(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 202110220515.2 (22)申请日 2021.02.26 (65)同一申请的已公布的文献号 申请公布号 CN 112884230 A (43)申请公布日 2021.06.01 (73)专利权人 润联软件系统 （深圳） 有限公司 地址 518000 广东省深圳市福田区梅林街 道梅都社区中康路136号深圳新一代 产业园2栋801 (72)发明人 于翠翠　王伟　黄勇其　 (74)专利代理 机构 深圳市精英专利事务所 44242 专利代理师 武志峰 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01)G06F 30/27(2020.01) G06N 20/00(2019.01) G06F 113/04(2020.01) (56)对比文件 CN 106570581 A,2017.04.19 CN 112329973 A,2021.02.0 5 CN 111553543 A,2020.08.18 CN 111680818 A,2020.09.18 US 2017091615 A1,2017.0 3.30 田浩含等.基 于ＧＲＡ－ ＬＳＴＭ神经网络 的区域综合能源系统多元负荷短期预测模型. 《广东电力》 .2020,第3 3卷(第5期),第4 4-51页. 张沛超等.基 于对象图的事例表示方法及其 相似度计算. 《中国电机 工程学报》 .20 03,第23卷 (第12期),第59- 63页. 审查员 石惠敏 (54)发明名称 基于多元时间序列的电力负荷预测方法、 装 置及相关组件 (57)摘要 本发明公开了基于多元时间序列的电力负 荷预测方法、 装置及相关组件， 该方法包括获取 电力负荷预测过程中的时序原始数据并进行预 处理得到时序样本数据； 构建时序样本数据的变 量之间的图结构， 根据图结构获取每个变量的空 间向量表达， 根据每个变量的空间向量表达构建 第一特征矩阵； 将第一特征矩阵与时序样本数据 进行特征融合， 得到第二特征矩阵； 对第二特征 矩阵进行特提取得到新的特征序列并进行归一 化操作， 再进行全连接操作， 从而构建得到时序 预测模型， 并利用时序预测模型输出预测值。 本 发明通过引入了时序数据的结构信息， 并对时序 数据时空特征进行充分提取， 在电力负荷预测领 域中具有提升预测精度的优点。 权利要求书3页 说明书8页 附图3页 CN 112884230 B 2022.05.24 CN 112884230 B 1.一种基于多元时间序列的电力负荷预测方法， 其特 征在于， 包括： 获取电力负荷预测过程中的时序原 始数据； 对所述时序原 始数据进行 预处理并得到时序样本数据； 构建所述 时序样本数据的变量之间的图结构， 根据 所述图结构获取每个变量的空间向 量表达， 根据每 个变量的空间向量表达构建第一特 征矩阵； 将所述第一特 征矩阵与所述时序样本数据进行 特征融合， 得到第二特 征矩阵； 对所述第二特征矩阵进行编码并输出待解码序列， 对所述待解码序列进行解码得到新 的特征序列； 对新的特征序列进行归一化操作， 并将归一化操作后的数据进行全连接， 构建得到时 序预测模型， 并利用所述时序预测模型输出 预测值； 其中， 所述根据所述图结构获取每个变量的空间向量表达， 根据每个变量的空间向量 表达构建第一特 征矩阵， 包括： 按如下公式获取 所述时序样本数据中每一变量的空间向量表达： 其中， A是时序样本数据的变量之间的图结构， I是单位矩阵； 表示 的度矩 阵； H(l)为l层的节点表示， H(0)为随机初始化的节点表示， W(l)表示权重矩阵， σ 表示sigmoid 函数； 根据得到的每一变量的空间向量表达构建所述第一特 征矩阵； 其中， 所述将所述第一特征矩阵与所述时序样本数据进行特征融合， 得到第二特征矩 阵， 包括： 将所述第一特 征矩阵输入sigmo id函数， 并按如下公式获取概 率向量： P＝σ(WG·G+bG)； 其中， G表示第一特 征矩阵， WG和bG是线性变换的两个训练参数； 按如下公式提取图结构信息： G′＝G·P； 其中G′表示经过门控机制提取后的图结构信息； 按如下公式将所述时序样本数据与图结构信息进行 特征融合； X′＝X+G′T； 其中， X′表示第二特 征矩阵； X表示第一特 征矩阵， G ′T表示G′的转置矩阵。 