(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111487222.7 (22)申请日 2021.12.08 (65)同一申请的已公布的文献号 申请公布号 CN 113919600 A (43)申请公布日 2022.01.11 (73)专利权人 国网湖北省电力有限公司经济技 术研究院 地址 430077 湖北省武汉市武昌区水果湖 街徐东路47号 (72)发明人 侯婷婷　方仍存　杨东俊　颜玉林　 张维　唐金锐　汪致洵　贺兰菲　 雷何　杨洁　桑子夏　 (74)专利代理 机构 武汉市首臻知识产权代理有 限公司 42 229 代理人 章辉 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06K 9/62(2022.01)(56)对比文件 CN 104820876 A,2015.08.0 5 CN 112330078 A,2021.02.0 5 CN 112070268 A,2020.12.1 1 CN 112784792 A,2021.0 5.11 CN 112396225 A,2021.02.23 CN 112990597 A,2021.0 6.18 CN 109214575 A,2019.01.15 US 10636045 B2,2020.04.28 US 10709342 B2,2020.07.14 尚佳玉.基 于小波分解与LSTM网络的短期电 力负荷预测研究. 《中国优秀硕士学位 论文全文 数据库》 .2021,(第4期), Maryam Iman i等.Lagged Load Wavelet Decompositi on and LSTM Netw orks for Short-Term L oad Forecasti ng. 《2019 4th Internati onal Conference o n Pattern Recognition and Ima ge Analysis (IPRIA)》 .2019, 审查员 戴琳曼 (54)发明名称 一种居民负荷超短期预测方法 (57)摘要 一种居民负荷 超短期预测方法， 包括以下步 骤： S1、 获取居民用电负荷 日历史用电数据， 基 于日前 个时段的每日用电数据进行聚类 分析， 得到 类负荷用电数据， 与待测日同一类 别的负荷用电数据即为相似日类群， 记为 ； S2、 选取与待测日同一类别的负荷用电数据进行 小波分解， 分解得到 、 和 三个分量； S3、 对 、 和 三个分量用LSTM进行训练， 分别 得到待测日三个分量的预测结果 、 和 ， 将三个分量的预测结果叠加得到待测 日的预测结果。 本设计有效提高了单户居民用电 负荷超短期预测的精度。 权利要求书3页 说明书12页 附图5页 CN 113919600 B 2022.04.01 CN 113919600 B 1.一种居民负荷超短期预测方法， 其特 征在于， 该 方法包括以下步骤： S1、 获取居民用电负荷D日历史用电数据， 基于日前now个时段的每日用电数据进行聚 类分析， 得到N类负荷用电数据， 与待测日同一类别的负荷用电数据即为相似 日类群， 记为 CO； 具体包括以下步骤： S11、 日前now个时段的每日用电数据为： 上式中， Pday为一整天的用电负荷功率序列， Pday′为日前now个时段的用电负荷功率序 列， pn为第n个时段的用电负荷功率； S12、 基于日前n ow个时段的每日用电数据进行OPTICS聚类分析； 聚类分析中， 任意两日的用电数据的距离使用正数化皮尔逊系数P+代表， 如下所示： P+＝1‑Pab 上式中， Pab为a日和b日的用电负荷的皮尔逊系数， Pdayai′和Pdaybi′分别为a日和b日的i 时刻的负荷功率 值； S13、 聚类分析 得到的结果 为： {l1， l2，…， la，…， lb，…， lx，…， lD， lD+1} 上式中， la为第a天负荷进行聚类后的标签序号 值； 筛选与待测日lD+1标签值相同的标签值， 提取其代 表的日负荷Pday’， 结果为： CO’＝{Pdaya’， Pdayb’，…， Pdayx’， PdayD+1’} 