(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211201055.X (22)申请日 2022.09.29 (71)申请人 国网江苏省电力有限公司苏州供电 分公司 地址 215000 江苏省苏州市 劳动路555号 (72)发明人 杨钰　白锐　景栋盛　顾杨青　 (74)专利代理 机构 苏州创元专利商标事务所有 限公司 3210 3 专利代理师 乔峰 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种面向区域公平的电力一体化运维任务 及资源调度方法 (57)摘要 本发明公开了一种面向区域公平的电力一 体化运维任务及资源调度方法， 包括： 将非敏感 输入数据输入变 分自动编码器进行转换， 以得到 均值和方差数据， 构建模拟高斯分布， 从高斯分 布中随机采样以得到表征特征， 将表征特征划分 为zx部分和za部分， 利用表征特征去拟合电力一 体化运维任务及资源调度接受数据， 利用za部分 数据去拟合敏感输入数据， 通过生成对抗网络进 行训练， 从而提升zx部分和za部分的独立性， 将 最终输出的zx部分作为已去除敏感输入的公平 编码特征以输入回归网络， 进而得到电量需求预 测值。 本发 明提供的调度方法采用深度学习中数 据表征的方法来加工待调入区域的数据特征， 使 得运维任务及资源调度在各区域间具有公平性。 权利要求书3页 说明书7页 附图3页 CN 115471112 A 2022.12.13 CN 115471112 A 1.一种面向区域公平的电力一体化运维任务及资源调度方法， 其特征在于， 包括以下 步骤： 以机器学习的方式对电力一体化运维任务及资源调度接受数据进行建立深度学习模 型， 并给出相应的模型输入数据(x,a,w)以及模型输出数据y 的定义， 将所述电力一体化运 维任务及资源调度接受数据分为非敏感输入数据和敏感输入数据， x为非敏感输入数据， a 为敏感输入 数据， x和a通过预定义的信息敏感类别进 行区分， w为运 维需求实际值， y为运 维 需求预测值； 在深度学习模型中， 将所述非敏感输入数据输入变分自动编码器进行转换， 以得到均 值和方差数据， 用得到的均值和方差构建模拟 高斯分布， 从高斯分布中随机采样以得到表 征特征， 记作z， 将表征特征划分为两部 分， 分别记作zx部 分和za部 分， 利用所述表征特征去 拟合电力一体化运维任务及资源调度接受数据， 利用za部分数据去拟合敏感输入数据， 通 过生成对抗网络进行训练， 从而提升zx部分和za部分的独立性， 将最终输出的zx部分作为 已去除敏感输入的公平编码特征以输入回归网络， 进而得到运维需求预测值， 对得到的运 维需求预测值进行效率考察以判断是否满足预设要求， 若不满足预设要求， 则需进一步优 化所述深度学习模型， 直至满足预设要求。 2.根据权利要求1所述的面向区域公平的电力一体化运维任务及资源调度方法， 其特 征在于， 所述效率考察包括调度效率考察和公平效率考察， 其中， 所述调度效率考察利用以 下公式进行， 式中， At是调度自动化系统在区域t的效率， yt是深度学习模型给出的运维需求预测值； wt是地区t实际的运维需求 值； 所述公平效率 考察利用以下公式进行， 式中， 是调度自动化系统在 深度学习模型 决策下的公平力； 是深度学习模型给 出的运维需求预测值， 即 var(x)是x的方差统计值； T是敏感数据类型总数； k是敏 感输入类型； kt表示区域t的敏感属性 k数值分布； 是x的平均值， m是规定的敏感信息数量。 3.根据权利要求1所述的面向区域公平的电力一体化运维任务及资源调度方法， 其特 征在于， 所述变分自动编码器包括均值编码器和方差编码器， 所述均值编码器和方差编码 器均定义2层神经网络， 均用relu函数作为层间激活函数， 均用sigmoid函数作为尾层激活 函数， 其中， 所述均值编码器对应的转换公式如下： u＝sigmo id(Wu2×relu(Wu1×x+bu1)+bu2) 所述方差编码器对应的转换公式如下： v＝sigmo id(Wv2×relu(Wv1×x+bv1)+bv2) 式中， u， v分别表示数据的均值和方差， W*i表示处理*的第i个网络层权重， 其中b*i表示 处理*的第i个网络层的偏移量， *为u或v。权　利　要　求　书 1/3 页 2 CN 115471112 A 24.根据权利要求2所述的面向区域公平的电力一体化运维任务及资源调度方法， 其特 征在于， 利用所述表征特征去拟合电力一体化运维任务及资源调度接受数据， 其对应的拟合公 式如下： 利用Za部分数据去拟合敏感输入数据， 其对应的拟合公式如下： 式中， 为拟合后的电力一体化运维任务及资源调度接受数据， 为拟合后的敏感输入 数据， W*i表示处理*的第i个网络层权重， 其中b*i表示处理*的第i个网络层的偏移量， *为x 或a。 5.根据权利要求4所述的面向区域公平的电力一体化运维任务及资源调度方法， 其特 征在于， 利用所述表征特征去拟合电力一体化运 维任务及资源调度接受数据对应至一个输 出无敏感输入信息还原的神经网络， 所述输出无敏感输入信息还原的神经网络的损失函数 计算如下： 利用za部分数据去拟合敏感输入数据对应至一个输出敏感输入信 息还原的神经网络， 所述输出 敏感输入信息还原的神经网络损失函数计算如下： 使得zx部分和za部分之间互相独立的损失函数计算如下： 式中， p(x|z)是解码分布， q(z|x)是编码分布， p(z)是表征特征先验， p(a|za)是敏感信 息解码分布， zak是第k个预测敏感输入表征维度， z,zx,za之间的关系是z＝[zx,za]； 通过以上三个损失函数， 以得 出公平表征时总体的损失函数为： Loss＝LossVAE+Lossa+λ×Lossz 式中， λ为控制表征消除输入信息程度的参数。 6.根据权利要求5所述的面向区域公平的电力一体化运维任务及资源调度方法， 其特 征在于， 若公平效率满足要求而调度效率不满足要求， 则需调低λ数值再次进行学习优化， 若调度效率满足要求而公平效率不满足要求， 则需调高λ再次进行学习优化， 其中λ取值范 围为[0,1]。 7.根据权利要求1所述的面向区域公平的电力一体化运维任务及资源调度方法， 其特 征在于， 所述回归网络记作f， 其对应的损失函数如下： 其中， 是回归阈值， wt是地区t实际的运维需求 值。 8.根据权利要求1所述的面向区域公平的电力一体化运维任务及资源调度方法， 其特 征在于， 所述非敏感输入数据包括地区电力设备数量、 地区输电线长度、 地区输电线类型、权　利　要　求　书 2/3 页 3 CN 115471112 A 3