(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 202211300795.9 (22)申请日 2022.10.24 (71)申请人 国网重庆市电力公司电力科 学研究 院 地址 401123 重庆市渝北区北部新区黄山 大道中段80号办公 综合楼 申请人 国网重庆市电力公司 　 国家电网有限公司 (72)发明人 肖剑锋　王瑞妙　陈咏涛　樊晓伟　 朱小军　姚龙　赵小娟　乐昕怡　 董光德　马兴　付昂　 (74)专利代理 机构 成都九鼎天元知识产权代理 有限公司 51214 专利代理师 黎飞(51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度神经网络的电网企业度电碳 耗预测方法 (57)摘要 本发明涉及电网企业碳耗预测技术领域， 公 开了一种基于深度神经网络的电网企业度电碳 耗预测方法， 构建深度神经网络预测模型， 将预 测的天气特征数据、 历史度电碳耗数据、 历史天 气特征数据， 输入深度神经网络预测模型， 预测 未来时刻度电碳耗； 其中， 度电碳耗指电网企业 每发电一度的碳耗。 本发明解决了现有技术存在 的不能针对电网企业的全流程度电碳耗计算、 预 测结果与实际偏差 较大等问题。 权利要求书3页 说明书7页 附图1页 CN 115471014 A 2022.12.13 CN 115471014 A 1.一种基于深度神经网络的电网企业度电碳耗预测方法， 其特征在于， 构建深度神经 网络预测模型， 将预测的天气特征数据、 历史度电碳耗数据、 历史天气特征数据， 输入深度 神经网络预测模型， 预测未来时刻度电碳耗； 其中， 度电碳耗指电网企业每发电一度的碳 耗。 2.根据权利要求1所述的一种基于深度神经网络的电网企业度电碳耗预测方法， 其特 征在于， 包括以下步骤： S1， 分别计算当前时段电网企业发电侧度电碳 耗、 输电侧度电碳 耗； S2， 根据天气特征变量与电网企业度电碳耗间的相关系数， 结合天气特征变量对应的 历史天气特征数据， 从多个天气特征变量中选取预测所需的天气特征变量； 其中， 电网企业 度电碳耗指发电侧度电碳 耗、 输电侧度电碳 耗之和； S3， 构建深度神经网络预测模型， 将预测的天气特征数据、 历史度电碳耗数据、 历史天 气特征数据， 作为深度神经网络预测模型的输入， 预测未来时刻度电碳耗； 其中， 历史度电 碳耗数据指步骤S1计算的当前时段电网企业发电侧度电碳 耗、 输电侧度电碳 耗之和。 3.根据权利要求2所述的一种基于深度神经网络的电网企业度电碳耗预测方法， 其特 征在于， 天气特 征变量包括日照强度、 温度、 风速、 降水量、 相对湿度、 气压中的一种或多种。 4.根据权利要求3所述的一种基于深度神经网络的电网企业度电碳耗预测方法， 其特 征在于， 步骤S2还包括以下步骤： 若选取预测所需的天气特征变量为日照强度， 则将的日照 强度数据预处理后再作为预测所需的天气特征数据， 预处理具体过程如下： 将天气状况分 为晴、 多云、 阴三个天气类别， 对每个天气类别下全天24小 时的日照强度数据采用K ‑means 进行聚类， 得到全天各小时晴、 多云、 阴三个天气类别的聚类集合[z1]、 [z2]、 [z3]； 然后根据 气象发布的天气 类别预测， 采用对应天气 类别聚类集合的中心 点作为未来时段各小时的日 照强度数据； 其中， 采用下式计算聚类集 合中心点， 式中： C1、 C2、 C3分别为集合[z1]、 [z2]、 [z3]的聚类中心点， m为聚类集合内参数数量， zj为 集合内第j个参数； 温度数据、 风速数据、 降水量数据、 相对湿度 数据和气压数据均取气象预测发布的参数 值。 5.根据权利要求4所述的一种基于深度神经网络的电网企业度电碳耗预测方法， 其特 征在于， 步骤S2中， 电网企业度电碳 耗与各天气特 征变量间的相关系数采用下式计算： 式中： ξs表示日照强度数据与电网企业度电碳耗间的相关系数， ξt表示温度数据与电网 企业度电碳耗间的相关系数， ξw表示风速数据与电网企业度电碳耗间的相关系数， ξr表示降 水量数据与电网企业度电碳耗间的相关系数， ξh表示相对湿度数据与电网企业度电碳耗 间权　利　要　求　书 1/3 页 2 CN 115471014 A 2的相关系数， ξp表示气压数据与电网企业度电碳耗间的相关系数， n为历史数据数量， xk为第 k个历史天气特征数据， 为所有历史天气特征数据 的平均数， yk为第k个历史度电碳耗数 据， 为所有历史度电碳 耗数据的平均数。 6.根据权利要求5所述的一种基于深度神经网络的电网企业度电碳耗预测方法， 其特 征在于， 步骤S2中， 从相关系数中从大到小选取前4个相关系数， 以前4个相关系数对应的天 气特征数据作为预测的天气特 征数据， 输入至深度神经网络预测模型。 7.根据权利要求6所述的一种基于深度神经网络的电网企业度电碳耗预测方法， 其特 征在于， 步骤S3中， 预测未来时刻度电碳 耗采用如下 方法： 输入数据中全天各小时的数据向量x( τ )变化会对神经网络记忆单元进行迭代更新， 记 忆单元的每次更新都会产生当前状态向量c( τ )， 利用 τ时刻的前一时刻的当前状态向量c ( τ‑1)和预测输出向量h( τ ‑1)计算τ 时刻输出向量h( τ )， 同时采用sigmoid激活函数σ 和双曲 正切函数φ对输入激活向量τ 时刻i( τ )、 τ 时刻遗忘激活向量f( τ )、 τ 时刻输出激活向量o( τ ) 进行更新， 具体如下式所示： f( τ )＝σ [Wfx( τ )+Ufh( τ‑1)+bf]， i( τ )＝σ [Wix( τ )+Uih( τ‑1)+bi]， o( τ )＝σ [Wox( τ )+Uoh( τ‑1)+bo]， h( τ )＝o( τ )eφ[c( τ )]； 式中， τ为 预测时刻， τ指全天某一小时， τ＝1,2,3,L,24， 为当前状态向量c( τ )的候 选状态向量， Wf为遗忘激活向量的输入权重矩阵， Wi为输入激活向量的输入权重矩阵， Wc为 输出激活向量的输入 权重矩阵， Wo为状态向量的输入 权重矩阵， Uf为遗忘激活向量的递归权 重矩阵， Ui为输入激活向量的递归权重矩阵， Uc为输出激活向量的递归权重矩阵， Uo为状态 向量的递归权重矩阵， bf遗忘激活向量的偏差矩阵， bi为输入激活向量的偏差矩阵， bc为输 出激活向量的偏差矩阵， bo为状态向量的偏差矩阵。 8.根据权利要求2至7任一项所述的一种基于深度神经网络的电网企业度电碳耗预测 方法， 其特征在于， 步骤S1中， 若电网企业为化石燃料发电厂， 则发电侧度电碳耗计算公式 为： 其中， 权　利　要　求　书 2/3 页 3 CN 115471014 A 3