(19)中华 人民共和国 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 202111500923.X (22)申请日 2021.12.09 (71)申请人 武汉大学 地址 430000 湖北省武汉市武昌区珞珈山 (72)发明人 陈军　姚婧　 (74)专利代理 机构 武汉智权专利代理事务所 (特殊普通 合伙) 42225 代理人 余浩 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 短期电力负荷预测方法、 装置、 设备及存储 介质 (57)摘要 本申请公开了一种短期电力负荷预测方法、 装置、 计算机设备及计算机可读存储介质， 该方 法包括： 通过对按照预置条件采集的负荷序列进 行预处理； 根据预置集合经验模态分解模型对预 处理后的所述负荷序列进行分解， 得到负荷子序 列集合， 其中， 所述负荷子序列集合包括至少两 个负荷子序列； 根据预置神经网络模 型和所述负 荷子序列集合， 得到预测的负荷子序列值， 其中， 所述预置神经网络模型包括预置卷积神经网络 模型和预置循环神经网络模型， 所述负荷子序列 值至少为一个； 对各个所述负荷子序列值进行融 合， 确定负荷序列值， 从而提高短期电力负荷预 测精度。 权利要求书2页 说明书12页 附图4页 CN 114239945 A 2022.03.25 CN 114239945 A 1.一种短期电力负荷预测方法， 其特 征在于， 包括： 对按照预置条件 采集的负荷序列进行 预处理； 根据预置集合经验模态分解模型对预处理后的所述负荷序列进行分解， 得到负荷子序 列集合， 其中， 所述负荷子序列集 合包括至少两个负荷子序列； 根据预置神经网络模型和所述负荷子序列集合， 得到预测的负荷子序列值， 其中， 所述 预置神经网络模型包括预置卷积神经网络模型和预置循环神经网络模型， 所述负荷子序列 值至少为 一个； 对各个所述负荷子序列值进行融合， 确定负荷序列值。 2.如权利要求1所述的短期电力负荷预测方法， 其特征在于， 所述根据 预置集合经验模 态分解模 型对预处理后的所述负荷序列进 行分解， 得到负荷子序列集合， 其中， 所述负荷子 序列集合包括至少两个负荷子序列， 包括： 将处理后的所述负荷序列输入所述预置集 合经验模态分解模型中； 通过所述预置集合经验模态分解模型中的高斯白噪声值添加至处理后的所述负荷序 列中的各个负荷数据中， 以确定当前 所述负荷序列中的最大极值和最小极值； 通过所述预置集合经验模态分解模型中的三次样条插值函数拟合所述最大极值和所 述最小极值的曲线， 确定当前 所述负荷序列的平均值； 根据当前所述负荷序列的平均值和预置给定负荷序列值， 确定负荷子序列集合， 其中， 所述负荷子序列集 合包括至少一个负荷子序列和残差序列。 3.如权利要求1所述的短期电力负荷预测方法， 其特征在于， 所述根据 预置神经网络模 型和所述负荷子序列集 合， 得到预测的负荷子序列值， 包括： 根据所述预置卷积神经网络模型对输入的所述负荷子序列集合进行处理， 生成各个负 荷子序列的负荷子序列向量； 根据所述预置循环神经网络模型对各个所述负荷子序列的负荷子序列向量进行预测， 得到预测的各个所述负荷子序列的负荷子序列值。 4.如权利要求3所述的短期电力负荷预测方法， 其特征在于， 所述预置卷积神经网络模 型包括卷积层、 池化层和Flatten层； 根据所述预置卷积神经网络模 型对输入的所述负荷子 序列集合进行处 理， 生成各个负荷子序列的负荷子序列向量， 包括： 通过所述卷积层放大输入的各个所述负荷子序列和所述残差序列中的显著特征， 并将 所述显著特征分别映射到预置特征图集中， 其中， 所述显著特征包括周期性数据和季节性 数据， 所述卷积层为两个； 通过所述池化层对当前的各个特征图集进行降维处理， 并将降维处理后的各个所述特 征图集输入所述Flat ten层； 通过所述Flatten层对输入 的降维处理后的各个所述特征图集进行处理， 生成各个所 述负荷子序列的负荷子序列向量。 5.如权利要求3所述的短期电力负荷预测方法， 其特征在于， 所述预置循环神经网络模 型包括更新 门、 复位门和隐藏层； 所述根据所述预置循环神经网络模型对各个所述负荷子 序列的负荷子序列向量进行 预测， 得到预测的各个所述负荷子序列的负荷子序列值， 包括： 将各个所述负荷子序列的负荷子序列向量输入所述隐藏层， 获取所述隐藏层输出的当 前状态和前一次的隐藏状态；权　利　要　求　书 1/2 页 2 CN 114239945 A 2将所述当前状态和所述前一次的隐藏状态输入所述更新门， 得到更新门值； 将所述当前状态和所述前一次的隐藏状态输入所述复位们， 得到复位门值； 基于所述复位门值、 所述当前状态、 所述前一次的隐藏状态、 所述预置双曲正切函数、 预置网络 权重， 得到各个所述负荷子序列的预测负荷子序列向量； 基于各个所述负荷子序列值向量、 所述更新门值和所述前一次的隐藏状态， 得到各个 所述负荷子序列的负荷子序列值。 6.如权利要求1所述的短期电力负荷预测方法， 其特征在于， 所述对各个所述负荷子序 列值进行融合， 确定负荷序列值， 包括： 通过预置累加公式对各个所述负荷子序列值进行累加， 确定负荷序列值。 7.如权利要求1所述的短期电力负荷预测方法， 其特征在于， 所述对按照预置条件采集 的负荷序列进行 预处理， 包括： 按照预置条件 采集多个负荷数据， 生成负荷序列， 其中， 所述负荷数据具有时序性； 对各个所述负荷序列进行检测， 确定多个所述负荷序列中是否包含缺省数据和/或异 常数据； 若确定包含所述缺省数据和/或所述异常数据， 则分别对所述负荷序列中的缺省数据 和/或所述异常数据进行 数据处理， 以得到预处 理后负荷序列。 8.一种短期电力负荷预测装置， 其特 征在于， 包括： 处理模块， 用于对按照预置时刻采集的负荷序列进行 预处理； 分解模块， 用于根据预置集合经验模态分解模型对预处理后的所述负荷序列进行分 解， 得到负荷子序列集 合， 其中， 所述负荷子序列集 合包括至少两个负荷子序列； 获取模块， 用于根据预置神经网络模型和所述负荷子序列集合， 得到预测的负荷子序 列值， 其中， 所述预置神经网络模型包括预置卷积神经网络模 型和预置循环神经网络模型， 所述负荷子序列值至少为 一个； 计算模块， 用于对各个所述负荷子序列值进行融合， 确定负荷序列值。 9.一种计算机设备， 其特征在于， 所述计算机设备包括处理器、 存储器、 以及存储在所 述存储器上并可被所述处理器执行的计算机程序， 其中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7中任一项所述的短期电力负荷预测方法的步骤。 10.一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上存储有计算机 程序， 其中所述计算机程序被处理器执行时， 实现如权利要求1至7中任一项所述的短期电 力负荷预测方法的步骤。权　利　要　求　书 2/2 页 3 CN 114239945 A 3