(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 202111575099.4 (22)申请日 2021.12.21 (71)申请人 云南电网有限责任公司电力科 学研 究院 地址 650217 云南省昆明市经济技 术开发 区云大西路10 5号 (72)发明人 崔婧　尹春林　杨政　杨莉　李杰　 杨浚文　胡凯　赵岳恒　潘侃　 朱华　苏蒙　文俊杰　赵娜　 (74)专利代理 机构 北京弘权知识产权代理有限 公司 11363 代理人 逯长明　许伟群 (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 一种基于混合卷积特征提取器和GRU的电力 负荷预测方法 (57)摘要 本发明提供了一种基于混合卷积特征提取 器和GRU的电力负荷预测方法， 通过对所收集的 数据进行归一化处理， 再将归一化处理得到的数 据带入到混合卷积特征提取器， 混合卷积特征提 取器中的卷积块对归一化数据进行一维卷积层、 最大池化层以及RELU激活函数处理后得到的输 出数据再进行一维向量的转化， 再带入到MLP神 经网络得到非线性特征。 将非线性特征带入到 GRU模型进行迭代学习， 由全连接层输出预测结 果。 本发明通过结合卷积特征提取和GRU模型， 利 用混合卷积特征提取器在数据挖掘领域的优势， 提取非线性数据的关系。 使用GRU模型可以充分 考虑负荷特征的时序特性， 具有良好地时序性数 据拟合回归能力， 有较高的预测 效率， 也能更精 准的预测未来电力负荷预测。 权利要求书2页 说明书8页 附图3页 CN 114254828 A 2022.03.29 CN 114254828 A 1.一种基于混合卷积特征提取器和GRU的电力负荷预测方法， 其特征在于， 包括以下步 骤： 收集被预测城市天气属性、 历史负荷数据、 经济数据， 将以上数据以同一 时间序列的不 同特征进行分类， 得到时间序列数据； 对时间序列数据进行归一 化处理得到归一 化处理数据； 把归一化处理数据输入混合卷积特 征提取器中， 提取非线性特 征； 采用GRU模型对混合卷积特征提取器得到的非线性特征进行迭代学习， 由全连接层输 出预测的负荷值。 2.根据权利要求1所述一种基于混合卷积特征提取器和GRU的电力负荷预测方法， 其特 征在于， 收集被预测城市的历史数据后， 所述方法还包括： 对天气属性数据、 历史负荷数据、 经济数据进行 预处理， 去除错 误数据和冗余数据。 3.根据权利要求2所述一种基于混合卷积特征提取器和GRU的电力负荷预测方法， 其特 征在于， 所述归一 化处理如下所示： 式中： w’为经过归一化处理后的新特征， wbefore表示经过归一化处理前的旧特征， wmax、 wmin分别为所选数据所在列的最大值和最小值。 4.根据权利要求1所述一种基于混合卷积特征提取器和GRU的电力负荷预测方法， 其特 征在于， 所述提取非线性特征过程为： 给定一个归一化处理数据的输入向量xi其中包含i个 变量的可观测变量 w， 用一个提取 方程f来生成非线性特 征向量ui： ui＝f(xi； θf) 式中： θf在提取方程f中是一个可 学习参数的集 合。 5.根据权利要求4所述一种基于混合卷积特征提取器和GRU的电力负荷预测方法， 其特 征在于， 所述混合卷积特征提取器包括n个卷积块， 所述卷积块包括： 一个一 维卷积层、 一个 最大池化层和一个RELU激活函数。 6.根据权利要求5所述一种基于混合卷积特征提取器和GRU的电力负荷预测方法， 其特 征在于， 提取非线性特 征还包括以下步骤： 给定一个归一 化处理数据的输入向量xi输入到混合卷积特 征提取器的卷积块中； 经过所述一维卷积层对所述输入向量xi中的特征进一步提取， 得到主 要特征； 所述最大池化层对所述输入向量xi进行处理， 增加输入向量xi的感受野， 减少输入向量 xi计算量； RELU激活函数保留输入向量xi中特征大于0的值， 即保留特征明显的值， 将特征小于0的 值输出为0并舍掉； 以上四个步骤重复n次得到具有 主要特征的输出向量xi'； 将所述输出向量xi'进行Flatten处理， 得到一维特 征向量； 将所述输入向量xi和所述一维特征向量输入MLP神经网络中进行m次计算， 得到非线性 特征向量ui。 7.根据权利要求6所述一种基于混合卷积特征提取器和GRU的电力负荷预测方法， 其特 征在于， 所述MLP神经网络 定义如下：权　利　要　求　书 1/2 页 2 CN 114254828 A 2fmlp(xi)＝W(2)RELU(W(1)xi+b(1))+b(2) 式中， W(l)和b(l)是第l层的可 学习参数， RELU是激活函数； 其中 表示一系列n个卷积块， | |表示两个向量的串联， fmlp代表MLP模型 方程。 8.根据权利要求1所述一种基于混合卷积特征提取器和GRU的电力负荷预测方法， 其特 征在于， 所述GRU模型包括重置门和更新门； 更新门用于检查较早的单元内存以保持当前时 间步的活动状态， 重置门用于将下一个单元格的输入序列与前面单元格的内存组合在一 起， GRU模型的数 学表方程如下： ft＝σ(Wx·[ht‑1,xt]+bz) rt＝σ(Wr·[ht‑1,xt]+br) yt＝σ(Wo·ht) 其中， xt、 ht‑1、 ht、 rt、 zt、 yt分别是经过混合卷积特征提取器后的向量、 上一时刻的状 态记忆变量、 当前时刻的状态记忆变量、 更新门的状态、 重置门的状态、 当前候选集的状态、 当前时刻的输出向量； Wr、 Wz、 Wo分别是更新 门、 重置门、 候选集、 输出向量及xt及ht‑1构 成的连接矩阵相乘的权重参数； I代表单位矩阵； [ ]表示向量连接； ·表示矩阵点乘； ×表 示矩阵乘积； σ 表示sigmo id激活函数； φ表示tanh 激活函数； σ 与φ的数 学描述如下 所示： σ 表示sigmo id激活函数； φ表示tanh 激活函数。 9.根据权利要求8所述一种基于混合卷积特征提取器和GRU的电力负荷预测方法， 其特 征在于， GRU模型对混合卷积特征提取器得到的非线性特征进行迭代学习， 需要经过a次计 算后得到最终的电力预测结果， 并由全连接层输出。权　利　要　求　书 2/2 页 3 CN 114254828 A 3