(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 202211015336.6 (22)申请日 2022.08.23 (71)申请人 华润数字科技有限公司 地址 518000 广东省深圳市福田区梅林街 道梅都社区中康路136号深圳新一代 产业园2栋801 (72)发明人 李婉莹　王国勋　刘雨桐　雷晓宇　 张兴　 (74)专利代理 机构 深圳市精英专利事务所 44242 专利代理师 王暄 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 电力负荷的非平稳时间序列预测方法、 装置 及相关设备 (57)摘要 本发明公开了电力负荷的非平稳时间序列 预测方法、 装置及相关设备。 该方法包括获取电 力负荷的时间序列数据， 并对时间序列数据进行 预处理， 得到训练数据； 采用离散小波变换对训 练数据的电力负荷数据进行分解， 得到低频子序 列和高频子序列； 分别基于低频子序列和高频子 序列训练初始ARIMAX模型和初始LS TM模型， 得到 目标ARIMAX模型和目标LS TM模型； 获取待预测电 力负荷的目标特征指标， 并将目标特征指标分别 输入目标ARIMAX模型和目标LSTM模型进行电力 负荷预测， 得到待预测电力负荷的低频预测数据 和高频预测数据； 对低频预测数据和高频预测数 据均进行小波重构和反标准化， 并对 结果进行叠 加， 得到待预测电力负荷的最终预测结果。 该方 法具有准确率高、 稳定性高等优点。 权利要求书3页 说明书9页 附图3页 CN 115169747 A 2022.10.11 CN 115169747 A 1.一种电力负荷的非平稳时间序列预测方法， 其特 征在于， 包括： 获取电力负荷的时间序列数据， 并对所述 时间序列 数据进行预处理， 得到训练数据， 所 述时间序列数据包括电力负荷数据和对应的特 征指标； 采用离散小波变换对所述训练数据的电力负荷数据进行分解， 得到低频子序列和高频 子序列； 将所述低频子序列和对应的特征指标输入初始ARIMAX模型进行模型训练， 得到目标 ARIMAX模型； 将所述高频子序列和对应的特征指标输入初始LSTM模型进行模型训练， 得到目标LSTM 模型， 所述初始LSTM模型为基于注意力机制的LSTM模型； 获取待预测电力负荷的目标特征指标， 并将所述目标特征指标分别输入所述目标 ARIMAX模 型和目标LSTM模 型进行电力负荷预测， 得到待预测电力负荷的低频预测数据和高 频预测数据； 对所述低频预测数据和高频预测数据均进行小波重构和反标准化， 并对结果进行叠 加， 得到待预测电力负荷的最终预测结果。 2.根据权利要求1所述的电力负荷的非平稳时间序列预测方法， 其特征在于， 所述对所 述时间序列数据进行 预处理， 得到训练数据， 包括： 按以下公式对所述时间序列数据的电力负荷数据和特 征指标进行 标准化处理： 其中， X表示标准化处理前的特征指标， Y表示标准化处理前的电力负荷数据， X1表示标 准化处理后的特征指标， Y1表示标准化处理后的电力负荷数据， min(X)和max(X)分别为特 征指标的最小值和最大值， mi n(Y)和max(Y)分别为电力负荷数据的最小值和最大值。 3.根据权利要求1所述的电力负荷的非平稳时间序列预测方法， 其特征在于， 所述采用 离散小波变换对所述训练数据的电力负荷数据进行分解， 得到低频子序列和高频子序列， 包括： 将所述训练数据的电力负荷数据分别输入一阶低通滤波器和一阶高通滤波器进行一 阶分解， 得到一阶低频序列和一阶高频序列； 将所述一阶低频序列分别输入二阶低 通滤波器和二阶高通滤波器进行二阶分解， 得到 二阶低频序列和二阶高频序列； 将所述二阶低频序列分别输入三阶低 通滤波器和三阶高通滤波器进行三阶分解， 得到 三阶低频序列和三阶高频序列； 以所述三阶低频序列作为所述低频子序列， 以所述一阶高频序列、 二阶高频序列和三 阶高频序列 作为所述高频子序列。 4.根据权利要求3所述的电力负荷的非平稳时间序列预测方法， 其特征在于， 按如下公 式进行每一阶的分解： Aj＝∑Y1[n]hj[n‑2jk]， Dj＝∑Y1[n]gj[n‑2jk]，权　利　要　求　书 1/3 页 2 CN 115169747 A 2其中， Aj表示电力负荷数据Y1在j阶的低频序列， Dj为电力负荷数据Y1在j阶的高频序列， n是序列长度， j表示阶数， j＝1,2,3； k表示离散平移位置， k＝1,2,...,n， hj[·]表示j阶的 低通滤波器， gj[·]表示j阶的高通滤波器； 其中， j+1阶的低通滤波器hj+1[n]的计算公式如下： hj+1[n]＝∑hj[k]h1[n‑2k]， h1[n]＝h[n]； j+1阶的高通滤波器gj+1[n]的计算公式如下： gj+1[n]＝∑gj[k]g1[n‑2k]， g1[n]＝g[n] 其中， g[n]和h[n]表示具有脉冲响应的滤波器。 5.根据权利要求1所述的电力负荷的非平稳时间序列预测方法， 其特征在于， 所述将所 述低频子序列和对应的特征指标输入初始ARIMAX模型进行模型训练， 得到目标ARIMAX模 型， 包括： 按以下公式对所述低频子序列和对应的特 征指标进行 预测和优化： 其中， At表示t时刻电力负荷的预测值； 表示自回归模型， c表示常数项， αn表示自相关系数， εt表示随机扰动项， p表示自回归滞后项阶数； 表示移动平 均模型， θn表示误差系数， εt‑n表示随机扰动项， q表示随机扰动项的滞后阶数； 表示 外生变量部分， r表示特征指标的数量， βn表示特征指标的权重， Fnt表示t时刻第n个特征指 标的数值。 6.根据权利要求1所述的电力负荷的非平稳时间序列预测方法， 其特征在于， 所述将所 述高频子序列和对应的特征指标输入初始LSTM模型进行模型训练， 得到目标LSTM模型， 包 括： 获取所述高频子序列对应的特 征指标， 得到高频 特征指标； 通过初始LSTM模型中的遗忘门ft、 输入门it、 输入候选门ct和输出门ot对所述高频特征 指标进行电力负荷的初预测， 得到初步预测结果； 通过预设的注意力机制计算LSTM模型中各个输入候选门的特征指标对所述初步预测 结果的重要程度， 得到高频 特征指标的权 重因子； 计算所述权 重因子与各个输入候选门状态 乘积的累加 和， 得到t时刻的总权 重因子vt； 按如下公式计算得到调整预测结果： D′t＝WhDt+Wvvt， 其中， Dt表示初步预测结果， D ′t表示调整预测结果， Wh和Wv分别表示隐 藏状态和总权 重因子的权值矩阵。 7.根据权利要求1所述的电力负荷的非平稳时间序列预测方法， 其特征在于， 所述对所 述低频预测数据和高频预测数据均进行小波重构和反标准化， 并对结果进行叠加， 得到待 预测电力负荷的最终预测结果， 包括： 分别对所述低频预测数据和高频预测数据进行小波重构， 得到低频重构数据和高频重 构数据；权　利　要　求　书 2/3 页 3 CN 115169747 A 3