(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 202211032646.9 (22)申请日 2022.08.26 (71)申请人 国网辽宁省电力有限公司 地址 110000 辽宁省沈阳市和平区宁波路 18号 申请人 国网辽宁省电力有限公司信息通信 分公司 (72)发明人 胡博　王义贺　刘育博　杨超　 何金松　赵桓萱　徐建铁　张戈　 刘碧琦　张皓翔　齐俊　 (74)专利代理 机构 沈阳维特专利商标事务所 (普通合伙) 21229 专利代理师 李丹 (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 基于深度学习的电力负荷预测方法及预测 系统 (57)摘要 本发明公开了一种基于深度学习的电力负 荷预测方法及预测系统， 首先， 采集负荷电力用 户的历史日负荷数据的原始样本集， 之后， 利用 所述原始样本集进行样本增强， 得到预测样本 集， 接着， 对所述预测样本集进行特征提取及特 征选择， 最后， 根据选择的特征对所有负荷电力 用户进行负荷数据聚类， 得到聚类分类， 并利用 与所述聚类分类对应的负荷预测模型预测负荷 电力用户的电力负荷， 得到预测结果。 该预测方 法及预测系统与受外界气象、 自身特性、 样本数 量限制以及节假日调休方案等因素影响的传统 预测方法相比， 在预测准确性上可以达到很好的 效果。 权利要求书2页 说明书6页 附图1页 CN 115358473 A 2022.11.18 CN 115358473 A 1.基于深度学习的电力负荷预测方法， 其特 征在于， 包括如下步骤： 获取待预测负荷电力用户的历史日负荷数据的原 始样本集； 利用深度学习的网络模型GAN对所述原 始样本集进行样本增强， 得到预测样本集； 对所述预测样本集进行 特征提取； 根据提取 出来的特 征与负荷的相关性进行 特征选择； 根据选择的特征对所有负荷电力用户进行负荷数据聚类， 得到聚类分类， 并利用与所 述聚类分类对应的负荷预测模型 预测负荷电力用户的电力负荷。 2.按照权利要求1所述的基于深度学习的电力负荷预测方法， 其特征在于： 利用深度 学 习的网络模型GAN对原始样本集进行样本增强前， 还包括对所述历史日负荷数据的原始样 本集中的异常数据进行异常值 修正的步骤。 3.按照权利要求1所述的基于深度学习的电力负荷预测方法， 其特征在于： 利用深度 学 习的网络模型GAN对原 始样本集进行样本增强， 得到预测样本集具体包括如下步骤： 初始化深度学习的网络模型GAN的生成器和判别器， 其中， 所述生成器为用于学习数据 样本的分布规律产生新的样本数据的神经网络， 所述判别器为用于判断输入数据是否为真 实数据的神经网络； 利用初始化后的生成器网络和判别器网络交替训练， 实现样本增强。 4.按照权利要求1所述的基于深度学习的电力负荷预测方法， 其特征在于： 对预测样本 集进行特征提取时， 考虑影响负荷的多种因素， 其中， 所述因素包括下述中的至少一种： 外 界气象、 负荷自身特性、 节假日调休政策。 5.按照权利要求1所述的基于深度学习的电力负荷预测方法， 其特征在于： 利用与 所述 聚类分类对应的负荷预测模型预测负荷电力用户的电力负荷具体为： 将同一类的负荷电力 用户的负荷数据叠加在一起， 输入到与该类对应的负荷预测模型中， 得到该类负荷电力用 户的负荷预测结果。 6.基于深度学习的电力负荷预测系统， 其特 征在于， 包括： 数据获取及处理模块： 用于获取待预测负荷电力用户的历史日负荷数据的原始样本 集； 样本增强模块： 用于利用深度学习的网络模型GAN对所述原始样本集进行样本增强， 得 到预测样本集； 特征工程模块： 用于对所述预测样本集进行特征提取及根据提取出来的特征与负荷的 相关性进行 特征选择； 聚类及负荷预测模块： 用于根据选择的特征对所有负荷电力用户进行负荷数据聚类， 得到聚类分类， 并利用与所述聚类分类对应的负荷预测模型预测负荷电力用户的电力负 荷。 7.按照权利要求6 中所述的基于深度 学习的电力负荷预测系统， 其特征在于： 还包括异 常值修正模块， 用于对所述历史日负荷数据的原始样本集中的异常数据进行异常值修正， 得到修正后的原 始样本集。 8.按照权利要求6 中所述的基于深度 学习的电力负荷预测系统， 其特征在于： 所述样本 增强模块包括初始化模块及训练模块， 其中， 所述初始化模块用于初始化深度学习的网络 模型GAN的生成器和判别器， 所述生成器为用于学习数据样本的分布规律产生新的样本数权　利　要　求　书 1/2 页 2 CN 115358473 A 2据的神经网络， 所述判别器为用于判断输入数据是否为真实数据的神经网络， 所述训练模 块用于利用初始化后的生成器网络和判别器网络交替训练， 实现样本增强。 9.按照权利要求6 中所述的基于深度 学习的电力负荷预测系统， 其特征在于： 所述特征 工程模块在 对预测样本集进行特征提取时， 考虑影响负荷的多种因素， 其中， 所述因素包括 下述中的至少一种： 外界气象、 负荷自身特性、 节假日调休政策。 10.按照权利要求6中所述的基于深度学习的电力负荷预测系统， 其特征在于： 所述聚 类及负荷预测模块通过将同一类的负荷电力用户的负荷数据叠加在一起， 输入到与该类对 应的负荷预测模型中， 得到该类负荷电力用户的负荷预测结果。权　利　要　求　书 2/2 页 3 CN 115358473 A 3