(19)中华 人民共和国 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 202111655891.0 (22)申请日 2021.12.3 0 (71)申请人 江苏益邦电力科技有限公司 地址 210000 江苏省南京市秦淮区永智路 10号 (72)发明人 王雷　赵俊平　王一凡　王从杰　 (74)专利代理 机构 南京钟山专利代理有限公司 32252 代理人 张力 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习技术的用电行为智能分析方 法和系统 (57)摘要 本发明公开了基于深度学习技术的用电行 为智能分析方法和系统， 分析与整合用户用电行 为数据， 筛选获取与计费公平 性相关的用户用电 档案数据； 对获取的数据进行数据预处理； 分别 构建离散 型变量和连续性变量的特征向量； 建立 基于深度学习的异常训练模型， 分析用户用电档 案数据的异常情况。 本发明基于大量的用户用电 信息数据， 对用户用电行为进行了分析研究， 在 深度学习技术基础上探讨了并行K ‑means算法， 通过特征权重的计算， 对用电用户进行分类， 实 际情况与聚类结果进行比对， 发现K ‑means可以 达到90％的准确率， 证明基于云计算的聚类算法 的用户用电行为智能分析模型 是非常准确的。 权利要求书2页 说明书5页 附图1页 CN 114386810 A 2022.04.22 CN 114386810 A 1.一种基于深度学习技 术的用电行为智能分析 方法， 其特 征在于， 包括： 步骤1： 分析与整合用户用电行为数据， 筛选获取与计费公平性相关的用户用电档案数 据； 步骤2： 对步骤1 获取的数据进行 数据预处 理； 步骤3： 分别构建离 散型变量和连续 性变量的特 征向量； 步骤4： 建立基于深度学习的异常训练模型， 分析用户用电档案数据的异常情况。 2.根据权利要求1所述的一种基于深度学习技术的用电行为智能分析方法， 其特征在 于， 所述步骤1建立用电基本数据表、 用电设备表以及用户信息表， 用户用电行为数据分别 存储于对应表中， 实现用户用电行为数据整合； 所述用户用电行为数据包括: 家庭住址、 门牌 号等基本位置信息； 电表序号、 居民用电量以及电量抄记日期等用户用电信息； 季节变化带来的温度、 湿度变化数据； 不同类别的家用电器以及使用时间数据。 3.根据权利要求1所述的一种基于深度学习技术的用电行为智能分析方法， 其特征在 于， 所述步骤2包括： 201)计费档案属性的类型统一及空值 填充： 将离散型档案数据统一并对空值进行 赋值； 202)档案变更用户处 理： 排除用户档案变更影响的用户用电情况变化的数据； 203)客户用电数据关联： 通过用户编号关联主键的方式对来自不同数据表的数据进行关联组成混合属性特 征； 204)异常数据处 理： 排除特征属性中由录入时误输入、 计算 错误或版本迭代的原因带来异常值。 4.根据权利要求1所述的一种基于深度学习技术的用电行为智能分析方法， 其特征在 于， 所述步骤3包括： 为离散型变量赋予数值并保存对应关系， 分别构建离散型变量和连续 性变量的特 征向量。 5.根据权利要求1所述的一种基于深度学习技术的用电行为智能分析方法， 其特征在 于， 所述步骤4包括： 402)通过建立基于深度学习的离 散型异常识别训练模型， 得到 离散型档案异常系数； 403)通过建立基于深度学习的连续型异常识别训练模型， 得到连续 性异常系数； 404)基于步骤402)和步骤40 3)结果， 得 出用户用电档案数据的异常结论。 6.根据权利要求5所述的一种基于深度学习技术的用电行为智能分析方法， 其特征在 于， 所述步骤401)包括以下步骤： 401)选取 数据集中的数据赋 给初始的聚类中心； 402)计算数据集中样本点与聚类中心之间的几何距离， 获取样本点属性类别； 403)重新计算聚类中心， 重复步骤1)和2)， 直至准则函数收敛。 7.根据权利要求5所述的一种基于深度学习技术的用电行为智能分析方法， 其特征在 于， 所述步骤402)包括以下步骤：权　利　要　求　书 1/2 页 2 CN 114386810 A 24021)统计并记录每种档案属性中每个值所包含的数据量与用户总数； 所述档案属性 集成模块用于与现有电力营销计费系统的库 表进行交互， 进行用户档案的全量初始 化以及 增量读取、 处理、 更新、 储存为系统所需的统一格式， 并完成档案变更历史记录储存 管理、 索 引规划及构建工作； 4022)根据步骤4021)的统计数据计算每 个属性的信息熵并由此 得到权重比例； 4023)在输入待测数据集时， 结合步骤4021)和步骤4022)的数据计算每条数据每个属 性在该数据条件熵和信息熵的差值， 将所有属性的信息熵差值加权求和得到加权熵增益作 为档案异常系数。 8.根据权利要求5所述的一种基于深度学习技术的用电行为智能分析方法， 其特征在 于， 所述步骤403)包括以下步骤： 4031)统计并记录每种档案属性中每 个值所包 含的数据量与用户总数； 4032)针对每 个档案属性， 计算每 个属性值所涉及数据子集的连续属性的均值向量； 4033)当输入待测数据集时， 结合步骤4031)和步骤4032)的数据计算每条数据每个属 性值的均值向量与该数据连续属性向量的余弦相似度， 并以该属性所涉及分类属性数量的 倒数作为权 重进行加权求和作为连续 性异常系数。 9.根据权利要求1所述的一种基于深度学习技术的用电行为智能分析方法， 其特征在 于， 所述步骤404)中， 若档案属性 或连续属性给出较高的异常数据评价时， 直接将该数据视 为疑似异常数据； 反之则将二者通过给定的权重比例进行加权求和， 加权总和大于给定阀 值的数据视为疑似异常数据， 除此之外 视为正常数据。 10.根据权利要求1 ‑9任一所述的一种基于深度学习技术的用电行为智能分析方法的 一种基于深度学习技 术的用电行为智能分析系统， 其特 征在于， 包括： 数据分析模块， 用于分析与整合用户用电行为数据， 筛选获取与计费公平性相关的用 户用电档案数据； 数据预处 理模块， 用于对获取的数据进行 数据预处 理； 特征向量构建模块， 用于分别构建离 散型变量和连续 性变量的特 征向量； 异常分析模块， 用于建立基于深度学习的异常训练模型， 分析用户用电档案数据的异 常情况。权　利　要　求　书 2/2 页 3 CN 114386810 A 3