(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 202111489634.4 (22)申请日 2021.12.08 (71)申请人 中国华能集团有限公司江西分公司 地址 330038 江西省南昌市红谷滩新区庐 山南大道369 号铜锣湾广场写字楼38- 39层 (72)发明人 田禾　周奕　许英坚　王鑫　 卢怀钿　温志华　万常洪　杨伟康　 彭岳星　张迎冰　 (74)专利代理 机构 北京睿博行远知识产权代理 有限公司 1 1297 代理人 李晓波 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01)G06N 3/08(2006.01) G06N 3/04(2006.01) H02J 3/00(2006.01) (54)发明名称 一种区域火力发电量中长期预测方法和系 统 (57)摘要 本发明公开了一种区域火力发电量中长期 预测方法和系统， 该方法包括： 基于预设相关性 分析算法对区域电力历史数据和关联因素历史 数据进行相关性分析并确定预设数量的关键影 响要素； 根据区域电力历史数据和关键影响要素 的历史数据生成样本数据， 并将样 本数据分割为 训练集、 测试集和校验集； 根据空间注意力模块、 时间注意力模块和预测模块构建基于空时注意 力机制的预测模 型； 基于样本数据训练基于空时 注意力机制的预测模型， 训练完成后得到目标预 测模型； 基于目标预测模型预测出未来预设时长 的火力发电量预测值， 从而实现可靠的对区域火 力发电量进行中长期预测， 降低了火电企业的运 营风险。 权利要求书3页 说明书10页 附图5页 CN 114418168 A 2022.04.29 CN 114418168 A 1.一种区域火力发电量中长期预测方法， 其特 征在于， 所述方法包括： 基于预设相关性分析算法对区域电力历史数据和关联因素历史数据进行相关性分析 并确定预设数量的关键影响要素； 根据所述 区域电力历史数据和所述关键影响要素的历史数据生成样本数据， 并将所述 样本数据分割为训练集、 测试集和校验集； 根据空间注意力模块、 时间注意力模块和预测模块构建基于空时注意力 机制的预测模 型； 基于所述样本数据训练所述基于空时注意力 机制的预测模型， 训练完成后得到目标预 测模型； 基于所述目标 预测模型 预测出未来预设时长的火力发电量预测值； 其中， 所述空间注意力模块用于基于空间注意力 机制抽取目标类型电量与火力发电量 的关联关系， 所述时间注意力模块用于将火力发电量作为用电量缺口并基于时间注意力机 制抽取各所述关键影响要 素与火力发电量的关联关系， 所述目标类型电量包括区域社会总 用电量、 风力发电量、 水力发电量、 光伏发电量、 天然气发电量和核能发电量， 所述用电量缺 口＝区域社会总用电量+外销电量 ‑风力发电量 ‑水力发电量 ‑光伏发电量 ‑天然气发电量 ‑ 核能发电量 ‑外购电量。 2.如权利要求1所述的方法， 其特征在于， 基于所述样本数据训练所述基于空时注意力 机制的预测模型， 具体为： 基于所述样本数据对所述空间注意力模块进行第一阶段训练； 基于所述样本数据和所述空间注意力模块的输出对所述时间注意力模块和所述预测 模块进行第二阶段训练； 基于所述样本数据的累积对所述基于空时注意力机制的预测模型进行优化； 其中， 所述第一阶段训练和所述第二阶段训练分别进行 预设次数的迭代。 3.如权利要求2所述的方法， 其特征在于， 所述空间注意力模块包括第 一空间注意力网 络、 第一LSTM网络、 第二空间注 意力网络和第二LSTM网络， 基于所述样 本数据对 所述空间注 意力模块进行第一阶段训练， 具体为： 将第一组矢量和第一组状态矢量输入所述第一空间注意力网络并使所述第一空间注 意力网络的输出 连接所述第一 LSTM网络； 将所述第一LSTM网络输出的第二组状态矢量、 以及历史火力发电量和第三组状态矢量 输入所述第二空间注 意力网络， 并使 所述第二空间注意力网络的输出连接所述第二LSTM网 络， 并得到所述第二 LSTM网络 输出的第四组状态矢量； 在完成所述预设次数的迭代后生成与第四组状态矢量对应的第一阶段状态矢量； 其中， 所述第一组矢量是根据预设历史时长内所有所述关键影响要素生成的， 所述第 一组状态矢量在首次迭代时为随机产生并在之后的迭代中根据所述第二组状态矢量反馈 得到， 所述第三组状态矢量在首次迭代时为随机产生并在之后的迭代中根据所述第四组状 态矢量反馈得到 。 