(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110293561.5 (22)申请日 2021.03.19 (65)同一申请的已公布的文献号 申请公布号 CN 113191069 A (43)申请公布日 2021.07.3 0 (73)专利权人 国网江苏省电力有限公司 地址 210000 江苏省南京市上海路215号 专利权人 河海大学 (72)发明人 熊浩　秦川　付伟　鞠平　周航　 江叶峰　张振华　梁文腾　韩洪兴　 陆晓　管益斌　 (74)专利代理 机构 南京行高知识产权代理有限 公司 32404 专利代理师 王培松　王菊花(51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G06Q 50/06(2012.01) 审查员 张江园 (54)发明名称 基于双分支深度学习模型的空调负荷估算 方法与系统 (57)摘要 本发明提供一种基于双分支深度学习模型 的空调负荷估算方法与系统， 通过对历史气象、 历史负荷以及时间数据的多维特征提取， 以时 间、 经济数据作为输入特征训练学习构建基准负 荷估算模型分支， 以历史气象数据作为输入特征 训练学习构建空调负荷估算模型分支， 将基准负 荷估算模型分支和空调负荷估算模型分支进行 拼接， 两个分支的输出累加为总空调负荷功率， 形成双分支深度学习空调负荷分解模 型。 在此基 础上， 在实际的历史空调负荷估算或者未来预测 的过程中， 通过获取地区的时间数据以及气象数 据作为输入， 通过特征提取后输入到模型中进行 估算， 可输出得到对应时刻的空调负荷估算结果 以及总负荷， 为地区的发电量控制和电力调配提 供科学的决策依据。 权利要求书4页 说明书9页 附图3页 CN 113191069 B 2022.09.02 CN 113191069 B 1.一种基于双分支深度学习模型的空调负荷估算方法， 其特 征在于， 包括以下步骤： 获取预测地区的历史气象、 历史总负荷以及时间数据， 并进行 预处理； 对预处理后的历史数据进行特征提取， 生成双分支输入特征向量， 即用于构建基准负 荷估算模型分支的特征向量p1和用于构建空调负荷估算模型分支的特征向量p2， 其中特征 向量p1以历史时间数据和经济数据提取获得， 特 征向量p2以历史气象数据提取获得； 根据双分支 输入特征向量， 建立双分支深度学习空调负荷分解模型， 其中以特征向量p1 为输入特征， 利用卷积神经网络(CNN)为模 型主体构建基准负荷 估算模型分支； 以特征向量 p2为输入特征， 利用卷积长短期记忆神经网络(ConvLSTM)构建空调负荷估算模型分支； 将 基准负荷估算模型分支和空调负荷 估算模型分支进行拼接， 两个分支的输出累加为总负荷 功率， 形成以初始模型参数构建的初始的双分支深度学习的负荷分解模型； 根据输入特征向量进行模型优化， 即通过遗传算法的调优处理， 获得最终输出的形成 双分支深度学习的负荷分解模型； 对预测地区的空调负荷预测过程中， 取历史气象数据作为输入数据， 通过最终的双分 支深度学习空调负荷分解模型进 行估算， 获得其中空调负荷估算模型分支的输出结果作为 空调负荷的估算 值； 其中， 所述特 征向量p1的构建方式为： 其中， 特征向量p1为8维方阵矩阵， 0和1表示日期的独热编码形式， c、 p、 g和ml分别表示 消费者价格指数(CPI)、 地区消费总额、 地区生产总值和当月平均负荷； 所述特征向量p2的构建方式为： 其中， p2为由(n+1)个4维方阵组成的特征向量， Tt‑nD、 Ht‑nD和Rt‑nD分别表示距t时刻n日前 的温度、 相对湿度和降水量， 下标t ‑1和t‑4h分别表示t时刻前一时刻和t时刻前4小 时， n的 初始值为6； 所述基于 遗传算法对初始的双分支深度学习的负荷分解模型的调优处 理具体包括： 采用基于 遗传算法的模型参数调优， 调优的目标函数如下：权　利　要　求　书 1/4 页 2 CN 113191069 B 2min( α·e‑β·r)； 其中e和r分别表示模型验证误差和皮尔逊相关系数， 误差形式采用平均绝对百分比误 差MAPE， 表达式如下： 式中n为数据数量， 表示模型输出值， yi表示历史数据中对应时刻的真实总负荷值； 其中， 皮尔逊相关系数表达式如下： 式中X、 Y表示待求相关系数的两个向量， r为相关性数值。 2.根据权利要求1所述的基于双 分支深度学习 模型的空调负荷估算方法， 其特征在于， 所述历史气象、 历史负荷以及时间数据构成历史数据， 对历史数据的预处 理包括： 首先， 利用三次插值法补全历史数据中的缺失数据； 然后， 对时间数据采用独热编码进行 数据转化处理； 最后， 对负荷功率、 历史气象数据进行归一 化处理。 3.根据权利要求1所述的基于双 分支深度学习 模型的空调负荷估算方法， 其特征在于， 在调优处理过程中， 以某个t时刻的特征向量p1和特征向量p2输入模型， 得到t时刻的空调负 荷和基准负荷， 二者相加后得到估算的t时刻的总负荷， 与历史数据中该t 时刻的历史总负 荷进行做差， 并基于差值调整模型参数， 以使得期 望的差值达到理想最小时， 确定模型的参 数， 从而获得最终输出的形成双分支深度学习的负荷分解模型。 4.根据权利要求1所述的基于双 分支深度学习 模型的空调负荷估算方法， 其特征在于， 所述方法还 包括： 对预测地区的未来时刻的空调负荷预测过程， 将某个时刻的气象数据和/或气象预报 数据作为特征数据， 输入到双分支深度学习空调负荷分解模型进行预测估计， 得到对应时 刻的空调负荷预测结果。 5.一种基于双分支深度学习模型的空调负荷估算系统， 其特 征在于， 包括： 用于获取 预测地区的历史气象、 历史总负荷以及时间数据， 并进行 预处理的模块； 用于对预处理后的历史数据进行特征提取， 生成双分支输入特征向量的模块， 即用于 构建基准负荷估算模型分支的特征向量p1和用于构建空调负荷估算模型分支的特征向量 p2， 其中特征向量p1以历史时间数据和经济数据提取获得， 特征向量p2以历史气象数据提取 获得； 用于根据双分支输入特征向量， 建立双分支深度学习空调负荷分解模型的模块， 其中 以特征向量p1为输入特征， 利用卷积神经网络(CNN)构建基准负荷估算模型分支； 以特征向 量p2为输入特征， 利用卷积长短期记忆神经网络(ConvLSTM)构建空调负荷估算模型分支； 将基准负荷 估算模型分支和空调负荷估算模型分支进 行拼接， 两个分支的输出累加为总负 荷功率， 形成以初始模型参数构建的初始的双分支深度学习的负荷分解模型；权　利　要　求　书 2/4 页 3 CN 113191069 B 3