(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 202211084529.7 (22)申请日 2022.09.06 (71)申请人 三峡大学 地址 443002 湖北省宜昌市西陵区大 学路8 号 (72)发明人 章可　李丹　孙光帆　谭雅　贺帅　 (74)专利代理 机构 宜昌市三峡专利事务所 42103 专利代理师 余山 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 30/27(2020.01) H02J 3/00(2006.01) (54)发明名称 一种基于CV MD-GRU-Den seNet混合模型的短 期电力负荷预测方法 (57)摘要 一种基于CV MD‑GRU‑DenseNet混合模型的短 期电力负荷预测方法， 它包括以下步骤： 步骤1： 采集目标地区一定时间段为单位的负荷功率时 间序列数据集； 步骤2： 将负荷功率时间序列分解 为K个本征模态函数分量和1个残差分量； 步骤3： 筛选与预测分量关系密切的输入 特征， 依据各分 量序列周期及复杂度的差异选用不同的预测模 型； 步骤4： 将各子序列分量的预测结果叠加， 重 构得到未来日时序负荷预测结果。 本发明的目的 是为了解决现有技术存在的利用变分模态分解 VMD对负荷进行分解难以确定最佳分解次数的技 术问题。 权利要求书6页 说明书11页 附图7页 CN 115511162 A 2022.12.23 CN 115511162 A 1.一种基于CVMD ‑GRU‑DenseNet混合模型的短期电力负荷 预测方法， 其特征在于， 它包 括以下步骤： 步骤1： 采集目标地区一定时间段为单位的负荷功率时间序列数据集； 步骤2： 将 负荷功率时间序列分解 为K个本征模态函数分量和1个残差分量； K为： 分解后本征模态函数分量的个数， 为大于 0的整数 步骤3： 筛选与预测分量关系密切的输入特征， 依据各分量序列周期及复杂度的差异选 用不同的预测模型； 步骤4： 将各子序列分量的预测结果叠加， 重构得到未来日时序负荷预测结果。 2.根据权利要求1所述的方法， 其特征在于， 在步骤2中， 采用依据相关熵确定最佳分解 数的变分模态分解技术， 将原始负荷时间序列分解为K个本征模态函数IMF子序列分量和1 个残差分量； 具体包括以下步骤： 步骤2.1： 设置分解次数 K； 步骤2.2： 输入步骤1中采集的负荷功率时间序列数据集， 构造约束变分问题： 其中， {uk}是IMF集合， {ωk}是中心频率集合， δ(t)是狄拉克分布， 表示卷积， uk(t)代 表第k个IMF子序列分量， t为采样时刻点； 步骤2.3： 引入二次罚因子α和拉格朗日乘法算子λ， 将式(1)转化为无约束变分问题， 表 示为： 其中， α 是二次罚因子， λ是拉格朗日乘法算子， <,>表示内积； 步骤2.4： 采用交替方向乘子法求 解式(2)， uk、 ωk和 λ迭代更新过程 为： 其中， n为迭代次数， f(ω)、 分别代表时域下的 f(t)、 经过傅里叶变 换到频域的结果， τ 为噪声容忍度；权　利　要　求　书 1/6 页 2 CN 115511162 A 2步骤2.5： 根据公式(6)、 (7)计算IMF分量间的相关熵最大值， 通过检测IMF分量两两间 的相关熵是否近似为1， 从而判断对应分解数K条件下是否出现模态混叠现象， 以此为依据 确定最佳分解数 Kopt； 步骤2.6： 若V>1 ‑ε1则输出最佳分解数 Kopt＝K； 否则K＝K+1， 转入步骤2.2。 3.根据权利要求1所述的方法， 其特征在于， 在步骤3中， 针对不同分量序列的特点， 利 用最大信息系数筛选与预测分量关系密切的输入特征， 并使用近似熵依据各分量序列周期 及复杂度的差异选用不同的预测模型； 其中， 低频子序列分量采用GRU预测模型； 高频子序 列分量则采用DenseNet预测模型； 在步骤3中， 具体包括以下子步骤： 步骤3.1： 针对不同分量序列的特点， 利用最大信 息系数筛选与预测分量关系密切的输 入特征； 步骤3.2： 依据各分量序列周期及复杂度将子序列分为高频子序列和低频子序列； 步骤3.3： 低频子序列分量使用GRU预测模型预测； 高频子序列分量则使用DenseNet预 测模型预测。 4.根据权利要求3所述的方法， 其特 征在于， 在步骤3.1中， 具体包括以下步骤： 步骤3.1.1： 设负荷功率的影响因素集合为E＝{eq}(q＝1,2, …,Q)， Q为全部影响因素个 数， eq与uk之间的MIC值计算如下： 式中， MI(,)为互信息， p(eq,uk)是eq和uk的联合概率密度分布函数， p()表示边缘概率 密度， r*s为网格尺度， B是变量， 网格规模需要 小于B； 步骤3.1.2： 设定一个阈值MICopt， 当fMIC(eq,uk)>MICopt时， 则影响因素eq为uk的相关外部 影响因素； 将子序列分量uk与筛选得到的影响因素集合Ek共同作为预测模型的输入变量Xk ＝[uk,Ek](k＝1,2,…,Kopt+1)。 5.根据权利要求3所述的方法， 其特 征在于， 在步骤3.2中， 具体包括以下步骤： 步骤3.2.1： 选取合 适的嵌入维数m将该时间序列重构为m维矢量： 其中， Sk(t)为重构后的m维矢量； 步骤3.2.2： 计算Sk(i)和Sk(j)的距离dm[Sk(i),Sk(j)]: 权　利　要　求　书 2/6 页 3 CN 115511162 A 3