(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 202111511262.0 (22)申请日 2021.12.02 (71)申请人 国网辽宁省电力有限公司沈阳 供电 公司 地址 110000 辽宁省沈阳市和平区八经街 94号 申请人 清华大学　国家电网有限公司 (72)发明人 王伟恒　胡伟　李小兰　宋树宏　 张宇　潘铁铮　郭秋婷　 (74)专利代理 机构 沈阳维特专利商标事务所 (普通合伙) 21229 代理人 李丹 (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) (54)发明名称 基于深度学习的台区短期负荷预测方法 (57)摘要 本发明公开了一种基于深度学习的台区短 期负荷预测方法， 包括如下步骤： S1： 采集低压配 电台区的时序运行数据， 其中， 所述时序运行数 据包括电压、 电流、 有功功率、 无功功率和时间信 息； S2： 对所述时序运行数据进行预处理和特征 工程工作， 得到数值型数据和类别型数据； S3： 将 所述数值型数据输入到训练好的Seq2Seq ‑ Attention模型中， 得到经过Attention模型附加 权重的向量序列， 之后， 将经过全连接网络的类 别型数据与所述向量序列进行向量合并， 并经过 激活函数得到负荷预测结果。 该基于深度学习的 台区短期负荷预测 方法， 在Seq2Seq ‑Attention 模型和电力系统大量多维时间序列数据基础之 上， 基于Seq2Seq ‑Attention模型下的台区短期 负荷预测方法， 能够达 到较高的预测准确性。 权利要求书2页 说明书6页 附图2页 CN 114186739 A 2022.03.15 CN 114186739 A 1.基于深度学习的台区短期负荷预测方法， 其特 征在于， 包括如下步骤： S1： 采集低压配电台区的时序运行数据， 其中， 所述时序运行数据包括电压、 电流、 有功 功率、 无功 功率和时间信息； S2： 对所述时序运行数据进行预处理和特征工程工作， 其中， 所述预处理包括剔除异常 数据、 填充缺失值和数据标准化， 得到数值型数据， 所述特征工程工作为按照小时、 周、 月、 是否为工作日、 是否为高峰负荷时段5个维度增加时间属性的特征， 并采用独热向量编 码规 则生成稀疏 特征向量， 得到类别型 数据的特 征向量； S3： 将所述数值型数据输入到训练好的Seq2Seq ‑Attention模型中， 得到经过 Attention模 型附加权重的向量序列， 之后， 将经过全连接网络的类别型数据的特征向量与 所述向量序列进行向量合并， 并经过激活函数得到负荷预测结果， 其中， 所述Seq2Seq ‑ Attention模型是在基于LSTM的Seq2Seq模型基础上引入Attention机制后构建的， 用于负 荷预测。 2.按照权利要求1所述基于深度学习的台区短期负荷预测方法， 其特征在于： S1中， 剔 除异常数据的方法如下： 定义变量A， 使用分位数来检测异常数据， 并利用公式(1)剔除异常数据： 式中， Q1和Q3分别为第一个和第三个四分位数， I QR为四分位数 取值范围。 3.按照权利要求1所述基于深度学习的台区短期负荷预测方法， 其特征在于： S1中， 填 充缺失值的方法如下： 采用前后量测数据的平均值进行 数据填充。 4.按照权利要求1所述基于深度学习的台区短期负荷预测方法， 其特征在于： S1中， 数 据标准化利用公式(2)实现 式中， 表示第i个样本的第n个特 征， 符号E表示期望， 符号Std表示方差 。 5.按照权利要求1所述基于深度 学习的台区短期负荷预测方法， 其特征在于： S3之前还 包括训练Seq2Seq ‑Attention模型的步骤， 具体包括： S31： 在基于LSTM的Seq2Seq模型基础上引入Attention机制， 构建Seq2Seq ‑Attention 模型； S32： 利用训练集样本训练Seq2Seq ‑Attention模型， 并利用验证集样本对模型进行优 化， 直至得到最优 模型， 即： 训练好的Seq2Seq ‑Attention模型。 6.按照权利要求5所述基于深度学习的台区短期负荷预测方法， 其特征在于： S32中， 训 练集样本和验证集样本为经 过预处理和特征工程工作的数据样本 。 7.按照权利要求5所述基于深度学习的台区短期负荷预测方法， 其特征在于： S32中， 采 用均方根 误差RMSE作为评价指标。 8.按照权利要求5所述基于深度学习的台区短期负荷预测方法， 其特征在于： S32中， 采权　利　要　求　书 1/2 页 2 CN 114186739 A 2用Adagrad算法对参数进行优化， 实现学习率的动态更新。权　利　要　求　书 2/2 页 3 CN 114186739 A 3