[發(fā)明專利]基于深度學(xué)習(xí)的電力負(fù)荷預(yù)測(cè)方法及預(yù)測(cè)系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202211032646.9
• 申請(qǐng)日: 2022-08-26
• 公開(kāi)（公告）號(hào): CN115358473A
• 公開(kāi)（公告）日: 2022-11-18
• 發(fā)明（設(shè)計(jì)）人: 胡博;王義賀;劉育博;楊超;何金松;趙桓萱;徐建鐵;張戈;劉碧琦;張皓翔;齊俊
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)遼寧省電力有限公司;國(guó)網(wǎng)遼寧省電力有限公司信息通信分公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 沈陽(yáng)維特專利商標(biāo)事務(wù)所(普通合伙) 21229
• 代理人: 李丹

1.基于深度學(xué)習(xí)的電力負(fù)荷預(yù)測(cè)方法，其特征在于，包括如下步驟：

獲取待預(yù)測(cè)負(fù)荷電力用戶的歷史日負(fù)荷數(shù)據(jù)的原始樣本集；

利用深度學(xué)習(xí)的網(wǎng)絡(luò)模型GAN對(duì)所述原始樣本集進(jìn)行樣本增強(qiáng)，得到預(yù)測(cè)樣本集；

對(duì)所述預(yù)測(cè)樣本集進(jìn)行特征提取；

根據(jù)提取出來(lái)的特征與負(fù)荷的相關(guān)性進(jìn)行特征選擇；

根據(jù)選擇的特征對(duì)所有負(fù)荷電力用戶進(jìn)行負(fù)荷數(shù)據(jù)聚類，得到聚類分類，并利用與所述聚類分類對(duì)應(yīng)的負(fù)荷預(yù)測(cè)模型預(yù)測(cè)負(fù)荷電力用戶的電力負(fù)荷。

2.按照權(quán)利要求1所述的基于深度學(xué)習(xí)的電力負(fù)荷預(yù)測(cè)方法，其特征在于：利用深度學(xué)習(xí)的網(wǎng)絡(luò)模型GAN對(duì)原始樣本集進(jìn)行樣本增強(qiáng)前，還包括對(duì)所述歷史日負(fù)荷數(shù)據(jù)的原始樣本集中的異常數(shù)據(jù)進(jìn)行異常值修正的步驟。

3.按照權(quán)利要求1所述的基于深度學(xué)習(xí)的電力負(fù)荷預(yù)測(cè)方法，其特征在于：利用深度學(xué)習(xí)的網(wǎng)絡(luò)模型GAN對(duì)原始樣本集進(jìn)行樣本增強(qiáng)，得到預(yù)測(cè)樣本集具體包括如下步驟：

初始化深度學(xué)習(xí)的網(wǎng)絡(luò)模型GAN的生成器和判別器，其中，所述生成器為用于學(xué)習(xí)數(shù)據(jù)樣本的分布規(guī)律產(chǎn)生新的樣本數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，所述判別器為用于判斷輸入數(shù)據(jù)是否為真實(shí)數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)；

利用初始化后的生成器網(wǎng)絡(luò)和判別器網(wǎng)絡(luò)交替訓(xùn)練，實(shí)現(xiàn)樣本增強(qiáng)。

4.按照權(quán)利要求1所述的基于深度學(xué)習(xí)的電力負(fù)荷預(yù)測(cè)方法，其特征在于：對(duì)預(yù)測(cè)樣本集進(jìn)行特征提取時(shí)，考慮影響負(fù)荷的多種因素，其中，所述因素包括下述中的至少一種：外界氣象、負(fù)荷自身特性、節(jié)假日調(diào)休政策。

