(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 202211009527.1 (22)申请日 2022.08.22 (71)申请人 东南大学 地址 210096 江苏省南京市玄武区四牌楼 2 号 申请人 国网浙江省电力有限公司 　 国网浙江省电力有限公司营销服 务 中心 (72)发明人 魏伟　高赐威　王朝亮　李磊　 刘炜　 (74)专利代理 机构 南京众联专利代理有限公司 32206 专利代理师 张天哲 (51)Int.Cl. G06Q 10/04(2012.01)G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06F 16/958(2019.01) G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) H02J 3/00(2006.01) (54)发明名称 一种基于HHO-LSTM的客户侧柔性负荷预测 系统 (57)摘要 本发明公开了一种基于HHO ‑LSTM的客户侧 柔性负荷预测系统， 由四个功能模块组成的， 包 括： (1)数据分析和预处理模 块； (2)基于HHO的模 型参数寻优模块； (3)基于LS TM算法的预测模块。 (4)对于客户信息和数据集的管理模块。 本发明 采用HHO对LSTM进行参数寻优， 然后使用寻找到 的最优参数和对应的模型对客户侧柔性负荷数 据进行预测， 并且基于所提的组合算法开发web 系统， 前端系统作为用户交互友好的界面接口负 责渲染数据分析处理和训练的页面， 后端系统提 供了具体的业务接口和数据存储功能， 使用前后 端分离的架构， 大大降低了耦合性， 也降低了未 来系统升级或维护的成本。 实现了对客户侧柔性 电力负荷预测的准确性提升和流程简化， 用于对 柔性负荷的调度决策。 权利要求书3页 说明书7页 附图2页 CN 115409251 A 2022.11.29 CN 115409251 A 1.一种基于 HHO‑LSTM的客户侧柔 性负荷预测系统， 其特 征在于， 包括以下模块： (1)数据分析和预处 理模块； (2)基于HHO的模型参数寻优 模块； (3)基于LSTM算法的预测模块； (4)对于客户信息和数据集的管理模块。 2.根据权利 要求1所述的一种基于HHO ‑LSTM的客户侧柔性负荷预测系统， 其特征在于， 所述(1)数据分析和预处 理模块， 具体包括： (1‑1)数据集上传和预览 数据集包括天气数据集和电力负荷数据集； 均以一小时为步长； 天气数据集包括时间、 温度、 露点温度、 湿度、 风速和气压五个特征值； 电力负荷数据集包括时间和负荷两个特征 值； 上传数据集通过前端界面上传csv,txt,xls,xlsx类型的文件， 前端页面基于Vue.js编 写， 采用vue脚手架搭建， 使用Element ‑UI框架来实现页面布局和用户交互功能实现， 数据 集通过框架的el ‑upload组件上传到后端接口， 后端采用python经典web框架Django搭建， 后端将传入的文件和用户信息存储到数据存储层的Mongodb数据库， 以用户ID为键， 数据集 为值， 存储所有用户上传的数据集； 上传成功后， 就可以方便地前端发送请求给后端， 后端 读取数据库来进行后续的一系列步骤； 数据预览包括数据表格化显示和各种可视化图片显示； 数据表格化使用el ‑table展示 类似Excel表格格式的数据， 并且通过设置时间范围来查询对应的数据； 数据可视化图片展 示便于对 数据集进 行直观特性分析， 对于负荷数据集， 根据限定的时间范围请求后端， 后端 使用python的各种数学分析工具进行分析画图， 画 好规定时间范围的折线图后可以在前端 展示给用户， 通过这种图看出负荷分布特 征； 天气数据集 也用同样的方式进行 可视化展示； (1‑2)数据集预处 理 数据集预处理具体到对每一列进行处理， 在系统页面使用下拉框选择数据集中相应的 列， 