(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 202211043839.4 (22)申请日 2022.08.26 (71)申请人 广东电网有限责任公司 地址 510000 广东省广州市越秀区东 风东 路757号 (72)发明人 郇嘉嘉　李代猛　张璇　沈欣炜　 乔百豪　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 专利代理师 何卿华 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 20/20(2019.01) H02J 3/00(2006.01) (54)发明名称 负荷数据 的生成方法、 装置、 设备及存储介 质 (57)摘要 本申请公开了一种负荷数据的生 成方法、 装 置、 设备及存储介质， 通过基于目标园区的负荷 样本数据和外部环境数据， 生成第一数据集， 根 据第一数据集， 提取目标园区的负荷周期效应； 去除第一数据集中的负荷周期效应， 得到第二数 据集； 根据第二数据集， 通过元学习器和基学习 器训练， 构建基础负荷生成模型； 基于基础负荷 生成模型， 生成目标园区的基础负荷数据， 并将 基础负荷数据与负荷周期效应结合， 生成目标园 区的负荷数据。 利用智能算法学习提取负荷特 性， 降低负荷生成难度， 从而有效地生成或增强 园区的各类负荷数据， 为园区能源系统的规划运 行提供数据支撑 。 权利要求书2页 说明书13页 附图4页 CN 115392575 A 2022.11.25 CN 115392575 A 1.一种负荷数据的生成方法， 其特 征在于， 包括： 基于目标园区的负荷样本数据和外 部环境数据， 生成第一数据集； 利用Prophet算法， 根据所述第一数据集， 提取 所述目标园区的负荷周期效应； 基于所述负荷周期效应， 去除所述第一数据集中的负荷周期效应， 得到第二数据集； 利用Blending集成学习算法， 根据所述第二数据集， 通过元学习器和基学习器训练， 构 建基础负荷生成模型； 基于所述基础负荷生成模型， 结合所述外部环境数据， 生成所述目标园区的基础负荷 数据， 并将所述基础负荷数据与所述负荷周期效应结合， 生成所述目标园区的负荷数据。 2.如权利 要求1所述的负荷数据的生成方法， 其特征在于， 所述利用Prophet算法， 根据 所述第一数据集， 提取 所述目标园区的负荷周期效应， 包括： 利用所述Prophet算法， 对所述第一数据集进行拟合， 得到所述目标园区的负荷周期效 应， 所述Prophet算法的表达式为： yi(t)＝gi(t)+si(t)+ εi(t)； 其中， yi(t)为所述第一数据集中第i种负荷样本在t 时刻的实际值， gi(t)为第i种负荷 样本在t时刻的基础值， si(t)为第i种负荷样本在t时刻的周期效应值， εi(t)为t时刻的第i 种负荷样本与生成数据之间的误差项。 3.如权利要求1所述的负荷数据的生成方法， 其特征在于， 基于所述负荷周期效应， 去 除第一数据集中的负荷季节效应， 得到第二数据集， 包括： 利用预设计算公式， 去除所述第 一数据集中的负荷周期效应， 得到所述第 二数据集， 所 述预设计算公式为： di(t)＝yi(t)‑si(t)； 其中， di(t)表示所述第二数据集中第i种负荷在t时刻的基础值， yi(t)表示所述第一数 据集中第i种负荷样本在t时刻的实际值， si(t)表示第i种负荷样本在t时刻的周期效应值。 4.如权利 要求1所述的负荷数据的生成方法， 其特征在于， 所述利用Blending集成学习 算法， 根据所述第二数据集， 通过 元学习器和基学习器训练， 构建基础负荷生成模型， 包括： 将所述第二数据集划分为第一数据子集和第二数据子集； 基于所述基学习器， 对所述第一数据子集进行训练， 直至训练结果达到第一预设收敛 条件， 得到基学习器负荷生成模型； 利用所述基学习器负荷生成模型， 对所述第二数据子集进行计算， 并将计算结果与第 二数据子集 生成为第三数据子集； 基于所述元学习器， 对所述第三数据子集进行训练， 直至训练结果达到第二预设收敛 条件， 得到元 学习器负荷生成模型； 将所述基学习器负荷生成模型和元学习器负荷生成模型整合为所述基础负荷生成模 型。 5.如权利要求1所述的负荷数据的生成方法， 其特征在于， 所述基于所述基础负荷生成 模型， 结合所述外部环境数据， 生 成所述目标园区的基础负荷数据， 并将所述基础负荷数据 与所述负荷周期效应结合， 生成所述目标园区的负荷数据， 包括： 以所述目标园区在T时刻的负荷样本数据和外部环境数据作为所述基础负荷生成模型 的输入， 以使 所述基学习器和所述元学习器滚动计算生 成所述目标园区在 T+1时刻至T+N时权　利　要　求　书 1/2 页 2 CN 115392575 A 2刻的基础负荷数据； 将所述目标园区在T+1时刻至T+N时刻的基础负荷数据与对应时刻的所述负荷周期效 应合成为所述负荷数据。 6.如权利要求1所述的负荷数据的生成方法， 其特 征在于， 所述方法还 包括： 基于所述负荷样本数据和生成的所述负荷数据验证所述负荷生成模型的准确性。 7.一种负荷数据的生成装置， 其特 征在于， 包括： 生成模块， 用于基于目标园区的负荷样本数据和外 部环境数据， 生成第一数据集； 提取模块， 用于利用Prophet算法， 根据所述第一数据集， 提取所述目标园区的负荷周 期效应； 去除模块， 用于基于所述负荷周期效应， 去除第 一数据集的负荷周期效应， 得到第二数 据集； 训练模块， 用于利用Blending集成学习算法， 根据所述第二数据 集， 通过元学习器和基 学习器训练， 构建基础负荷生成模型； 预测模块， 用于基于所述基础负荷生成模型， 结合所述外部环境数据， 生成所述目标园 区的基础负荷数据， 并将所述基础负荷数据与所述负荷周期效应结合， 生成所述 目标园区 的负荷数据。 8.如权利要求7 所述的负荷数据的生成装置， 其特 征在于， 所述 提取模块， 具体用于： 利用所述Prophet算法， 对所述第一数据集进行拟合， 得到所述目标园区的负荷周期效 应， 所述Prophet算法的表达式为： yi(t)＝gi(t)+si(t)+ εi(t)； 其中， yi(t)为所述第一数据集中第i种负荷样本在t 时刻的实际值， gi(t)为第i种负荷 样本在t时刻的基础值， si(t)为第i种负荷样本在t时刻的周期效应值， εi(t)为t时刻的第i 种负荷样本与生成数据之间的误差项。 9.一种计算机设备， 其特征在于， 包括处理器和存储器， 所述存储器用于存储计算机程 序， 所述计算机程序被所述处理器执行时实现如权利要求 1至6任一项 所述的负荷数据的生 成方法。 10.一种计算机可读存储介质， 其特征在于， 其存储有计算机程序， 所述计算机程序被 处理器执行时实现如权利要求1至 6任一项所述的负荷数据的生成方法。权　利　要　求　书 2/2 页 3 CN 115392575 A 3