(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 202111303734.3 (22)申请日 2021.11.05 (71)申请人 深圳供电局有限公司 地址 518000 广东省深圳市罗湖区深南 东 路4020号电力调度通信大楼 (72)发明人 舒舟　杨文锋　谢莹华　廖威　 (74)专利代理 机构 深圳汇智容达专利商标事务 所(普通合伙) 44238 代理人 孙威 (51)Int.Cl. G06F 30/27(2020.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06N 20/10(2019.01) G06F 113/04(2020.01) (54)发明名称 一种基于多模型分层学习的配电台区负荷 预测方法及系统 (57)摘要 本发明提供一种基于多模型分层学习的配 电台区负荷预测方法， 包括获取配电台区的相关 数据； 将该配电台区的相关数据导入 预先训练好 的多模型分层学习模型进行预测， 得到该配电台 区所需预测的负荷值； 其中， 多模型分层学习模 型包括依序连接的上层预测模型和下层预测模 型； 上层预测模型中预设有K种算法模型； 下层预 测模型中预设有一种算法模型， 且 该算法模型的 输入来自于上层预测模型中的K种算法模型的输 出结果， 该算法模型的输出即为所需预测的负荷 值。 本发明还提供一种基于多模 型分层学习的配 电台区负荷预测系统。 实施本发明， 通过利用多 种算法的差异性， 构建多模型分层学习模型来提 高负荷预测模 型的泛化能力， 从而解决现有技术 预测偏差 较大的问题。 权利要求书1页 说明书5页 附图3页 CN 114091325 A 2022.02.25 CN 114091325 A 1.一种基于多模型分层学习的配电台区负荷预测方法， 其特征在于， 所述方法包括以 下步骤： 获取配电台区的相关数据； 将该配电台区的相关数据导入预先训练好的多模型分层学习模型进行预测， 得到该配 电台区所需预测的负荷值； 其中， 所述多模型分层学习模型包括依序连接的上层预测模型 和下层预测模型； 所述上层预测模型中预设有K种算法模型； 所述下层预测模型中预设有一 种算法模 型， 且该算法模型的输入来自于所述上层预测模型中的K种算法模型的输出结果， 该算法模型的输出即为所需预测的负荷值； K为大于1的正整数。 2.如权利要求1所述的基于多模型分层学习的配电台区负荷预测方法， 其特征在于， 所 述下层预测模型中的算法模型为所述上层预测模型中的K种算法模型之其中一种； 或 所述下层预测模型中的算法模型与所述上层预测模型中的K种算法模型均不同。 3.如权利要求2所述的基于多模型分层学习的配电台区负荷预测方法， 其特征在于， 所 述上层预测模 型中K种算法模 型有五种， 包括XGBoost算法模 型、 RF算法模 型、 BP神经网络算 法模型、 LSTM神经网络算法模型和支持向量机SVM算法模型。 4.如权利要求1所述的基于多模型分层学习的配电台区负荷预测方法， 其特征在于， 所 述配电台区的相关数据包括负荷数据、 气象数据和配变投运年限数据； 其中， 所述负荷数据 和所述气象数据均为连续数据； 所述配 变投运年限数据为离 散数据。 5.一种基于多模型分层学习的配电台区负荷预测系统， 其特 征在于， 包括； 数据获取 单元， 用于获取配电台区的相关数据； 负荷预测单元， 用于将该配电台区的相关数据导入预先训练好的多模型分层学习模型 进行预测， 得到该配电台区所需预测的负荷值； 其中， 所述多模型分层学习模型包括依序连 接的上层预测模型和下层预测模型； 所述上层预测模型中预设有 K种算法模型； 所述下层预 测模型中预设有一种算法模型， 且该算法模型 的输入来自于所述上层预测模型中的K种算 法模型的输出 结果， 该算法模型的输出即为所需预测的负荷值； K为大于1的正整数。 