(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 202210908282.X (22)申请日 2022.07.29 (71)申请人 金华电力设计院有限公司 地址 321017 浙江省金华市金衢路12 98号 申请人 国网浙江省电力有限公司金华供电 公司 (72)发明人 徐军岳　王守禧　张丽娜　杨运国　 叶泓炜　侯健生　蔡建军　陈梓翰　 王鹏　邹家阳　王千　黄俊威　 邱璐　龚丽　卢志俊　姚越　 (74)专利代理 机构 重庆博凯知识产权代理有限 公司 50212 专利代理师 张乙山 (51)Int.Cl. G06Q 10/04(2012.01)G06Q 50/06(2012.01) G06N 7/00(2006.01) H02J 3/00(2006.01) (54)发明名称 基于自适应在线学习的5G负荷预测方法 (57)摘要 本发明涉及5G负荷分布预测技术领域， 具体 涉及基于自适应在线学习的5G负荷预测方法， 包 括： 获取当前5G负荷和未来时段的温度数据； 将 当前5G负荷和未来时段的温度数据输入负荷预 测模型中， 输出未来时段的5G负荷预测概率分 布； 其中， 将带有时间特征的历史5G负荷和历史 温度数据输入过隐马尔可夫模型中学习生成负 荷预测模型， 并通过带有时间特征的当前5G负荷 和当前温度数据迭代更新负荷预测模型的模型 参数和状态变量； 将负荷预测模型输出的5G负荷 预测概率 分布作为5G负荷预测的结果。 本发明能 够充分考虑时间因素和环境因素对5G负荷的影 响， 从而能够提高5G负荷预测的准确性。 权利要求书3页 说明书8页 附图1页 CN 115222143 A 2022.10.21 CN 115222143 A 1.基于自适应在线学习的5G负荷预测方法， 其特 征在于， 包括： S1： 获取当前5G负荷和未来时段的温度数据； S2： 将当前5G负荷和未来时段的温度数据输入负荷预测模型中， 输出未来时段的5G负 荷预测概 率分布； 其中， 将带有时间特征的历史5G负荷和历史温度 数据输入过隐马尔可夫模型中学习生 成负荷预测模型， 并通过带有时间特征的当前5G负荷和当前温度数据迭代更新负荷预测模 型的模型参数和状态变量； S3： 将负荷预测模型输出的5G负荷预测概 率分布作为5G负荷预测的结果。 2.如权利要求1所述的基于自适应在线学习的5G负荷预测方法， 其特征在于： 步骤S2 中， 通过如下步骤生成负荷预测模型： S201： 获取历史5G负荷和历史温度数据； S202： 定义时间特征c(t)， 通过时间特征c(t)将历史5G负荷分类成工作日各个时刻的5G 负荷和休息日各个时刻的5G负荷； S203： 将经过分类的历史5G负荷、 历史温度数据和时间特征序列输入隐马尔可夫模型 中， 迭代计算预测模型参数与状态变量 参数； S204： 基于预测模型参数与状态变量 参数构建生成负荷预测模型。 3.如权利 要求2所述的基于自适应在线学习的5G负荷预测方法， 其特征在于： 步骤S202 中， 当时间特 征c(t)＝1,2,…,24时， 表示工作日各个时刻的5G负荷； 当时间特 征c(t)＝25,26, …,48时， 表示休息日各个时刻的5G负荷。 4.如权利 要求2所述的基于自适应在线学习的5G负荷预测方法， 其特征在于： 步骤S203 中， 在隐马尔可夫模型中， 每 一个时间特征c ＝c(t‑1)在给定t‑1时刻的5G负荷st‑1下， t时刻5G 负荷st的条件概 率分布服从均值 为 标准差为σs,c的正态分布， 即： 式中： p(st|st‑1)表示给定5G负荷st‑1时， 5G负荷st的条件概率分布； N表示t时刻5G负荷 st的正态分布函数； 表示历史5G负荷特征向量的转置， 上标T表示转置； ηs,c表示时间特征 c(t‑1)下p(st|st‑1)正态分布函数的期望系数矩阵； σs,c表示时间特征c(t‑1)下p(st|st‑1)正态 分布函数的方差 。 5.如权利 要求4所述的基于自适应在线学习的5G负荷预测方法， 其特征在于： 步骤S203 中， 在隐马尔可夫模型中， 对于每一个时间特征c＝c(t‑1)在给定t时刻温度数据rt下， t时刻 5G负荷st的条件概 率分布服从均值 为 标准差为σr,c的正态分布， 即： 权　利　要　求　书 1/3 页 2 CN 115222143 A 2式中： p(st|rt)表示给定温度数据 rt时， 5G负荷st的条件概率分布； N表示t时刻5G负荷st 的正态分布函数； 表示历史温度数据特征向量的转置， 上标T表 示转置； ηr,c表示时间特征 c(t‑1)下p(st|rt)正态分布函数的期望系数矩阵； σr,c表示时间特征c(t‑1)下p(st|rt)正态分布 函数的标准差； wt表示时刻t的温度数据； 表示时间特征c(t‑1)下历史温度数据的平均值； α1、 α2分别表示温度变化编码值； W1、 W2、 W3分别表示温度阈值。 6.如权利 要求5所述的基于自适应在线学习的5G负荷预测方法， 其特征在于： 步骤S204 中， 联合条件概 率分布p(st|st‑1)和p(st|rt)， 生成如下的负荷预测模型： vT＝[0,1]； 式中： 表示t+1时刻5G负荷预测 概率分布， 即未来时段的5G负荷预测概率分布； 表 示t时刻5G负荷预测概率分布， 即当前5G负荷； 表示历史5G负荷预测值特征向量； 表示 根据t+1时刻温度数据即未来时刻的温度数据计算得到的未来温度数据特征向量的转置； ηs,c表示时间特征c(t‑1)下p(st|st‑1)正态分布函数的期望系数矩阵； σr,c表示时间特征c(t‑1) 下p(st|rt)正态分布函数的标准差； σs,c表示时间特征c(t‑1)下p(st|st‑1)正态分布函数的方 差； ηr,c表示时间特征c(t‑1)下p(st|rt)正态分布函数的期望系数矩阵； vT表示转换向量； 分别表示t时刻和t+1时刻5G负荷预测正态分布方差 。 7.如权利要求6所述的基于自适应在线学习的5G负荷预测方法， 其特征在于： 对于条件 概率分布p(st|st‑1)和p(st|rt)， 通过如下最大化同一时间特征所有5G负荷的加权对数似然 算子来求解： 式中： Li表示对数似然算子； ηs,c表示时间特征c(t‑1)下p(st|st‑1)正态分布函数的期望系 数矩阵； σs,c表示时间特征c(t‑1)下p(st|st‑1)正态分布函 数的方差； ηr,c表示时间特征c(t‑1)下 p(st|rt)正态分布函数的期望系数矩阵； λ表示遗忘因子且0＜ λ＜1； N表示t时刻5G负荷st的 正态分布函数； 表示历史温度数据特征 向量的转置， 上标T表示转置； 表示历史5G负荷权　利　要　求　书 2/3 页 3 CN 115222143 A 3