(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 202111620939.4 (22)申请日 2021.12.27 (71)申请人 国网山东省电力公司无棣 县供电公 司 地址 251900 山东省滨州市无棣 县中心大 街109号 (72)发明人 戴亮　刘勇　杜长征　徐刚　 姚鹏程　房维民　李敏　刘杰　 曹新海　田志超　王冲　沃雪芹　 苏春晓　陈杰　王泽　梁高升　 孟强　高峰　 (74)专利代理 机构 济南舜源专利事务所有限公 司 37205 专利代理师 杨彬(51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 20/00(2019.01) H02J 3/00(2006.01) G06K 9/62(2022.01) (54)发明名称 一种基于机器学习的电力负荷预测系统及 方法 (57)摘要 本申请公开了一种基于机器学习的电力负 荷预测系统及方法， 主要涉及负荷预测技术领 域， 用以解决现有的负荷预测方法的预测精度不 高、 预测速度缓慢的技术问题。 包括： 数据处理模 块， 用于获取预设采集装置上传的第一负荷数 据； 以根据第一负荷数据的时间信息， 确定具有 时间特征序列的第二负荷数据； 其中， 时间特征 序列包括： 天气信息、 节假日信息以及日期信息； 数据分配模块， 用于根据预设匹配关系， 将第二 负荷数据传输至匹配的边缘计算模块； 边缘计算 模块， 用于对第二负荷数据进行字符串降维处 理， 以获得第三负荷数据； 基于预设循环神经网 络算法， 确定第三负荷数据对应的负荷预测结 果。 本申请通过上述方法提高了电力负荷的预测 精度。 权利要求书2页 说明书6页 附图1页 CN 114519452 A 2022.05.20 CN 114519452 A 1.一种基于 机器学习的电力负荷预测系统， 其特 征在于， 所述系统包括： 数据处理模块， 用于获取预设采集装置上传的第一负荷数据； 根据 所述第一负荷数据， 确定具有时间特征序列的第二负荷数据； 其中， 所述时间特征序列包括： 天气信息、 节假日 信息以及日期信息； 数据分配模块， 用于根据预设匹配关系， 将所述第二负荷数据传输至匹配的边缘计算 模块； 所述边缘计算模块， 用于对所述第二负荷数据进行字符串降维处理， 以获得Int类型的 第三负荷数据； 基于预设循环神经网络算法， 确定所述第三负荷数据对应的负荷预测结果。 2.根据权利要求1所述的基于机器学习的电力负荷预测系统， 其特征在于， 所述系统还 包括： 算法更新模块， 用于根据若干历史负荷数据以及高斯混合模型， 聚类获得训练负荷数 据； 将所述训练负荷数据输入所述预设循环神经网络算法， 以完成预设循环神经网络算法 的训练。 3.根据权利要求1所述的基于机器学习的电力负荷预测系统， 其特征在于， 所述数据处 理模块包括数据获取 单元以及数据处 理单元； 所述数据获取 单元， 用于获取 预设采集装置上传的第一负荷数据； 所述数据处理单元， 用于将第一负荷数据中字符串类型的时间戳转换成时间； 根据预 设时间函数， 将时间转换为具有年、 月、 日、 星期的所述日期信息； 根据第一负荷数据以及预 设爬取代码， 获取第一负荷数据对应的原始天气信息以及原始节假日信息； 根据预设并行 聚类算法以及预设格式转换算法， 对所述原始天气信息以及所述原始节假日信息进行预处 理， 以获得格式统一的所述天气信息以及所述节假日信息 。 4.根据权利要求1所述的基于机器学习的电力负荷预测系统， 其特征在于， 所述数据分 配模块包括： 检测分配单 元以及数据传输单 元； 所述检测分配单元， 用于根据预设匹配关系， 确定第二负荷数据对应的第一边缘计算 模块以及若干待选边缘计算模块； 当所述第一边缘计算模块对应的等待处理数量小于预设 数量阈值时， 确定第一边缘计算模块为所述匹配的边缘计算模块； 当所述第一边缘计算模 块对应的等待处理数量大于或等于预设数量阈值时， 根据预设未超时比例值计算公式： 其中， Q为未超时比例值、 gi为超时次数； 确定若干若 干待选边 缘计算模块中未超时比例值 最大的待选边 缘计算模块 为匹配的边 缘计算模块； 数据传输单 元， 用于将第二负荷数据传输 至匹配的边 缘计算模块。 5.根据权利要求1所述的基于机器学习的电力负荷预测系统， 其特征在于， 所述边缘计 算模块包括数据降维单 元以及神经网络预测单 元； 所述数据降维单元， 用于将第二负荷数据中的天气信息、 节假日信息以及日期信息进 行数值化处理， 将由字符串组成的第二负荷数据转换为由I nt数据组成的第三负荷数据； 所述神经网络预测单元， 用于根据预设循环神经网络算法， 确定所述第三负荷数据对 应的负荷预测结果。 6.一种基于 机器学习的电力负荷预测方法， 其特 征在于， 所述方法包括： 服务器获取预设采集装置上传的第一负荷数据； 根据所述第一负荷数据， 确定具有时权　利　要　求　书 1/2 页 2 CN 114519452 A 2间特征序列的第二负荷数据； 其中， 所述时间特征序列包括： 天气信息、 节假日信息以及日 期信息； 服务器根据预设匹配关系， 将所述第二负荷数据传输 至匹配的边 缘计算设备； 边缘计算设备对所述第二负荷数据进行字符串降维处理， 以获得Int类型的第三负荷 数据； 基于预设循环神经网络算法， 确定所述第三负荷数据对应的负荷预测结果。 7.根据权利要求6所述的基于机器学习的电力负荷预测方法， 其特征在于， 所述方法还 包括： 所述边缘计算设备根据若干历史负荷数据以及高斯混合模型， 聚类获得训练负荷数 据； 将所述训练负荷数据用输入所述预设循环神经网络算法， 以完成预设循环神经网络算 法的训练。 8.根据权利要求6所述的基于机器学习的电力负荷预测方法， 其特征在于， 服务器获取 预设采集装置上传的第一负荷数据； 根据所述第一负荷数据， 确定具有时间特征序列的第 二负荷数据， 具体包括： 获取预设采集装置上传的第一负荷数据； 将第一负荷数据中的字符串类型的时间戳转换成时间； 根据预设时间函数， 将时间转 换为具有年、 月、 日、 星期的日期信息； 根据第一负荷数据以及预设爬取代码， 获取第一负荷 数据对应的原始天气信息以及原始节假日信息； 根据预设并行聚类算法以及预设格式转换 算法， 对所述原始天气信息以及所述原始节假日信息进行预处理， 以获得格式统一的天气 信息以及节假日信息 。权　利　要　求　书 2/2 页 3 CN 114519452 A 3