(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 202111442983.0 (22)申请日 2021.11.30 (71)申请人 南京信息 工程大学 地址 224002 江苏省盐城市 盐南高新区新 河街道文港南路10 5号 (72)发明人 甘季翔　刘琦　张静　杨志云　 (74)专利代理 机构 北京同辉知识产权代理事务 所(普通合伙) 11357 代理人 赵丹 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/06(2012.01) G06Q 30/02(2012.01)G06Q 50/06(2012.01) (54)发明名称 一种智能电网用电端短期能耗预测系统 (57)摘要 本发明公开一种智能 电网用电端短期能耗 预测系统， 属于智 能电网用电端耗能测试领域； 一种智能电网用电端短期能耗预测系统由数据 清洗模块、 特征提取模块以及数据预测模块组 成； 所述数据清洗模块先将特征向量进行划分， 再将划分好的数据集输入卡尔曼滤波模块中进 行数据清洗， 筛除错误的数据， 填补遗漏的数据， 平滑数据曲线， 从而达到提高预测精度的目的。 之后用残差LSTM网络组对输入的数据进行特征 提取， 同时使用加权损失函数， 对数据中的极值 进行判别， 达到提高极值预测的精度， 之后将得 到数据的特征信息放入定义好的预测模型进行 预测； 最后， 采用重定义好的判别指标进行判断， 分析出极值预测结果。 权利要求书2页 说明书5页 附图2页 CN 114118592 A 2022.03.01 CN 114118592 A 1.一种智能电网用电端短期能耗预测系统， 其特征在于， 由数据清洗模块、 特征提取模 块以及数据预测模块组成； 所述数据清洗模块先将特征向量进行划分， 再讲划分好的数据通过卡尔曼滤波方法进 行数据清洗， 之后将清洗后的数据传递至特 征提取模块； 所述特征提取模块由ResNet残差网络和LSTM特征提取模块组成， 数据先进入ResNet残 差网络内进行 卷积运算， 再进入LSTM特殊 提取模块内进行 卷积运算； 所述数据预测模块主要由一个Batchnormalization标准化函数、 一个Drop out函数、 一 个Dense函数和一个输出接口构成， 数据经过Batchnormalization标准化函数实现标准化， 再经过Dropout函数， 减少函数 过拟合， 最后通过Dense全连接层， 将数据输出。 2.根据权利要求1所述的一种智能电网用电端短期能耗预测系统， 其特征在于， 所述特 征向量包括 k个时间步长的电力负荷量、 楼房号以及房间号。 3.根据权利要求2所述的一种智能电网用电端短期能耗预测系统， 其特征在于， 所述特 征向量按照时间节点划分为1/2的训练集、 1/4的测试集和1/4的验证集。 4.根据权利要求1所述的一种智能电网用电端短期能耗预测系统， 其特征在于， 所述 ResNet残差网络由两层BiLSTM和一层一维卷积(Conv1D)构成， 所述数据先进入由双层 BiLSTM的卷积模块(Layer1)， 得到特征数据X1， 接着将特征数据X1放入一维卷积层 (Conv1D)， 得到特征数据X2， 之后将所述特征向量和特征数据X1， 特征数据X2同时放入 Concatenate函数组成新的特征数据X3； 而后， 将组合好的特征数据X3放入一维卷积层 (Conv1D)进行卷积运算， 得到结合后的特征数据X4； 最后， 将经过ResNet处理后的特征数据 X4放入LSTM网络中进行 卷积运算， 提取出最终的特 征X4′。 5.根据权利要求4所述的一种智能电网用电端短期能耗预测系统， 其特征在于， 所述特 征提取模块中结合加权损失函数来调整每 个运算阶段的损失值。 6.根据权利要求5所述的一种智能电网用电端短期能耗预测系统， 其特征在于， 所述加 权损失为： 对输入的原始负荷电力数据P按照 时间顺序和值的大小赋予响应的权值。 首先找到负 荷电力数据 的最大值 和最小值 根据最大值 和最小值 得到每个区间范围Region_num， Region_num： 根据负荷 电力数据 的大小来划分对应的权 重， 具体计算公式如下： 将不同阶段的权重参数依次带入到loss损失函数中调整每个阶段的损失值， 具体计算 如下所示： 7.根据权利要求1所述的一种智能电网用电端短期能耗预测系统， 其特征在于， 所述数权　利　要　求　书 1/2 页 2 CN 114118592 A 2据预测模块 中输出的数据 通过R2_Peak来评估峰值预测的结果； R2_Peak由r2score和TS指标 共同构成， r 2score和TS的计算公式如下 所示： TS＝hits/(hits+falsealarm s+misses) 其中， hits表示预测结果 和真实结果 中共有的部分， falsealarms表示预测结 果 除去hits中的成分， misses表示真实结果 除去hits中的成分。 但是倘若预测 结 果 高于真实结果 TS依旧会将其归为 “命中”， 即该区域的hits依旧会被赋值， 考虑 到该原因， 提 出的评判指标R2_Peak， 将r2score和TS指标有效地合并， 在保证了准确率的情况 下判断峰值的准确性， 具体公式如下 所示： R2_Peak＝θ·r2score+(1‑θ )·TS 其中θ表示权 重参数， 一般取值在0.4至 0.6之间。权　利　要　求　书 2/2 页 3 CN 114118592 A 3