(19)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 202210828776.7 (22)申请日 2022.07.15 (71)申请人 石家庄科林电气股份有限公司 地址 050222 河北省石家庄市红旗大街 南 降壁路段 申请人 石家庄科林云能信息科技有限公司 (72)发明人 张奎仲　常生强　张向平　刘海涛　 袁玉宝　冯新民　薛晨亮　杜晓刚　 于帅　申慧宁　 (74)专利代理 机构 河北国维致远知识产权代理 有限公司 13137 专利代理师 秦敏华 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于记忆网络电力负荷预测方法、 装置、 终 端及存储介质 (57)摘要 本发明提供了基于记忆网络电力负荷预测 方法、 装置、 终端及存储介质， 该方法包括： 获取 影响目标区域用电负荷的多个影 响因素； 根据目 标区域的历史数据获取多个样 本， 每个样本的输 入参数为一个自然日中多个影 响因素的值， 输出 参数为该自然日的用电负荷的值； 根据多个样本 的输入参数对多个样本进行聚类， 得到多个子 集； 依次通过每个子集对LSTM网络进行训练， 得 到每个子集对应的预测模型； 根据待预测日的多 个影响因素的值， 计算待预测日所属的子集， 将 待预测日所属的子集作为目标子集； 根据目标子 集的预测模型， 获取待预测日的用电负荷预测 值。 本发明能够实现目标区域用电负荷的精准预 测。 权利要求书2页 说明书10页 附图3页 CN 114912720 A 2022.08.16 CN 114912720 A 1.一种基于记 忆网络电力负荷预测方法， 其特 征在于， 包括： 获取影响目标区域用电负荷的多个 影响因素； 根据目标区域的历史数据获取多个样本， 每个样本的输入参数为一个自然日中所述多 个影响因素的值， 输出参数为该自然日的用电负荷的值； 根据所述多个样本的输入参数对所述多个样本进行聚类， 得到多个子集； 依次通过每 个子集对LSTM网络进行训练， 得到每 个子集对应的预测模型； 根据待预测日的所述多个影响因素的值， 计算所述待预测日所属的子集， 将所述待预 测日所属的子集作为目标子集； 根据所述目标子集的预测模型， 获取 所述待预测日的用电负荷预测值。 2.根据权利要求1所述的基于记忆网络电力负荷预测方法， 其特征在于， 在获取影响目 标区域的用电负荷的多个 影响因素之前， 该 方法还包括： 确定影响用电负荷的 m个影响因素， m为正整数； 针对任一区域， 根据 该区域的历史数据， 获取所述 m个影响因素中每个影响因素与用电 负荷的相关系数； 选取相关系数大于等于第 一预设阈值的所有影响因素， 作为该区域对应的多个影响因 素， 或者， 按照降序对所述 m个影响因素的相关系 数进行排序， 获取排序结果中前第一预设 数量的影响因素， 作为该区域对应的多个 影响因素； 针对任一 区域， 在数据库中建立该区域的唯一标识与 该区域对应的多个影响因素的唯 一映射关系。 3.根据权利要求2所述的基于记忆网络电力负荷预测方法， 其特征在于， 所述获取影响 目标区域用电负荷的多个 影响因素包括： 获取所述目标区域的唯一标识； 根据所述目标区域的唯一标识， 在所述数据库中获取所述目标区域对应的多个影响因 素。 4.根据权利要求1至3任一项所述的基于记忆网络电力负荷预测方法， 其特征在于， 所 述根据所述目标子集的预测模型， 获取 所述待预测日的用电负荷预测值包括： 根据输入参数计算所述目标子集中每 个样本与所述待预测日的灰色 关联度； 根据所述目标子集中每个样本与 所述待预测日的灰色关联度， 判断所述目标子集中与 所述待预测日的灰色 关联度大于等于第二预设阈值的样本数量是否大于等于预设百分比； 若所述目标子集中与所述待预测日的灰色关联度大于等于第二预设阈值的样本数量 大于等于预设百分比， 则将所述待预测日 的多个影响因素的值输入所述目标子集的预测模 型， 得到第一预测值， 将所述第一预测值作为所述待预测日的用电负荷预测值。 5.根据权利要求4所述的基于记忆网络电力负荷预测方法， 其特征在于， 该方法还包 括： 若所述目标子集中与所述待预测日的灰色关联度大于等于第二预设阈值的样本数量 小于预设百分比， 则 在所有样本中获取所有与所述待 预测日的灰色关联度大于等于所述第 二预设阈值的样本， 对所述 LSTM网络进行训练， 得到第一 修正预测模型； 将所述待预测日的多个 影响因素的值输入所述第一 修正预测模型， 得到第二预测值； 根据所述第一预测值和所述第二预测值， 得到所述待预测日的用电负荷预测值。权　利　要　求　书 1/2 页 2 CN 114912720 A 26.根据权利要求5所述的基于记忆网络电力负荷预测方法， 其特征在于， 所述根据 所述 第一预测值和所述第二预测值， 得到所述待预测日的用电负荷预测值包括： 根据预设公式计算所述待预测日的用电负荷预测值， 所述预设公式为 式中， 为所述待预测日的用电负荷预测值， 为所述第一预测值， 为所述第二预测 值， 为第一预设阈值， 为第二预设阈值， 。 7.根据权利要求4所述的基于记忆网络电力负荷预测方法， 其特征在于， 该方法还包 括： 若所述目标子集中与所述待预测日的灰色关联度大于等于第二预设阈值的样本数量 小于预设百分比， 则 在所述目标子集中获取所有与所述待 预测日的灰色关联度大于等于所 述第二预设阈值的样本， 对所述 LSTM网络进行训练， 得到第二 修正预测模型； 将所述待预测日的多个影响因素的值输入所述第二修正预测模型， 得到第三预测值， 将所述第三预测值作为所述待预测日的用电负荷预测值。 8.一种基于记忆网络电力负荷预测装置， 其特征在于， 包括影响因素确定模块、 样本获 取模块、 聚类模块、 训练模块和预测模块； 所述影响因素确定模块， 用于获取影响目标区域用电负荷的多个 影响因素； 所述样本获取模块， 用于根据目标区域的历史数据获取多个样本， 每个样本的输入参 数为一个自然日中所述多个 影响因素的值， 输出参数为该自然日的用电负荷的值； 所述聚类模块， 用于根据所述多个样本的输入参数对所述多个样本进行聚类， 得到多 个子集； 所述训练模块， 用于依次通过每个子集对LSTM网络进行训练， 得到每个子集对应的预 测模型； 所述聚类模块， 还用于根据待预测日的所述多个影响因素的值， 计算所述待预测日所 属的子集， 将所述待预测日所属的子集作为目标子集； 所述预测模块， 用于根据所述目标子集的预测模型， 获取所述待预测日的用电负荷预 测值。 9.一种终端， 包括存储器、 处理器以及存储在所述存储器中并可在所述处理器上运行 的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如上的权利要求1至7 中任一项所述基于记 忆网络电力负荷预测方法的步骤。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 其特征在 于， 所述计算机程序被处理器执行时实现如上的权利要求 1至7中任一项 所述基于记忆网络 电力负荷预测方法的步骤。权　利　要　求　书 2/2 页 3 CN 114912720 A 3