(19)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 202211259893.2 (22)申请日 2022.10.14 (71)申请人 国网江苏省电力有限公司镇江供电 分公司 地址 212001 江苏省镇江市电力路182号 申请人 国网江苏省电力有限公司 (72)发明人 张月　赵罡　胡春光　解俊岭　 刘京易　刘璐　周舒　邱娟　 陈泰名　钱汉　 (74)专利代理 机构 镇江至睿专利代理事务所 (普通合伙) 3252 9 专利代理师 刘静 (51)Int.Cl. G06Q 10/06(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 一种基于并联时序卷积神经网络的电力负 荷中短期预测方法及系统 (57)摘要 本发明涉及一种基于并联时序卷积神经网 络的电力负荷中短期预测方法及系统,属于电力 系统调度控制领域。 方法包括： 对训练数据进行 处理， 提取周期性特征数据； 所述周 期性特征数 据包括小时周期特征数据、 日周期特征数据、 周 周期特征数据和月周期特征数据； 根据所述周期 性特征数据创建并联时序卷积神经网络模型， 所 述并联时序卷积神经网络模型包括四个时间卷 积神经网络TCN模型； 利用所述并联时序卷积神 经网络模型对 所述电力负荷 进行中短期预测， 并 输出预测结果。 本方法能够 有效反映负荷数据的 多周期特征， 从而提升了电力负荷中短期预测的 准确度。 权利要求书3页 说明书8页 附图4页 CN 115545503 A 2022.12.30 CN 115545503 A 1.一种基于并联时序卷积神经网络的电力负荷中短期预测方法， 其特征在于， 所述方 法包括以下步骤： S1： 对训练数据进行处理， 提取周期性特征数据； 所述周期性特征数据包括小时周期特 征数据、 日周期特 征数据、 周周期特征数据和月周期特 征数据； S2： 根据所述周期性特征数据创建并联时序卷积神经网络模型， 所述并联时序卷积神 经网络模型包括四个时间卷积神经网络TCN模型； S3： 利用所述并联时序卷积神经网络模型对所述电力负荷进行中短期预测， 并输出预 测结果。 2.根据权利要求1所述的方法， 其特 征在于， 所述对训练数据进行处 理包括： 对日期数据采用离散的向量表示， 对负荷值、 最高温度、 最低温度采用浮点值表示， 并 进行最值归一化： 式中， x为原始特征值， xmin为训练集中的最小值， xmax为训练集中的最大值， xscale为归一 化后的值。 3.根据权利要求2所述的方法， 其特征在于， 所述根据所述周期性特征数据创建并联时 序卷积神经网络模型包括： 所述并联 时序卷积神经网络模型由四个TCN模型组成， 每个TCN模型对应不同的周期性 特征数据， 将每一类周期性特征数据作为单个TCN模型的输入， 分别得到四个TCN模型的输 出结果； 每个TCN模型的输出结果各自经过一个Sigmoid门控单元， 通过Sigmoid激活函数用来 控制流入下一层结构的数据量大小， 其中， 式中， x1、 x2、 x3、 x4分别表示小时周期特征数据、 日周期特征数据、 周周期特征数据、 月周 期特征数据， W1、 W2、 W3、 W4、 b1、 b2、 b3、 b4为线性层的权重矩阵和偏重向量参数， H1、 H2、 H3、 H4为 Sigmoid门控单 元的输出 结果。 4.根据权利要求3所述的方法， 其特征在于， 所述利用所述并联时序卷积神经网络模型 对所述电力负荷进行中短期预测， 并输出 预测结果包括： 四个TCN模型的输出经过Sigmoi d门控单元后 得到输出H1、 H2、 H3、 H4， 将H1、 H2、 H3、 H4四个 向量进行Co ncat拼接， 最后经 过多层全连接神经网络 MLP， 得到最终的预测结果y： y＝MLP(Co ncat(H1,H2,H3,H4)) MLP(x)＝ Wn(...relu(W2(relu(W1x+b1))+b2)...)+bn 式中， H1、 H2、 H3、 H4为前一层的输出， Wi、 bi为线性层的权重矩阵和偏重向量参数， relu为 激活函数， MLP网络共有n层， 由多个全连接神经网络堆叠而成。 5.根据权利要求 4所述的方法， 其特 征在于， 所述方法还 包括：权　利　要　求　书 1/3 页 2 CN 115545503 A 2调用评测算法对所述并联时序卷积神经网络模型的预测结果进行评估。 6.一种基于并联时序卷积神经网络的电力负荷中短期预测系统， 其特征在于， 所述系 统包括： 处理模块， 用于对训练数据进行处理， 提取周期性特征数据； 所述周期性特征数据包括 小时周期特 征数据、 日周期特 征数据、 周周期特征数据和月周期特 征数据； 创建模块， 用于根据所述周期性特征数据创建并联时序卷积神经网络模型， 所述并联 时序卷积神经网络模型包括四个时间卷积神经网络TCN模型； 预测模块， 用于利用所述并联时序卷积神经网络模型对所述电力负荷进行中短期预 测， 并输出 预测结果。 7.根据权利要求6所述的系统， 其特 征在于， 所述处 理模块对训练数据进行处 理包括： 对日期数据采用离散的向量表示， 对负荷值、 最高温度、 最低温度采用浮点值表示， 并 进行最值归一化： 式中， x为原始特征值， xmin为训练集中的最小值， xmax为训练集中的最大值， xscale为归一 化后的值。 8.根据权利要求7所述的系统， 其特征在于， 所述创建模块根据 所述周期性特征数据创 建并联时序卷积神经网络模型包括： 所述并联 时序卷积神经网络模型由四个TCN模型组成， 每个TCN模型对应不同的周期性 特征数据， 将每一类周期性特征数据作为单个TCN模型的输入， 分别得到四个TCN模型的输 出结果； 每个TCN模型的输出结果各自经过一个Sigmoid门控单元， 通过Sigmoid激活函数用来 控制流入下一层结构的数据量大小， 其中， 式中， x1、 x2、 x3、 x4分别表示小时周期特征数据、 日周期特征数据、 周周期特征数据、 月周 期特征数据， W1、 W2、 W3、 W4、 b1、 b2、 b3、 b4为线性层的权重矩阵和偏重向量参数， H1、 H2、 H3、 H4为 Sigmoid门控单 元的输出 结果。 9.根据权利要求8所述的系统， 其特征在于， 所述预测模块利用所述并联时序 卷积神经 网络模型对所述电力负荷进行中短期预测， 并输出 预测结果包括： 四个TCN模型的输出经过Sigmoi d门控单元后 得到输出H1、 H2、 H3、 H4， 将H1、 H2、 H3、 H4四个 向量进行Co ncat拼接， 最后经 过多层全连接神经网络 MLP， 得到最终的预测结果y： y＝MLP(Co ncat(H1,H2,H3,H4)) MLP(x)＝ Wn(...relu(W2(relu(W1x[b1))+b2)...)+bn 式中， H1、 H2、 H3、 H4为前一层的输出， Wi、 bi为线性层的权重矩阵和偏重向量参数， relu为 激活函数， MLP网络共有n层， 由多个全连接神经网络堆叠而成。权　利　要　求　书 2/3 页 3 CN 115545503 A 3