【技术实现步骤摘要】
本专利技术涉及电力数据分析和机器学习，具体为基于电力数据的企业还款风险模型协同训练方法及系统。
技术介绍
1、随着以服务“双碳”为目标的新型电力系统建设和数字电网的深入推进，电力系统发输配用各环节采集数据范围更加广泛，采集的数据项和数据类型更丰富，数据采集的频率大幅增加，数据采集量和处理量呈现动态的增长。电力数据包括企业客户信息、用电情况等多种信息的记录，海量的用户电力数据蕴含着巨大的应用价值，如何实现用户电力数据对外安全共享，满足政府、企业客户对电力数据的需求，充分挖掘电力数据深化应用价值，支撑数字政府、金融征信、企业用电优化等服务，是当前亟需解决的问题。
2、在金融征信方面，企业用户的电费欠缴或拖延行为能够反映企业的信用水平，企业用户的用电量数据能够反映企业的生产经营情况，对金融企业评估企业用户的征信和逾期还款风险等具有重要的参考价值，因此将企业用户电力数据对金融企业机构进行共享，有助于帮助金融企业评估企业征信和逾期还款风险等问题。然而，针对电力数据的跨行业对外安全开放共享，国内电网企业暂未有系统化的深入研究，未建立电力数据安全开放共享的平台，无法消除电网企业自身以及政府、企业客户对数据共享的安全和隐私顾虑，电力数据融合应用业务的广度和深度受到限制。另一方面，企业逾期还款风险评估过程中电网企业和金融企业双方特征样本重叠特征少，适用纵向联邦学习，将涉及模型选择、特征提取、样本对齐、隐私计算以及迭代训练等环节，多个环节之间涉及到双方的数据样本和中间结果交互，数据共享安全问题尤为突出，如何避免隐私数据泄漏至关重要。因此
3、基于此，本专利技术提出面向企业逾期还款风险评估的电力数据安全共享和联邦模型训练方法，帮助电网企业对外实现企业用户级电力数据安全共享和联邦模型训练。
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术解决的技术问题是：如何帮助电网企业对外实现企业用户级电力数据安全共享和联邦模型训练，支撑金融企业评估企业用户的征信和逾期还款风险。
3、为解决上述技术问题，本专利技术提供如下技术方案：基于电力数据的企业还款风险模型协同训练方法，其包括如下步骤，电网企业和金融企业提取双方参与模型训练的特征样本；电网企业和金融企业进行特征样本标准化处理；基于逻辑回归模型建立企业逾期还款风险评估模型；基于梯度下降法求解企业逾期还款风险评估模型本地子模型参数；双方基于秘密共享方法获取企业逾期还款风险评估模型训练过程中的计算结果，完成模型训练。
4、作为本专利技术所述的基于电力数据的企业还款风险模型协同训练方法的一种优选方案，其中：电网企业提供的特征样本包括企业每月电费欠缴或拖缴的记录、企业每个月的电费欠缴或拖缴金额、企业每个月电费欠缴或拖缴导致延误缴电费的时长以及企业每个月的用电量数据。
5、金融企业提供的特征样本包括企业每个月的纳税记录、企业每个月的纳税金额、企业每个月的贷款记录、企业每个月的贷款金额以及企业每个月需要还款的金额。
6、作为本专利技术所述的基于电力数据的企业还款风险模型协同训练方法的一种优选方案，其中：所述电网企业和金融企业进行特征样本标准化处理是将收集到的状态数据去噪，去掉缺失值，异常值，以及错误格式的无效数据，把原始格式数据转换为需求分析的格式，将数据标准化、归一化完成数据预处理，使归一化处理后的企业用户特征服从均值为0、标准差为1的标准正态分布，表达式为：
7、
8、其中，s表示原始特征值，s*表示处理后的特征，μ表示某训练特征的均值，σ表示某训练特征的标准差。
9、作为本专利技术所述的基于电力数据的企业还款风险模型协同训练方法的一种优选方案，其中：所述基于逻辑回归模型建立企业逾期还款风险评估模型是使用逻辑回归模型为联邦训练模型，进行企业逾期还款风险评估模型训练，得到企业逾期还款的概率函数，将金融企业提供的各企业特征样本和电网企业提供的各企业特征样本作为自变量，将金融企业提供的各企业每个月的还款记录作为因变量输入逻辑回归模型对企业逾期还款风险进行预测；
10、所述企业逾期还款风险评估模型表达式为：
11、
12、
13、
14、其中，h(xi，t)是关于数据样本xi，t的参数函数，数据样本xi，t包括电网企业的数据样本和金融企业的数据样本e是自然常数，θt是参数θ的转置，是参数θa的转置，是参数θb的转置。
15、作为本专利技术所述的基于电力数据的企业还款风险模型协同训练方法的一种优选方案，其中：所述基于极大似然估计方法获取求解企业逾期还款风险模型的目标函数，表达式为：
16、
17、其中，πiπtp(yi，txi,t)是企业逾期还款风险评估模型的似然函数，yi,t，xi,t分别为金融企业标签和电网企业标签；
18、使用二阶泰勒对企业逾期还款风险模型的目标函数进行优化，表达式为：
19、
20、
21、
22、其中，ui,t是关于参数θa和θb的参数函数，l是目标函数。
23、作为本专利技术所述的基于电力数据的企业还款风险模型协同训练方法的一种优选方案，其中：所述基于梯度下降法求解企业逾期还款风险评估模型本地子模型参数，表达式为：
24、
25、
26、
27、
28、其中，θa、θb分别是电网企业的本地子模型参数以及金融企业的本地子模型参数。
