(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 202111270980.3 (22)申请日 2021.10.2 9 (71)申请人 国网天津市电力公司 地址 300010 天津市河北区五经路39号 申请人 国家电网有限公司 (72)发明人 李海龙　张磐　李春晖　刘慧芳　 滕飞　张志朋　刘文韬　奚鹏飞　 庄乾宇　范须露　 (74)专利代理 机构 天津才智专利商标代理有限 公司 12108 代理人 庞学欣 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01)G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/12(2020.01) (54)发明名称 一种基于ResNet-LS TM的配电台区短期负荷 预测方法及装置 (57)摘要 本发明提供了一种基于ResNet ‑LSTM的配电 台区短期负荷预测方法及装置， 用于负荷预测的 领域， 包括： 搭建第一ResNet ‑LSTM模型， ResNet ‑ LSTM模型包括CNN层、 LSTM层以及全连接层输出 层； 对第一ResNet ‑LSTM模型添加注意力机制以 获取第二ResNet ‑LSTM模型； 获取预处理的历史 数据， 并对第二ResNet ‑LSTM模型进行训练对以 获取第三ResNet ‑LSTM模型； 将待预测的负荷数 据属于三ResNet ‑LSTM模型中， 并对待预测的负 荷数据进行负荷预测。 本发明所提方法能显著提 高配电台区短期负荷预测的精度。 权利要求书3页 说明书10页 附图5页 CN 114239905 A 2022.03.25 CN 114239905 A 1.一种基于ResNet ‑LSTM的配电台区短期负荷 预测方法， 其特征在于， 具体包括如 下步 骤： 搭建第一ResNet ‑LSTM模型， 所述ResNet ‑LSTM模型包括CNN层、 LSTM层以及全连接层输 出层； 对所述第一ResNet ‑LSTM模型 添加注意力机制以获取第二ResNet ‑LSTM模型； 获取预处理的历史数据， 并对所述第二ResNet ‑LSTM模型进行训练对所述以获取第三 ResNet‑LSTM模型； 将待预测的负荷数据属于所述三ResNet ‑LSTM模型中， 并对所述待预测的负荷数据进 行负荷预测。 2.根据权利要求1所述的方法， 其特 征在于， 所述获取 预处理的历史数据的步骤 包括： 获取历史数据并对所述历史数据进行 预处理以获取 预处理的历史数据。 3.根据权利要求1所述的方法， 其特征在于， 所述对所述第二ResNet ‑LSTM模型进行训 练对所述以获取第三ResNet ‑LSTM模型的步骤 包括： 获取所述预处 理的历史数据输出 所述第二ResNet ‑LSTM模型并获取第一损失函数； 采用Adam算法对所述第二ResNet ‑LSTM模型的参数进行优化并获取第二损失函数； 判定第一损失函数 是否小于第二损失函数； 若是， 则获取 未优化参数的所述第二ResNet ‑LSTM模型为所述第三ResNet ‑LSTM模型； 若否， 则对所述未优化参数第二ResNet ‑LSTM模型的参数进行更新， 以获取所述第三 ResNet‑LSTM模型， 并执行所述获取所述预处理的历史数据输出所述第二ResNet ‑LSTM模型 并获取第一损失函数的步骤。 4.根据权利要求1所述的方法， 其特征在于， 所述CNN层包括所第一BasicBlock残差基 本模块、 第二BasicBlock残差基本模块、 第三BasicBlock残差基本模块以及第四 BasicBlock残差基本模块； 所述第一BasicBlock残差基本模块、 所述第二BasicBlock残差基本模块、 所述第三 BasicBlock残差基本模块以及所述第四BasicBl ock残差基本模块依次相连； 所述第一B asicBlock残差基本模块包括3个第一B asicBlock残差基本子模块， 所述第 一BasicBl ock残差基本 子模块的卷积核数为64； 所述第二B asicBlock残差基本模块包括4个第二B asicBlock残差基本子模块， 所述第 二BasicBl ock残差基本 子模块的卷积核数为128； 所述第三B asicBlock残差基本模块包括6个第三B asicBlock残差基本子模块， 所述第 三BasicBl ock残差基本 子模块的卷积核数为25 6； 所述第四B asicBlock残差基本模块包括3个第四B asicBlock残差基本子模块， 所述第 三BasicBl ock残差基本 子模块的卷积核数为512。 5.根据权利要求1所述的方法， 其特征在于， 所述全连接层输出层采用Relu函数为激活 函数： yt＝Relu(wost+bo)； yt—全连接层输出量； wo—全连接层的权 重参数； bo—全连接层的偏置；权　利　要　求　书 1/3 页 2 CN 114239905 A 2st—全连接层的输入。 6.根据权利要求1所述的方法， 其特征在于， 所述获取预处理的历史数据的步骤中， 采 用如下公式进行归一 化： Xstd—归一化之后的数据； X—未进行归一 化的数据； Xmin(axis＝0)— 未进行归一 化的数据中特 征的最小值； Xmax(axis＝0)— 未进行归一 化的数据中特 征的最大值； 所述全连接层输出层采用如下公式进行反归一 化： X′＝Xstd*(Xmax(axis＝0) ‑Xmin(axis＝0) )+Xmin(axis＝0)； X′—反归一 化的数据。 7.根据权利要求3所述的方法， 其特征在于， 采用如下公式获取第 一损失函数以及第 二 损失函数： xact—真实值； xpred—预测值； YMAPE—平均绝对百分比误差 Adam算法采用如下公式： θt—待更新的参数； α —学习率； 时间步t的梯度的一阶估计的修 正量； 时间步t的梯度的二阶估计的修 正量； 式中： β1—时间步t的梯度的一阶估计衰减率； β2—时间步t的梯度的二阶估计衰减率； gt—时间步t的梯度。 8.根据权利要求3所述的方法， 其特征在于， 所述对所述第一ResNet ‑LSTM模型添加注 意力机制以获取第二ResNet ‑LSTM模型的步骤 包括： 所述注意力机制的权 重系数为： et＝utanh(wht+b)权　利　要　求　书 2/3 页 3 CN 114239905 A 3