(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 202111585536.0 (22)申请日 2021.12.23 (71)申请人 深圳供电局有限公司 地址 518000 广东省深圳市罗湖区深南 东 路4020号电力调度通信大楼 (72)发明人 李江南　刘傲　程韧俐　祝宇翔　 史军　张炀　车诒颖　 (74)专利代理 机构 深圳汇智容达专利商标事务 所(普通合伙) 44238 代理人 孙威 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) (54)发明名称 一种电力负荷预测关键因素的辨识方法及 系统 (57)摘要 本发明提供一种电力负荷预测关键因素的 辨识方法及系统， 包括， 获取环境变量数据； 将所 述环境变量数据按照预设的归一化规则进行归 一化处理， 得到环境变量集合； 将所述环境变量 集合作为输入量输入预先训练的相关因素辨识 模型， 得到电力负荷预测关键因素。 本发明具备 根据边界数据对不同场景下关键相关因素动态 辨识的能力， 从而实现关键相关因素的动态辨 识， 提升电力负荷预测准确性。 根据外部环境变 化动态选取与电力负荷关系最为紧密 的相关因 素， 并将其作为相关因素预测算法的输入量， 实 现根据外 部环境变化动态预测分析。 权利要求书3页 说明书7页 附图1页 CN 114139835 A 2022.03.04 CN 114139835 A 1.一种电力负荷预测关键因素的辨识方法， 其特 征在于， 包括： 获取环境变量数据； 其中， 所述环境变量至少包括最高气温数据、 最低气温数据、 平均 气温数据、 最大风速数据、 最小风速数据、 平均风速数据、 日照强度数据、 平均湿度数据、 星 期制日期数据、 节假日类型 数据； 将所述环境变量数据按照预设的归一 化规则进行归一 化处理， 得到环境变量 集合； 将所述环境变量集合作为输入量输入预先训练的相关因素辨识模型， 得到电力负荷预 测关键因素。 2.如权利要求1所述的方法， 其特 征在于， 所述预设的归一 化规则具体包括： 获取连续的环境变量数据； 提取连续的环境变量数据转中的最高气 温数据、 最低气 温数据、 平均气温数据、 最大风 速数据、 最小风速数据、 平均风速数据、 日照强度数据、 平均湿度数据； 并通过预设的变化范 围离散算法分别将所述最高气温数据、 所述最低气温数据、 所述平均气温数据、 所述最大风 速数据、 所述最小风速数据、 所述平均风速数据、 所述日照强度数据、 所述平均湿度数据转 化为预设的取值范围内的第一归一 化数据； 提取连续的环境变量数据转中的星期制日期数据、 节假日类型数据； 并通过查询预设 的离散对应表得到与所述星期制日期数据、 所述节假日类型 数据对应的第二归一 化数据； 将所述第一归一 化数据和所述第二归一 化数据组成环境变量 集合。 3.如权利要求2所述的方法， 其特征在于， 所述预先训练 的相关因素辨识模型通过以下 过程训练： 获取历史环境变量数据； 筛选所述历史环境变量数据中符合预设的环境变量类型的历史环境变量， 并将筛选后 的历史环境变量作为动作变量组成动作空间集 合； 将所述动作空间集合作为输入量输入预设的相关因素辨识模型， 对所述预设的相关因 素辨识模型进行训练， 得到训练后的相关因素辨识模型， 输出电力负荷预测关键因素。 4.如权利要求3所述的方法， 其特 征在于， 所述预设的相关因素辨识模型 具体包括： R＝α1AR‑α2DS 其中， R表示相关因素辨识奖励函数， AR表示预测准确率， DS表示输出规范性， α1表示预 测准确率因素项系数， α2表示输出规范性因素项系数。 5.如权利要求 4所述的方法， 其特 征在于， 所述预设的相关因素辨识模型还 包括： 其中， PtF表示时段t的预测电力负荷， PtR表示时段t的实际电力负荷， NT表示预测周期时 段数， t表示时段， ai表示是否将动作空间集合的状态变量选为关键相关因素， i表示状态变权　利　要　求　书 1/3 页 2 CN 114139835 A 2量的序列数。 6.一种电力负荷预测关键因素的辨识系统， 用以实现如权利要求1 ‑5任一项所述的方 法， 其特征在于， 包括： 数据获取模块， 用以获取环境变量数据； 其中， 所述环境变量至少包括最高气温数据、 最低气温数据、 平均气温数据、 最大风速数据、 最小风速数据、 平均风速数据、 日照强度数 据、 平均湿度数据、 星期制日期数据、 节假日类型 数据； 变量集合模块， 用以将所述环境变量数据按照预设的归一化规则进行归一化处理， 得 到环境变量 集合； 关键因素识别模块， 用以将所述环境变量集合作为输入量输入预先训练 的相关因素辨 识模型， 得到电力负荷预测关键因素。 7.如权利要求6所述的系统， 其特 征在于， 所述预设的归一 化规则具体包括： 获取连续的环境变量数据； 提取连续的环境变量数据转中的最高气 温数据、 最低气 温数据、 平均气温数据、 最大风 速数据、 最小风速数据、 平均风速数据、 日照强度数据、 平均湿度数据； 并通过预设的变化范 围离散算法分别将所述最高气温数据、 所述最低气温数据、 所述平均气温数据、 所述最大风 速数据、 所述最小风速数据、 所述平均风速数据、 所述日照强度数据、 所述平均湿度数据转 化为预设的取值范围内的第一归一 化数据； 提取连续的环境变量数据转中的星期制日期数据、 节假日类型数据； 并通过查询预设 的离散对应表得到与所述星期制日期数据、 所述节假日类型 数据对应的第二归一 化数据； 将所述第一归一 化数据和所述第二归一 化数据组成环境变量 集合。 8.如权利要求7所述的系统， 其特征在于， 所述预先训练 的相关因素辨识模型通过以下 过程训练： 获取历史环境变量数据； 筛选所述历史环境变量数据中符合预设的环境变量类型的历史环境变量， 并将筛选后 的历史环境变量作为动作变量组成动作空间集 合； 将所述动作空间集合作为输入量输入预设的相关因素辨识模型， 对所述预设的相关因 素辨识模型进行训练， 得到训练后的相关因素辨识模型， 输出电力负荷预测关键因素。 9.如权利要求8所述的系统， 其特 征在于， 所述预设的相关因素辨识模型 具体包括： R＝α1AR‑α2DS 其中， R表示相关因素辨识奖励函数， AR表示预测准确率， DS表示输出规范性， α1表示预 测准确率因素项系数， α2表示输出规范性因素项系数。 10.如权利要求9所述的系统， 其特 征在于， 所述预设的相关因素辨识模型还 包括： 权　利　要　求　书 2/3 页 3 CN 114139835 A 3