6.如权利要求5所述的基于多模型分层学习的配电台区负荷预测系统， 其特征在于， 所 述下层预测模型中的算法模型为所述上层预测模型中的K种算法模型之其中一种； 或 所述下层预测模型中的算法模型与所述上层预测模型中的K种算法模型均不同。 7.如权利要求6所述的基于多模型分层学习的配电台区负荷预测系统， 其特征在于， 所 述上层预测模 型中K种算法模 型有五种， 包括XGBoost算法模 型、 RF算法模 型、 BP神经网络算 法模型、 LSTM神经网络算法模型和支持向量机SVM算法模型。 8.如权利要求5所述的基于多模型分层学习的配电台区负荷预测系统， 其特征在于， 所 述配电台区的相关数据包括负荷数据、 气象数据和配变投运年限数据； 其中， 所述负荷数据 和所述气象数据均为连续数据； 所述配 变投运年限数据为离 散数据。权　利　要　求　书 1/1 页 2 CN 114091325 A 2一种基于多模型分层学习的配电台区负荷预测方 法及系统 技术领域 [0001]本发明涉及电力系统数据处理技术领域， 尤其涉及一种基于多模型分层学习的配 电台区负荷预测方法及系统。 背景技术 [0002]近年来， 配电台区负荷作为电力系统配电网规划、 调度、 运维等一系列部门的一项 重要工作， 受到广泛的重视。 精准的负荷预测将有效提高配电网调度水平和安全运行水平， 有助于指导消纳低压台区光伏， 优化配电网潮流 运行方式。 [0003]随着配电台区在线监测设备逐步成熟以及数字电网建设的全面推进， 获取海量并 存储的配电台区用电负荷数据信息和相关联 数据已不再困难。 [0004]目前， 负荷预测是一个复杂多因素影响的技术问题。 然而， 现有的负荷预测技术仅 采用单一人工智能算法对负荷进 行预测， 暂无法解决台区级负荷预测存在的因供电半径较 小、 用电随机性大等所导 致的预测偏差较大的问题。 发明内容 [0005]本发明实施例所要解决的技术问题在于， 提供一种基于多模型分层学习的配电台 区负荷预测方法及系统， 通过利用多种算法的差异性， 构建多模型分层学习模型来提高负 荷预测模型的泛化能力， 从而解决现有技 术预测偏差较大的问题。 [0006]为了解决上述技术问题， 本发明实施例提供了一种基于多模型分层学习的配电台 区负荷预测方法， 所述方法包括以下步骤： [0007]获取配电台区的相关数据； [0008]将该配电台区的相关数据导入预先训练好的多模型分层学习模型进行预测， 得到 该配电台区所需预测的负荷值； 其中， 所述多模型分层学习模型包括依序连接的上层预测 模型和下层预测模型； 所述上层预测模 型中预设有 K种算法模 型； 所述下层预测模型中预设 有一种算法模型， 且该算法模型 的输入来自于所述上层预测模型中的K种算法模型 的输出 结果， 该算法模型的输出即为所需预测的负荷值； K为大于1的正整数。 [0009]其中， 所述下层预测模型中的算法模型为所述上层预测模型中的K种算法模型之 其中一种； 或 [0010]所述下层预测模型中的算法模型与所述上层预测模型中的K种算法模型均不同。 [0011]其中， 所述上层预测模型中K种算法模型有五种， 包括XGBoost算法模型、  RF算法 模型、 BP神经网络算法模型、 LSTM神经网络算法模型和支持向量机  SVM算法模型。 [0012]其中， 所述配电台区的相关数据包括负荷数据、 气象数据和配变 投运年限数据； 其 中， 所述负荷数据和所述气象数据均为连续数据； 所述配 变投运年限数据为离 散数据。 [0013]本发明实施例还提供了一种基于多模型分层学习 的配电台区负荷预测系统， 包 括； [0014]数据获取 单元， 用于获取配电台区的相关数据；说　明　书 1/5 页 3 CN 114091325 A 3