(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 202111465115.4 (22)申请日 2021.11.30 (71)申请人 国网山东省电力公司日照供电公司 地址 276827 山 东省日照市东港区烟台路 68号 申请人 国家电网有限公司 　 国网山东综合能源服 务有限公司 (72)发明人 潘广旭　宫池玉　林国华　裴丽伟　 李英杰　封常福　胡军　王晶　 陈洋　马小伟　王瑞琪　迟青青　 王志梁　孟凡波　杨林林　刘光辉　 孙丽玲　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 代理人 祖之强(51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) H02J 3/00(2006.01) (54)发明名称 一种负荷日前预测与超短期预测的协同预 测方法及系统 (57)摘要 本发明提供了一种负荷日前预测与超短期 预测的协同预测方法及系统， 获取气象数据和日 期特征数据； 根据气象数据、 日期特征数据和预 设门控循环单元模型， 得到日前负荷预测结果； 将日前负荷预测结果的序列扩充数据、 历史负荷 数据以及气象数据和日期特征数据一起输入到 预设卷积神经网络 ‑门控循环单元超短期负荷预 测模型中， 得到超短期负荷预测结果； 利用超短 期负荷预测结果对日前负荷预测结果进行修正， 得到修正后的日前负荷预测结果； 本发明考虑了 超短期负荷预测和日前负荷预测的优势与劣势， 将两者综合运用、 相 互协同， 提高了超短期负荷 预测与日前负荷预测的精度。 权利要求书2页 说明书5页 附图2页 CN 114399078 A 2022.04.26 CN 114399078 A 1.一种负荷日前 预测与超短期预测的协同预测方法， 其特 征在于： 包括以下 过程： 获取气象数据和日期特 征数据； 根据气象数据、 日期特 征数据和预设门控循环单 元模型， 得到日前负荷预测结果； 将日前负荷预测结果的序列扩充数据、 历史负荷数据以及气象数据和日期特征数据一 起输入到预设卷积神经网络 ‑门控循环单元超短期负荷预测模型中， 得到超短期负荷预测 结果； 利用超短期负荷预测结果对日前负荷预测结果进行修正， 得到修正后的日前负荷预测 结果。 2.如权利要求1所述的负荷日前 预测与超短期预测的协同预测方法， 其特 征在于： 气象数据包括日天气预测序列、 日温度预测序列、 日风速预测序列和日湿度预测序列。 3.如权利要求1所述的负荷日前 预测与超短期预测的协同预测方法， 其特 征在于： 日前负荷预测和超短期负荷预测采用的气象数据和日期特征数据均为预处理后的数 据， 预处理， 包括： 数据滤波和数据填补； 所述数据滤波为： 利用卷积 深度置信网络分离噪声； 所述数据填补为： 将日前负荷预测结果采用前后加权均值法进行序列扩充。 4.如权利要求1所述的负荷日前 预测与超短期预测的协同预测方法， 其特 征在于： 利用超短期负荷预测结果对日前负荷预测结果进行修 正， 包括： 超短期负荷预测数据修正日前负荷预测数据的关键节点与数据填充， 若已存在相似条 件的超短期预测数据， 取历史超短期负荷预测数据中气象条件与负荷趋势相似的负荷数据 对日前负荷预测序列进行填充。 5.如权利要求1所述的负荷日前 预测与超短期预测的协同预测方法， 其特 征在于： 日前负荷预测结果的序列扩充数据和历史负荷数据输入到卷积神经网络 ‑门控循环单 元超短期负荷预测模型的门控循环单元中， 预 处理后的气象数据和日期特征数据输入到卷 积神经网络 ‑门控循环单 元超短期负荷预测模型的卷积神经网络中。 6.一种负荷日前 预测与超短期预测的协同预测系统， 其特 征在于： 包括： 数据获取模块， 被 配置为： 获取气象数据和日期特 征数据； 日前预测模块， 被配置为： 根据气象数据、 日期特征数据和预设门控循环单元模型， 得 到日前负荷预测结果； 超短期负荷预测模块， 被配置为： 将日前负荷预测结果的序列扩充数据、 历史负荷数据 以及气象数据和日期特征数据一起输入到预设卷积神经网络 ‑门控循环单元超短期负荷预 测模型中， 得到超短期负荷预测结果； 结果修正模块， 被配置为： 利用超短期负荷预测结果对日前负荷预测结果进行修正， 得 到修正后的日前负荷预测结果。 7.如权利要求6所述的负荷日前 预测与超短期预测的协同预测方法， 其特 征在于： 利用超短期负荷预测结果对日前负荷预测结果进行修 正， 包括： 超短期负荷预测数据修正日前负荷预测数据的关键节点与数据填充， 若已存在相似条 件的超短期预测数据， 取历史超短期负荷预测数据中气象条件与负荷趋势相似的负荷数据权　利　要　求　书 1/2 页 2 CN 114399078 A 2对日前负荷预测序列进行填充。 8.如权利要求6所述的负荷日前 预测与超短期预测的协同预测方法， 其特 征在于： 日前负荷预测结果的序列扩充数据和历史负荷数据输入到卷积神经网络 ‑门控循环单 元超短期负荷预测模型的门控循环单元中， 预 处理后的气象数据和日期特征数据输入到卷 积神经网络 ‑门控循环单 元超短期负荷预测模型的卷积神经网络中。 9.一种计算机可读存储介质， 其上存储有程序， 其特征在于， 该程序被处理器执行时实 现如权利要求1 ‑5任一项所述的负荷日前 预测与超短期预测的协同预测方法中的步骤。 10.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的程 序， 其特征在于， 所述处理器执行所述程序时实现如权利要求 1‑5任一项所述的负荷日前预 测与超短期预测的协同预测方法中的步骤。权　利　要　求　书 2/2 页 3 CN 114399078 A 3