(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 202211512758.4 (22)申请日 2022.11.30 (71)申请人 国网天津市电力公司信息通信公司 地址 300140 天津市河北区望海楼街昆纬 路153号 (72)发明人 郭晓艳　孙先范　马彩霞　张翼英　 刘晨　刘怡　祝文军　王凯　李炎　 (74)专利代理 机构 北京知联天下知识产权代理 事务所(普通 合伙) 11594 专利代理师 孔凡梅 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01) (54)发明名称 一种面向智慧物联平台的人工智能负荷预 测方法与系统 (57)摘要 本发明属于人工智能负荷预测技术领域， 特 别涉及一种面向智慧物联平台的人工智能负荷 预测方法与系统， 所述方法包括： 对采集到的数 据进行处理得到序列数据； 构建模 型并对序列数 据进行模型训练； 对训练后的数据进行特征筛 选； 根据特征筛选后的数据进行电力负荷预测。 所述系统包括数据采集单元、 模型构建单元、 特 征筛选单元和预测单元。 本发明通过对负荷数据 的采集， 使用CNN进行特征提取、 筛选及数据增 强， 并通过BiLS TM对当前数据和过去及未来的负 荷数据的内在关联， 实现对未来电力负荷的准确 预测， 而且， 本发明对复杂的非线性系统的处理 能力更强， 适用于随机性、 波动性更强的短期负 荷预测。 权利要求书3页 说明书6页 附图4页 CN 115545354 A 2022.12.30 CN 115545354 A 1.一种面向智慧物联平台的人工智能负荷预测方法， 其特 征在于， 所述方法包括： 对采集到的数据进行处 理得到序列数据； 构建模型并对序列数据进行模型训练； 对训练后的数据进行 特征筛选； 根据特征筛选后的数据进行电力负荷预测。 2.根据权利要求1所述的一种面向智慧物联平台的人工智能负荷预测方法， 其特征在 于， 所述采集到的数据包括当前时间、 负荷、 电价、 温度和湿度； 其中， 所述温度包括露点温度、 干球温度和湿 球温度。 3.根据权利要求1所述的一种面向智慧物联平台的人工智能负荷预测方法， 其特征在 于， 所述对采集到的数据进行处 理包括以下步骤： 将采集到的数据按时间点的先后顺序进行排序， 形成数据队列； 在所述数据队列中提取长度为m的多个数据作为特 征数据； 将所述特 征数据输入Bi LSTM模块， 得到下一时刻的负荷预测值； 特征数据前移， 形成相同长度的新的特征数据， 再次预测下一时刻的负荷预测值， 直至 遍历所有数据； 将所有负荷预测值进行整理， 形成连续子时间内的序列数据。 4.根据权利要求3所述的一种面向智慧物联平台的人工智能负荷预测方法， 其特征在 于， 所述特征数据前移具体为： 以当前的特征数据中第二个时间点的数据为起点， 取长度 为m的多个数据， 形成新的特 征数据。 5.根据权利要求1所述的一种面向智慧物联平台的人工智能负荷预测方法， 其特征在 于， 所述对序列数据进行模型训练包括以下步骤： 将序列数据输入 模型， 经过两层一维卷积层进行 特征提取； 特征提取后的序列数据经 过池化层和Flat ten层进行降维与过 滤； 序列数据输入Bi LSTM层， 通过Bi LSTM层对序列数据进行关联处 理； 序列数据进入到Dense层进行 特征增强； 输出模型训练结果。 6.根据权利要求5所述的一种面向智慧物联平台的人工智能负荷预测方法， 其特征在 于， 所述特征提取的步骤 包括： 在一维卷积层中对序列数据进行高维映射。 7.根据权利要求5所述的一种面向智慧物联平台的人工智能负荷预测方法， 其特征在 于， 所述通过BiLSTM层对序列数据进行关联处 理包括以下步骤： 对序列数据中过去数据的隐藏层和未来数据的隐藏层状态进行递归反馈； 对序列数据中的当前 数据、 过去数据和未来数据进行内在关联。 8.根据权利要求7所述的一种面向智慧物联平台的人工智能负荷预测方法， 其特征在权　利　要　求　书 1/3 页 2 CN 115545354 A 2于， 所述隐藏层状态由BiLSTM层中正向传播的前一时刻隐藏层输出、 反向传播的前一时刻 的隐藏状态和当前时刻的输入组合而成， 隐藏层状态的表达公式为： ； 其中， 表示前向隐藏层状态， 表示后向隐藏层状态， 表示前向传播单元的隐藏层 的权重， 表示后向传播单元的隐藏层的权重， 表示当前时刻隐藏层的偏置， 表示当前 时刻的输入， 表示反向传播的前一时刻的隐藏层状态， 表示正向传播的前一时刻隐藏 层输出， 为经过前后双向计算所 得的整体隐藏状态。 9.根据权利要求7所述的一种面向智慧物联平台的人工智能负荷预测方法， 其特征在 于， 所述通过BiLSTM层对序列数据进行关联处 理还包括： 应用注意力机制， 通过权 重配置突出序列数据中的关键信息； 对序列数据中对 超过预定时间依赖的数据特 征进行挖掘。 10.根据权利要求1所述的一种面向智慧物联平台的人工智能负荷预测方法， 其特征在 于， 构建模型后还 包括对模型的性能进行有效性评估。 11.根据权利要求10所述的一种面向智慧物联平台的人工智能负荷预测方法， 其特征 在于， 所述有效性评估的公式为： ， ； 其中， 表示均方根误差， 表示平均绝对百分比误差， 表示第i个样本的真实值， 表示第i个样本的预测值， 表示样本点的数量。 12.根据权利要求1所述的一种面向智慧物联平台的人工智能负荷预测方法， 其特征在 于， 所述特征筛选包括： 根据L1正则化公式将序列数据中无关的特 征数据剔除； 所述L1正则化公式为 ； 其中， ， 分别为训练样本和其对 应的标签， 为权重参数， 为目标函 数， 为惩罚项， 为惩罚项系数， 为将无关特 征剔除后的目标函数。 13.一种面向智慧物联平台的人工智能负荷预测系统， 其特征在于， 所述系统包括数据 采集单元、 模型构建单 元、 特征筛选单元和预测单 元； 所述数据采集单 元用于对 采集到的数据进行处 理得到序列数据； 所述模型构建单 元用于构建模型并对序列数据进行模型训练；权　利　要　求　书 2/3 页 3 CN 115545354 A 3