CN116703571A - 一种电网用户信用评价方法、系统、电子设备及存储介质 - Google Patents
一种电网用户信用评价方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116703571A CN116703571A CN202310960878.9A CN202310960878A CN116703571A CN 116703571 A CN116703571 A CN 116703571A CN 202310960878 A CN202310960878 A CN 202310960878A CN 116703571 A CN116703571 A CN 116703571A
- Authority
- CN
- China
- Prior art keywords
- intranet
- data
- financial
- model
- credit evaluation
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 98
- 238000012549 training Methods 0.000 claims abstract description 69
- 230000004927 fusion Effects 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 36
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 description 6
- 239000000047 product Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/098—Distributed learning, e.g. federated 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开一种电网用户信用评价方法、系统、电子设备及存储介质,涉及基于特定计算模型的电力系统技术领域,包括:对电力内网数据集和金融内网数据集进行同一用户的数据对齐,提取同一用户在两个数据集中的交集,分别作为电力内网训练集和金融内网训练集,将电力内网数据集中除交集外的数据作为电力内网非交集数据集;根据电力内网训练集和金融内网训练集构建信用评价神经网络模型;根据电力内网非交集数据集构建辅助模型,两个模型融合后得到信用评价融合模型;根据信用评价神经网络模型和信用评价融合模型,得到电网用户信用评价结果,保证数据安全,提升信用评估的准确性和实时性。
Description
技术领域
本发明涉及基于特定计算模型的电力系统技术领域,特别是涉及一种电网用户信用评价方法、系统、电子设备及存储介质。
背景技术
电力市场中电力客户的电网用户信用评价分析是市场研究的一个关键内容,尤其是在电费缴纳和日常用电过程的行为直接影响电力公司的正常运营。
当前,由于电网用户信用评价方法单一,对于用电数据少的客户更是无法对其进行评价,导致窃漏电现象屡禁不止,欠缴电费回收困难,线损率居高不下,给电力企业造成严重损失,严重影响到电力企业正常的生产经营活动。
同时,电网公司传统业务发展较为稳定的同时,需要拓展综合能源等新兴业务,其中包括综合能源设备租赁业务。
但是,在综合能源服务、充电桩建设等电力新型租赁业务拓展方面,对信用风险评估也提出了更高的要求;且作为较为典型的数据应用场景,当前信用风险评估面临着多源数据整合困难,数据使用时的法律风险等障碍。
综上,传统的信用评价方法维度单一、评价时效性差;传统基于机器学习的电网用户信用评价方法由于电力公司掌握的数据有限、信用异常用户样本较少,对信用异常的电网用户的有效识别受到限制。
发明内容
为了解决上述问题,本发明提出了一种电网用户信用评价方法、系统、电子设备及存储介质,基于电网数据与金融数据的数据联合机制,将电网数据与金融数据进行有效结合,丰富电力数据特征,且在保证数据安全的前提下,完成用户的信用评价,提升信用评估的准确性和实时性。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种电网用户信用评价方法,包括:
对电力内网数据集和金融内网数据集进行同一用户的数据对齐,提取同一用户在两个数据集中的交集,并分别作为电力内网训练集和金融内网训练集,将电力内网数据集中除交集外的数据作为电力内网非交集数据集;
根据电力内网训练集和金融内网训练集构建信用评价神经网络模型;
根据电力内网非交集数据集构建辅助模型,并将信用评价神经网络模型与辅助模型融合后得到信用评价融合模型;
根据信用评价神经网络模型确定边际贡献度,将边际贡献度与由信用评价融合模型得到的权重进行加权计算,得到电力内网数据贡献度和金融内网数据贡献度,以此得到电网用户信用评价结果。
