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技术

本发明专利技术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。本发明专利技术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。得运维任务及资源调度在各区域间具有公平性。得运维任务及资源调度在各区域间具有公平性。

【技术实现步骤摘要】
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


[0001]本专利技术涉及电力运维任务和运维资源管理
，尤其涉及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。

技术介绍

[0002]电力资源是保证民生和企业发展的基础，是社会稳定发展条件中必不可少的一环。而目前城市与城市之间、城市与乡镇之间的用电需求，也在不断提升。随着建设的持续推进，系统规模不断扩大，设备种类日益繁多。相应地，各种风险控制、应急处置、设备运维、系统建设、质量管控、协同管理等工作的也提出更高的要求。
[0003]常用的电力运维任务调度方法采集本地区的用电量、设备情况和历史数据作为依据，需要在满足电力系统安全、稳定、经济运行的前提下，除了常规运维、故障运维之外，还需要进行预防性运维检修和重大节假日及活动保障运行，这就要求调度系统能“预见性”地调度规划检修任务和资源。不少电力运维调度管理模式多采用人工分配的模式，对于运维任务缺乏合理有效的调度管理。随着信息技术和人工智能的发展，电力企业常常采用信息化、智能化对运维任务实施调度分配。电力运维检修任务越来越复杂和繁重，运维资源人员和运维资源也显得捉襟见肘。
[0004]电力企业的运维检修一体化是一种新型工作模式与重大改革，通过运用运维检修一体化的管理方式、方法，可以进一步合理、有效地利用生产资源，通过统一调配运维任务和运维人员，改善设备运行维护质量，在提高安全性的同时减少人力资源的消耗，提高生产效率和质量，保证电力企业安全生产可持续发展。
[0005]但是，现有运维任务和资源调度方法往往常常依赖历史数据，忽略了调度任务对不同地区的公平合理性，未考虑在运维检修一体化背景下如何协调区域间平衡调度问题，实现不同区域公平合理的运维任务和资源调度。同时，由于数据可能存在特殊性和片面性，导致所作调度也存在偏差，对未来运维需求情况的预测精度不准。因此，亟需设计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，确保调度决策系统不扩散历史数据中存在的偏差，减少对历史数据的过度依赖。
[0006]以上
技术介绍
内容的公开仅用于辅助理解本专利技术的专利技术构思及技术方案，其并不必然属于本专利申请的现有技术，也不必然会给出技术教导；在没有明确的证据表明上述内容在本专利申请的申请日之前已经公开的情况下，上述
技术介绍
不应当用于评价本申请的新颖性和创造性。

技术实现思路

[0007]为了克服现有技术存在的不足，本专利技术提供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，具体技术方案如下：
[0008]一方面，提供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，包括以下步骤：
[0009]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，将所述运维任务及资源调度接受数据分为非敏感输入数据(不对分配决策公平性产生影响的数据)和敏感输入数据(对分配决策公平性产生影响的数据)，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；
[0010]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。
[0011]进一步地，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，
[0012][0013]式中，A
t
是调度方法在区域t的效率，y
t
是深度学习模型给出的运维需求预测值；w
t
是地区t实际的运维需求值；
[0014]所述公平效率考察利用以下公式进行，
[0015][0016]式中，是调度方法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；k
t
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。
[0017]进一步地，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，
[0018]其中，所述均值编码器对应的转换公式如下：
[0019]u＝sigmoid(W
u2
×
relu(W
u1
×
x+b
u1
)+b
u2
)
[0020]所述方差编码器对应的转换公式如下：
[0021]v＝sigmoid(W
v2
×
relu(W
v1
×
x+b
v1
)+b
v2
)
[0022]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。
[0023]进一步地，利用所述表征特征去拟合电力一体化运维任务及资源接受数据，其对应的拟合公式如下：
[0024][0025]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：
[0026][0027]式中，为拟合后的电力一体化运维任务和运维资源调度接受数据，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。
[0028]进一步地，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：
[0029][0030]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：
[0031][0032]使得zx部分和za部分之间互相独立的损失函数计算如下：
[0033][0034]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，za
k
是第k个预测敏感输入表征维度，z,zx,za之间的关系是z＝本文档来自技高网...

【技术保护点】

【技术特征摘要】
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，A
t
是调度自动化系统在区域t的效率，y
t
是深度学习模型给出的运维需求预测值；w
t
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；k
t
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＝sigmoid(W
u2
×
relu(W
u1
×
x+b
u1
)+b
u2
)所述方差编码器对应的转换公式如下：v＝sigmoid(W
v2
×
relu(W
v1
×
x+b
v1
)+b
v2
)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。
4.根据权利要求...

【专利技术属性】
技术研发人员：杨钰，白锐，景栋盛，顾杨青，
申请(专利权)人：国网江苏省电力有限公司苏州供电分公司，
类型：发明
国别省市：