(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 202211018443.4 (22)申请日 2022.08.24 (71)申请人 江苏方天电力技 术有限公司 地址 211100 江苏省南京市江宁区苏源大 道58号 (72)发明人 王子涵　邵恩泽　徐啸　王灿　 杜先波　仲春林　邹磊　吴正勇　 方超　陈国琳　王忠维　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 专利代理师 邓东旭 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于CNN网络和AdaRNN模型的电力负荷预测 方法 (57)摘要 本发明公开了电力负荷预测技术领域的基 于CNN网络和AdaRNN模型的电力负荷预测方法， 包括： 获取外部输入的电力负荷数据集； 根据时 间分布规律划分电力负荷数据集为多个最不相 似的数据周期； 利用CNN网络提取多个最不相似 的数据周期中各类特征之间的时空关联， 得到电 力负荷对应的特征； 将电力负荷对应的特征输入 预先训练好的Conv ‑AdaRNN模型进行电力负荷预 测。 本发明提高电力负荷数据预测的泛化性， 并 有效提取电力负荷相关的特 征点。 权利要求书2页 说明书8页 附图1页 CN 115330072 A 2022.11.11 CN 115330072 A 1.基于CNN网络和AdaRN N模型的电力负荷预测方法， 其特 征是， 包括： 获取外部输入的电力负荷数据集； 根据时间分布规 律划分电力负荷数据集 为多个最 不相似的数据周期； 利用CNN网络提取多个最不相似的数据周期中各类特征之间的时空关联， 得到电力负 荷对应的特 征； 将电力负荷对应的特 征输入预 先训练好的Co nv‑AdaRNN模型进行电力负荷预测。 2.根据权利要求1所述的基于CNN网络和AdaRNN模型的电力负荷预测方法， 其特征是， 所述外部输入的电力负荷数据集为某段时间内每一天的数据处理为一天中每半小时的各 类特征的数据 序列及每一天的平均电力负荷， 所述各类特 征包括温度、 湿度和电价。 3.根据权利要求1所述的基于CNN网络和AdaRNN模型的电力负荷预测方法， 其特征是， 根据时间分布规 律划分数据集 为多个最 不相似的数据周期， 目标函数为： 其中， D是相 似度度量函数， Δ1、 Δ2、 K0是预定义参数， Pi、 Pj为第i、 j个时间序列， N为时 间序列总长度， Ni为第i段时间序列长度。 4.根据权利要求1所述的基于CNN网络和AdaRNN模型的电力负荷预测方法， 其特征是， 所述CNN的网络包括 一维卷积、 ReLU激活函数和最大池化层， 所述ReLU激活函数为： f(x)＝max(0,x) 其中， x为一个实数； 所述最大池化层的运算规则为： 对于一个P ×Q大小的矩阵， 在每一 个最大池化层的核 大小M×N区域中寻找最大值， 并将 每一个区域中的最大值作为每个区域 的最有效信息进行输出。 5.根据权利要求1所述的基于CNN网络和AdaRNN模型的电力负荷预测方法， 其特征是， 所述预先训练好的Conv ‑AdaRNN模型通过以捕获两个周期数据对应的RNN单元之间的分布 重要性为目标， 调整损失函数对预训练RN N模型再次训练而得到 。 6.根据权利要求5所述的基于CNN网络和AdaRNN模型的电力负荷预测方法， 其特征是， 所述预训练RN N模型以损失函数Lpred( θ )最小化为预训练的目标， 所述损失函数Lpred( θ )为： 其中， 分别代表序列Pj的第i天的特征和平均电力负荷， l( ·,·)是损失函数， M 表示RNN模型， θ表示RN N模型中可 学习的模型参数。 7.根据权利要求6所述的基于CNN网络和AdaRNN模型的电力负荷预测方法， 其特征是， 所述预先训练好的Co nv‑AdaRNN模型的目标函数为： 其中， Pi、 Pj表示第i段和第j段时间序列， λ是用于调节两部分权重的超参数， θ*、 α*为表权　利　要　求　书 1/2 页 2 CN 115330072 A 2示模型中可 学习的模型参数， Ltdm(Pi,Pj； α, θ )为K 段序列中任意两段的分布差异。 其中， 表示Pi， Pj在时刻t的分布权重， 表示分别Pi， Pj在时刻t时的隐状态, 表示两个向量之间的任意一种距离函数， θ表示模型中可调节的参数。 隐状态可 用下式进行计算： ht＝σ(Uxt+Wht‑1+bi) 式中， σ 是sigmoid函数， U， W， V分别是输入层、 隐藏层和输出层的权重， b是偏移向量， ht‑1是第t‑1时刻的隐状态。 8.基于CNN网络和AdaRN N模型的电力负荷预测系统， 其特 征是， 包括： 数据获取模块： 用于获取外 部输入的电力负荷数据集； 数据划分模块： 用于根据时间分布规律划分电力负荷数据集为多个最不相似的数据周 期； 特征提取模块： 用于利用CNN网络提取多个最不相似的数据周期中各类特征之间的时 空关联， 得到电力负荷对应的特 征； 电力负荷预测模块： 用于将电力负荷对应的特征输入预先训练好的Conv ‑AdaRNN模型 进行电力负荷预测。 9.基于CNN网络和AdaRNN模型的电力负荷预测装置， 其特征是， 包括处理器及存储介 质； 所述存储介质用于存 储指令； 所述处理器用于根据所述指令进行操作以执行根据权利要求1～7任一项所述方法的 步骤。 10.计算机可读存储介质， 其上存储有计算机程序， 其特征是， 该程序被处理器执行时 实现权利要求1～7任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 115330072 A 3