作为可选择的实施方式,由电力内网训练集和金融内网训练集共同训练分布式神经网络,且分布式神经网络的训练过程在电力公司和金融机构各自的内网环境下进行,以构建信用评价神经网络模型。
作为可选择的实施方式,所述分布式神经网络包括底层模型和顶层模型,采用金融内网训练集训练分布式神经网络的底层模型,采用电力内网训练集训练分布式神经网络的顶层模型。
作为可选择的实施方式,通过金融内网训练集训练底层模型,并将底层模型的输出结果发送到顶层模型,顶层模型在底层模型输出的基础上通过电力内网训练集训练顶层模型,并将梯度信息反向传播给底层模型,使得底层模型和顶层模型同时得到训练,从而完成信用评价神经网络模型的构建。
作为可选择的实施方式,在电力内网环境下,由电力内网非交集数据集独立训练神经网络,以构建辅助模型。
作为可选择的实施方式,将边际贡献度与由信用评价融合模型得到的权重进行加权计算的过程包括:
信用评价融合模型以电力内网数据和金融内网数据为输入,以用户信用评分为输出,在训练过程中,自动学习电力内网数据和金融内网数据对信用评分的相对贡献,并分配相应的权重,训练完成后,提取信用评价融合模型中电力内网数据和金融内网数据的权重;
使用Shapley值法分别计算电力内网数据边际贡献度和金融内网数据边际贡献度,再根据电力内网数据和金融内网数据的权重,得到电力内网数据贡献度和金融内网数据贡献度。
作为可选择的实施方式,根据电力内网数据贡献度和金融内网数据贡献度评价用户信用的过程包括:对电力内网数据贡献度和金融内网数据贡献度进行归一化处理;将归一化后的电力内网数据贡献度和金融内网数据贡献度相加得到综合信用评分;根据综合信用评分和设定的信用等级阈值为用户分配相应的信用等级。
第二方面,本发明提供一种电网用户信用评价系统,包括:
交集求解模块,被配置为对电力内网数据集和金融内网数据集进行同一用户的数据对齐,提取同一用户在两个数据集中的交集,并分别作为电力内网训练集和金融内网训练集,将电力内网数据集中除交集外的数据作为电力内网非交集数据集;
交集训练模块,被配置为根据电力内网训练集和金融内网训练集构建信用评价神经网络模型;
非交集训练与融合模块,被配置为根据电力内网非交集数据集构建辅助模型,并将信用评价神经网络模型与辅助模型融合后得到信用评价融合模型;
评价模块,被配置为根据信用评价神经网络模型确定边际贡献度,将边际贡献度与由信用评价融合模型得到的权重进行加权计算,得到电力内网数据贡献度和金融内网数据贡献度,以此得到电网用户信用评价结果。
第三方面,本发明提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述的方法。
第四方面,本发明提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
与现有技术相比,本发明的有益效果为:
本发明提出一种基于多源数据的电网用户信用评价方法,基于电网数据与金融数据的数据联合机制,将电网数据与金融数据进行有效结合,丰富电力数据特征,利用用户的金融信息数据提升对电网用户信用的评价效果。
本发明提出一种基于多源数据的电网用户信用评价方法,数据的对齐、模型训练等,均在各自的内网中进行,在不泄露自己样本数据的前提下,在保证数据安全的前提下,完成用户的信用评价,提升信用评估的准确性和实时性。
本发明提出一种基于多源数据的电网用户信用评价方法,对非对齐的电力数据使用模型融合的方法,对没有金融数据相关的电网用户进行信息评价模型的建模,进一步扩大模型的可检测范围。
本发明提出一种基于多源数据的电网用户信用评价方法,提出并构建电网数据与金融数据联合训练的纵向联邦学习框架,同时对Shapley值法增加权重计算,应对电网用户信用评价场景下电力数据中无法与金融数据对齐部分的识别,从而可以对电网数据和金融数据对识别结果的贡献度进行更有效评估。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的电网用户信用评价方法流程图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,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。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1
本实施例提供一种电网用户信用评价方法,如图1所示,包括:
对电力内网数据集和金融内网数据集进行同一用户的数据对齐,提取同一用户在两个数据集中的交集,并分别作为电力内网训练集和金融内网训练集,将电力内网数据集中除交集外的数据作为电力内网非交集数据集;
根据电力内网训练集和金融内网训练集构建信用评价神经网络模型;