用整天的用电负荷功率序列Pday替换相应的代表日前now个时段的用电负荷功率序列 Pday’， 替换后的结果 为： CO＝{Pdaya， Pdayb，…， Pdayx} 上式中， CO包含聚类后与PdayD+1待测日相似的所有日负荷值； Pdayx为与PdayD+1待测日相似 且日期最邻近的一整天的用电负荷功率序列； 将CO中的日负荷值按从第a天开始重新排序， 此 时a是CO中的第一天， 则a用1表示， b用b +1‑a表示， x用x+1 ‑a表示， 即： S2、 选取与待测日同一类别的负荷用电数据进行小波分解， 分解得到d1、 d2和a2三个分 量； S3、 对d1、 d2和a2三个分量用LSTM进行训练， 分别得到待测日三个分量的预测结果PTd1、 PTd2和PTa2， 将三个分量的预测结果叠加得到待测日的预测结果。 2.根据权利要求1所述的一种居民负荷超短期预测方法， 其特征在于： 步骤S12具体包 括以下步骤：权　利　要　求　书 1/3 页 2 CN 113919600 B 2S121、 输入样本集X， 给定邻域 最少点数Mi nPts； X＝{Pday1′， Pday2′，…， Pdaya′，…， Pdayb′，…， Pdayx′，…， PdayD′PdayD+1′} 上式中， Pdaya′为第a天日前now个时段的用电数据， PdayD+1′为待测日日前now个时段的用 电数据； S122、 初始化核心对象集 合 S123、 遍历X中的对象， 若是核心对象， 则加入核心对象集 合Ω中； S124、 若核心对象集 合Ω中对象都已经处 理， 算法结束， 否则跳转到步骤S125； S125、 计算对象O的核心距离cd(o)， 即将其它对象与对象O的正数化皮尔逊系数P+按从 小到大顺序排列得到的第MinPts个值， 然后计算满足P+h1， j， o≥0.8的对象j与对象O的可达 距离rd(j， o)： rd(j， o)＝max{cd(o)， P+h1， j， o} 上式中， P+h1， j， o为对象j与对象O的正数化皮尔逊系数； S126、 在核心对象集合Ω中， 随机选择一个未处理的核心对象， 先将其标记为已处理， 同时将其压入到有序列表P中， 最后 将对象O的ε邻域中未访问的点， 根据可达距离的大小依 次存放到种子集 合seeds中； S127、 若种子集合 则跳转到步骤S124， 否则， 从种子集合seeds中挑选可达 距离最近的种子点seed， 先将其标记 为已访问， 将seed标记为已处理， 同时将seed压入到有 序列表P中， 然后判断seed是否为核心对象， 若是， 则将seed中未访问的邻居点加入到种子 集合中， 重新计算可达距离， 跳转到步骤S127。 3.根据权利要求1所述的一种 居民负荷超短期预测方法， 其特征在于： 步骤S2具体包括 以下步骤： S21、 将相似日类 群转置为 一维数组s( (x+1‑a)*k*n)后进行小 波分解： 上式中， J为分解的尺度； aJ((x+1‑a)*n*k)为接近原始信号的信号， 即低频分量； dr((x+ 1‑a)*n*k)为第r个分解的信号， 即高频分量； (x+1 ‑a)*n*k为总时间； k为采集的居民负荷数 据的时间间隔， n为一天当中拥有的负荷采样点个数， n*k为一天当中最后一个负荷元素的 时间点； S22、 采用DB4小波基函数对相似日负荷用电功率数据S((x+1 ‑a)*k*n)进行两级分解， 即上式中分解尺度J取值2， 得到高频分量d1、 d2和低频分量a2。 4.根据权利要求1所述的一种 居民负荷超短期预测方法， 其特征在于： 步骤S3具体包括 以下步骤： S31、 d1、 d2和a2三个分量各自构造的输入变量为Td1、 Td2和Ta2， 输入变量包括分量本 身、 分量中各元素时间所处星期几所构成的矩阵、 分量中各元素时间是否为周末所构成的 矩阵以及分量中各 元素时间所对应一天中的时间点所构成的矩阵； S32、 将输入变量Td1、 Td2和Ta2分别输入到LSTM模型中进行训练， 得到各自的预测结果 PTd1、 PTd2和PTa2；权　利　要　求　书 2/3 页 3 CN 113919600 B 3