(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 202211176881.3 (22)申请日 2022.09.26 (71)申请人 东南大学 地址 210096 江苏省南京市玄武区新 街口 街道四牌楼 2号 申请人 国网江苏省电力有限公司 　 国网江苏省电力有限公司南京供电 分公司 (72)发明人 徐青山　甘海庆　杨永标　陈堃　 杜姣　张航通　聂卓杰　任禹丞　 (74)专利代理 机构 北京同辉知识产权代理事务 所(普通合伙) 11357 专利代理师 沈利芳 (51)Int.Cl. G06Q 50/06(2012.01)G06Q 10/04(2012.01) G06K 9/62(2022.01) G06F 16/215(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 深度特征指导两阶段迁移学习的综合能源 源—荷预测方法 (57)摘要 本发明公开了深度特征指导两阶段迁移学 习的综合能源源 —荷预测方法， 涉及综合能源多 元负荷预测技术领域， 获取温度、 季节、 节假日、 风速、 云层密度、 光照强度、 电价和现行政策影 响 因素并转换为数据格式； 获取园区的光伏、 风电、 电负荷、 热负荷和冷负荷的历史数据， 并对历史 数据进行清洗处理； 构建基于深度残差网络和引 入注意力机制的长短期记忆循环神经网络的时 间序列预测模型； 通过温度、 季节和节假日三种 因素， 使用电负荷、 热负荷和冷负荷数据对时间 序列预测模型进行训练， 获得初级模型； 在初级 模型的基础上， 采用迁移学习策略， 获得最终的 预测模型。 权利要求书4页 说明书10页 附图4页 CN 115471362 A 2022.12.13 CN 115471362 A 1.深度特征指导两阶段迁移学习的综合能源源—荷预测方法， 其特征在于， 方法包括 以下步骤： 获取目标园区的源侧和荷侧的影响因素并转换为数据格 式； 其中， 所述影响因素包括： 温度、 季节、 节假日、 风速、 云层 密度、 光照强度、 电价、 气价和相关政策； 获取历史预设时间段内目标园区的光伏发电、 风机发电、 电负荷、 热负荷和冷负荷的历 史数据， 并对历史数据进行清洗处 理； 构建基于深度残差网络和引入注意力机制的长短期记忆循环神经网络的时间序列预 测模型， 时间序列预测模型用于由历史的时间序列数据的变化趋势对未来的时间序列数值 进行预测； 基于温度、 季节和节假日三种影响因素， 使用电负荷、 热负荷和冷负荷的历史数据对时 间序列预测模型进行训练， 获得初级模型； 在初级模型的基础上， 考虑风速、 云层密度、 光照强度、 电价、 气价和相关政策六种影响 因素， 使用光伏发电、 风机发电、 电负荷、 热负荷和冷负荷的历史数据进 行训练， 获得最 终的 光伏发电预测模型、 风力发电预测模型、 电负荷预测模型、 热负荷预测模型、 冷负荷预测模 型。 2.根据权利要求1所述的深度特征指导两阶段迁移学习的综合能源源—荷预测方法， 其特征在于， 在初级模型的基础上， 考虑风速、 云层密度、 光照强度、 电价、 气价和相关政策 六种影响因素， 使用光伏发电、 风机发电、 电负荷、 热负荷和冷负荷的历史数据进 行训练， 获 得最终的光伏发电预测模型、 风力发电预测模型、 电负荷预测模型、 热负荷预测模型、 冷负 荷预测模型， 包括以下步骤： 在初级模型的基础上， 采用迁移学习策略， 考虑光照强度和云层密度影响因素， 使用光 伏发电的历史数据进 行迁移训练获得最 终的光伏发电预测模型， 以对未来预设时间段的光 伏出力进行 预测； 在初级模型的基础上， 