根据电力内网非交集数据集构建辅助模型,并将信用评价神经网络模型与辅助模型融合后得到信用评价融合模型;
根据信用评价神经网络模型确定边际贡献度,将边际贡献度与由信用评价融合模型得到的权重进行加权计算,得到电力内网数据贡献度和金融内网数据贡献度,以此得到电网用户信用评价结果。
在本实施例中,将电力内网数据集和金融内网数据集的同一用户的不同维度的数据进行对齐,提取同一用户在两个数据集中都有的部分,以将电网数据与金融数据准确地关联到一起;
由此,上述数据集被划分为4个子数据集,分别是电力内网非交集数据集、电力内网训练集、金融内网训练集和金融内网非交集数据集;电力内网训练集和金融内网训练集为对齐的数据集。
其中,(1)有交集的电力内网训练集包括:用户身份信息包括姓名、身份证号、地址等;联系方式包括电话号码、邮箱等。
(2)电力内网非交集数据集包括:用电记录包括用电量、用电时间、峰谷时段等;电费支付记录包括支付金额、支付时间、支付方式等;电表信息包括电表型号、安装时间、最近一次检查时间等。
(3)有交集的金融内网训练集包括:用户身份信息包括姓名、身份证号、地址等;联系方式包括电话号码、邮箱等。
(4)金融内网非交集数据集包括:信用记录包括信用额度、信用评分、逾期记录等;贷款记录包括贷款金额、贷款期限、贷款利率、还款情况等;交易记录包括交易金额、交易时间、交易对手等。
需要说明的是,所有数据的获取都在符合法律法规和用户同意的基础上,并对数据进行合法应用。
在本实施例中,电力公司和金融机构分别在各自内网进行数据集的整理,采用隐私数据集求解交集的方法实现数据对齐,确认一部分多方共有的样本,实现了各方在不泄露自己样本数据的前提下,完成对双方共有样本的确认。
在本实施例中,在电力内网和金融内网中分别训练各自的神经网络模型,并进行梯度信息的交互,从而构建信用评价融合模型,具体包括:
由电力内网训练集和金融内网训练集共同训练分布式神经网络,且训练过程在各自内网环境下进行;
分布式神经网络包括底层模型和顶层模型,金融机构拥有无标注的数据集,用于训练分布式神经网络的底层模型,电力公司拥有标注的用户用电数据,用于训练分布式神经网络的顶层模型;
其中,金融机构通过金融内网训练集训练底层模型,并将底层模型的输出结果发送到顶层模型,顶层模型在底层模型输出的基础上通过电力内网训练集训练顶层模型,并将梯度信息反向传播给底层模型,使得底层模型和顶层模型同时得到训练,从而完成电网用户信用评价神经网络模型的构建,该模型用于学习从输入特征到信用评分的映射关系;
再者,在电力内网环境下,由电力内网非交集数据集独立训练神经网络,以构建辅助神经网络模型,该模型决策树模型,用于捕捉信用评价神经网络模型可能忽略的一些信用评价相关的信息。
最后,将信用评价神经网络模型与辅助模型融合后得到信用评价融合模型;
模型融合的过程包括:将信用评价神经网络模型和辅助模型的预测结果使用加权平均融合方法进行融合;具体的:对信用评价神经网络模型和辅助模型的预测结果分别赋予一个权重,然后进行加权求和;使用测试集评估融合模型的性能,如准确率、F1分数等,如果融合后的模型性能有显著提升,说明融合策略是有效的;其中,该权重可以通过交叉验证等方法确定,以使得融合后的模型在验证集上表现最佳。
在本实施例中,对非对齐的电力数据使用模型融合的方法,对没有金融数据相关的电网用户进行基于电力数据的辅助补充模型,以进一步扩大检测范围。
在本实施例中,根据信用评价融合模型和信用评价神经网络模型计算电力公司和金融机构的加权边际贡献度;将信用评价神经网络模型所计算出的边际贡献度,与信用评价融合模型的权重结果进行加权计算,以此得到电力内网数据贡献度和金融内网数据贡献度。
具体的,针对边际贡献度:使用Shapley值法来计算边际贡献度,计算每个特征的Shapley值,由此得到每个特征对预测结果的平均贡献。
针对信用评价融合模型的权重结果;信用评价融合模型以电力内网数据和金融内网数据为输入,以用户的信用评分为输出;在训练过程中,能够自动学习到电力内网数据和金融内网数据对信用评分的相对贡献,并为它们分配相应的权重,训练完成后,可以提取信用评价融合模型中电力内网数据和金融内网数据的权重。
需要说明的是,信用评价融合模型本身不会直接输出贡献度,而是通过结合信用评价神经网络模型和辅助模型的预测结果来提高性能;但是,可以分析融合模型的权重结果,从而了解电力内网数据和金融内网数据在融合模型中的相对贡献。
然后,针对边际贡献度与权重的加权计算;设w1为电力内网数据权重,w2为金融内网数据权重;电力内网数据贡献度=电力内网数据边际贡献度×w1;金融内网数据贡献度=金融内网数据边际贡献度×w2。
最后,根据电力内网数据贡献度和金融内网数据贡献度评价用户信用的过程包括:
(1)归一化贡献度:对电力内网数据贡献度和金融内网数据贡献度进行归一化处理,使其处于相同的度量范围;例如,将它们映射到0-1之间。
