(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 202111677523.6 (22)申请日 2021.12.31 (71)申请人 中国南方电网有限责任公司 地址 510000 广东省广州市萝岗区科 学城 科翔路11号 申请人 北京清软创新科技股份有限公司 (72)发明人 周鑫　张蔷　王巍　王子强　高琴　 马骞　刘梅　邵晓茹　 (74)专利代理 机构 石家庄国为知识产权事务所 13120 代理人 张贵勤 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/08(2006.01)G06N 3/00(2006.01) G06N 3/04(2006.01) (54)发明名称 一种智能电网短期负荷预测方法 (57)摘要 本发明提供了一种智能电网短期负荷预测 方法， 包括以下步骤： 获取负荷预测所需的基础 数据集； 对获取的基础数据集进行预处理、 LMD算 法处理， 获得完备数据集； 基于完备数据集， 采用 Inception模块构建强化学习网络， 通过强化学 习网络改进训练参数； 基于改进的训练参数， 采 用DRNN构建深度学习网络； 通过深度学习网络获 取短期负荷预测模型并进行数据分析。 本发明提 供的一种智能电网短期负荷预测方法， 将数据预 处理技术和负荷预测技术相结合， 通过LMD算法 将强化学习和深度学习相结合， 降低智能电网短 期负荷预测数据的误差 。 权利要求书2页 说明书9页 附图2页 CN 114169645 A 2022.03.11 CN 114169645 A 1.一种智能电网短期负荷预测方法， 其特 征在于， 包括以下步骤： 获取负荷预测所需的基础数据集； 对获取的所述基础数据集进行 预处理、 LMD算法处 理， 获得完备 数据集； 基于所述完备数据集， 采用Inception模块构 建强化学习网络， 通过所述强化学习网络 改进训练参数； 基于改进的所述训练参数， 采用DRN N构建深度学习网络； 通过所述深度学习 网络获取短期负荷预测模型并进行数据分析， 其中， 所述数据分析 包括定性分析和量 化分析。 2.如权利要求1所述的一种智能电网短期负荷预测方法， 其特征在于， 所述基于所述完 备数据集， 采用Inception模块构建强化学习网络， 通过所述 强化学习网络改进训练参数包 括： 合并先前状态和当前输入状态， 获取代理环境； 基于所述代理环境构建状态集， 并采样所述状态集中的最优状态， 获得改进的所述训 练参数。 3.如权利要求2所述的一种智能电网短期负荷预测方法， 其特征在于， 所述基于所述代 理环境构建状态集， 并采样所述状态集中的最优状态， 获得改进的所述训练参数之后还包 括： 构建奖励函数。 4.如权利要求1所述的一种智能电网短期负荷预测方法， 其特征在于， 所述基于改进的 所述训练参数， 采用DRN N构建深度学习网络包括： 选择网络参数建立训练模型， 所述网络参数包括输入输出层节点数、 隐含层数； 对所述训练模型进行DRN N训练和RN N训练， 构建所述深度学习网络 。 5.如权利要求4所述的一种智能电网短期负荷预测方法， 其特征在于， 所述DRNN训练包 括： DRNN在给定输入 上循环执行相同的迭代， 其中， 每个先前迭代的输出依次作为下一次迭 代的输入； 所述RNN训练包括： 将x值的输入序列映射到相应的顺序输出y， 其中， 训练过程从t＝1 到t＝ τ 的每一个时间步长依次进行。 6.如权利要求5所述的一种智能电网短期负荷预测方法， 其特征在于， 所述DRNN训练和 所述RNN训练采用互信息理论对输入特 征进行筛 选、 采用混沌粒子群算法进行参数 更新。 7.如权利要求6所述的一种智能电网短期负荷预测方法， 其特征在于， 所述采用混沌粒 子群算法进行参数 更新包括： 种群初始化， 设置内参； 寻找个体最优以及全局最优； 更新粒子 速度和位置， 更新权 重； 计算每个粒子的目标函数， 保留群 体中性能最 好的粒子； 对群体中性能最 好的粒子进行混沌 搜索， 更新局部最佳点以及全局最佳点； 当全局最优解达 到要求时， 输出 结果。 8.如权利要求1所述的一种智能电网短期负荷预测方法， 其特征在于， 所述定性分析和 所述量化分析之前包括： 在工作机中搭建仿真运行场景， 进行实验仿真；权　利　要　求　书 1/2 页 2 CN 114169645 A 2采集实验数据集， 并将所述实验数据集按比例划分为训练集和测试集， 其中， 所述训练 集用于进行模型训练， 所述测试集用于对训练完成的模型进行验证测试集评估； 建立预测网络 评价指标， 包括平均绝对百分误差和均方根 误差。 9.如权利要求8所述的一种智能电网短期负荷预测方法， 其特征在于， 所述定性分析包 括： 分别采用基于Wide&Deep ‑LSTM的深度学习短期负荷 预测模型、 基于深层长短时记忆网 络深度学习网络模型构建的负荷预测模型作为对比对象， 进行定性分析。 10.如权利要求8所述的一种智能电网短期负荷预测方法， 其特征在于， 所述量化分析 分析包括： 分别采用基于Wide&Deep ‑LSTM的深度学习短期负荷 预测模型、 基于深层长短时记忆网 络深度学习网络模型构建的负荷预测模型作为对比对象， 进行量 化分析。权　利　要　求　书 2/2 页 3 CN 114169645 A 3