(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 202211330610.9 (22)申请日 2022.10.27 (71)申请人 南方电网数字电网研究院有限公司 地址 510700 广东省广州市黄埔区中新广 州知识城 亿创街1号 406房之86 (72)发明人 罗敏　周尚礼　李鹏　赵伟　 郭杨运　向睿　赖雨辰　杨景旭　 陈敏娜　杜锦阳　 (74)专利代理 机构 华进联合专利商标代理有限 公司 44224 专利代理师 胡雪 (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) H02J 3/00(2006.01) (54)发明名称 一种基于神经网络和特征筛选的用电负荷 模型训练方法 (57)摘要 本申请涉及一种基于神经网络和特征筛选 的用电负荷模型训练方法。 方法包括： 获取训练 样本数据； 获取针对各候选用电特征组合对应的 特征选择变量， 并采用梯度下降的方法， 从各候 选用电特征 组合中筛选出目标用电特征组合； 将 目标用电特征组合输入至待训练的电力负荷预 测模型中， 得到用户用电负荷预测数据； 基于用 户用电负荷预测数据和目标用电特征组合所对 应的用户用电负荷样本数据之间的差异， 获取待 训练的电力负荷预测模型对应的模 型损失值； 根 据模型损失值调整待训练的电力负荷预测模型 的模型参数， 直至模型损失值低于预设阈值， 将 模型参数调整后的待训练的电力负荷预测模型 作为训练好的电力负荷预测模型。 本方法能提高 用户用电负荷预测的精度。 权利要求书2页 说明书15页 附图8页 CN 115392594 A 2022.11.25 CN 115392594 A 1.一种基于神经网络和特征筛选的用电负荷模型训练方法， 其特征在于， 所述方法包 括： 获取训练样本数据； 所述训练样本数据包括至少一个用户用电负荷样本数据， 以及， 各 所述用户用电负荷样本数据对应的各候选用电特 征组合； 获取针对各所述候选用电特征组合对应的特征选择变量， 并采用 梯度下降的方法， 从 各所述候选用电特 征组合中筛 选出目标用电特 征组合； 将所述目标用电特征组合输入至待训练的电力负荷预测模型中， 得到用户用电负荷预 测数据； 基于所述用户用电负荷预测数据和所述目标用电特征组合所对应的用户用电负荷样 本数据之间的差异， 获取 所述待训练的电力负荷预测模型对应的模型损失值； 根据所述模型损失值调整所述待训练 的电力负荷预测模型的模型参数， 直至所述模型 损失值低于预设阈值， 将所述模型参数调整后的待训练的电力负荷预测模 型作为训练好的 电力负荷预测模型。 2.根据权利要求1所述的方法， 其特征在于， 所述获取针对各所述候选用电特征组合对 应的特征选择变量， 并采用梯度下降的方法， 从各所述候选用电特征组合中筛选出目标用 电特征组合， 包括： 对各所述用户用电负荷样本数据， 以及各所述用户用电负荷样本数据对应的候选用电 特征组合开展亚线性拟合， 得到亚线性拟合结果； 根据所述亚线性拟合结果和所述训练样本数据进行残差计算， 得到所述亚线性拟合结 果对应的残差值； 基于所述候选用电特征组合对应的特征选择变量， 按照所述残差值所指示的梯度 下降 方向， 在各 所述候选用电特 征组合， 筛 选出所述目标用电特 征组合。 3.根据权利要求2所述的方法， 其特征在于， 所述根据所述亚线性拟合结果和所述训练 样本数据进行残差计算， 得到所述 亚线性拟合结果对应的残差值， 包括： ； 其中， s为所述特征选择变量{0， 1}D， y为所述用户用电负荷样本数据， yT为所述用户用 电负荷样本数据的转置， N 为所述目标用电特 征组合的数量， x ’为所述目标用电特 征组合。 4.根据权利要求2所述的方法， 其特征在于， 在所述根据 所述亚线性拟合结果和所述训 练样本数据进行残差计算， 得到所述 亚线性拟合结果对应的残差值的步骤之后， 还 包括： 在所述残差值大于所述预设的阈值的情况下， 则调整所述亚线性拟合的方法对应的拟 合参数； 基于已调整的所述拟合参数， 返回执行所述对各所述用户用电负荷样本数据， 以及各 所述用户用电负荷样本数据对应的候选用电特征 组合开展亚线性拟合， 得到亚线性拟合结 果的步骤； 直至在所述残差值小于或者 等于所述预设的阈值的情况 下， 输出所述残差值。权　利　要　求　书 1/2 页 2 CN 115392594 A 25.根据权利要求1至4任意一项所述的方法， 其特征在于， 在所述将所述目标用电特征 组合输入至待训练的电力负荷预测模型中， 得到用户用电负荷预测数据的步骤之前， 还包 括： 对原始电力负荷预测模型的网络参数进行初始化， 得到所述待训练的电力负荷预测模 型。 6.一种基于神经网络和特征梯度筛选的用电负荷预测方法， 其特征在于， 所述方法包 括： 获取训练好的电力负荷预测模型； 所述训练好的电力负荷预测模型为根据如权利要求 1至5中任一项所述基于神经网络和特 征筛选的用电负荷模型训练方法训练得到的； 获取至少一个待预测用电特 征组合； 将所述待预测用电特征组合输入至所述训练好的电力负荷预测模型中， 得到各预测用 户用电负荷数据； 各 所述预测用户用电负荷数据对应的各 所述待预测用电特 征组合。 7.一种基于神经网络和特征筛选的用电负荷模型训练装置， 其特征在于， 所述装置包 括： 样本数据获取模块， 用于获取训练样本数据； 所述训练样本数据包括至少一个用户用 电负荷样本数据， 以及， 各 所述用户用电负荷样本数据对应的各候选用电特 征组合； 特征组合得到模块， 用于获取针对各所述候选用电特征组合对应的特征选择变量， 并 采用梯度下降的方法， 从各 所述候选用电特 征组合中筛 选出目标用电特 征组合； 预测数据得到模块， 用于将所述目标用电特征组合输入至待训练 的电力负荷预测模型 中， 得到用户用电负荷预测数据； 损失值获取模块， 用于基于所述用户用电负荷预测数据和所述目标用电特征组合所对 应的用户用电负荷样本数据之 间的差异， 获取所述待训练的电力负荷预测模型对应的模型 损失值； 预测模型得到模块， 用于根据 所述模型损失值调整所述待训练 的电力负荷预测模型的 模型参数， 直至所述模型损失值低于预设阈值， 将所述模型参数调整后的待训练的电力负 荷预测模型作为训练好的电力负荷预测模型。 8.一种基于神经网络和特征梯度筛选的用电负荷预测装置， 其特征在于， 所述装置包 括： 预测模型获取模块， 用于获取训练好的 电力负荷预测模型； 所述训练好的 电力负荷预 测模型为根据如权利要求1至5中任一项所述基于神经网络和特征筛选的用电负荷模型训 练方法训练得到的； 用电特征组合获取模块， 用于获取至少一个待预测用电特 征组合； 用户用电负荷数据得到模块， 将所述待预测用电特征组合输入至所述训练好的电力负 荷预测模型中， 得到各预测用户用电负荷数据； 各所述预测用户用电负荷数据对应的各所 述待预测用电特 征组合。 9.一种计算机设备， 包括存储器和处理器， 所述存储器存储有计算机程序， 其特征在 于， 所述处 理器执行所述计算机程序时实现权利要求1至 6中任一项所述的方法的步骤。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现权利要求1至 6中任一项所述的方法的步骤。权　利　要　求　书 2/2 页 3 CN 115392594 A 3