(2)计算综合信用评分:根据归一化后的贡献度,为每个用户计算一个综合信用评分;可以通过将归一化后的电力内网数据贡献度和金融内网数据贡献度相加来实现。
(3)设定信用等级阈值:根据实际业务需求和信用风险容忍度,设定一系列信用等级阈值;例如,将综合信用评分划分为优秀、良好、一般和较差四个等级,对应不同的信用风险水平。
(4)分配信用等级:根据用户的综合信用评分,将用户分配到相应的信用等级;例如,如果用户的综合信用评分高于优秀等级的阈值,则将其划分为优秀等级。
通过以上评价规则,可以根据电力内网数据贡献度和金融内网数据贡献度评估用户的信用,这有助于电力公司和金融机构更好地理解用户信用风险,从而为用户提供更合适的服务和产品。
实施例2
本实施例提供一种电网用户信用评价系统,包括:
交集求解模块,被配置为对电力内网数据集和金融内网数据集进行同一用户的数据对齐,提取同一用户在两个数据集中的交集,并分别作为电力内网训练集和金融内网训练集,将电力内网数据集中除交集外的数据作为电力内网非交集数据集;
交集训练模块,被配置为根据电力内网训练集和金融内网训练集构建信用评价神经网络模型;
非交集训练与融合模块,被配置为根据电力内网非交集数据集构建辅助模型,并将信用评价神经网络模型与辅助模型融合后得到信用评价融合模型;
评价模块,被配置为根据信用评价神经网络模型确定边际贡献度,将边际贡献度与由信用评价融合模型得到的权重进行加权计算,得到电力内网数据贡献度和金融内网数据贡献度,以此得到电网用户信用评价结果。
此处需要说明的是,上述模块对应于实施例1中所述的步骤,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种电网用户信用评价方法,其特征在于,包括:
对电力内网数据集和金融内网数据集进行同一用户的数据对齐,提取同一用户在两个数据集中的交集,并分别作为电力内网训练集和金融内网训练集,将电力内网数据集中除交集外的数据作为电力内网非交集数据集;
根据电力内网训练集和金融内网训练集构建信用评价神经网络模型;
根据电力内网非交集数据集构建辅助模型,并将信用评价神经网络模型与辅助模型融合后得到信用评价融合模型;
根据信用评价神经网络模型确定边际贡献度,将边际贡献度与由信用评价融合模型得到的权重进行加权计算,得到电力内网数据贡献度和金融内网数据贡献度,以此得到电网用户信用评价结果。
2.如权利要求1所述的一种电网用户信用评价方法,其特征在于,由电力内网训练集和金融内网训练集共同训练分布式神经网络,且分布式神经网络的训练过程在电力公司和金融机构各自的内网环境下进行,以构建信用评价神经网络模型。
3.如权利要求2所述的一种电网用户信用评价方法,其特征在于,所述分布式神经网络包括底层模型和顶层模型,采用金融内网训练集训练分布式神经网络的底层模型,采用电力内网训练集训练分布式神经网络的顶层模型。
4.如权利要求3所述的一种电网用户信用评价方法,其特征在于,通过金融内网训练集训练底层模型,并将底层模型的输出结果发送到顶层模型,顶层模型在底层模型输出的基础上通过电力内网训练集训练顶层模型,并将梯度信息反向传播给底层模型,使得底层模型和顶层模型同时得到训练,从而完成信用评价神经网络模型的构建。
5.如权利要求1所述的一种电网用户信用评价方法,其特征在于,在电力内网环境下,由电力内网非交集数据集独立训练神经网络,以构建辅助模型。
6.如权利要求1所述的一种电网用户信用评价方法,其特征在于,将边际贡献度与由信用评价融合模型得到的权重进行加权计算的过程包括:
信用评价融合模型以电力内网数据和金融内网数据为输入,以用户信用评分为输出,在训练过程中,自动学习电力内网数据和金融内网数据对信用评分的相对贡献,并分配相应的权重,训练完成后,提取信用评价融合模型中电力内网数据和金融内网数据的权重;
使用Shapley值法分别计算电力内网数据边际贡献度和金融内网数据边际贡献度,再根据电力内网数据和金融内网数据的权重,得到电力内网数据贡献度和金融内网数据贡献度。
7.如权利要求1所述的一种电网用户信用评价方法,其特征在于,根据电力内网数据贡献度和金融内网数据贡献度评价用户信用的过程包括:对电力内网数据贡献度和金融内网数据贡献度进行归一化处理;将归一化后的电力内网数据贡献度和金融内网数据贡献度相加得到综合信用评分;根据综合信用评分和设定的信用等级阈值为用户分配相应的信用等级。
8.一种电网用户信用评价系统,其特征在于,包括:
交集求解模块,被配置为对电力内网数据集和金融内网数据集进行同一用户的数据对齐,提取同一用户在两个数据集中的交集,并分别作为电力内网训练集和金融内网训练集,将电力内网数据集中除交集外的数据作为电力内网非交集数据集;
交集训练模块,被配置为根据电力内网训练集和金融内网训练集构建信用评价神经网络模型;
非交集训练与融合模块,被配置为根据电力内网非交集数据集构建辅助模型,并将信用评价神经网络模型与辅助模型融合后得到信用评价融合模型;
