(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 202210888566.7 (22)申请日 2022.07.27 (71)申请人 中国电力科 学研究院有限公司 地址 100192 北京市海淀区清河小营东路 15号 (72)发明人 林晶怡　张静　李文　李昊　 张思瑞　卜凡鹏　刘畅　李斌　 成岭　屈博　蒋利民　王占博　 郭炳庆　覃剑　李德智　郭京超　 (74)专利代理 机构 北京安博达知识产权代理有 限公司 1 1271 专利代理师 徐国文 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01)G06F 17/11(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) H02J 3/00(2006.01) (54)发明名称 一种电供暖负荷预测方法、 系统、 设备和介 质 (57)摘要 本发明提供了一种电供暖负荷预测方法、 系 统、 设备和介质， 包括： 获取用户当前时刻前一段 时间内的电供暖负荷数据和居民用电影响因素 数据； 将电供暖负荷数据和居民用电影 响因素数 据输入预先构建的灰色径向基函数神经网络组 合预测模型， 得到未来时刻用户的电供暖负荷预 测值； 其中， 灰色径向基函数神经网络组合预测 模型采用灰色预测模型和基于居民用电影响因 素的负荷径向基函数神经网络对电供暖负荷预 测值对电供暖负荷进行预测； 本发 明中将电供暖 负荷数据和居民用电影响因素数据输入灰色径 向基函数神经网络组合预测模型进行负荷预测， 将现有模型中所忽略的居民用电影响因素再提 取出来， 并加上原本的灰色预测结果， 使预测更 加贴近实际。 权利要求书4页 说明书18页 附图5页 CN 114971090 A 2022.08.30 CN 114971090 A 1.一种电供暖负荷预测方法， 其特 征在于， 包括： 获取用户当前时刻前一段时间内的电供暖负荷数据和居民用电影响因素 数据； 将所述电供暖负荷数据和居民用电影响因素数据输入预先构建的灰色径向基函数神 经网络组合预测模型， 得到未来时刻用户的电供暖负荷预测值； 其中， 所述灰色径向基函数神经网络组合预测模型采用灰色预测模型和基于居民用电 影响因素的负荷径向基函数神经网络对电供暖负荷预测值对电供暖负荷进行 预测。 2.如权利要求1所述的方法， 其特征在于， 所述灰色径向基函数神经网络组合预测模型 的构建， 包括： 获取历史时段内用户的电供暖负荷数据以及居民用电影响因素数据， 以及历史时段对 应未来时刻的电供暖负荷数据； 以所述历史时段内用户的电供暖负荷数据为原 始数列， 构建灰色预测模型； 以所述历史时段内的居民用电影响因素数据为输入， 以所述历史时段对应未来时刻的 电供暖负荷数据为输出构建并训练负荷径向基函数神经网络； 分别计算所述灰色预测模型和负荷径向基函数神经网络对电供暖负荷进行预测时的 方差， 并根据所述方差， 分别计算灰色预测模型和负荷径向基函数神经网络的权系数； 以所述灰色预测模型及对应的权系数和负荷径向基函数神经网络及对应的权系数构 成灰色径向基函数神经网络组合预测模型。 3.如权利要求2所述的方法， 其特征在于， 所述分别计算所述灰色预测模型和负荷径向 基函数神经网络对电供暖负荷进行 预测时的方差， 包括： 基于所述历史时段内用户的 电供暖负荷数据， 采用所述灰色预测模型进行预测， 得到 历史时段对应未来时刻的电供暖负荷的灰色预测值， 并根据历史时段对应未来时刻的电供 暖负荷的灰色预测值和电供暖负荷数据， 计算灰色预测模型的进行 预测时的方差； 基于所述历史时段内的居民用电影响因素数据， 采用所述负荷径向基函数神经网络进 行预测， 得到历史时段对应未来时刻的电供暖负荷的神经网络预测值， 并根据历史时段对 应未来时刻的电供暖负荷的神经网络预测值和电供暖负荷数据， 计算负荷径向基函数神经 网络进行 预测时的方差 。 