(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 202111553468.X (22)申请日 2021.12.17 (71)申请人 国电南瑞科技股份有限公司 地址 211000 江苏省南京市江宁经济技 术 开发区诚信大道19号 申请人 国电南瑞南京控制系统有限公司 　 国网电力科 学研究院有限公司 (72)发明人 朱庆　韦思雅　李雪明　马宛星　 郑红娟　张卫国　王金明　武文广　 宋杰　顾琳琳　周材　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 代理人 陈珉 (51)Int.Cl. G06Q 10/04(2012.01)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 一种负荷预测方法及系统 (57)摘要 本发明公开了一种负荷预测方法， 包括对获 取的历史负荷数据和待预测负荷的时间数据进 行预处理； 构建并行长短期记忆负荷预测模型； 通过预处理后的历史负荷数据对长短期记忆负 荷预测模型进行优化训练； 通过训练好的长短期 记忆负荷预测模 型对负荷进行预测， 本发明在保 证模型稳定性的条件下充分利用历史负荷序列 中的隐含信息， 提高预测准确性， 并尽量提高模 型训练速度。 权利要求书1页 说明书6页 附图2页 CN 114154753 A 2022.03.08 CN 114154753 A 1.一种负荷预测方法， 其特 征在于， 包括： 对获取的历史负荷数据和待预测负荷的时间数据进行 预处理； 构建并行长短期记 忆负荷预测模型； 通过预处理后的历史负荷数据对长短期记 忆负荷预测模型进行优化训练； 通过训练好的长短期记 忆负荷预测模型对负荷进行 预测。 2.根据权利要求1所述的一种负荷预测方法， 其特征在于， 所述对获取的历史负荷数据 和待预测负荷的时间数据进行 预处理包括： 通过线性插值法补全历史负荷数据， 将待预测负荷的时间数据用整数编码， 并对历史 负荷数据和整数编码后将待预测负荷的时间数据进行归一 化。 3.根据权利要求1所述的一种负荷预测方法， 其特征在于， 所述长短期记忆负荷预测模 型包括： 若干长 短期记忆模块和一个线性模块， 长 短期记忆模块之 间并列设置， 线性模块和 长短期记 忆模块并列设置 。 4.根据权利要求3所述的一种负荷预测方法， 其特征在于， 所述长短期记忆模块的数量 为5个。 5.根据权利要求4所述的一种负荷预测方法， 其特征在于， 所述通过训练好的长短期记 忆负荷预测模型对负荷进行 预测包括： 将预处理后的[t ‑8T,t‑1]、 [t‑6T,t‑1]、 、 [t‑4T,t‑1]、 [t‑2T,t‑1]以及[t ‑T,t‑1]时间 段内的历史负荷数据分别输入到五个长 短期记忆模块中， 将待预测负荷的时间数据输入到 线性模块， 将五个长短期记忆模块的输出与线性模块的输出合并后输入到线性输出层得到 最终的预测负荷， 其中， t为待预测时刻， T为时间步长 。 6.根据权利要求3所述的一种负荷预测方法， 其特征在于， 在长短期记忆模块和线性模 块前需要进行初始化， 对长短期记忆模的权重参数进行Xavier正态分布初始化， 对线性模 块的权重进行均值 为0、 方差为0.1的随机正态分布初始化， 对所有的偏置进行全0初始化。 7.一种负荷预测系统， 其特 征在于， 包括： 预处理模块， 用于对获取的历史负荷数据和待预测负荷的时间数据进行 预处理； 建模模块， 用于构建并行长短期记 忆负荷预测模型； 模型训练模块， 用于通过预处理后的历史负荷数据对长短期记忆负荷预测模型进行优 化训练； 预测模块， 用于通过训练好的长短期记 忆负荷预测模型对负荷进行 预测。权　利　要　求　书 1/1 页 2 CN 114154753 A 2一种负荷预测方 法及系统 技术领域 [0001]本发明属于负荷预测技 术领域， 尤其涉及一种负荷预测方法及系统。 背景技术 [0002]在建设智能电网的大背景下， 精准的短期电力负荷预测对于电网的安全稳定运行 和高效调度等有着重大作用。 而电力负荷短期预测的现有技术往往使用深度学习 方法， 利 用如深度置信网络、 深度卷积神经网络、 深度长短期记忆神经网络等方法进行负荷预测， 这 样的结构可能会造成误差反向传播困难， 易出现梯度消失、 梯度爆炸或陷入局部最优等问 题， 模型训练的稳定性和准确性 不能保证； 且 模型层数太多、 参数太多， 训练时间过长 。 发明内容 [0003]为了解决现有技术存在的问题， 本发明提供一种负荷预测方法， 能够提高电力负 荷预测的准确性。 [0004]本发明所要解决的技 术问题是通过以下技 术方案实现的： [0005]第一方面， 提供了一种负荷预测方法， 包括： [0006]对获取的历史负荷数据和待预测负荷的时间数据进行 预处理； [0007]构建并行长短期记 忆负荷预测模型； [0008]通过预处理后的历史负荷数据对长短期记 忆负荷预测模型进行优化训练； [0009]通过训练好的长短期记 忆负荷预测模型对负荷进行 预测。 [0010]结合第一方面， 进一步的， 所述对获取的历史负荷数据和待预测负荷的时间数据 进行预处理包括： [0011]通过线性插值法补全历史负荷数据， 并将将待预测负荷的时间数据用整数编码， 并对历史负荷数据和整数编码后的待预测负荷的时间数据进行归一 化。 [0012]结合第一方面， 进一步的， 所述长短期记忆负荷预测模型包括： 若干长短期记忆模 块和一个线性模块， 长短期记 忆模块之间 并列设置， 线性模块和长短期记 忆模块并列设置 。 [0013]结合第一方面， 进一 步的， 所述长短期记 忆模块的数量 为5个。 [0014]结合第一方面， 进一步的， 所述通过训练好的长短期记忆负荷预测模型对负荷进 行预测包括： [0015]将预处理后的[t ‑8T,t‑1]、 [t‑6T,t‑1]、 、 [t‑4T,t‑1]、 [t‑2T,t‑1]以及[t ‑T,t‑1] 时间段内的历史负荷数据分别输入到五个长短期记忆模块中， 将待预测负荷的时间数据输 入到线性模块， 将五个长短期记忆模块的输出与线性模块的输出合并后输入到线性输出层 得到最终的预测负荷， 其中， t为待预测时刻， T为时间步长 。 [0016]结合第一方面， 进一步的， 在长短期记忆模块和线性模块前需要进行初始化， 对长 短期记忆模的权重参数进行Xavier 正态分布初始 化， 对线性模块的权重进 行均值为0、 方差 为0.1的随机正态分布初始化， 对所有的偏置进行全0初始化。 [0017]第二方面， 提供了一种负荷预测系统， 包括：说　明　书 1/6 页 3 CN 114154753 A 3