(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 202211340684.0 (22)申请日 2022.10.25 (71)申请人 国网天津市电力公司 地址 300010 天津市河北区五经路39号 申请人 国家电网有限公司 　 国网天津市电力公司城东供电分公 司 (72)发明人 邓欣宇　王小璇　张军　宗烨琛　 黄旭　刘延博　李宇　李艳　韩斌　 高强伟　刘伟　杨国朝　徐智　 杨得博　赵长伟　骈睿珺　刘志超　 刘扬　王治博　张晓航　 (74)专利代理 机构 天津盛理知识产权代理有限 公司 12209 专利代理师 王雨晴(51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) (54)发明名称 基于多任务学习与深度学习的间歇型电器 负荷预测方法 (57)摘要 本发明涉及一种基于多任务学习与深度学 习的间歇型电器负荷预测方法， 包括以下步骤： S1、 获取居民用户的智能电表负荷数据以及设备 级的负荷数据， 定义K指数， 并对该居民用户的电 器设备进行分类， 将电器分为 持续型和间歇型两 类； S2、 对间歇型电器的负荷特征进行提取， 得到 历史负荷、 日使用时长、 日使用频率、 星期、 时刻 等与间歇型电器使用相关的负荷特征， 以及温 度、 湿度、 露点等气象特征； S3、 构建基于硬参数 共享多任务学习和门控循环单元网络的间歇型 电器负荷预测模型， 即MT L‑GRU模型， 利用历史负 荷特征以及气象特征对MTL ‑GRU模型进行训练； S4、 将历史间歇型电器负荷数据输入到训练好的 模型中， 得到间歇型电器的负荷预测结果。 本发 明能够有效提高负荷预测效率和准确性。 权利要求书1页 说明书7页 附图3页 CN 115511218 A 2022.12.23 CN 115511218 A 1.一种基于多任务学习与深度学习的间歇型电器负荷预测方法， 其特征在于： 包括以 下步骤： S1、 获取居民用户的智能电表负荷数据以及设备级的负荷数据， 定义K指数， 并对该居 民用户的电器设备进行分类， 将电器分为持续型和间歇型两类； S2、 对间歇型电器的负荷特征进行提取， 得到历史负荷、 日使用时长、 日使用 频率、 星 期、 时刻等与间歇型电器使用相关的负荷特 征， 以及温度、 湿度、 露点 等气象特 征； S3、 构建基于硬参数共享多任务学习和门控循环单元网络的间歇型电器负荷预测模 型， 即MTL ‑GRU模型， 利用历史负荷特 征以及气象特 征对MTL‑GRU模型进行训练； S4、 将历史间歇型电器负荷数据输入到训练好的模型中， 得到间歇型电器的负荷预测 结果。 2.根据权利要求1所述的一种基于多任务学习与深度学习的间歇型电器负荷预测方 法， 其特征在于： 所述步骤S1 中电器设备进行分类的具体方法为： 设置K的阈值设定为0.8， K 大于0.8时为持续型电器， K小于 0.8时为间歇型电器； 其中， K＝Ton/Tall， Ton为一定时间周期内电器的累计开启时长， Tall为该周期的总时长 。 3.根据权利要求1所述的一种基于多任务学习与深度学习的间歇型电器负荷预测方 法， 其特征在于： 所述步骤S3中构建基于硬参数共享多任务学习和门控循环单元网络的间 歇型电器负荷预测模型为： zt＝σ(ωz·[ht‑1,xt]+bz) ft＝σ(ωf·[ht‑1,xt]+bf) 其中， zt、 ft分别为重置门和更新门的输出， ht‑1、 xt分别为上个单元的输出与当前时刻 的输入， ht为当前时刻的输出， σ( ·)为Sigmoid激活函数， tanh( ·)为Tanh激活函数， ⊙表 示矩阵对应位置相乘。 4.