[发明专利]短期负荷预测方法、短期负荷预测模型训练方法及装置

权利要求书

1.一种短期负荷预测方法，其特征在于，包括：

获取待预测数据，所述待预测数据包括负荷时序数据和影响因素数据；

基于所述负荷时序数据和已训练的预测模型中的长短期记忆网络，获取第一负荷时序特征；

基于所述影响因素数据和已训练的预测模型中的全连接网络，获取影响因素特征；

基于所述第一负荷时序特征、所述影响因素特征和所述已训练的预测模型中的输出网络，获取所述待预测数据对应的短期负荷预测结果。

2.根据权利要求1所述短期负荷预测方法，其特征在于，所述长短期记忆网络包括第一长短期记忆网络层和第二长短期记忆网络层，则所述获取第一负荷时序特征，包括：

将所述负荷时序数据输入所述第一长短期记忆网络层，获取第二负荷时序特征；

将所述第二负荷时序特征输入所述第二长短期记忆网络层，获取第一负荷时序特征。

3.根据权利要求1所述的短期负荷预测方法，其特征在于，所述负荷时序数据包括时刻负荷时序数据，日负荷时序数据和周负荷时序数据。

4.根据权利要求3所述的短期负荷预测方法，其特征在于，所述长短期记忆网络包括第一长短期记忆网络，第二长短期记忆网络和第三长短期记忆网络，则所述获取第一负荷时序特征，包括：

将所述时刻负荷时序数据输入已训练的预测模型中的所述第一长短期记忆网络，获取时刻负荷时序特征；

将所述日负荷时序数据输入已训练的预测模型中的所述第二长短期记忆网络，获取日负荷时序特征；

将所述周负荷时序数据输入已训练的预测模型中的所述第三长短期记忆网络，获取周负荷时序特征；

基于所述时刻负荷时序特征、所述日负荷时序特征和所述周负荷时序特征，获取第一负荷时序特征。

5.根据权利要求1所述的短期负荷预测方法，其特征在于，所述全连接网络包括第一全连接网络层和第二全连接网络层，则所述获取影响因素特征，包括：

将所述影响因素数据输入所述已训练的预测模型中所述第一全连接网络层，获取编码因素特征；

将所述编码因素特征输入所述已训练的预测模型中所述第二全连接网络层，获取影响因素特征。

6.一种短期负荷预测模型训练方法，其特征在于，

获取负荷时序训练数据和影响因素训练数据；

根据所述负荷时序训练数据训练预测模型中的长短期记忆网络，所述长短期记忆网络用于获取负荷时序特征；

根据所述影响因素训练数据训练所述预测模型中的全连接网络，所述全连接网络用于获取影响因素特征；

根据所述负荷时序特征、所述影响因素特征和所述负荷时序训练数据训练所述预测模型中的输出网络，所述输出网络用于输出短期负荷预测结果。

7.一种短期负荷预测装置，其特征在于，包括：

数据获取模块，用于获取待预测数据，所述待预测数据包括负荷时序数据和影响因素数据；

时序特征获取模块，用于基于所述负荷时序数据和已训练的预测模型中的长短期记忆网络，获取第一负荷时序特征；

因素特征获取模型，用于基于所述影响因素数据和已训练的预测模型中的全连接网络，获取影响因素特征；

预测结果获取模块，用于基于所述第一负荷时序特征、所述影响因素特征和所述已训练的预测模型中的输出网络，获取所述待预测数据对应的短期负荷预测结果。

8.一种短期负荷预测模型的训练装置，其特征在于，包括：

训练数据获取模块，用于获取负荷时序训练数据和影响因素训练数据；

记忆网络训练模块，用于根据所述负荷时序训练数据训练预测模型中的长短期记忆网络，所述长短期记忆网络用于获取负荷时序特征；

连接网络训练模块，用于根据所述影响因素训练数据训练所述预测模型中的全连接网络，所述全连接网络用于获取影响因素特征；

输出网络训练模块，用于根据所述负荷时序特征、所述影响因素特征和所述负荷时序训练数据训练所述预测模型中的输出网络，所述输出网络用于输出短期负荷预测结果。