(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 202210903897.3 (22)申请日 2022.07.29 (71)申请人 华北电力大 学 地址 102206 北京市昌平区回龙观 (72)发明人 刘念　徐万欣　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 王爱涛 (51)Int.Cl. G06Q 10/04(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) (54)发明名称 一种冷热电多元负荷预测方法及系统 (57)摘要 本发明提供一种冷热电多元负荷预测方法 及系统， 涉及负荷预测领域。 该预测方法包括： 获 取电力系统在当前时刻的负荷数据； 负荷数据包 括： 冷负荷数据、 热负荷数据和电负荷数据； 采用 随机森林法对负荷数据进行特征选择， 得到当前 时刻的特征集序列； 特征集序列包括： 冷负荷特 征集序列、 热负荷特征集序列和电负荷特征集序 列； 将当前时刻的特征集序列输入到负荷预测模 型中， 输出下一时刻的负荷数据； 负荷预测模型 基于线性自注意力机制建立； 本发 明能够简单快 速实现负荷预测。 权利要求书2页 说明书8页 附图3页 CN 115034518 A 2022.09.09 CN 115034518 A 1.一种冷热电多元负荷预测方法， 其特 征在于， 所述预测方法包括： 获取电力系统在 当前时刻的负荷数据； 所述负荷数据包括： 冷负荷数据、 热负荷数据和 电负荷数据； 采用随机森林法对所述负荷数据进行特征选择， 得到当前时刻的特征集序列； 所述特 征集序列包括： 冷负荷特 征集序列、 热负荷特 征集序列和电负荷特 征集序列； 将当前时刻的特征集序列输入到负荷预测模型中， 输出下一时刻的负荷数据； 所述负 荷预测模型基于线性自注意力机制建立。 2.根据权利要求1所述的冷热电多元负荷预测方法， 其特征在于， 所述负荷预测模型的 确定方法为： 获取训练集； 所述训练集为所述电力系统的历史负荷数据； 所述历史负荷数据包括历 史时刻的负荷数据； 采用随机森林法对所述训练集进行特征选择， 得到训练集特征序列； 所述训练集特征 序列包括历史时刻的特 征集序列； 构建共享神经网络； 所述共享神经网络包括依次连接的编码层和解码层； 将所述训练集特征序列输入至所述共享神经网络， 以散度损失最小为目标对所述共享 神经网络中的参数进行调整， 得到训练好的共享神经网络； 将所述训练好的共享神经网络确定为所述负荷预测模型。 3.根据权利要求2所述的冷热电多元负荷预测方法， 其特征在于， 所述将所述训练集特 征序列输入至所述共享神经网络， 以散度损失最小为目标对所述共享神经网络中的参数进 行调整， 得到训练好的共享神经网络， 具体包括： 将所述训练集特征序列输入至当前迭代次数下的共享神经网络， 当前迭代次数下的共 享神经网络采用所述线性自注意力机制， 对所述训练集特征序列进行编码和 解码处理， 得 到当前迭代次数 下的共享神经网络 输出的当前负荷预测数据； 根据所述训练集特征序列和所述当前负荷预测数据， 计算当前迭代次数下的散度损 失； 判断当前迭代次数 下的散度损失是否小于上一迭代次数 下的散度损失； 若是， 则将当前迭代次数 下的共享神经网络确定为训练好的共享神经网络； 若否， 则对当前迭代次数 下的共享神经网络的参数进行调整， 并进行 下次迭代。 4.根据权利要求3所述的冷热电多元负荷预测方法， 其特征在于， 所述散度损失的计算 公式为： DKL(t)＝ λ1(t)DKL(P1|Q1)+λ2(t)DKL(P2|Q2)+λ3(t)DKL(P3|Q3)； 其中DKL(t)为散度损失， λ1(t)为冷负荷特征序列的权重系数， λ2(t)为热负荷特征序列 的权重系数， λ3(t)为电负荷特征序列的权重系数， DKL(P1|Q1)为冷负荷特征序列的散度， DKL (P2|Q2)为热负荷特 征序列的散度， DKL(P3|Q3)为电负荷特 征序列的散度。 5.一种冷热电多元负荷预测系统， 其特 征在于， 所述预测系统包括： 数据获取模块， 用于获取电力系统在 当前时刻的负荷数据； 所述负荷数据包括： 冷负荷 数据、 热负荷数据和电负荷数据； 特征选择模块， 用于采用随机森林法对所述负荷数据进行特征选择， 得到当前时刻的 特征集序列； 所述特征集序列包括： 冷负荷特征集序列、 热负荷特征集序列和电负荷特征集权　利　要　求　书 1/2 页 2 CN 115034518 A 2序列； 负荷预测模块， 用于将当前时刻的特征集序列输入到负荷预测模型中， 输出下一时刻 的负荷数据； 所述负荷预测模型基于线性自注意力机制建立。 6.根据权利要求5所述的冷热电多元负荷预测系统， 其特 征在于， 还 包括： 模型确定模块， 用于确定所述负荷预测模型； 所述模型确定模块， 具体包括： 获取子模块， 用于获取训练集； 所述训练集为所述电力系统 的历史负荷数据； 所述历史 负荷数据包括历史时刻的负荷数据； 训练集特征序列确定子模块， 用于采用随机森林法对所述训练集进行特征选择， 得到 训练集特 征序列； 所述训练集特 征序列包括历史时刻的特 征集序列； 构建子模块， 用于构建共享神经网络； 所述共享神经网络包括依次连接的编码层和解 码层； 训练子模块， 用于将所述训练集特征序列输入至所述共享神经网络， 以散度损 失最小 为目标对所述共享神经网络中的参数进行调整， 得到训练好的共享神经网络； 负荷预测模型确定子模块， 用于将所述训练好的共享神经网络确定为所述负荷预测模 型。 7.根据权利要求6所述的冷热电多元负荷预测系统， 其特征在于， 所述训练子模块具体 包括： 编解码处理单元， 用于将所述训练集特征序列输入至当前迭代次数下的共享神经网 络， 当前迭代 次数下的共享神经网络采用所述线性自注意力机制， 对所述训练集特征序列 进行编码和解码处 理， 得到当前迭代次数 下的共享神经网络 输出的当前负荷预测数据； 散度损失计算单元， 用于根据所述训练集特征序列和所述当前负荷预测数据， 计算当 前迭代次数 下的散度损失； 判断单元， 用于判断当前迭代次数下的散度损失是否小于上一迭代次数下的散度损 失； 确定单元， 用于若是， 则将当前迭代次数下的共享神经网络确定为训练好的共享神经 网络； 调整单元， 用于若否， 则对当前迭代次数下的共享神经网络的参数进行调整， 并进行下 次迭代。 8.根据权利要求7所述的冷热电多元负荷预测系统， 其特征在于， 所述判断单元中所述 散度损失的计算公式为： DKL(t)＝ λ1(t)DKL(P1|Q1)+λ2(t)DKL(P2|Q2)+λ3(t)DKL(P3|Q3)； 其中DKL(t)为散度损失， λ1(t)为冷负荷特征序列的权重系数， λ2(t)为热负荷特征序列 的权重系数， λ3(t)为电负荷特征序列的权重系数， DKL(P1|Q1)为冷负荷特征序列的散度， DKL (P2|Q2)为热负荷特 征序列的散度， DKL(P3|Q3)为电负荷特 征序列的散度。权　利　要　求　书 2/2 页 3 CN 115034518 A 3