(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 202210301556.9 (22)申请日 2022.03.24 (71)申请人 天津三源电力 信息技术股份有限公 司 地址 300000 天津市南 开区卫津路18号 新 都大厦A座21层 (72)发明人 梁志远　刘鹏　张硕　常迪　邓嶔　 郑薇　米兆祥　崔晓萌　王薇　 (74)专利代理 机构 北京中企鸿阳知识产权代理 事务所(普通 合伙) 11487 专利代理师 高向华 (51)Int.Cl. G06Q 50/06(2012.01) G06F 16/55(2019.01) G06F 40/151(2020.01)G06F 40/242(2020.01) G06F 40/289(2020.01) G06V 10/44(2022.01) G06V 10/56(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06V 10/82(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) (54)发明名称 基于深度学习的非结构化电力大数据分析 方法 (57)摘要 本发明提出了一种基于深度学习的非结构 化电力大数据分析方法， 采用视频数据预处理、 图像数据预处理和文本数据预处理以对电力大 数据进行分析处理。 综合视频、 图像、 文档等非结 构化数据， 提出多模态联合的非结构化电力大数 据深度学习算法， 对视频、 图像、 文档等非结构化 数据开展智能识别， 提升大数据平台非结构化数 据处理能力， 对 大数据处理过程中体 现更强的电 力非结构数据的特征学习能力以及分析预测能 力， 并实现在电力行业典型应用场景的示范应 用。 权利要求书4页 说明书19页 附图1页 CN 114723583 A 2022.07.08 CN 114723583 A 1.一种基于深度学习的非结构化电力大数据分析方法， 其特征在于， 采用视频数据预 处理、 图像数据预处 理和文本数据预处 理以对电力大 数据进行分析处 理； 所述视频 数据预处 理用于对视频 数据进行分析处 理； 所述图像数据预处 理用于对图像数据进行分析处 理； 所述文本数据预处 理采用自然语言处 理技术对电力大 数据进行 预处理； 所述图像预处 理包括对图像灰度化处 理、 几何变换处 理、 图像增强处 理和解码处 理； 所述灰度化处理包括： 采用后最大值法， 将彩色图像中的三分量亮度的最大值作为灰 度图的灰度值； 所述几何变换处理包括： 采用几何变换法和灰度插值算法对采集的图像进行处理， 用 于改正图像采集系统误差和仪器位置的随机误差； 所述图像增强处理包括： 采用空间域法实现对图像的增强， 所述空间域法包括点运算 和邻域去噪运 算； 所述图像解码处理包括： 在图像增强操作后， 进行图像解码处理， 采用TensorFlow框架 对图像解码， 将图片转 化为图像原 始的像素矩阵。 2.如权利要求1所述的一种基于深度学习的非结构化电力大数据分析方法， 其特征在 于， 还包括供电区域划分， 所述供电区域划分具体为： 步骤H1:统计供电区域内的每 个小区； 步骤H2:将供电区域随机初始化,将每个小区随机划分为K个簇C1,C2到CK， 其中K表示设 定的供电区域的个数； 步骤H3:采用如下的公式来计算每 个供电区域的簇中心： 其中|C|代表供电区域C中所包含的小区数量； 表示第i个区域t天内 整体平均每天的用电量记录； 步骤H4:计算小区与供电区域之间的簇中心的相似度； 步骤H5:根据步骤H4中的相似度计算结果， 将每个小区划分到与供电区域之间的簇中 心的相似度最大的供电区域； 步骤H6： 判断每个小区划分到的供电区域是否收敛， 若是， 输出每个小区划分到的供电 区域的划分结果， 否则， 返回步骤H 3。 3.如权利要求1所述的一种基于深度学习的非结构化电力大数据分析方法， 其特征在 于， 还包括电力预测模型构建， 具体为： 步骤E1:设供电区域CP， 设用户Ui在连续D+1天内用电量线性相关， 通过xi中的不同 元素的线性组合 来进行预测， 如下公式所示： 其中wp是区域CP的线性组合参数， bi为误差变量， 误差变量bi是变化的随机误差项， 对于 用户Ui的所有连续的用电数据有如下等式： 权　利　要　求　书 1/4 页 2 CN 114723583 A 2设矩阵yi， xi， bi， wp分别为如下 形式： 因此， 用户Ui的用电量的线性组合模型为： yi＝xiwp+bi 步骤E2:对每个供电区域训练一个单独的模型， 将供电区域CP中所有用户的用电量矩阵 xi组合成矩阵Xp， 将需要预测的用电量组合成向量Yp， 所有误差项bi组合成向量Bp， 然后将所 有的线性模型组合 为： Yp＝Xpwp+Bp 根据CP中的矩阵Xp和向量Yp， 估计参数wp值； 步骤E3:采用最小二乘法来对CP进行求解， 设误差Bp的方差为有限的， 并且为零均值， 即 E[Bp]＝0， 得到wp的最小二乘解 为： 预测模型的误差为： 步骤E4:对每个供电区域CP分别采用线性回归模型建模， 并采用 进 行求解， 得到不同供电区域上的用户用电量预测模型。 4.如权利要求3所述的一种基于深度学习的非结构化电力大数据分析方法， 其特征在 于， 还包括基于多任务联合学习， 采用迭代的联合学习算法， 在每一轮的迭代过程中， 通过 用户数据的共享， 同时优化不同供电区域上 的预测模型， 实现对不同供电区域中模型性能 的整体提高， 具体为： 步骤F1： 在 每个供电区域上分别 构建基准用电量预测模型： 在供电区域CP上利用矩阵Xp 和向量Yp构建线性预测模型， 然后采用最小二乘算法求解参数wp和误差Bp， 作为区域CP中的 基准模型， 设区域总体用电行为相似度矩阵为S； 步骤F2： 根据总体用电行为相似度矩阵S对区域进行数据融合:对所有 其它供电区域Cq， 根据CP和Cq的总体用电需求相似性Spq， Spq即为区域总 体用电行为相似度矩阵S的第p行第q 列对应的相似度， 以概率Spq随机抽取Cq中的用户数据， 并与CP中的用户数据相融合得到Xp∪q 和Yp∪q； 步骤F3： 采用最小二乘算法， 根据Xp∪q和Yp∪q求解联合学习损失函数最小的模型参数 Wp∪q和预测参数Bp∪q； 步骤F4： 判断所有区域上的模型是否更新完毕阶段： 若所有区域上的模型更新完毕， 则权　利　要　求　书 2/4 页 3 CN 114723583 A 3