评价模块,被配置为根据信用评价神经网络模型确定边际贡献度,将边际贡献度与由信用评价融合模型得到的权重进行加权计算,得到电力内网数据贡献度和金融内网数据贡献度,以此得到电网用户信用评价结果。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310960878.9A CN116703571B (zh) | 2023-08-02 | 2023-08-02 | 一种电网用户信用评价方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310960878.9A CN116703571B (zh) | 2023-08-02 | 2023-08-02 | 一种电网用户信用评价方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703571A true CN116703571A (zh) | 2023-09-05 |
CN116703571B CN116703571B (zh) | 2023-11-24 |
Family
ID=87832510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310960878.9A Active CN116703571B (zh) | 2023-08-02 | 2023-08-02 | 一种电网用户信用评价方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703571B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190098106A (ko) * | 2019-08-02 | 2019-08-21 | 엘지전자 주식회사 | 배치 정규화 레이어 트레이닝 방법 |
JP6688421B1 (ja) * | 2019-07-26 | 2020-04-28 | 希望 片平 | 動的与信システム |
CN112365040A (zh) * | 2020-11-03 | 2021-02-12 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
CN115130880A (zh) * | 2022-07-05 | 2022-09-30 | 徽商银行股份有限公司 | 非对称场景下基于联邦学习金融电力数据融合方法及介质 |
CN115760380A (zh) * | 2022-12-09 | 2023-03-07 | 百维金科(上海)信息科技有限公司 | 一种融合用电信息的企业信用评估方法与系统 |
US20230169333A1 (en) * | 2021-11-30 | 2023-06-01 | Samsung Electronics Co., Ltd. | Method and apparatus with distributed training of neural network |
-
2023
- 2023-08-02 CN CN202310960878.9A patent/CN116703571B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6688421B1 (ja) * | 2019-07-26 | 2020-04-28 | 希望 片平 | 動的与信システム |
KR20190098106A (ko) * | 2019-08-02 | 2019-08-21 | 엘지전자 주식회사 | 배치 정규화 레이어 트레이닝 방법 |
CN112365040A (zh) * | 2020-11-03 | 2021-02-12 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
US20230169333A1 (en) * | 2021-11-30 | 2023-06-01 | Samsung Electronics Co., Ltd. | Method and apparatus with distributed training of neural network |
CN115130880A (zh) * | 2022-07-05 | 2022-09-30 | 徽商银行股份有限公司 | 非对称场景下基于联邦学习金融电力数据融合方法及介质 |
CN115760380A (zh) * | 2022-12-09 | 2023-03-07 | 百维金科(上海)信息科技有限公司 | 一种融合用电信息的企业信用评估方法与系统 |
Non-Patent Citations (1)
Title |
---|