考虑风速影响因素， 使用风机发电的历史数据进行迁移训练获 得最终的风机发电预测模型， 以对未来预设时间段的风机出力进行 预测； 在初级模型的基础上， 考虑相关政策和电价影响因素， 使用电负荷的历史数据进行迁 移训练获得最终的电负荷预测模型， 以对未来预设时间段的电负荷进行 预测； 在初级模型的基础上， 考虑电价和气价影响因素， 使用热负荷的历史数据进行迁移训 练获得最终的热负荷预测模型， 以对未来预设时间段的热负荷进行 预测； 在初级模型的基础上， 考虑电价影响因素， 使用冷负荷的历史数据进行迁移训练获得 最终的冷负荷预测模型， 以对未来预设时间段的冷负荷进行 预测。 3.根据权利要求1所述的深度特征指导两阶段迁移学习的综合能源源—荷预测方法， 其特征在于， 所述获取历史预设时间段内目标园区的光伏发电、 风机发电、 电负荷、 热负荷 和冷负荷的历史数据， 并对历史数据进行清洗处 理的过程包括以下步骤： 根据目标园区在历史预设时间段内的历史运行信 息， 获取历史预设时间段内目标园区 的光伏发电、 风机、 电负荷、 热负荷和冷负荷的历史数据， 并分别表示 为： 权　利　要　求　书 1/4 页 2 CN 115471362 A 2其中， PPV表示目标园区的光伏发电的历史数据的时间序列， 为ti时刻光伏发电的 功率， PW表示目标园区的风机发电的历史数据的时间序列， 为ti时刻风机发电的功率， PE表示目标园区的电负荷的历史数据的时间序列， 为ti时刻电负荷功率， PC表示目标园 区的冷负荷的历史数据的时间序列， 为ti时刻冷负荷数据， PH表示目标园区的热负荷的 历史数据的时间序列， 为ti时刻热负荷数据， 其中i ＝1,2,...,n； 对PPV、 PW、 PE、 PC和PH序列数据进行清洗处理， 首先计算窗口长度为n的序列局部均值 PPV(W、 E、 C、 H)， 公式如下： 其中x为窗口起始点， i为距离 窗口起始点的位置， PPV(W、 E、 C、 H)_tx+1为tx+i时刻的光伏发电 功率值、 风机发电功率 值、 电负荷功率 值、 冷负荷值、 热负荷值。 4.根据权利要求3所述的深度特征指导两阶段迁移学习的综合能源源—荷预测方法， 其特征在于， 当窗口内有小于均值点的点时， 将窗口起始点替换为以窗口起始点为中点的 长度为3的均值， 当窗口内有序列缺失则用窗口 的均值填补。 5.根据权利要求1所述的深度特征指导两阶段迁移学习的综合能源源—荷预测方法， 其特征在于， 所述时间序列预测模型的构建过程包括以下步骤： 基于深度残差网络构建深度特 征提取网络， 用于 输入数据的特 征提取； 将深度特征提取网络提取后的特征， 输入基于注意力机制 的长短期记忆循环神经网 络， 构建出时间序列预测模型。 6.根据权利要求5所述的深度特征指导两阶段迁移学习的综合能源源—荷预测方法， 其特征在于， 长短期记忆循环神经网络的记忆单元， 通过设置输入门it、 输出门ot和遗忘门 ft来选择记忆反馈的误差函数随梯度 下降的修正参数， 在t时刻的输入数据为xt， 隐藏层状 态输出值为ht， 记忆状态为ct， 经过遗忘门时， 通 过丢弃无用信息， 获取下一时刻的记忆单元 状态ct+1， 其中， 遗 忘门ft的计算公式如下： ft＝ δ(ωf·[ht‑1,xt]+bf) 其中， ht‑1为t‑1时刻的隐藏层状态， ωf和bf表示遗忘门中的权重矩阵和偏置向量， δ为 激活函数， 采用sigmo id函数； 输入序列特征信息再经过1个激活函数sigmoid函数和tanh函数分别用来求取需要输 入到记忆单元中的数据和创建1个新的候选状态 计算公式如下：权　利　要　求　书 2/4 页 3 CN 115471362 A 3