(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 202210899938.6 (22)申请日 2022.07.28 (71)申请人 国网浙江省电力有限公司嘉兴供电 公司 地址 314000 浙江省嘉兴 市城北路9 9号 申请人 嘉兴恒创电力设计 研究院有限公司 (72)发明人 朱晔　沈中元　徐伟明　赵家振　 何平　鲍双双　黄竹青　章思亮　 苏丹　王霈霈　张泽宇　胡杨军　 (74)专利代理 机构 深圳国联专利代理事务所 (特殊普通 合伙) 44465 专利代理师 陈丹丹 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01)G06K 9/62(2022.01) G06N 3/00(2006.01) H02J 3/00(2006.01) (54)发明名称 一种基于GWO-LSSVM微网负荷短期区间预测 方法 (57)摘要 本发明涉及电网负荷预测技术领域， 具体为 一种基于GWO ‑LSSVM微网负荷短期区间预测方 法， 包括以下步骤： S1、 数据输入： 输入负荷相关 数据， 包括气象要素、 用电特性数据， 例如节假 日、 周末、 特殊活动等、 负荷等信息， S2、 数据预处 理： 将多来源 数据主要是多文件或数据库中数据 进行整合汇总处理， 以达到分析不同层面的数据 特征。 该基于GWO ‑LSSVM微网负荷短期区间预测 方法， 结合MIC及灰色关联度法筛选相似负荷序 列， 提高了预测有效性和准确度， 以及基于GWO ‑ LSSVM建立负荷功率短期预测模型， 解决了训练 模型参数优化的问题， 提高了预测精度， 最后采 用误差拟合的区间预测法解决负荷点预测误差 的不确定性问题， 使用预测区间覆盖率及预测区 间宽度反映预测区间的准确性。 权利要求书2页 说明书5页 附图1页 CN 115222137 A 2022.10.21 CN 115222137 A 1.一种基于GWO ‑LSSVM微网负荷短期区间预测方法， 其特 征在于， 包括以下步骤： S1、 数据输入： 输入负荷相关数据， 包括气象要素、 用电特性数据， 例如节假日、 周末、 特 殊活动等、 负荷等信息； S2、 数据预处理： 将多来源数据主要是多文件或数据库中数据进行整合汇总处理， 以达 到分析不同层面的数据特征， 采用K ‑means算法是对缺失数据进 行检测， 利用聚类结果中的 属性均值更新 缺失样本中的属性 值， 通过多次迭代， 对缺失数据的属性 值进行多次填充； S3、 最优特 征集选取： 利用相关性分析、 最大互信息数确定最优特 征集； S4、 相似负荷序列选取： 考虑负荷日类型、 节假日、 时刻等数据颗粒度不同， 采用灰色关 联度法筛 选出相似负荷序列； S5、 最小二乘支持向量机模型设置： 包括核函数选取、 核宽度参数σ 和正则化参数C的初 始化； S6、 灰狼算法参数优化： 基于灰狼算法的迭代计算， 选取最优核宽度参数σ和正则化参 数C； S7、 区间预测： 利用优化参数预测模型对负荷短期功率进行预测， 利用t分布对将预测 结果与实际值的误差进行拟合， 得到误差概率密度函数， 用置信区间表示预测误差可能出 现的范围。 2.根据权利要求1所述的一种基于GWO ‑LSSVM微网负荷短期区间预测方法， 其特征在 于： 采用MIC对负荷特征集进 行排序， 以某一特征选择的阈值， 选取特征变量为最优特征集， MIC计算公式如下 所示： 其中a， b是进行散点 图网格划分时各轴的单元格数量， B通常设置为数据量的0.6次方 附近。 然后采用灰色关联度分析法分析负荷序列的相互关系， 筛选出相似负荷序列， 灰色关 联系数计算公式如下： 其中x0表示母序列， xi表示子序列， i表示因素， k表示序列数， 当ρ ＝0时， ζi(k)与子序列 与母序列的距离成反比， 通常ρ 取0.5 。 3.根据权利要求1所述的一种基于GWO ‑LSSVM微网负荷短期区间预测方法， 其特征在 于： 采用GWO方法可以求得最优模型参数， 进而提高预测准确性， GWO ‑LSSVM模型的负荷预测 步骤如下： 步骤一、 设置各项初始参数； 步骤二、 初始化种群， 其中X由最小二乘向量机的核宽度参数σ 和正则化 参数C构成； 步骤三、 计算个体适应度值， 并按从高到低顺序进行排列， 以排名前三的个体位置Xα、 Xβ 和Xγ作为上层狼； 步骤四、 利用公式(2.10 ‑2)更新父代种群 个体位置； 步骤五、 根据公式(2.10 ‑3)、 (2.10 ‑4)更新C、 A和 α；权　利　要　求　书 1/2 页 2 CN 115222137 A 2步骤六、 对灰狼父代群体进行排序， 对算法终止条件进行判断， 当满足条件， 输出最优 解C、 σ； 步骤七、 根据核宽度参数σ和正则化参数C建立LSSVM模型， 模型输入样本： X＝(x1， x2， x3， x4， x5， x6， x7， W， H， h， P)， 其 中x1， x2， x3， x4， x5， x6， x7为历史负荷 数据， W， H， h， P为待预测时 刻的各个 影响因素的值， 包括负荷序列、 日类型、 节假日类型等， Y为负荷数据。 4.根据权利要求1所述的一种基于GWO ‑LSSVM微网负荷短期区间预测方法， 其特征在 于： 对原始 监测数据进行EMD分解,获得若干个高频和低频IMF分量， 剔除第一个高频分量实 现对信号的去 噪， 重构剩余分量获得去 噪后的时间序列， 将去 噪后的时间序列分为训练数 据和测试数据两部分， 同时采用GWO算法对LSSVM进行最优参数搜索， 获取最优参数后， 建立 GWO‑LSSVM模型并进行 预测， 即可获得 预测数据。 5.根据权利要求1所述的一种基于GWO ‑LSSVM微网负荷短期区间预测方法， 其特征在 于： 利用t分布拟合预测结果与实际值的误差， 得到误差概率密度函数， 用置信区间表示预 测误差可能出现的范围， 当显著 性水平为α， 置信度为 1‑α 时， 误差分布的置信区间可表 示为 ( μ‑Zα/2σ， μ+Zα/2σ )， 其中μ表示误差平均值， σ 表示误差标准差， Zα/2为对应当标准分数(z分 数)。 使用预测区间覆盖率(PICP)及预测区间宽度(PINAW)评价区间预测结果， PICP表示真 实值落在预测区间上 下界之间的比率， 公式如下： 其中 n为样本数量， Li， Ui为第i个预测下界和上界值。 PINAW表示预测区间上下界的平均距离， 用于反映了预测区间的准确性， 其计算公式如 下： 。权　利　要　求　书 2/2 页 3 CN 115222137 A 3