2.根据权利要求1所述的基于多元时间序列的电力负荷预测方法， 其特征在于， 对所述 时序原始数据进行 预处理并得到时序样本数据， 包括： 检测所述时序原 始数据的数据缺失量， 利用插值 算法或回归算法进行缺失值 填充； 对填充缺失值后的所述时序原 始数据进行 数据标准 化处理； 根据标准 化处理后的所述时序原 始数据得到时序样本数据。 3.根据权利要求1所述的基于多元时间序列的电力负荷预测方法， 其特征在于， 所述构 建所述时序样本数据的变量之间的图结构， 包括： 将所述时序样本数据的变量作为节点， 以及将变量之间的相似度作为节点之间的边， 并按如下公式计算变量之间的相似度， 以构建出 所述时序样本数据的变量之间的图结构： 权　利　要　求　书 1/3 页 2 CN 112884230 B 2其中， A[i， j]表示邻接矩阵中第i行第j列对应的元素； Ei为初始化的第i个节点的向量， Ej为初始化的第j个节点的向量， ||Ei||表示第i个节点的向量的模， ||Ej||表示第j个节点 的向量的模。 4.根据权利要求1所述的基于多元时间序列的电力负荷预测方法， 其特征在于， 所述对 所述第二特征矩阵进 行编码并输出待解码序列， 对所述待解码序列进 行解码得到新的特征 序列， 包括： 将所述第二特征矩阵的当前特征序列输入编码器， 按如下公式计算并得到每一所述当 前特征序列的查询向量、 键向量以及值向量： q： i＝x′i·WQuery k： i＝x′i·WKey v： i＝x′i·WValue； 其中， WQuery， WKey， WValue分别表示将当前特征序列x ′i映射为q： i， k： i， v： i的三个权重矩阵； Query表示 查询向量， K ey表示键向量， Value表示 值向量； 根据所述当前特征序列的查询向量、 键向量以及值向量进行相关性建模， 并按如下公 式计算并得到所述当前 特征序列所占取的权 重向量： α： i＝softmax(KT·q： i)； 其中， α： i表示权重向量， K表示输入的所有当前 特征序列的K ey组成的矩阵； 根据每一所述特征序列所占取的权重向量， 按如下公式计算并得到所述特征序列的向 量c： i： c： i＝V·α： i； 其中， V表示输入的所有当前 特征序列的Value组成的矩阵； 采用非缩放的多注意力机制进行多次计算并得到多个所述特征序列的向量c： i， 并将得 到的多个所述特 征序列的向量c： i进行拼接， 再进行线性变换后输出向量C； 按如下公式对向量C进行残差连接与归一 化处理并得到向量X ″： 其中， μ′表示向量C进行残差连接后的均值， σ ′表示向量C进行残差连接后的标准差制； 按如下公式对向量X ″进行训练并输出向量 其中， f1表示前馈神经网络的函数集 合， w1， w2， b1， b2为训练参数； 对向量 进行残差连接与归一 化处理并得到向量Z； 根据向量Z构建待解码序列； 按如下公式对所述待解码序列进行编码得到新的特 征序列ht： ht＝f2(ht‑1， Zt‑1)； 其中， f2表示双向LSTM结构的函数集合， Zt‑1表示所述待解码序列 中的第t‑1个特征对 应的向量。 5.根据权利要求1所述的基于多元时间序列的电力负荷预测方法， 其特征在于， 还包 括： 按如下公式计算损失函数， 以对所述时序预测模型进行参数 更新；权　利　要　求　书 2/3 页 3 CN 112884230 B 3