(19)中华 人民共和国 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 202111527653.1 (22)申请日 2021.12.14 (71)申请人 国网辽宁省电力有限公司经济技 术 研究院 地址 110016 辽宁省沈阳市沈河区文 萃路 183-1号 申请人 国家电网有限公司 (72)发明人 潘霄　吉星　侯依昕　赵琳　 刘禹彤　宋卓然　商文颖　程孟增　 李华　邬桐　满林坤　徐熙林　 杨天蒙　胡旌伟　王宗元　李金起　 杨博　许言路　 (74)专利代理 机构 辽宁沈阳国兴知识产权代理 有限公司 21 100 代理人 何学军　李丛(51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) (54)发明名称 基于大数据自适应学习的工业园区短期无 功负荷预测方法 (57)摘要 本发明属于智能电网技术领域， 尤其涉及一 种基于大数据自适应学习的工业园区短期无功 负荷预测方法。 本发明包括以下步骤： 步骤1.输 入变量选 择； 步骤2.利用所选择的变量进行电压 和有功功率预测； 步骤3.利用预测得到的电压和 有功功率预测进行无功功率预测。 本发明首次以 工业园区的无功功率为预测对象， 提供了针对园 区级工业无功负荷短期预测方法， 为含工业园区 的区域电网电压稳定及无功补偿等提供辅助指 导。 本发能够减少误差， 使无功预测精度得到显 著的提高， 辅助工业企业和负荷聚合商智慧管理 能量， 参与辅助服务市场， 可深入感知未来的无 功功率曲线， 并在配电水平上提高电网的运营安 全性和经济性， 可广泛应用于无功负荷波动性较 大工况。 权利要求书2页 说明书7页 附图2页 CN 114358390 A 2022.04.15 CN 114358390 A 1.基于大数据自适应学习的工业园区短期无功负荷预测方法， 其特征是： 包括以下步 骤： 步骤1.输入变量选择； 步骤2.利用所选择的变量进行电压和有功 功率预测； 步骤3.利用预测得到的电压和有功 功率预测进行 无功功率预测。 2.根据权利要求1所述的基于大数据自适应学习的工业园区短期无功负荷预测方法， 其特征是： 所述变量包括十倍交叉验证法T1和最小绝对收缩和 选择算子法T2， 并组合进行 最终优选 输入变量。 3.根据权利要求1所述的基于大数据自适应学习的工业园区短期无功负荷预测方法， 其特征是： 所述变量还包括待选变量； 待选变量包括： 历史无功功 率、 日历效应变量、 天气变 量和电气变量。 4.根据权利要求2所述的基于大数据自适应学习的工业园区短期无功负荷预测方法， 其特征是： 所述十倍交叉验证法， 是使用多种不同的变量组合构建模 型,并从中选择最优模 型； 将观察到的目标变量和测试中的变量数据分成十个大小相等的子集； 在该过程的每次 迭代中， 九个子集用于训练所有考虑的模型， 剩下的子集用于验证模 型； 对于所考虑的每个 模型， 通过平均所有十次迭代的误差来获得最 终误差； 选择呈现最小平均误差的模型， 并将 其提升到下一步。 5.根据权利要求2所述的基于大数据自适应学习的工业园区短期无功负荷预测方法， 其特征是： 所述最小绝对收缩和选择算子法， 在数学上， 给定Ntr观测值 通过解 决以下优化问题来估计参数β： 其中φ是分配的非负超参数， 与规范化程度相关； 通常根据优化问题的尺寸确定， 与最 小二乘法相比， 加 罚项 对预计参数的绝对值之和 加上上限约束； 几个预计的参数为零， 并且与具有零值的参数相关联的输入将被提出， 表征带给模型 的信息稀缺 程度； 其中， 超参数 的较大值 通常导致较少的非空估计参数βj； 通过交叉验证来优化超参数， 将所选的输入变量用于构建多元线性回归MLR模型。 6.根据权利要求1所述的基于大数据自适应学习的工业园区短期无功负荷预测方法， 其特征是： 步骤2所述利用所选择的变量进行电压和有功功 率预测， 包括： 多 元线性回归ML R 和支持向量回归SVR的组合预测方法。 7.根据权利要求6所述的基于大数据自适应学习的工业园区短期无功负荷预测方法， 其特征是： 所述多元线性回归MLR预测方法表示 为： Qt＝β0+β1χ1,t+...+βmχm,t 其中Qt是在时间t的预测园区无功功率， χ1,t, χ2,t... χm,t是模型的m个变量， 而β ＝{β0, β1... βm}是m+1个参数的向量， 将在训练步骤中通 过最小二乘法(ordinary  least squares, OLS)方法进行估算。 8.根据权利要求6所述的， 其特征是基于大数据自适应学习的工业园区短期无功负荷权　利　要　求　书 1/2 页 2 CN 114358390 A 2预测方法： 所述支持向量回归SVR预测方 法将在时间t的预测无功功率Qt链接到m个变 量Xt＝ {x1,t,x2,t,...,xm,t}， 它们通过非线性关系f(Xt)表示特征； 使用线性支持向量回归SVR与多 元线性回归MLR模型进行比较； Qt＝＜α,Xt＞+α0 其中, α, α0是模型的拉格朗日乘子参数变量， 符号＜,＞表示输入之间的点积， 给定两个 调整参数常量偏 差 ε和惩罚系数C的条件下， 为无功功率的Ntr个观测值Q1,...,QNtr设置辅助 松弛因子参数 支持向量回归SVR预测的无功 功率为： 残差参数变量估计值 为： 上式中： 表示第i点无功功率， λi和 为松弛因子， 以提高求解的鲁棒性， 和 为参 数变量估计值， 它们对应的无功功率样本是支持向量， 一般出现在函数变化比较剧烈的位 置。 9.根据权利要求1所述的基于大数据自适应学习的工业园区短期无功负荷预测方法， 其特征是： 步骤3所述利用预测得到的电压和有功功率预测进行无功功率预测， 是将步骤2 预测得到的有功功 率和工业负荷电压作为电气 变量， 基于两种组合变量选择方法在历史无 功功率、 日历效应 变量， 天气变量 这三个变量大类中选择 出最优变量作为预测结果。 10.一种计算机存储介质， 其特征是： 所述计算机存储介质上存有计算机程序， 所述计 算机程序被处理器执行时实现权利要求1 ‑9所述的基于大数据自适应学习的工业园区短期 无功负荷预测方法的步骤。权　利　要　求　书 2/2 页 3 CN 114358390 A 3