(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 202111366208.1 (22)申请日 2021.11.17 (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 (72)发明人 邓欣宇　王小璇　高强伟　 (74)专利代理 机构 天津盛理知识产权代理有限 公司 12209 代理人 王来佳 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 113/04(2020.01) (54)发明名称 一种基于递归图与卷积神经网络的电力负 荷预测方法 (57)摘要 本发明涉及一种基于递归图与卷积神经网 络的电力负荷预测方法， 包括以下步骤： S1、 获取 电力负荷功率特征； S2、 将历史电力负荷特征进 行最大最小值归一化处理； S3、 构建基于递归图 理论的电力负荷特征增强模型； S4、 构建基于卷 积神经网络的负荷预测模型； S5、 得到负荷预测 结果。 本发 明能够将一维负荷特征转换为二维递 归图特征， 实现特征增强， 并利用卷积神经网络 进行负荷预测， 相比基于一维负荷特征的负荷预 测方法， 能够有效提升负荷预测精度。 权利要求书1页 说明书6页 附图2页 CN 114037171 A 2022.02.11 CN 114037171 A 1.一种基于递归图与卷积神经网络的电力负荷预测方法， 其特 征在于： 包括以下步骤： S1、 获取电力负荷功率特征， 功率特征的日采样数量为N个点， 共包含M天的负荷数据， 形成历史电力负荷特 征数据库； S2、 将历史电力负荷特征进行最大最小值归一化处理， 并以N+1为时间步长对历史功率 数据进行分割， 形成(M ‑1)×N组训练样本， 每个训练样本包含N个连续功率特征和1个预测 功率标签； S3、 构建基于递归图理论的电力负荷特征增强模型， 将步骤S2得到的训练样本中N个连 续的功率特征转换为二 维递归图特征， 得到(M ‑1)×N组训练样 本， 每个训练样 本包含1个二 维递归图特 征和1个预测功率标签； S4、 构建基于卷积神经网络的负荷预测模型， 将步骤S3得到的(M ‑1)×N组训练样本作 为卷积神经网络的输入， 其中样本中的二维递归图特征作为卷积神经网络的训练特征， 预 测功率标签作为卷积神经网络的训练标签， 对卷积神经网络进行训练； S5、 将待预测负荷对应的递归图特征输入到训练好的卷积神经网络， 得到负荷预测结 果。 2.根据权利要求1所述的一种基于递归图与卷积神经网络的电力负荷预测方法， 其特 征在于： 所述 步骤S2中将历史电力负荷特 征进行最大最小值归一 化处理的计算公式为： 式中， x为归一化前的原始功率数据， x'为归一化后的功率数据， xmax、 xmin分别为原始功 率数据的最大值和最小值。 3.根据权利要求1所述的一种基于递归图与卷积神经网络的电力负荷预测方法， 其特 征在于： 所述步骤S2中并以N+1为时间步长对历史功 率数据进 行分割的具体方法为： 将 M×N 个功率点按时间顺序排列， 将第一个功率点作为起始点， 取N+1个点作为一组训练样本， 其 中样本中前N个点作为训练特征， 后1个点作为训练标签， 随后将第二个功率点作为起始点 进行数据分割， 直至第(M ‑1)×N个功率点， 共形成(M ‑1)×N组训练样本 。 4.根据权利要求1所述的一种基于递归图与卷积神经网络的电力负荷预测方法， 其特 征在于： 所述步骤S4中卷积神经网络的负荷预测模型的构建及训练均使用Python编程语言 中的Tensorfl ow、 Keras深度学习工具包。 5.根据权利要求1所述的一种基于递归图与卷积神经网络的电力负荷预测方法， 其特 征在于： 所述步骤S4中的卷积神经网络的负荷预测模型由输入层、 卷积层、 最大池化层、 Dropout层、 全连接层和输出层构成， 非输出层激活函数为Relu， 输出层激活函数为 Sigmoid， 优化器为Adam， 损失函数为均方误差函数。 6.根据权利要求1所述的一种基于递归图与卷积神经网络的电力负荷预测方法， 其特 征在于： 所述 步骤S1‑S4中的N和M均为自然数， N 一般取24、 48、 96、 19 2。权　利　要　求　书 1/1 页 2 CN 114037171 A 2一种基于递归图与卷积神经 网络的电力负荷预测方 法 技术领域 [0001]本发明属于电力负荷预测技术领域， 涉及电力负荷预测方法， 尤其是一种基于递 归图与卷积神经网络的电力负荷预测方法。 背景技术 [0002]推进电力系统的信息化与数字化转型是智能电网建设的重要任务。 在此背景下， 近年来信息技术与智能量测 技术在配用电领域中得到迅速发展， 智能电表功 能不断更新， 可获得的负荷数据呈指数增长。 在时间维度方面， 新型智能电表的采样周期由1天逐渐缩减 为1小时、 半小时及15分钟， 可获得的日负荷数据扩展至1天24、 48、 96个点， 为用户用电行为 聚类分析提供了重要的数据基础。 智能电网营配调贯通和电力营销服务业务的开展与应 用， 给配用电大数据价值挖掘带来了新机遇供电企业希望全面掌握用户的用能信息， 进而 制定分时电价和需求响应计划， 让用户能够主动参与电网调度， 提升电网运行 的经济性与 可靠性， 同时为用户提供节 能指导， 促进节能减排。 为实现上述目标， 需要基于配用电大数 据算法深入挖掘用户用能规 律， 感知用户的用电习惯， 并准确把握未来的用电态 势。 [0003]负荷预测是根据用户的历史用电行为、 时间、 气 象等多元特征确定未来电力需求 量的技术， 是把握用户未来用电趋势的重要方法。 电力调度中心可以基于负荷预测的结果 制定精准的需求响应计划， 达到电能供需平衡， 提高电网运行的经济性。 供电企业可以依据 负荷预测结果与用户开展深度合作， 完善电力市场机制， 提升居民的响应能力， 通过与居民 的双向互动实现负荷的错峰调度。 [0004]电力负荷是一类典型的时间序列， 在负荷预测研究初期， 一般采用数学建模的思 路， 通过概率论、 统计、 数学函数等方法建立严密的数学模 型， 从而实现负荷的分析与预测， 如线性回归、 ARIAM、 高斯过程回归等方法。 该类模型理论性较强， 具有可解释性， 且计算速 度快， 但由于用户用电行为具有较强的不确定性， 仅依靠统计方法难以精确建模， 因此预测 效果难以达到预期 。 近年来， 随着大数据与人工智能技术的迅速发展， 深度学习模型为电力 负荷预测问题提供了新的解决思路。 与统计学模型不同， 深度学习是一类数据驱动的方法， 更关注模型的推理能力而非可解释性， 如BP神经网络、 循环神经网络、 长 短时记忆网络和门 控循环单元网络等， 均适用于一维负荷序列的训练和预测， 相比统计学模型能够学习到负 荷序列中的非线性关系， 显著 提升了负荷预测精度。 然而， 目前已有研究主要集中在利用一 维负荷特征进 行建模， 对二 维负荷特征的研究较少。 相比一 维负荷特征， 二 维负荷图像特征 中蕴含更丰富的负荷信息， 有助于神经网络更好地学习负荷特征与预测标签间的非线性关 系。 [0005]因此， 如何对一维负荷特征进行特征增强， 形成信息表达能力更强的二维图像特 征， 并构建合 适的深度学习模型完成负荷预测， 是本领域亟 待解决的技 术难题。 [0006]经检索， 未发现与本发明相同或相近似的现有技 术的文献。说　明　书 1/6 页 3 CN 114037171 A 3