(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111428285.5 (22)申请日 2021.11.29 (65)同一申请的已公布的文献号 申请公布号 CN 113837503 A (43)申请公布日 2021.12.24 (73)专利权人 新风光电子科技股份有限公司 地址 272000 山东省济宁市汶上县经济开 发区金成路中段路北 (72)发明人 张长元　陈天雁　陈敏　刘丽敏　 蔡宝柱　周鑫　田杰　朱英华　 (74)专利代理 机构 青岛致嘉知识产权代理事务 所(普通合伙) 3723 6 代理人 吴杉 (51)Int.Cl. G06F 17/00(2019.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01)G06N 3/04(2006.01) G06N 3/08(2006.01) H02J 3/00(2006.01) (56)对比文件 CN 110212524 A,2019.09.0 6 CN 112149842 A,2020.12.2 9 CN 112288595 A,2021.01.2 9 邓翱 等.基 于EMD的时标特 征提取方法及其 在短期电力负荷预测中的应用. 《计算机 应用研 究》 .2018,第3 5卷(第10期), 吴晓升 等.基 于去趋势互相关 分析法的光 照、 温度和风速互相关性分析. 《中国电力》 .2020,第5 3卷(第6期), 李存斌 等.基 于多重分形去趋势波动分析 的电力负荷风险预警阈值. 《电网技 术》 .2016,第 40卷(第0 5期), 审查员 李邵飞 (54)发明名称 基于人工智能的电网负荷预测方法及系统 (57)摘要 本发明涉及人工智能技术领域， 具体涉及基 于人工智能的电网负荷预测方法及系统。 该方法 包括以下步骤： 采集电网的历史负荷数据， 在不 同周期下对历史负荷数据进行周期性的相关性 分析； 根据相关性分析的结果利用预测神经网络 获取目标日在不同周期下的预测负荷序列； 选取 同一目标日在不同周期下的预测负荷序列， 对其 进行波动分解， 获取对应的趋势分量、 周 期分量 以及随机分量， 进而组成特征序列， 利用特征序 列得到该目标日的准确预测负荷。 本发明实施例 通过不同周期的电网负荷互相关性来进行电网 负荷的预测， 能够学习到不同周期 的规律， 尽可 能减少误差， 提高负荷预测的精度。 权利要求书2页 说明书6页 附图1页 CN 113837503 B 2022.03.29 CN 113837503 B 1.基于人工智能的电网负荷预测方法， 其特 征在于， 该 方法包括以下步骤： 采集电网的历史负荷数据， 在不同周期下对所述历史负荷数据进行周期性的相关性分 析； 根据所述相关性分析的结果利用预测神经网络获取目标日在不同周期下的预测负荷 序列； 选取同一目标日在不同周期下的所述预测负荷序列， 对其进行波动分解， 获取对应的 趋势分量、 周期分量以及随机 分量， 进而组成特征序列， 利用所述特征序列得到该目标日的 准确预测负荷； 其中， 选取同一 目标日在所述不同周期下 的所述预测负荷序列包括分别在 以日为周期的预测序列、 以周为周期时的周预测序列和以月为周期时的月预测序列中选取 目标日的预测序列， 所述特征序列是 由月预测序列中目标日的趋势分量、 周预测序列中目 标日的周期分量以及日预测序列中目标日的随机分量组成。 2.根据权利要求1所述的方法， 其特 征在于， 所述相关性分析， 包括： 通过去趋势 互相关法分析所述历史负荷数据的相关性， 得到所述历史负荷数据在相邻 周期之间的趋势相关性和去趋势相关性。 3.根据权利要求2所述的方法， 其特征在于， 所述通过去趋势 互相关法分析所述历史负 荷数据的相关性， 包括： 获取所述历史负荷数据在每个周期下的数据序列， 将所述数据序列顺序累加， 得到累 加序列； 对所述累加序列划分窗口， 拟合出每 个窗口的局部趋势； 获取消除所述局部趋势的残差序列， 根据 所述残差序列和所述局部趋势计算所述趋势 相关性和所述去趋势相关性。 4.根据权利要求2所述的方法， 其特 征在于， 所述预测负荷序列的获取步骤 包括： 在每个周期下， 利用对应的所述趋势相关性和所述去趋势相关性得到互相关特征向 量； 同时利用所述历史负荷数据得到负荷特 征向量； 将所述互相关特征向量和所述负荷特征向量相互融合， 利用全连接网络进行拟合和特 征映射得到当前周期下的所述预测负荷序列。 5.根据权利要求3所述的方法， 其特 征在于， 所述残差序列的获取 过程包括： 将所述窗口内的所述累加序列 与所述局部 趋势相减， 得到所述残差序列。 6.基于人工智能的电网负荷预测系统， 其特 征在于， 该系统包括以下模块： 相关性分析模块， 用于采集电网的历史负荷数据， 在不同周期下对所述历史负荷数据 进行周期性的相关性分析； 预测负荷序列获取模块， 用于根据 所述相关性分析的结果利用预测神经网络获取目标 日在不同周期下的预测负荷序列； 准确预测负荷获取模块， 用于选取同一目标日在不同周期下的所述预测负荷序列， 对 其进行波动分解， 获取对应的趋势分量、 周期分量以及随机分量， 进而组成特征序列， 利用 所述特征序列得到该目标日的准确预测负荷； 其中， 选取同一 目标日在所述不同周期下 的 所述预测负荷序列包括分别 在以日为周期的预测序列、 以周为周期时的周预测序列和以月 为周期时的月预测序列中选取目标日的预测序列， 所述特征序列是由月预测序列中目标日 的趋势分量、 周预测序列中目标日的周期分量以及日预测序列中目标日的随机分量组成。权　利　要　求　书 1/2 页 2 CN 113837503 B 27.根据权利要求6所述的系统， 其特 征在于， 所述相关性分析模块包括： 相关性获取模块， 用于通过去趋势互相关法分析所述历史负荷数据的相关性， 得到所 述历史负荷数据在相邻周期之间的趋势相关性和去趋势相关性。 8.根据权利要求7 所述的系统， 其特 征在于， 所述相关性获取模块包括： 累加序列获取单元， 用于获取所述历史负荷数据在每个周期下的数据序列， 将所述数 据序列顺序累加， 得到累加序列； 局部趋势获取 单元， 用于对所述累加序列划分窗口， 拟合出每 个窗口的局部趋势； 相关性计算单元， 用于获取消除所述局部趋势 的残差序列， 根据所述残差序列和所述 局部趋势计算所述趋势相关性和所述去趋势相关性。 9.根据权利要求7 所述的系统， 其特 征在于， 所述预测负荷序列获取模块包括： 特征向量获取模块， 用于在每个周期下， 利用对应的所述趋势相关性和所述去趋势相 关性得到互相关特 征向量； 同时利用所述历史负荷数据得到负荷特 征向量； 预测负荷获取模块， 用于将所述互相关特征向量和所述负荷特征向量相互融合， 利用 全连接网络进行拟合和特 征映射得到当前周期下的所述预测负荷序列。 10.根据权利要求8所述的系统， 其特 征在于， 所述相关性计算单 元包括： 残差序列获取单元， 用于将所述窗口内的所述累加序列与所述局部趋势相减， 得到所 述残差序列。权　利　要　求　书 2/2 页 3 CN 113837503 B 3