进行一系 列经典的数据集预 处理操作， 通过前端发送请求， 后端接受到后使用python中 的各种数据处理工具库执行具体的业务处理， 将处理好的数据集更新到数据库， 返回成功 的响应信号后前端自动刷新， 显示处 理后的数据库； 具体处理操作包括： 异常值检测、 缺失值 填充、 离散特征提取和归一 化处理； 其中异常值处理实现了两种可选方法： 箱线图和3 ‑Sigma准则； 箱线图把超出四分位数 边界的离群点看作数据集中的异常值， 3 ‑Sigma准则适用于服 从正态分布的数据集， 即在3 ‑ Sigma范围( μ –3σ, μ+3σ )内99.73％的为正常数据， 其中σ 代表标准差， μ代表均值， x＝ μ为图 形的对称轴； 对检测出的异常值设为空值和缺失值 一起进行缺失值 填充； 缺失值填充包括使用前一小时数据填充或后 一小时数据填充、 前后两小时的数据均值 填充或使用前一 天对应时刻的数据填充、 后一天对应时刻的数据填充或前后两天对应的该 时刻的数据均值填充； 负荷和天气数据都具有时间序列的特征， 所以使用所述的几种根据 相近时间数据填充的方法相比其 他传统数据预处 理方法更加合理和有效； 离散特征提取包括是否是节假日的特征提取， 对数据对应的时间进行判断， 将节假日 的样本数据标记为 1， 非节假日标记为0， 作为新的一列合并到数据集中； 还有季节的特征提 取， 将春、 夏、 秋、 冬分别对应标记为0、 1、 2、 3作为新的一列合并到数据集中； 客户侧柔性负权　利　要　求　书 1/3 页 2 CN 115409251 A 2荷中的空调负荷是关键和重要组成部分， 而空调的使用受节假日和季节的影响很大， 所以 提取这两个因素作为 新的特征很有必要； 归一化处理有两种可选的方法： 最大值最小值归一化和标准归一化； 标准归一化处理 后的数据符合标准正态分布即均值为0,标准差为 1的标准正态分布； 标准差的公 式如式(1) 考虑到所有样本数据， 所以受离群值的影响较小； 最大值最小值归一化方法如式(2)所示； 该方法能将数据归一化为0到1之 间， 但是异常值特别大的话那么最大值和最小值差距比较 大， 一旦数据中有一个离群值就会出现这个离群值做完归一化后特别趋近于1， 而其他值特 别趋近于0， 所以一般不选择这种方法； 式中： μ为所有样本的均值， δ 为所有样本数据的标准差； 式中： x为原样本数据， x ′为归一化处理后的数据， xmax和xmin分别为样本最大值和最小 值。 3.根据权利 要求2所述的一种基于HHO ‑LSTM的客户侧柔性负荷预测系统， 其特征在于， 所述(2)基于 HHO的模型参数寻优 模块， 具体包括： 首先在下拉列表中选中负荷数据集， 然后与对应的天气数据集合并生成总数据集； 对 数据集使用滑动窗口法来构建适配LSTM输入格式的数据集， 以一个小时为滑动窗口步长， 滑动窗口大小作为 其中一个寻优参数； 使用pytorch搭建两层隐含层、 一层全连接层的LSTM模型， 选取神经元个数Num_Unit s、 训练迭代次数Epoch加上前面所述的数据滑动窗口大小Window_Size作为三个需要利用HHO 寻优的目标参数[Num_Un its,Window_Size,Epoc h]； 通过前端界面初始化HHO算法的参数， 来设置种群的大小， 以及鹰群位置的上下界， 然 后可以在界面的评估标准单选框处选择一个误差评估方法作为适应度函数； 可选的误差评 估方法有四种： 平均绝对值误差MAE、 均方根误差RMSE、 平均绝对百分比误差MAPE和 对称平 均绝对百分比误差SMAPE， 表达式如下： 式中， N表示样本总数， 和yi分别表示第i个样本数据的预测值和实际值； 上述四个指 标越小， 表示模型预测准确性越好； MAE和RMSE均为绝对指标； MAE反映绝对误差的平均值； 相比MAE， RMS E利用平方项放大了较大误差和较小误差 之间的差距， 使 得RMSE对 预测偏差较权　利　要　求　书 2/3 页 3 CN 115409251 A 3