(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 202111441689.8 (22)申请日 2021.11.30 (71)申请人 深圳市国电科技 通信有限公司 地址 518019 广东省深圳市华区大浪街道 新石社区华联工业区13号1层 申请人 深圳智芯微电子科技有限公司 　 国网信息通信产业 集团有限公司 (72)发明人 王祥　武占侠　魏本海　何晓蓉　 占兆武　冷安辉　唐远洋　 (74)专利代理 机构 北京兴智翔达知识产权代理 有限公司 1 1768 代理人 郭卫芹 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01)H02J 3/00(2006.01) (54)发明名称 基于在线学习的台区用电负荷区间预测方 法及系统 (57)摘要 本发明公开了一种基于在线学习的台区用 电负荷区间预测方法及系统。 基于在线学习的台 区用电负荷区间预测方法包括： 步骤S1， 在离线 环境下， 获取台区用电负荷区间预测相关的最近 历史数据作为模型的输入。 步骤S2， 使用时间序 列神经网络双层LS TM， 并结合负荷区间预测损失 函数， 对输入模型的最近历史数据进行训练， 得 到负荷区间预测模型。 步骤S3， 加载负荷区间预 测模型。 步骤S4， 当某天x结束时， 智能电表采集 到当天的用电负荷数据。 借此， 本发明的基于在 线学习的台区用电负荷区间预测方法， 可以让用 电负荷实际值落在区间范围内， 还 可以让预测区 间间隔尽可能的小， 满足台区负荷区间预测的真 实需求， 且提高了模型 预测的准确率。 权利要求书2页 说明书7页 附图2页 CN 114118591 A 2022.03.01 CN 114118591 A 1.一种基于在线学习的台区用电负荷区间预测方法， 其特 征在于， 包括： 步骤S1， 在离线环境下， 获取台区用电负荷区间预测相关的最近历史数据作为模型的 输入； 步骤S2， 使用时间序列神经网络双层LSTM， 并结合负荷区间预测损失函数， 对输入模型 的所述最近历史数据进行训练， 得到负荷区间预测模型； 步骤S3， 在台区环境中， 加载负荷区间预测模型； 步骤S4， 当某天x结束时， 智能电表采集到当天的用电负荷数据， 并对包含当天在内的 最近m天数据进 行预处理， 其中x≥1， 且m为负荷区间预测模型进 行在线学习时， 训练集数据 对应的天数； 步骤S5， 在先学习过程中， 使用步骤S4中预处理后得到的数据作 为训练集， 并对步骤S3 加载的负荷区间预测模型进行在线学习， 训练优化得到最 新的负荷区间预测模型； 步骤S6， 对 包含当天在内的最近n天数据进行 预处理， 其中n 为时间序列长度， 且n≤m； 步骤S7， 加载最新的负荷区间预测模型， 并输入步骤S6中预处理后的数据， 得到模型对 第x天后的负荷区间预测结果。 2.如权利要求1所述的基于在线学习的台区用电负荷区间预测方法， 其特征在于， 还包 括： 步骤S8， 当第x+1天结束时， 重复步骤S3至步骤S6， 从而得到模型对第x+1天后的负荷区 间预测结果。 3.如权利要求1所述的基于在线学习的台区用电负荷区间预测方法， 其特征在于， 所述 最近历史数据是以天为单位， 且所述最近历史数据包括台区用电负荷数据、 节假日数据以 及农历数据和24节气数据， 且将所述区用电负荷数据、 所述节假日数据以及所述农历数据 和24节气数据进行 预处理后， 合并作为模型的输入。 4.如权利要求3所述的基于在线学习的台区用电负荷区间预测方法， 其特征在于， 所述 步骤S2包括： 对台区的M天历史用电负荷数据， 通过步骤S1得到每天的向量表示； 构建长度为n的时间序列， 将连续n天的向量表示组合起来， 得到24*n的矩阵， 且共有M ‑ n+1个矩阵； 将得到的M ‑n+1个时间序列 作为输入， 传入时间序列神经网络双 层LSTM进行训练； 在时间序列神经网络双 层LSTM训练中， 使用负荷区间预测损失函数作为目标。 5.一种基于在线学习的台区用电负荷区间预测系统， 其特 征在于， 包括： 获取模块， 用以在离线环境下获取台区用电负荷区间预测相关的最近历史数据作为模 型的输入； 训练模块， 用以使用时间序列神经网络双层LSTM， 并结合负荷区间预测损失函数， 对输 入模型的所述 最近历史数据进行训练， 得到负荷区间预测模型； 加载模块， 用以在台区环境中加载负荷区间预测模型； 第一预处理模块， 用以当某天x结束时， 智能电表采集到当天的用电负荷数据， 并对包 含当天在内的最近m天数据进行预处理， 其中x≥1， 且m为负荷区间预测模型进行在线学习 时， 训练集数据对应的天数； 学习模块， 用以在先学习过程中， 使用第一预处理模块处理后得到的数据作为训练集，权　利　要　求　书 1/2 页 2 CN 114118591 A 2并对加载模块所加载的负荷区间预测模型进 行在线学习， 训练优化得到最新的负荷区间预 测模型； 第二预处理模块， 用以对包含当天在内的最近n天数据进行预处理， 其中n为时间序列 长度， 且n≤m； 以及 预测模块， 用以加载最新的负荷区间预测模型， 并输入第二预处理模块所处理后的数 据， 得到模型对第x天后的负荷区间预测结果。 6.如权利要求5所述的基于在线学习的台区用电负荷区间预测系统， 其特征在于， 所述 最近历史数据是以天为单位， 且所述最近历史数据包括台区用电负荷数据、 节假日数据以 及农历数据和24节气数据， 且将所述区用电负荷数据、 所述节假日数据以及所述农历数据 和24节气数据进行 预处理后， 合并作为模型的输入。 7.如权利要求5所述的基于在线学习的台区用电负荷区间预测系统， 其特征在于， 使用 时间序列神经网络双层LSTM， 并结合负荷区间预测损失函数， 对输入模型的所述最近历史 数据进行训练， 得到负荷区间预测模型包括： 对台区的M天历史用电负荷数据， 通过步骤S1得到每天的向量表示； 构建长度为n的时间序列， 将连续n天的向量表示组合起来， 得到24*n的矩阵， 且共有M ‑ n+1个矩阵； 将得到的M ‑n+1个时间序列 作为输入， 传入时间序列神经网络双 层LSTM进行训练； 在时间序列神经网络双 层LSTM训练中， 使用负荷区间预测损失函数作为目标。权　利　要　求　书 2/2 页 3 CN 114118591 A 3