根据权利要求1所述的一种基于多任务学习与深度学习的间歇型电器负荷预测方 法， 其特征在于： 所述 步骤S3中对MTL ‑GRU模型进行训练的方法为： 将间歇型电器的公共特征和非公共特征输入到MTL ‑GRU神经网络的参数共享层， 对于n 个间歇型电器， MTL ‑GRU的网络输入特征包括所有电器的公共特征与n个电器的非公共特 征， 网络输出为n个电器的负荷预测结果。 5.根据权利要求1所述的一种基于多任务学习与深度学习的间歇型电器负荷预测方 法， 其特征在于： 所述 步骤S4中网络的输入特 征为： 当预测第d天、 第t个时刻点的负荷时， 历史负荷 特征为前6个时刻点负荷 数据， 前1、 2、 7 天对应时刻点的负荷数据、 设备日使用时长和频率， 第t个时刻点的温度、 湿度和露点、 时间 数据， 第d天的星期和节假日数据。权　利　要　求　书 1/1 页 2 CN 115511218 A 2基于多任务学习与深度学习的间 歇型电器负荷预测方 法 技术领域 [0001]本发明属于用户负荷分析预测技术领域， 涉及一种间歇型电器负荷预测方法， 尤 其是一种基于多任务学习与深度学习的间歇型电器负荷预测方法。 背景技术 [0002]负荷预测对电力系统的安全、 稳定和经济运行有重要意义。 按照预测规模， 传统的 负荷预测可分为系统级、 变电站级、 母线级、 馈线级和建筑物级等。 随着智能电表的普及， 电 力公司可以获得大量的居民用电信息， 使居民级、 电器级的负荷预测成为可能。 准确的居民 负荷预测可以应用于家庭 能量管理系统， 帮助用户了解自己的用电规律， 进而实现节 能减 排； 还能辅助电力公司制定合理的需求响应计划， 优化 发电方案， 提升系统的供电能力与可 靠性。 [0003]然而， 由于居民负荷与其用电行为密切相关， 因此具有较强的随机性与不确定性， 难以准确预测。 与传统负荷预测问题相比， 居民的负荷预测具有 更大的挑战性。 变电站或节 点的负荷规模较大， 一般较为稳定。 工商业用户的用电负荷受生产规律影响， 往往可以分为 几类典型 的用电模式， 规律性强。 然而， 居民负荷与用户的用电行为密切相关。 由于家庭电 器种类繁多， 且负荷规模较小， 因此居民负荷充满随机性与不确定性。 传统负荷预测方法仅 利用家庭总电表的负荷数据， 难以挖掘用户的用电习惯， 效果不佳。 因此， 只有先对电器设 备级的负荷进行 预测， 才能掌握用户的用能规 律。 [0004]近年来， 电力公司大力推动了高级计量体系(AMI)的建设， 同时人工智能技术(AI) 的应用也显著 提升非侵入式负荷监测(NILM)的准确性。 在AMI和NILM的支持下， 可以获得居 民用户的设备级负荷数据， 使精细化的居民负荷预测成为可能。 由于用户用电习惯和电器 设备工作 原理的差异 性， 电器的负荷曲线 呈现出多样化的特点。 例如， 冰箱和空调等电器设 备的负荷曲线具有较强的波动性， 使其负荷规律不易把握； 而微波炉和吹风机等具有明显 开关特性的设备， 其负荷曲线与用户行为密切相关。 例如， 女性通常会在洗发后使用吹风机 和电夹板， 烤箱和面包机的使用也具有某种潜在关联。 因此， 有必 要在电器层面进 行负荷特 性分析， 改善负荷曲线的规律性， 同时挖掘设备间的相关性， 从而实现更加精细化的居民负 荷预测。 [0005]经检索， 未发现与本发明相同或相似的现有技 术的专利文献。 发明内容 [0006]本发明的目的在于克服现有技术基于经验而理论支撑体系不足， 提出一种基于多 任务学习与深度学习的间歇型电器负荷预测方法， 能够有效提高负荷预测效率和准确性。 [0007]本发明解决其现实问题是采取以下技 术方案实现的： [0008]一种基于多任务学习与深度学习的间歇型电器负荷预测方法， 包括以下步骤： [0009]S1、 获取居民用户的智能电表负荷数据以及设备级的负荷数据， 定义K指数， 并对 该居民用户的电器设备进行分类， 将电器分为持续型和间歇型两类；说　明　书 1/7 页 3 CN 115511218 A 3