李从欣;肖士恩;郑芸;: "上市公司信用风险评价研究", 中国管理信息化, no. 16, pages 71 - 75 * |
Also Published As
Publication number | Publication date |
---|---|
CN116703571B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Badarinza et al. | Home away from home? Foreign demand and London house prices | |
Rehman et al. | The causal, linear and nonlinear nexus between sectoral FDI and infrastructure in Pakistan: Using a new global infrastructure index | |
Borio et al. | Stress-testing macro stress testing: does it live up to expectations? | |
CN111260462B (zh) | 一种基于异质关系网络注意力机制的交易欺诈检测方法 | |
Rachlis et al. | Serious flaws in statistical tests for discrimination in mortgage markets | |
CN108596638A (zh) | 基于大数据的反欺诈识别方法及系统、终端及存储介质 | |
CN108961032A (zh) | 借贷处理方法、装置以及服务器 | |
CN109919624A (zh) | 一种基于时空集中性的网贷欺诈团伙识别与预警方法 | |
CN107644098A (zh) | 一种欺诈行为识别方法、装置、设备及存储介质 | |
CN110782158B (zh) | 对象评估方法及装置 | |
CN110009474A (zh) | 一种信用风险评估方法、装置和电子设备 | |
Twum et al. | Revisiting credit risk and banks performance of China's commercial banks before and after Covid 19 pandemic | |
CN112801775A (zh) | 客户信用评价方法及装置 | |
Rabbi et al. | Macroeconomic impact of remittances and the Dutch Disease in a developing country | |
Gao et al. | Strategic green marketing and cross-border merger and acquisition completion: the role of corporate social responsibility and green patent development | |
Lis et al. | The impact of extreme weather events on budget balances and implications for fiscal policy | |
CN111062770A (zh) | 商户识别方法、设备及计算机可读介质 | |
CN116703571B (zh) | 一种电网用户信用评价方法、系统、电子设备及存储介质 | |
CN101449284A (zh) | 使用互相关的流量参数对至网络站点的流量质量进行的评分 | |
CN116342141A (zh) | 一种空壳企业识别方法、装置和设备 | |
Ko et al. | Signaling climate resilience to municipal bond markets: does membership in adaptation-focused voluntary clubs affect bond rating? | |
Lachhwani et al. | A study on consumer attitude towards fintech services | |
CN113327161A (zh) | 一种用于信贷业务的智能风控决策系统 | |
CN110362981A (zh) | 基于可信设备指纹判断异常行为的方法及系统 | |
Li et al. | Migrants and default: Evidence from China |
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 |