29、作为本专利技术所述的基于电力数据的企业还款风险模型协同训练方法的一种优选方案，其中：所述双方基于秘密共享方法获取企业逾期还款风险评估模型训练过程中的计算结果包括电网企业基于本地数据样本计算电网企业的中间计算结果并通过秘密共享将中间计算结果共享给金融企业、金融企业基于本地数据样本计算金融企业的中间计算结果并通过秘密共享将中间计算结果共享给电网企业、以及根据本地秘密和共享份额计算梯度；
30、计算电网企业和金融企业的新本地参数函数，表达式为：
31、
32、
33、其中，<ui,t>a为电网企业的新本地参数函数，为电网企业本地参数函数的本地秘密，为电网企业本地数据随机数共享给金融企业作为电网企业本地数据的共享份额，<ui,t>b为金融企业的新本地参数函数，为金融企业本地参数函数的本地秘密，为金融企业本地参数函数随机数分享给电网企业作为金融企业本地参数函数的共享份额；
34、电网企业根据本地秘密和金融企业的共享份额，分别计算电网企业的本地目标函数值、电网企业本地子模型的参数梯度以及金融企业本地子模型的参数梯度，表达式为：
35、
36、
本文档来自技高网...【技术保护点】
1.基于电力数据的企业还款风险模型协同训练方法，其特征在于，包括：
2.如权利要求1所述的基于电力数据的企业还款风险模型协同训练方法，其特征在于：电网企业提供的特征样本包括企业每月电费欠缴或拖缴的记录、企业每个月的电费欠缴或拖缴金额、企业每个月电费欠缴或拖缴导致延误缴电费的时长以及企业每个月的用电量数据；
3.如权利要求2所述的基于电力数据的企业还款风险模型协同训练方法，其特征在于：所述电网企业和金融企业进行特征样本标准化处理是将收集到的状态数据去噪，去掉缺失值，异常值，以及错误格式的无效数据，把原始格式数据转换为需求分析的格式，将数据标准化、归一化完成数据预处理，使归一化处理后的企业用户特征服从均值为0、标准差为1的标准正态分布，表达式为：
4.如权利要求3所述的基于电力数据的企业还款风险模型协同训练方法，其特征在于：所述基于逻辑回归模型建立企业逾期还款风险评估模型是使用逻辑回归模型为联邦训练模型，进行企业逾期还款风险评估模型训练，得到企业逾期还款的概率函数，将金融企业提供的各企业特征样本和电网企业提供的各企业特征样本作为自变量，将金融企业提
5.如权利要求4所述的基于电力数据的企业还款风险模型协同训练方法，其特征在于：所述基于极大似然估计方法获取求解企业逾期还款风险模型的目标函数，表达式为：
6.如权利要求5所述的基于电力数据的企业还款风险模型协同训练方法，其特征在于：所述基于梯度下降法求解企业逾期还款风险评估模型本地子模型参数，表达式为：
7.如权利要求6所述的基于电力数据的企业还款风险模型协同训练方法，其特征在于：所述双方基于秘密共享方法获取企业逾期还款风险评估模型训练过程中的计算结果包括电网企业基于本地数据样本计算电网企业的中间计算结果并通过秘密共享将中间计算结果共享给金融企业、金融企业基于本地数据样本计算金融企业的中间计算结果并通过秘密共享将中间计算结果共享给电网企业、以及根据本地秘密和共享份额计算梯度；
8.一种采用如权利要求1～7任一所述的基于电力数据的企业还款风险模型协同训练方法的系统其特征在于：包括数据采集与预处理模块、特征提取与标准化模块、模型训练与参数优化模块、协同训练与秘密共享模块以及风险评估与决策支持模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于电力数据的企业还款风险模型协同训练方法的步骤。
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权利要求1至7中任一项所述基于电力数据的企业还款风险模型协同训练方法的步骤。
...【技术特征摘要】
1.基于电力数据的企业还款风险模型协同训练方法，其特征在于，包括：
2.如权利要求1所述的基于电力数据的企业还款风险模型协同训练方法，其特征在于：电网企业提供的特征样本包括企业每月电费欠缴或拖缴的记录、企业每个月的电费欠缴或拖缴金额、企业每个月电费欠缴或拖缴导致延误缴电费的时长以及企业每个月的用电量数据；
3.如权利要求2所述的基于电力数据的企业还款风险模型协同训练方法，其特征在于：所述电网企业和金融企业进行特征样本标准化处理是将收集到的状态数据去噪，去掉缺失值，异常值，以及错误格式的无效数据，把原始格式数据转换为需求分析的格式，将数据标准化、归一化完成数据预处理，使归一化处理后的企业用户特征服从均值为0、标准差为1的标准正态分布，表达式为：
4.如权利要求3所述的基于电力数据的企业还款风险模型协同训练方法，其特征在于：所述基于逻辑回归模型建立企业逾期还款风险评估模型是使用逻辑回归模型为联邦训练模型，进行企业逾期还款风险评估模型训练，得到企业逾期还款的概率函数，将金融企业提供的各企业特征样本和电网企业提供的各企业特征样本作为自变量，将金融企业提供的各企业每个月的还款记录作为因变量输入逻辑回归模型对企业逾期还款风险进行预测；
5.如权利要求4所述的基于电力数据的企业还款风险模型协同训练方法，其特征在于：所述基于极大似然估计方法获取求解企业逾期还款风...
【专利技术属性】
技术研发人员：王轶，代盛国，赵毅涛，刘斌，刘兴龙，茶建华，李家浩，
申请(专利权)人：云南电网有限责任公司，
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。