4.如权利要求2所述的方法， 其特 征在于， 所述灰色预测模型的权系数的计算式如下： 式中， 为灰色预测模型的权系数， 为灰色预测模型的方差， 为负荷径向基函数 神经网络的方差； 所述负荷径向基函数神经网络的权系数的计算式如下： 式中， 为负荷径向基函数神经网络的权系数。 5.如权利要求2所述的方法， 其特征在于， 所述以所述历史时段内用户的电供暖负荷数 据为原始数列， 构建灰色预测模型， 包括： 以所述历史时段内用户的电供暖负荷数据为原 始数列进行累加， 得到累加生成序列；权　利　要　求　书 1/4 页 2 CN 114971090 A 2求解累加生成序列对应的灰色微分方程， 得到对应的离 散响应函数； 将所述离散响应函数映射到神经网络 中， 并以所述历史时段内用户的电供暖负荷数据 为输入， 以历史时段对应未来时刻的电供暖负荷数据为输出， 对所述神经网络进 行训练， 提 取完成训练的所述神经网络中的方程系数， 得到白化方程； 基于所述历史时段内用户的 电供暖负荷数据， 采用所述 白化方程进行预测， 得到历史 时段对应未来时刻的电供暖负荷的 白化预测数据， 并计算所述白化预测数据与对应未来时 刻的电供暖负荷数据间的残差； 根据所述残差判断所述 白化方程是否达到预设精度要求： 若是， 则将所述 白化方程作 为灰色预测模型； 否则采用残差径向基函数神经网络对所述白化方程进行残差修正， 直到 残差修正后的白化方程达 到预设精度要求； 其中， 所述残差径向基函数神经网络是以历史时段内采用所述白化方程进行预测得到 的白化预测数据为输入， 以白化预测数据与对应未来时刻的电供暖负荷数据间的残差为输 出， 构建并训练得到的。 6.如权利要求5所述的方法， 其特征在于， 所述采用残差径向基函数神经网络对所述白 化方程进行残差修 正， 包括： 将采用所述白化方程预测得到的白化预测数据输入残差径向基函数神经网络， 得到残 差预测值； 将所述残差预测值加上白化预测数据得到新的白化预测数据； 将新的白化预测数据与历史时段内用户的电供暖负荷数据间的对应关系作为残差修 正后的白化方程。 7.如权利要求2所述的方法， 其特征在于， 所述将所述电供暖负荷数据和居民用电影响 因素数据输入预先构建的灰色径向基函数神经网络组合预测模型， 得到未来时刻用户的电 供暖负荷预测值， 包括： 将所述电供暖负荷数据输入灰色预测模型， 得到未来 时刻用户的电供暖负荷的灰色预 测值， 将所述居民用电影响因素数据输入负荷径向基函数神经网络， 得到未来时刻用户的 电供暖负荷的神经网络预测值； 以灰色预测模型对应的权系数作为灰色预测值的权重， 以负荷径向基函数神经网络对 应的权系数作为神经网络预测值的权重， 对所述灰色预测值和神经网络预测值进 行加权求 和， 得到未来时刻用户的电供暖负荷预测值。 8.如权利要求1所述的方法， 其特征在于， 所述居民用电影响因素数据至少包括下述中 的一种或多种： 温湿度要求、 认同舒 适度指数、 用电习惯、 节假日、 建筑围护结构和室外气象条件。 9.如权利要求1所述的方法， 其特征在于， 所述获取用户当前时刻前一段时间内的电供 暖负荷数据和居民用电影响因素数据之后， 且将所述电供暖负荷数据和居民用电影响因素 数据输入预 先构建的灰色径向基函数神经网络组合预测模型之前， 还 包括： 对所述电供暖负荷数据中的遗漏数据进行填补， 对所述电供暖负荷数据中的异常数据 进行识别和修 正， 并将所述电供暖负荷数据进行归一 化。 10.一种电供暖负荷预测系统， 其特 征在于， 包括： 数据获取模块和预测模块； 所述数据获取模块， 用于获取用户当前时刻前一段时间内的电供暖负荷数据和居民用权　利　要　求　书 2/4 页 3 CN 114971090 A 3