4.如权利要求3所述的方法， 其特征在于， 所述 时间注意力模块和所述预测模块由时间 注意力网络、 第三LSTM网络和全连接层构成， 基于所述样本数据和所述空间注意力模块的 输出对所述时间注意力模块和所述预测模块进行第二阶段训练， 具体为：权　利　要　求　书 1/3 页 2 CN 114418168 A 2将所述第一阶段状态矢量、 第五组状态矢量输入所述时间注意力网络， 并使所述时间 注意力网络的输出 连接所述第三 LSTM网络， 并将历史火力发电量输入所述第三 LSTM网络； 将所述第三LSTM网络输出的第六组状态矢量输入所述全连接层， 并基于所述全连接层 进行非线性加权后输出火力发电量预测值； 按所述预设次数进行迭代； 其中， 所述第五组状态矢量在首次迭代时为随机产生并在 之后的迭代中根据 所述第六 组状态矢量反馈得到 。 5.如权利要求4所述的方法， 其特征在于， 所述预设次数为3， 所述预设数量为10， 所述 预设历史时长为3个月 ， 所述第一组矢量的维数为30， 所述第一组状态矢量、 所述第二组状 态矢量、 所述第三组状态矢量、 所述第四组状态矢量、 所述第一阶段状态矢量、 所述第五组 状态矢量、 所述第六组状态矢量的维数为64， 历史火力发电量的维数为1， 每次迭代对应不 同月份的历史火力发电量， 所述未来预设时长为未来1个月。 6.如权利要求1所述的方法， 其特征在于， 所述关键影响要素包括区域社会总用电量、 风力发电量、 水力发电量、 光伏发电量、 核能发电量、 天然气发电量、 GD P、 人口、 气温和日期。 7.如权利要求1所述的方法， 其特征在于， 所述区域电力历史数据包括各类用电量指标 数据、 各类型发电量数据、 电网统调电量、 电网非统调电量、 外购电量和外销电量， 所述关联 因素历史数据包括区域社会经济发展指标数据、 区域气候与环境数据、 各发电类型 的发电 容量数据。 8.如权利要求1所述的方法， 其特征在于， 根据所述 区域电力历史数据和所述关键影响 要素的历史数据生成样本数据， 具体为 对所述区域电力历史数据和所述关键影响要素的历史数据进行预处理， 并将各类电力 数据与各关键影响要素对齐后生成所述样本数据； 其中， 所述预处 理包括数据清洗、 缺失值处 理、 量化编码和规整化。 9.一种区域火力发电量中长期预测系统， 其特 征在于， 所述系统包括： 关键影响要素确定模块， 用于基于预设相关性分析算法对区域电力历史数据和关联因 素历史数据进行相关性分析并确定预设数量的关键影响要素； 样本生成模块， 用于根据所述 区域电力历史数据和所述关键影响要素的历史数据生成 样本数据， 并将所述样本数据分割为训练集、 测试集和校验集； 模型构建模块， 用于基于空间注意力模块、 时间注意力模块和预测模块构建基于空时 注意力机制的预测模型； 模型训练模块， 用于基于所述样本数据训练所述基于空时注意力机制的预测模型， 训 练完成后得到目标 预测模型； 预测模块， 用于基于所述目标 预测模型 预测出未来预设时长的火力发电量预测值； 其中， 所述空间注意力模块用于基于空间注意力 机制抽取目标类型电量与火力发电量 的关联关系， 所述时间注意力模块用于将火力发电量作为用电量缺口并基于时间注意力机 制抽取各所述关键影响要 素与火力发电量的关联关系， 所述目标类型电量包括区域社会总 用电量、 风力发电量、 水力发电量、 光伏发电量、 天然气发电量和核能发电量， 所述用电量缺 口＝区域社会总用电量+外销电量 ‑风力发电量 ‑水力发电量 ‑光伏发电量 ‑天然气发电量 ‑ 核能发电量 ‑外购电量。权　利　要　求　书 2/3 页 3 CN 114418168 A 3