(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 202111564489.1 (22)申请日 2021.12.20 (71)申请人 国家电投集团电站运营技 术 （北京） 有限公司 地址 102209 北京市昌平区北七家镇未来 科技城国家电投集团科学技术研究院 有限公司院内B座5 -7层 申请人 国家电投集团科 学技术研究院有限 公司 (72)发明人 戴碧艳　周乃康　李璟涛　袁建丽　 周勇　杨洋　杨晗　王菲　黄雷　 尤姗姗　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 杜月(51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06T 3/40(2006.01) G06K 9/62(2022.01) (54)发明名称 电网负荷预测模型的训练方法及装置 (57)摘要 本申请提出一种电网负荷预测模型的训练 方法及装置， 方法包括： 获取历史负荷数据， 其 中， 历史负荷数据包括过去预设时长内各时刻点 的负荷数据； 在任一时刻点的负荷数据缺失的情 况下， 对任一时刻点的负荷数据进行补齐； 基于 补齐后的各时刻点负荷数据， 确定各日期的负荷 数据； 在任一日期的负荷数据存在缺失的情况 下， 根据日期类型及年电力负荷增长率， 对任一 日期的负荷数据进行补齐； 根据补齐后各日期的 负荷数据， 确定各月的负荷数据； 根据各月的负 荷数据， 确定每个训练月对应的输入数据； 将每 个训练月对应的输入数据， 输入至初始核SVR测 模型中进行求解训练， 以得到核SVR模型。 该方法 适合具有强非线性中长期用电负荷预测， 能提升 中长期电负荷预测精度。 权利要求书2页 说明书9页 附图5页 CN 115238940 A 2022.10.25 CN 115238940 A 1.一种电网负荷预测模型的训练方法， 其特 征在于， 包括： 获取历史负荷数据， 其中， 历史负荷数据包括过去预设时长内各时刻点的负荷数据； 在任一时刻点的负荷数据缺失的情况 下， 对所述任一时刻点的负荷数据进行补齐； 基于补齐后的各时刻点的负荷数据， 确定各日期的负荷数据； 在任一日期的负荷数据存在缺失的情况下， 根据日期类型及年电力负荷增长率， 对所 述任一日期的负荷数据进行补齐； 根据补齐后各日期的负荷数据， 确定各月的负荷数据； 根据所述各月的负荷数据， 确定每 个训练月对应的输入数据； 将每个训练月对应的输入数据， 输入至初始核支持向量回归SVR预测模型中进行求解 训练， 以得到核SVR模型。 2.如权利要求1所述的方法， 其特征在于， 所述对所述任一时刻点的负荷数据进行补 齐， 包括： 根据与所述任一 时刻点相邻的已知时刻点的负荷数据， 对所述任一 时刻点的负荷数据 进行补齐。 3.如权利要求1所述的方法， 其特征在于， 所述根据日期类型及年电力负荷增长率， 对 所述任一日期的负荷数据进行补齐， 包括： 根据现货交易 规则及负荷特性， 确定日期类型； 根据日期类型及年电力负荷增长率， 确定所述任一日期的负荷数据。 4.如权利要求3所述的方法， 其特征在于， 所述根据日期类型及年电力负荷增长率， 确 定所述任一日期的负荷数据， 包括： 根据日期类型， 将与 所述任一日期所属月份同类型的日期负荷数据的均值作为所述任 一日期的负荷数据； 若所述任一日期所属月份同类型的日期负荷数据均缺失， 根据过去同期同类型的负荷 均数据和年电力负荷增长率， 确定所述任一日期的负荷数据。 5.如权利要求1 ‑4任一所述的方法， 其特征在于， 所述每个训练月对应的输入数据包 括： 训练月份及过去预设数量月份的各负荷数据。 6.如权利要求5所述的方法， 其特征在于， 在所述将每个训练月对应的输入数据， 输入 至初始核支持向量回归SVR预测模型中进行求 解训练之前， 包括： 根据各个训练月对应的过去预设数量月份的各负荷数据， 确定各个训练月对应的过去 同类月份中负荷数据的最大值和最小值； 根据最大值和最小值， 对各同类月份中每个过去月份的负荷数据进行归一化处理， 以 获取每个训练月对应的过去预设数量月份的各归一 化后的负荷数据。 7.如权利要求6所述的方法， 在得到核SVR模型之后， 还 包括： 获取待预测月对应的输入数据； 对待预测月对应的输入数据进行归一化处理， 并将归一化处理后的输入数据输入核 SVR模型中， 得到待预测月对应的负荷预测结果； 根据所述各个训练月的负荷数据， 确定最大负荷值和最小负荷值； 根据最大负荷值和最小负荷值， 对负荷预测结果进行反归一化处理， 以获取所述待预 测月的负荷预测值。权　利　要　求　书 1/2 页 2 CN 115238940 A 28.如权利要求1 ‑4任一所述的方法， 其特征在于， 所述核SVR模型中选择核函数为高斯 径向基函数。 9.一种电网负荷预测模型的训练装置， 其特 征在于， 包括： 第一获取模块， 用于获取历史负荷数据， 其中， 历史负荷数据包括过去预设时长内各时 刻点的负荷数据； 第一补齐模块， 用于在任一时刻点的负荷数据缺失的情况下， 对所述任一时刻点的负 荷数据进行补齐； 第一确定模块， 用于基于补齐后的各时刻点的负荷数据， 确定各日期的负荷数据； 第二补齐模块， 用于在任一日期的负荷数据存在缺失的情况下， 根据日期类型及年电 力负荷增长率， 对所述任一日期的负荷数据进行补齐； 第二确定模块， 用于根据补齐后各日期的负荷数据， 确定各月的负荷数据； 第三确定模块， 用于根据所述各月的负荷数据， 确定每 个训练月对应的输入数据； 训练模块， 用于将每个训练月对应的输入数据， 输入至初始核支持向量回归SVR预测模 型中进行求 解训练， 以得到核SVR模型。 10.一种计算机设备， 其特 征在于， 包括处 理器和存 储器； 其中， 所述处理器通过读取所述存储器中存储的可执行程序代码来运行与 所述可执行 程序代码对应的程序， 以用于实现如权利要求1 ‑8中任一所述的电网负荷预测模型的训练 方法。权　利　要　求　书 2/2 页 3 CN 115238940 A 3