(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 202111424997.X (22)申请日 2021.11.26 (71)申请人 国网北京市电力公司 地址 100031 北京市西城区前门西大街 41 号 申请人 国家电网有限公司 　 北京慧和仕科技有限责任公司 　 南京工程学院 (72)发明人 杨烁　马麟　曾爽　赵宇彤　陈平　 赵乐　梁安琪　张振德　王钊　 王瀚秋　马凯　孙钦斐　刘畅　 宫成　赵金娥　姚孟阳　王伟　 陆旦宏　杨婷　 (74)专利代理 机构 北京康信知识产权代理有限 责任公司 1 1240 代理人 张文华(51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 建筑物负荷预测模型训练方法、 装置及非易 失性存储介质 (57)摘要 本发明公开了一种建筑物负荷预测模型训 练方法、 装置及非易失性存储介质。 其中， 该方法 包括： 确定训练数据， 其中， 训练数据中包括目标 建筑物的历史负荷数据， 以及影 响目标建筑物负 荷的历史影 响因素数据； 输入历史影 响因素数据 至生成模型中， 并获取生 成模型基于历史影响因 素数据生 成的第一预测负荷数据； 对历史负荷数 据和第一预测负荷数据聚类， 并将聚类后的历史 负荷数据和第一预测负荷数据输入至判别模型 中， 得到判别模 型基于历史负荷数据和预测负荷 数据的判别结果； 基于判别结果， 调整生成模型 的模型参数， 得到目标生成模型。 权利要求书2页 说明书7页 附图4页 CN 114037182 A 2022.02.11 CN 114037182 A 1.一种建筑物负荷预测模型训练方法， 其特 征在于， 包括： 确定训练数据， 其中， 所述训练数据中包括目标建筑物的历史负荷数据， 以及影响所述 目标建筑物负荷的历史影响因素 数据； 输入所述历史影响因素数据至生成模型中， 并获取所述生成模型基于所述历史影响因 素数据生成的第一预测负荷数据； 对所述历史负荷数据和所述第 一预测负荷数据聚类， 并将聚类后的所述历史负荷数据 和所述第一预测负荷数据输入至判别模型中， 得到所述判别模型基于所述历史负荷数据和 所述预测负荷数据的判别结果； 基于所述判别结果， 调整所述 生成模型的模型参数， 得到目标生成模型。 2.根据权利要求1所述的建筑物负荷预测模型训练方法， 其特征在于， 所述判别结果包 括第一类判别结果和第二类判别结果， 其中， 在所述判别结果为所述第一类判别结果的情 况下， 表明所述判别模型基于所述历史负荷数据确定所述第一预测负荷数据为真实负荷数 据， 在所述判别结果为所述第二类判别结果的情况下， 表明所述判别模型基于所述历史负 荷数据确定所述第一预测负荷数据不是真实负荷数据。 3.根据权利要求2所述的建筑物负荷预测模型训练方法， 其特征在于， 基于所述判别结 果， 调整所述 生成模型的模型参数， 得到目标生成模型包括： 在所述判别结果为所述第 二类判别结果的情况下， 依据 所述判别结果调整所述生成模 型和所述判别模型的模型参数， 直到所述判别模型输出的判别结果为所述第一类判别结 果。 4.根据权利要求1所述的建筑物负荷预测模型训练方法， 其特征在于， 对所述历史负荷 数据和所述第一预测负荷数据聚类， 并将聚类后的所述历史负荷数据和所述第一预测负荷 数据输入至判别模型中包括： 确定多个负荷特征指标， 其中， 所述负荷特征指标包括： 符合率， 最高利用小时率， 日峰 谷差率， 峰期负载率， 平期负载率， 谷期负载率； 确定与所述多个符合特 征指标中的每 个负荷特 征指标对应的聚类中心； 基于所述历史负荷数据， 确定与所述历史负荷数据对应的历史负荷数据矩阵， 以及基 于所述第一预测负荷数据， 确定与所述第一预测负荷数据对应的第一预测负荷数据矩阵； 基于所述聚类 中心， 对所述历史负荷数据矩阵聚类， 得到第 一降维矩阵， 以及基于所述 聚类中心， 对所述第一预测负荷数据聚类， 得到第二降维矩阵； 将所述第一降维矩阵和所述第二降维矩阵输入至所述判别模型中。 5.根据权利要求1所述的建筑物负荷预测模型训练方法， 其特征在于， 输入所述历史影 响因素数据至生成模型中包括： 依据随机噪声， 生成第一随机矩阵； 基于所述历史影响因素 数据， 得到第一影响因素序列； 拼接所述第一随机矩阵和所述第一影响因素序列， 得到第一拼接矩阵， 并将所述第一 拼接矩阵输入至所述 生成模型中。 6.根据权利要求1所述的建筑物负荷预测模型训练方法， 其特征在于， 确定训练数据包 括： 在预设时间段中以预设频率采集所述目标建筑物的负荷数据以及负荷影响因素数据，权　利　要　求　书 1/2 页 2 CN 114037182 A 2并将所述负荷数据和所述负荷影响因素 数据作为第一训练样本； 清洗所述第一训练样本中的异常数据， 得到第二训练样本， 并将所述第二训练样本作 为所述训练数据， 其中， 所述异常数据包括以下至少之一： 负荷暴增， 负荷骤降， 负荷无效。 7.根据权利要求1所述的建筑物负荷预测模型训练方法， 其特征在于， 得到所述目标生 成模型后， 所述方法还 包括： 将所述目标建筑物的预测影响因素数据输入至所述目标生成模型中， 得到所述目标建 筑物的第二预测负荷数据。 8.根据权利要求7所述的建筑物负荷预测模型训练方法， 其特征在于， 将所述目标建筑 物的预测影响因素 数据输入至所述目标生成模型中包括： 依据随机噪声， 生成第二随机矩阵； 基于所述预测影响因素 数据， 得到第二影响因素序列； 拼接所述第二随机矩阵和所述第二影响因素序列， 得到第二拼接矩阵， 并将所述第二 拼接矩阵输入至所述 生成模型中。 9.一种建筑物负荷预测模型训练装置， 其特 征在于， 包括： 数据采集模块， 用于确定训练数据， 其中， 所述训练数据中包括目标建筑物的历史负荷 数据， 以及影响所述目标建筑物负荷的历史影响因素 数据； 第一处理模块， 用于输入所述历史影响因素数据至生成模型中， 并获取所述生成模型 基于所述历史影响因素 数据生成的第一预测负荷数据； 第二处理模块， 用于对所述历史负荷数据和所述第一预测负荷数据聚类， 并将聚类后 的所述历史负荷数据和所述第一预测负荷数据输入至判别模型中， 得到所述判别模型基于 所述历史负荷数据和所述预测负荷数据的判别结果； 调整模块， 用于基于所述判别结果， 调整所述生成模型的模型参数， 得到目标生成模 型。 10.一种非易失性存储介质， 其特征在于， 所述非易失性存储介质包括存储的程序， 其 中， 在所述程序运行时控制所述 非易失性存储介质所在设备执行权利要求 1至8中任意一项 所述建筑物负荷预测模型训练方法。 11.一种电子设备， 其特征在于， 所述电子设备包括处理器， 所述处理器用于运行程序， 其中， 所述 程序运行时执 行权利要求1至8中任意 一项所述建筑物负荷预测模型训练方法。权　利　要　求　书 2/2 页 3 CN 114037182 A 3