(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 202111658345.2 (22)申请日 2021.12.31 (71)申请人 国网浙江省电力有限公司绍兴供电 公司 地址 312099 浙江省绍兴 市胜利东路58号 申请人 国网浙江省电力有限公司 　 杭州辰青和业科技有限公司 (72)发明人 罗刚　杨晓丰　谢栋　朱峰　黄缘　 孙滢涛　范强　张文青　马宁　 郭勤慧　张斌　裘薇　金鑫　 金渊文　 (74)专利代理 机构 杭州华鼎知识产权代理事务 所(普通合伙) 33217 专利代理师 秦晓刚(51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于人工智能的短期负荷预测方法、 计算机 设备及存 储介质 (57)摘要 本发明公开了一种基于人工智能的短期负 荷预测方法、 计算机设备及存储介质， 其中短期 负荷预测方法包括如下步骤： 首先， 选取对负荷 具有影响的负荷特征、 滞后特征、 时间特征、 气象 特征， 并针对不同时长的节假日构建动态编码特 征； 然后， 采用Seq2Seq网络进行建模， 建立短期 负荷预测模型； 最后， 采用短期负荷预测模型对 短期负荷进行预测。 本发明根据不同节假日长 短， 构造了一种节假日动态编码方式， 并结合数 值模式预报建立了基于LightGBM的节假日负荷 模型， 提高了节假日负荷预测效果。 权利要求书2页 说明书10页 附图5页 CN 114511135 A 2022.05.17 CN 114511135 A 1.基于人工智能的短期电力负荷预测方法， 其特 征在于， 包括如下步骤： 首先， 选取对负荷具有影响的负荷特征、 滞后特征、 时间特征、 气象特征， 并针对不同时 长的节假日构建动态编码特征， 其中负荷特征包括日总和、 日最小、 日平均负荷， 滞后特征 为过去某一时刻的负荷或气象， 时间特征为月、 星期几、 是否周末、 小时、 分钟， 气象特征包 括温度、 湿度的原 始值、 均值、 最大值、 最小值； 然后， 采用Seq2Seq网络进行建模， 建立短期负荷 预测模型， Seq2Seq网络由编码器和解 码器两部分组成， 编码器输入特 征xt如下式所示， xt＝[yt‑1， wt， mt] wt＝[humi， temp， dmax_humi， dmin_humi， davg_humi， dmax_temp， dmin_temp， davg_temp] mt＝[month， dayofwe ek， weekend， hour， mi n] 其中， yt表示t时刻历史真实负荷特征； wt表示t时刻 的气象特征， 包含温度temp、 湿度 humi及其日最大值dmax_、 日最小值dmin_和日均值davg_； mt表示t时刻的时间序列特征， 包含月 编码month、 星期几dayofwe ek、 是否周末we ekend、 小时编码hour、 分钟编码mi n； 解码器输入特 征如下式所示， 其中， 假设当前为t时刻， 基本的短期负荷 预测任务即需要未来t+M(M＝1， 2， …， 192)时 刻的负荷大小， 当M＝1时， 解码器的输入特征为xt+1， 即包含t时刻真实负荷yt、 t+1时刻模式 预报的气象特 征 t+1时刻时间序列特 征mt+1； 当M＞1时， 解码器的输入特 征为xt+M； 最后， 采用短期负荷预测模型对短期负荷进行 预测。 2.根据权利要求1所述的基于人工智能的短期电力负荷预测方法， 其特征在于， 根据不 同节假日长度进行动态编码， 动态编码方式如下： 假设当前节日的假期时长是n天， 节日当天编码为 ‑n， 如果节日后第一天也为节假日则 编码为‑(n‑1)， 若节日后第二天也属于节假日则编码为 ‑(n‑2)， 以次类 推； 春节当天的编码为1， 春节后第一天的编码为 ‑1， 春节后第二天编码为 ‑2， 以此类推， 直 至编码至春节后第30天； 对于春节前一天则编码为1， 春节前第二天编码为2， 以此类推， 直 至编码至 春节前29天， 非节假日编码为0 。 3.根据权利要求1所述的基于人工智能的短期电力负荷预测方法， 其特征在于， 采用 Seq2Seq网络进行建模的具体步骤如下： a)生成编码器隐藏状态， 编码器使用LSTM， 对输入序列XN进行编码， 通过编码器LSTM传 递输入序列后， 每 个输入都会产生 一个隐藏的状态/ 输出hN； b)最后一层隐藏状态C与解码器输入连接， 并与解码器的输入一起输入到解码器 中， 得 到第一个输出YT和解码器隐藏状态ST； c)解码器得到的输出与解码器的隐藏状态一起输入到解码器中， 得到输出和解码器隐 藏状态， 一 直重复该步骤， 直到序列结束； d)参数优化， 选取优化器对 模型参数进行优化。 4.根据权利要求1所述的基于人工智能的短期电力负荷预测方法， 其特征在于， 在时间 步长设置上， 解码器的时间步长为192， 即预测未来48小时的短期负荷； 编码器的时间步长权　利　要　求　书 1/2 页 2 CN 114511135 A 2设置为28 8， 即采用历史3天的负荷相关信息预测未来两天的短期负荷。 5.根据权利要求1所述的基于人工智能的短期电力负荷预测方法， 其特征在于， 短期负 荷预测模型采用Teacher ‑forcing策略进行学习， 在decoder过程中， 通过概率设置， 随机选 择encoder的输出作为decoder的输入或训练数据的真实值作为decoder的输入。 6.一种计算机设备， 其特征在于， 包括至少一个处理器和存储器； 所述存储器存储计算 机执行指令； 所述至少一个处理器执行所述存储器存储的计算机执行指令， 使得所述至少 一个处理器执行如权利要求1至 5任一项所述的基于人工智能的短期电力负荷预测方法。 7.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质中存储有计算机 执行指令， 当处理器执行所述计算机执行指令时， 实现如权利要求1至5任一项所述的基于 人工智能的短期电力负荷预测方法。权　利　要　求　书 2/2 页 3 CN 114511135 A 3