(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 202211282580.9 (22)申请日 2022.10.19 (71)申请人 西南交通大 学 地址 610000 四川省成 都市二环路北一段 (72)发明人 胡节　胡展傲　杜圣东　 (74)专利代理 机构 成都其知创新专利代理事务 所(普通合伙) 51326 专利代理师 舒春艳 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) H02J 3/00(2006.01) (54)发明名称 一种基于无监督对比学习的电力变压器负 荷预测方法及装置 (57)摘要 本发明公开一种基于无监督对比学习的电 力变压器负荷预测方法及装置， 包括： 数据获取 和预处理、 映射潜在空间、 分解趋势特征和季节 特征、 噪音去除、 对比学习训练和输出预测结果 这六个步骤， 采集变压器负荷数据， 用强/弱样本 方法改进正样本对的生成方式； 引入门控残差网 络单元， 提供自适应网络深度和 复杂性， 将向量 映射到潜在空间； 分解时序向量中的趋势特征和 季节特征， 同时去除噪音的影响； 借助动量编码 器， 采用对比学习的方式训练表征模型； 运用岭 回归， 通过已提取的时序向量征， 对电力变压器 的负荷进行预测； 根据预测结果， 分别计算平均 绝对误差和均方根误差。 该方法相较于现有 方法 具有稳定性好、 泛化性和鲁棒性强、 预测精度更 高等特点。 权利要求书3页 说明书8页 附图4页 CN 115545325 A 2022.12.30 CN 115545325 A 1.一种基于无监 督对比学习的电力变压器负荷预测方法， 其特 征在于， 包括以下步骤： S1、 数据获取和预处理： 从电力变压器的传感器中获取其历史负荷数据和对应的属性 信息数据， 构建电力变压器负荷的多变量序列数据集； 对所述历史负荷数据使用标准归一 化、 缩放、 移动和扰动相结合的方式进行 预处理； S2、 映射潜在空间： 将所述处理的电力变压器历史负荷数据通过门控残差网络单元， 由 超参数调整属性贡献度， 再映射到潜在的向量空间中； S3、 分解趋势特征和季节特征： 对所述潜在向量空间中的电力变压器历史负荷数据， 使 用连续的因果卷积做卷积操作， 分解序列中的趋势特征， 得到历史电力变压器负荷数据的 趋势特征向量； 同时又运用离散傅里叶变换， 将序列由时域转换到频域， 分解季节特征， 再 通过逆离 散傅里叶变换， 重新变换到时域中， 得到历史电力变压器负荷数据的季节特 征； S4、 噪音去除： 构造线性映射层， 将所述潜在向量空间中的电力变压器历史负荷数据， 分别减去提取的趋势特征和季节特征， 得到去除噪音向量后的电力变压器负荷序列的表征 向量； S5、 对比学习训练： 采用动量编码器的方式， 对所述历史电力变压器负荷数据的趋势特 征和季节特征进行融合， 使用对比损失函数衡量模 型训练过程中的损失值， 迭代训练， 直至 达到训练条件终止， 得到最后训练完成的表征模型； S6、 输出预测结果： 将电力变压器历史负荷数据划分为训练集、 验证集和测试数据集， 通过训练完成的表征模型， 使用岭回归， 预测未来时刻的电力变压器负荷。 2.根据权利要求1所述的一种基于无监督对比学习的电力变压器负荷预测方法， 其特 征在于， 所述 步骤S1的具体过程 为： 首先从电力 变压器的传感器中获取其历史负荷数据和对应的属性信 息数据， 构建电力 变压器负荷的多变量序列数据集； 其次对所述历史负荷数据采用标准归一化方法进行处 理； 再次使用缩放、 移动和扰动相结合的方式对电力变压器负荷数据进 行增强， 减小正样本 对的差距， 同时扩大正负 样本对之间的区别； 最后我们提取 出需要使用的特 征属性。 3.根据权利要求2所述的一种基于无监督对比学习的电力变压器负荷预测方法， 其特 征在于， 所述数据增强的计算公式为： xweak＝jitter(scale(xt)) xstrong＝jitter(shift(scale(xt))) 式中： xt表示原数据， scale、 shift和jitter分别表示数据的缩放、 移动和扰动操作， xstrong和xweak分别代表强/弱2种数据增强方式。 4.根据权利要求1所述的一种基于无监督对比学习的电力变压器负荷预测方法， 其特 征在于， 所述步骤S2中构建门控残差网络单元， 跳过架构中任何未使用的组件， 由可学习的 超参数矩阵和门控 装置调整不同属性数据的贡献度， 映射入潜在向量空间中。 5.根据权利要求1所述的一种基于无监督对比学习的电力变压器负荷预测方法， 其特 征在于， 所述 步骤S3中分解趋势特 征的计算公式为： 权　利　要　求　书 1/3 页 2 CN 115545325 A 2式中： i表示卷积层数， 2i表示第i层卷积核大小， 表示潜在 空间向量， 表示第层 的趋势特 征向量， V(T)表示分解趋势特 征得到的向量， L代 表卷积的总层数。 6.根据权利要求1所述的一种基于无监督对比学习的电力变压器负荷预测方法， 其特 征在于， 所述 步骤S3中分解季节特 征的计算公式为： 式中： 表示分解季节特征得到的向量， Vi,j,k和Bi,k代表线性单元层中的权重参数和 偏置参数， F和F‑1分别代表傅里叶变换和逆向傅里叶变换。 7.根据权利要求1所述的一种基于无监督对比学习的电力变压器负荷预测方法， 其特 征在于， 所述步骤S4中通过线性层将原始时间序列映射， 减去趋势和季节分解向量后， 得到 噪音向量， 最后再去除噪音向量得到 趋季节分解向量和趋势分解向量。 8.根据权利要求1所述的一种基于无监督对比学习的电力变压器负荷预测方法， 其特 征在于， 所述步骤S5中融合后的对比损失函数、 趋势对比损失函数和季节对比损失函数计 算公式为： 式中： Ltime、 Lphase和Ltime分别代表趋势分解的对比损失函数、 季节分解中的幅值和相位 的对比损失函数， |Fi,:|代表幅值的特征表示， φ(Fi,:)分别代表相位的特征表示， 表示 在一个中的数据增强后的样本， 而表示数据增强后的样本； α 是一个人为设定的超参 数， 用于平衡季节和趋势对总损失函数造成的影响。权　利　要　求　书 2/3 页 3 CN 115545325 A 3