5.按照權(quán)利要求1所述的基于深度學(xué)習(xí)的電力負(fù)荷預(yù)測(cè)方法，其特征在于：利用與所述聚類分類對(duì)應(yīng)的負(fù)荷預(yù)測(cè)模型預(yù)測(cè)負(fù)荷電力用戶的電力負(fù)荷具體為：將同一類的負(fù)荷電力用戶的負(fù)荷數(shù)據(jù)疊加在一起，輸入到與該類對(duì)應(yīng)的負(fù)荷預(yù)測(cè)模型中，得到該類負(fù)荷電力用戶的負(fù)荷預(yù)測(cè)結(jié)果。

6.基于深度學(xué)習(xí)的電力負(fù)荷預(yù)測(cè)系統(tǒng)，其特征在于，包括：

數(shù)據(jù)獲取及處理模塊：用于獲取待預(yù)測(cè)負(fù)荷電力用戶的歷史日負(fù)荷數(shù)據(jù)的原始樣本集；

樣本增強(qiáng)模塊：用于利用深度學(xué)習(xí)的網(wǎng)絡(luò)模型GAN對(duì)所述原始樣本集進(jìn)行樣本增強(qiáng)，得到預(yù)測(cè)樣本集；

特征工程模塊：用于對(duì)所述預(yù)測(cè)樣本集進(jìn)行特征提取及根據(jù)提取出來(lái)的特征與負(fù)荷的相關(guān)性進(jìn)行特征選擇；

聚類及負(fù)荷預(yù)測(cè)模塊：用于根據(jù)選擇的特征對(duì)所有負(fù)荷電力用戶進(jìn)行負(fù)荷數(shù)據(jù)聚類，得到聚類分類，并利用與所述聚類分類對(duì)應(yīng)的負(fù)荷預(yù)測(cè)模型預(yù)測(cè)負(fù)荷電力用戶的電力負(fù)荷。

7.按照權(quán)利要求6中所述的基于深度學(xué)習(xí)的電力負(fù)荷預(yù)測(cè)系統(tǒng)，其特征在于：還包括異常值修正模塊，用于對(duì)所述歷史日負(fù)荷數(shù)據(jù)的原始樣本集中的異常數(shù)據(jù)進(jìn)行異常值修正，得到修正后的原始樣本集。

8.按照權(quán)利要求6中所述的基于深度學(xué)習(xí)的電力負(fù)荷預(yù)測(cè)系統(tǒng)，其特征在于：所述樣本增強(qiáng)模塊包括初始化模塊及訓(xùn)練模塊，其中，所述初始化模塊用于初始化深度學(xué)習(xí)的網(wǎng)絡(luò)模型GAN的生成器和判別器，所述生成器為用于學(xué)習(xí)數(shù)據(jù)樣本的分布規(guī)律產(chǎn)生新的樣本數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，所述判別器為用于判斷輸入數(shù)據(jù)是否為真實(shí)數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，所述訓(xùn)練模塊用于利用初始化后的生成器網(wǎng)絡(luò)和判別器網(wǎng)絡(luò)交替訓(xùn)練，實(shí)現(xiàn)樣本增強(qiáng)。

9.按照權(quán)利要求6中所述的基于深度學(xué)習(xí)的電力負(fù)荷預(yù)測(cè)系統(tǒng)，其特征在于：所述特征工程模塊在對(duì)預(yù)測(cè)樣本集進(jìn)行特征提取時(shí)，考慮影響負(fù)荷的多種因素，其中，所述因素包括下述中的至少一種：外界氣象、負(fù)荷自身特性、節(jié)假日調(diào)休政策。

10.按照權(quán)利要求6中所述的基于深度學(xué)習(xí)的電力負(fù)荷預(yù)測(cè)系統(tǒng)，其特征在于：所述聚類及負(fù)荷預(yù)測(cè)模塊通過(guò)將同一類的負(fù)荷電力用戶的負(fù)荷數(shù)據(jù)疊加在一起，輸入到與該類對(duì)應(yīng)的負(fù)荷預(yù)測(cè)模型中，得到該類負(fù)荷電力用戶的負(fù)荷預(yù)測(cè)結(jié)果。