(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 202111492802.5 (22)申请日 2021.12.08 (71)申请人 国电南瑞科技股份有限公司 地址 211000 江苏省南京市江宁经济技 术 开发区诚信大道19号 申请人 国电南瑞南京控制系统有限公司 　 南瑞集团有限公司 (72)发明人 朱庆　胡艺　徐石明　郑红娟　 俞航　顾琳琳　孙季泽　杨凤坤　 林慧婕　徐晨波　韦思雅　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 代理人 何春廷 (51)Int.Cl. G06Q 10/04(2012.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) (54)发明名称 一种长期负荷预测方法及系统 (57)摘要 本发明公开了一种长期负荷预测方法及系 统， 包括： 获取待预测时间电力负荷的气象数据； 对待预测时间电力负荷的气象数据进行预处理， 得到去除异常值的数据； 利用深度学习特征提取 网络进行特征提取， 得到深度特征， 将深度特征 输入到预先离线训练好的基于电力负荷的回归 学习模型， 得到电力负荷预测值。 优点： 本发明通 过预处理降低噪声对预测的影 响， 通过深度学习 网络自动提取指纹的深度信息， 从而能够获得更 好的特征表示， 提高离线阶段的学习效率， 进而 提高预测性能。 权利要求书2页 说明书6页 附图3页 CN 114154732 A 2022.03.08 CN 114154732 A 1.一种长期负荷预测方法， 其特 征在于， 包括： 获取待预测时间电力负荷的气象数据； 对待预测时间电力负荷的气象数据进行 预处理， 得到去除异常值的数据； 利用深度学习特征提取网络进行特征提取， 得到深度特征， 将深度特征输入到预先离 线训练好的基于电力负荷的回归学习模型， 得到电力负荷预测值。 2.根据权利要求1所述的长期负荷预测方法， 其特 征在于， 所述预处 理， 包括： 利用中值滤波方法替换气象数据的异常值； 将替换异常值后的气象数据中的时间信息， 利用编码的方法， 转换成包括温度、 湿度、 风速、 压强和时间的1* 5维度的气象数据指纹。 3.根据权利要求2所述的长期负荷预测方法， 其特征在于， 所述利用深度 学习特征提取 网络进行 特征提取， 包括： 利用全连接网络将1*5维度的气象数据指纹从低维的特征空间线性变换到高维特征空 间， 得到1*N维度的高维特 征向量； 将1*N维度的高维特征向量转化为n*n的气象数据指纹矩阵， 输入卷积神经网络， 经过 卷积层， 池化层和全连接层处 理后， 得到深度特 征， N=n*n。 4.根据权利要求1所述的长期负荷预测方法， 其特征在于， 得到所述离线训练好的基于 电力负荷的回归学习模型， 包括： 获取历史气象数据和对应时刻的电力负荷， 根据历史气象数据构建训练数据； 对训练数据进行所述预处理， 利用深度学习特征提取网络进行特征提取， 得到训练数 据的深度特 征； 构建激活函数为 Linear函数、 损失函数为均方根 误差函数的回归学习模型； 利用训练数据的深度特征和对应时刻的电力负荷对所述激活函数为Linear函数、 损失 函数为均方根误差函数的回归学习模型进 行离线训练， 得到离线训练好的基于电力负荷的 回归学习模型。 5.一种长期负荷预测系统， 其特 征在于， 包括： 获取模块， 用于获取待预测时间电力负荷的气象数据； 预处理模块， 用于对待预测时间电力负荷的气象数据进行预处理， 得到去 除异常值的 数据； 模型处理模块，  用于利用深度学习特征提取网络进行特征提取， 得到深度特征， 将深 度特征输入到预 先离线训练好的基于电力负荷的回归学习模型， 得到电力负荷预测值。 6.根据权利要求5所述的长期负荷预测系统， 其特 征在于， 所述预处 理模块， 用于利用中值滤波方法替换气象数据的异常值； 将替换异常值后的气象数据中的时间 信息， 利用编码的方法， 转换成包括温度、 湿度、 风速、 压强和时间的1*5维度的气象数据指 纹。 7.根据权利要求6所述的长期负荷预测系统， 其特 征在于， 所述模型处 理模块包括： 特征提取单元， 用于利用全连接网络将1*5维度的气象数据指纹从低维的特征空间线 性变换到高维特征空间， 得到1*N维度的高维特征向量； 将1*N维度的高维特征向量转化为 n*n的气象数据指纹矩阵， 输入 卷积神经网络， 经过卷积层， 池化层和全连接层处理后， 得到 深度特征， N=n*n。权　利　要　求　书 1/2 页 2 CN 114154732 A 28.根据权利要求5所述的长期负荷预测系统， 其特 征在于， 所述模型处 理模块包括： 训练单元， 用于获取历史气象数据和对应时刻的 电力负荷， 根据历史气象数据构建训 练数据； 对训练数据进 行所述预 处理， 利用深度学习特征提取网络进 行特征提取， 得到训练 数据的深度特征； 构建激活函数为Linear函数、 损失函数为均方根误差函数的回归学习模 型； 利用训练数据的深度特征和对应时刻的电力负荷对所述激活函数为Linear函数、 损失 函数为均方根误差函数的回归学习模型进 行离线训练， 得到离线训练好的基于电力负荷的 回归学习模型。权　利　要　求　书 2/2 页 3 CN 114154732 A 3