(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 202210918368.0 (22)申请日 2022.08.01 (71)申请人 国网青海省电力公司 地址 810001 青海省西宁市城西区胜利路 89号 申请人 国网青海省电力公司信息通信公司 (72)发明人 周群星　贾昆　佟芳　段振华　 李宏波　张容福　李海龙　马国雷　 王国庆　李文明　杨凡　翟娟荟　 林鑫　徐铁军　王婷　马文珍　 张衡　高天　 (74)专利代理 机构 北京维正专利代理有限公司 11508 专利代理师 朱鹏程(51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) (54)发明名称 一种基于因果关系分析的短期负荷预测方 法及预测系统 (57)摘要 本申请涉及一种基于因果关系分析的短期 负荷预测方法及预测系统， 包括如下步骤： 获取 原始负荷序列， 调用OV MD算法将原始负荷序列分 解为季节波动子序列、 长期趋势子序列以及随机 性波动子序列； 调用Granger因果关系分析算法 为各子序列匹配影 响因素， 获取每一子序列所对 应的影响因素序列； 通过ARIMR模型输出所述季 节波动子序列所对应的预测结果； 通过Bi ‑LSTM 模型分别输出所述长期趋势子序列所对应的预 测结果， 以及所述随机性波动子序列所对应的预 测结果； 将各子序列的预测结果叠加生成最终预 测结果， 显示所述最终预测结果。 本申请具有提 高负荷预测精确度的效果。 权利要求书3页 说明书15页 附图6页 CN 115271219 A 2022.11.01 CN 115271219 A 1.一种基于因果关系分析的短期负荷预测方法， 其特 征在于， 包括： 获取原始负荷序列， 调用OVMD算法将原始负荷序列分解为季节波动子序列、 长期趋势 子序列以及随机性波动子序列； 调用Granger因果关系分析算法为各子序列匹配影响因素， 获取每一子序列所对应的 影响因素序列； 将所述季节波动子序列所对应的影响因素序列作为输入变量输入预先构建的ARIMR模 型中， 通过ARIMR模型输出 所述季节波动子序列所对应的预测结果； 分别将所述长期趋势子序列 所对应的影响因素序列作为输入变量、 将随机性波动子序 列所对应的影响因素序列作为输入变量， 输入预先构建的Bi ‑LSTM模型中， 通过Bi ‑LSTM模 型分别输出所述长期 趋势子序列所对应的预测结果， 以及所述随机性波动子序列所对应的 预测结果； 将各子序列的预测结果叠加生成最终预测结果， 显示所述 最终预测结果。 2.根据权利要求1所述的基于因果关系分析的短期负荷预测方法， 其特征在于， 所述获 取原始负荷序列， 包括： 控制预设采集设备每隔预设时长采集负荷数据值， 接收所述负荷数据值x(d,t)， 其中x (d,t)为第d天第t时刻的负荷数据值； 将所有接收到的负荷数据值x(d,t)合并生成原始负荷序列x(t)； 其 中， x(t)为若干个x (d,t)按照接收时间先后顺序所构成的数据集 合； 若所述原始负荷序列x(t)中存在相邻两个负荷数据值x(d,t1)和x(d,t2)， 满足|t1 ‑t2 |≠预设时长， 则确定 所述x(d,t1)和x(d,t2)之间缺失的数据数量S， 且S＝|t1 ‑t2|/预设时 长； 从v＝1开始， 计算 直至v＝S； 其中 和 均为预设权 重值； 按照v从小到大的顺序， 将所有计算得出的x(d,t1+v)添加至原始负荷序列x(t)中的x (d,t1)与x(d,t 2)之间。 3.根据权利要求2所述的基于因果关系分析的短期负荷预测方法， 其特征在于， 所述将 所有接收到的x(d,t)合并生成原 始负荷序列x(t)后， 还 包括： 若所述原 始负荷序列x(t)中存在第一负荷数据值x(d,t)同时满足如下公式： |x(d， t)‑x(d， t‑1)|＞α(t)； |x(d， t)‑x(d， t+1)|＞β(0 则将所述第一负荷数据值x(d,t)修改为： 其中， x(d,t)、 x(d, t‑1)、 x(d,t+1)分别表示第d天的第t时刻、 第t ‑1时刻、 第t+1时刻的负荷数据值， α(t)、 β(t) 为预设阈值； 若所述原始负荷序列x(t)中存在第二负荷数据值x(d,t)满足： |x(d,t) ‑m(t)|>r(t)， 则将所述第二负荷数据值x(d,t)修改为 其中， r (t)为预设阈值， m(t)表示与所述x(d,t)所对应的接收时间前后y天内的负荷平均值。 4.根据权利要求1所述的基于因果关系分析的短期负荷预测方法， 其特征在于， 所述调权　利　要　求　书 1/3 页 2 CN 115271219 A 2用OVMD算法将原始负荷序列分解为季节波动子序列、 长期 趋势子序列以及随机性波动子序 列， 包括： 调用VMD分解方法对原始负荷序列x(t)进行分解， 且将VMD分解方法中自带的参数K的 初始值设定为3， 其中K指VMD分解出的子序列的数量； 计算分解后的每一子序列 与原始负荷序列x(t)的皮尔逊相关系数 计算残差 分量εK(t)与原始负荷序列x(t)之间的皮尔逊相关系数RK， 其中， 指子序列数量为K时 的第J个子序列， 若RK满足 则令K＝K+1， 基于修 改后的K值， 调用VMD分解方法重新对原始 负荷序列x(t)进行分解， 并计算 和RK； 若满足 且RK≤ψ·R3， 则将当前K值确定为最优K值， 其中， ψ为预设阈值； 基于所确定的最优 K值， 调用OVMD算法将原始负荷序列分解为季节波动子序列、 长期 趋势子 序列以及随机性波动子序列。 5.根据权利要求4所述的基于因果关系分析的短期负荷预测方法， 其特征在于， 所述基 于所确定的最优 K值， 调用OVMD算法将原始负荷序列分解为季节波动子序列、 长期 趋势子序 列以及随机性波动子序列， 包括： 构建二维平面坐标系， 随机设定若干个α值和若干个τ值， 生成若干组( α, τ )坐标信息， 其中， α 值和 τ 值均为OVMD的自带参数； 基于所确定的最优K值以及预设的若干个( α, τ )坐标信息， 调用VMD算法对原始负荷序 列x(t)进行分解， 以得出不同组合( α, τ )所对应分解处的子序列 其中， 表示最 优K值时， 第g组( α, τ )所对应分解出的第k个子序列， g＝1,2,3 …， k＝1,2…K； 结合每组( α, τ )所对应分解出的子序列 计算每组( α, τ )的适应系数E， 其中， εg(t)为最优K值时， 第g组( α, τ )所对 应的残差分 量， N为原始负荷序列x(t)的序列长度； 确定最小E值所对应的组合参数( α, τ )的坐标信息， 利用PSO算法对每一参数组合( α, τ ) 的位置信息进行迭代更新； 若最小E值大于预设minE且所述迭代更新次数未达到预设最大迭代次数， 则重新计算 更新后的每一( α, τ )所对应的适应系数E， 确定最小E值所对应的( α, τ )的坐标信息， 调用PSO 算法对每一 参数组合( α, τ )的位置信息进行迭代更新； 若最小E值小于或等于预设minE， 或所述迭代更新次数达到预设最大迭代次数， 则确定 当前最小E值所对应的( α, τ )的坐标信息， 确定最优α 值和最优 τ 值； 基于所确定的最优K值、 最优α值、 最优τ值， 采用OVMD方法将原始负荷序列分解为季节 波动子序列、 长期趋势子序列以及随机性波动子序列。 6.根据权利要求5所述的基于因果关系分析的短期负荷预测方法， 其特征在于， 所述基 于所确定的最优K值、 最优α 值、 最优τ值， 采用OVMD方法将原始负荷序列分解为季节波动子 序列、 长期趋势子序列以及随机性波动子序列， 包括：权　利　要　求　书 2/3 页 3 CN 115271219 A 3