 | 2020-06-26 | 创新奇智(上海)科技有限公司 | 一种电费回收风险预测方法、装置、电子设备及存储介质 |
CN111008709A (zh) * | 2020-03-10 | 2020-04-14 | 支付宝(杭州)信息技术有限公司 | 联邦学习、资料风险评估方法、装置和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111724000A (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111935156B (zh) | 一种联邦学习的数据隐私保护方法 | |
CN112270597A (zh) | 业务处理、信用评价模型训练方法、装置、设备及介质 | |
CN111722043B (zh) | 一种电力设备故障检测方法、装置及系统 | |
CN106572000A (zh) | 一种基于微信公众号平台的施工现场质量安全管理方法 | |
CN111724000B (zh) | 一种用户电费回收风险预测方法、装置及系统 | |
CN111526200A (zh) | 一种基于区块链和云平台的数据存储访问方法及系统 | |
CN112288094A (zh) | 联邦网络表示学习方法及系统 | |
CN111723942B (zh) | 一种企业用电负荷预测方法、电网业务子系统及预测系统 | |
CN115169576B (zh) | 基于联邦学习的模型训练方法、装置及电子设备 | |
CN106022706A (zh) | 电子合约主体以及相关执行过程信息的全息呈现系统 | |
WO2015066072A1 (en) | Method and system for generating a master clinical database and uses thereof | |
CN109376167A (zh) | 专家选取方法、装置和服务器 | |
CN110599370A (zh) | 一种基于区块链的物业管理方法、装置和存储介质 | |
CN114331658A (zh) | 一种税电指标计算方法及装置 | |
CN109118151B (zh) | 一种工单事务处理方法及工单事务处理系统 | |
Van Aubel et al. | Privacy by design for local energy communities | |
CN116402159A (zh) | 联邦学习方法、预测方法、装置、电子设备及存储介质 | |
Peters et al. | Blockchain in consumer-centric electricity markets: An overview | |
Liu et al. | Federated Digital Gateway: Methodologies, Tools, and Applications | |
CN113434269B (zh) | 基于区块链的分布式隐私计算方法及装置 | |
Patil et al. | AI Enabled Blockchain solution for the Indian Judicial System | |
Mohammed | Smart cities as Complex System of Systems: Challenges and Open Research Problems | |
CN117790003A (zh) | 一种问诊推荐方法、装置及计算机可读存储介质 | |
Fardoun et al. | Proposed model for social and collaborative social network of positive reinforcement | |
CN107171925A (zh) | 会话数据的处理方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |