(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 202210916598.3 (22)申请日 2022.08.01 (71)申请人 中能瑞通 （北京） 科技有限公司 地址 102299 北京市昌平区科技园区超前 路37号16号楼 2层C2150号 (72)发明人 李艳　郑英刚　黄昌宝　王海生　 余斌　 (74)专利代理 机构 北京慕达星云知识产权代理 事务所 (特殊普通合伙) 11465 专利代理师 符继超 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/00(2006.01)G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种智能家电用电日负荷预测方法 (57)摘要 本发明公开了一种智能家电用电日负荷预 测方法， 包括： 获取智能家电用电96点历史负荷 数据、 气象数据、 日期数据， 并进行预处理； 根据 季节、 日期数据依次对预处理后的历史负荷数据 聚类； 采用Pearson相关分析法， 定量地找出与智 能家电用电日负荷相关性大的气象因子作为数 据样本输入预测前置参考数据； 采用粒子群PSO 算法对LSSVM模型的参数进行优化； 采用BP神经 网络对优化后的LSSVM模型进行残差修正； 对需 要预测的智能家电用电日负荷 进行预测。 该方法 考虑多元影响元素， 利用组合方式对选取方法取 长补短， 提高预测精度； 能够精确地预测智 能家 电用电日负荷数据， 为电网的安全运行及电力规 划提供依据， 同时可以为需求侧管理提供决策支 持。 权利要求书3页 说明书8页 附图2页 CN 115358453 A 2022.11.18 CN 115358453 A 1.一种智能家电用电日负荷预测方法， 其特 征在于， 包括以下步骤： S10、 获取智能家电用电96点历史负荷数据、 气象数据、 日期数据， 并进行 预处理； S20、 根据季节、 日期数据依次对预处 理后的历史负荷数据聚类； S30、 基于聚类结果， 采用Pearson相关分析法， 定量地找出与智能家电用电日负荷相关 性大的气象因子作为数据样本 输入预测前置参 考数据； S40、 基于预处理后数据中部分数据作为第一训练数据， 构 建LSSVM模型进行训练， 采用 粒子群PSO算法对LS SVM模型的参数进行优化； S50、 基于预处理后数据中部分数据作为第二训练数据， 采用BP神经网络对优化后的 LSSVM模型进行残差修 正； S60、 根据优化后的LSSVM模型及BP神经网络模型， 对需要预测的智能家电用电日负荷 进行预测。 2.根据权利要求1所述的一种智能家电用电日负荷预测方法， 其特征在于， 所述步骤 S10中， 智能家电用电96点历史负荷数据的预处 理， 包括： 当日负荷曲线的第一个点非正时， 用之后的第一个正值点代替； 当日负荷曲线的其他 点非正时， 用该点的前一个正 值点代替； 采用相邻两点的平均值来修正虚假数据点； 所述虚假数据点是指： 某一时刻的负荷和 其前后负荷值进行比较， 如果偏差在预设倍数以外； 对历史负荷数据采用对数进行归一化处理， 使处理后的负荷在共同的数值特性范围 内。 3.根据权利要求1所述的一种智能家电用电日负荷预测方法， 其特征在于， 所述步骤 S10中， 智能家电用电96点历史负荷数据对应的气象数据预处 理， 包括： 对温度、 湿度、 风力和降水量的数据序列进行归一化处理， 使处理后的所有数据序列均 匀的分散在[0,1]范围内。 4.根据权利要求1所述的一种智能家电用电日负荷预测方法， 其特征在于， 所述步骤 S20包括： 根据春夏秋冬四个季节对预处 理后的历史负荷数据进行第一次聚类； 再根据日期分别对春秋、 夏冬两类的历史负荷数据进行第 二次聚类， 得到工作日、 休息 日和节假日的类型聚类结果。 5.根据权利要求1所述的一种智能家电用电日负荷预测方法， 其特征在于， 所述步骤 S30中， 选取所述历史负荷数据对应的气象数据中最高温度、 最低 温度及对应的湿度， 作为 数据样本 输入预测前置参 考数据。 6.根据权利要求1所述的一种智能家电用电日负荷预测方法， 其特征在于， 所述步骤 S40中， 采用粒子群P SO算法对LS SVM模型的参数进行优化， 包括： 1)初始化粒子群PSO算法的各种参数， 包括： 群体规模、 学习因子、 迭代的最大次数、 粒 子的初始位置和速度； 2)分别用每个粒子向量所对应的LSSVM模型对学习样本进行预测， 得到各粒子当前位 置值的预测误差， 并将其作为各粒子的适应度值； 再将各粒子的当前适应度值与该粒子 自 身的最优适应度值进 行比较， 如果后者更优， 则将该粒子自身的最优适应度值对应的位置， 作为该粒子的最优位置；权　利　要　求　书 1/3 页 2 CN 115358453 A 23)将各粒子的自身最优位置适应度值与群体最优位置的适应度值比较， 如果更优， 则 将该粒子的最优位置作为群 体的最优位置； 4)根据计算惯性权值， 更新粒子的速度和位置； 5)检查是否满足寻优结束条件， 若满足则结束寻优， 求出最优解； 否则转至步骤2)， 继 续新一轮搜索； 所述 寻优结束条件为： 达 到预先设定的最大迭代次数或预设精度。 7.根据权利要求1所述的一种智能家电用电日负荷预测方法， 其特征在于， 所述步骤 S50， 包括： 基于预处理后数据中部分数据作为第二训练数据， 将所述第二训练数据中的最高温 度、 最低温度及对应的湿度作为输入值； 以所述第二训练数据的历史负荷数据实测值与优化后的LSSVM模型预测值之间的偏差 作为输出值； 以所述输入值、 输出值组建训练样本， 建立3层前馈行BP神经网络模型。 8.根据权利要求7所述的一种智能家电用电日负荷预测方法， 其特征在于， 所述BP神经 网络模型的建立过程， 包括： ①神经网络初始化： 给出输入层和隐含层间的初始权值Wij、 初始阈值bj， 以及隐含层和 输出层间的初始权值 Wjk、 初始阈值bm， 并设置初始学习速率 η、 终止误差e及最大迭代次数 λ； ②信号的正向传递： 隐含层第j个神经 元的输出： 式中， f为隐含层的激励函数， 隐层神经元映射函数采用Sigmoid函数； xi为第i个输入节 点的输入值， n 为输入值总数； l 为隐含层神经 元总数； 输出层第k个神经 元的输出： 式中， f为输出层的激励函数， 为Purel in函数； m为输出层神经 元总数； 学习误差函数： 式中， yk为样本的实际输出； ③误差反向传播与权值阈值训练及更新： 从隐含层第j个神经元到输出层第 k个神经元 的连接权值有如下 更新增量计算公式： 同理可得阈值更新增量： 对输入层第i个神经元至隐含层第j个神经元之间的连接权值及阈值的更新增量的计 算公式：权　利　要　求　书 2/3 页 3 CN 115358453 A 3