(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 202111581634.7 (22)申请日 2021.12.2 2 (71)申请人 国网宁夏电力有限公司 地址 750010 宁夏回族自治区银川市 兴庆 区长城东路28 8号 申请人 华北电力大 学 (72)发明人 余蕾　岳超　马钊　田鑫　张坤　 何永秀　恩格贝　王可蕙　 (74)专利代理 机构 北京卫平智业专利代理事务 所(普通合伙) 11392 专利代理师 闫萍 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/08(2006.01)G06N 3/04(2006.01) (54)发明名称 基于MSTL和LSTM模型的中长期电力负荷预 测方法 (57)摘要 本发明涉及一种基于神经网络进行电力负 荷预测的方法， 包括： 搜集待处理年尺度数据与 月尺度数据并进行相关性检验， 确立年尺度数 据， 月尺度数据中的关键影响因素； 分别关键影 响因素及对应的年度电力最大负荷数据和对应 的月度电力最大负荷数据， 进行季节分解， 得到 相应的年数据趋势分量、 年数据残差分量和年数 据周期分量和相应的月数据趋势分量、 月数据残 差分量和月数据周期分量； 然后分别进行协整检 验和降维处理， 得到LSTM模型的相应分量； 将各 分量输入LSTM模型中， 得到个分量的预测分量； 根据预测分量， 采用LS TM循环神经网络的自学习 能力将其进行拟合， 得出电力负荷预测值。 权利要求书4页 说明书11页 附图3页 CN 114595861 A 2022.06.07 CN 114595861 A 1.一种基于MSTL和LSTM模型的中长期电力负荷预测方法， 其特征在于， 具体包括如下 步骤： 步骤一： 搜集待处 理年尺度数据与月尺度数据； 步骤二： 分别对年尺度 数据与月尺度数据进行相关性检验， 确立年尺度 数据， 月尺度 数 据中的关键影响因素； 步骤三： 对步骤二得到的年尺度数据中的关键影响因素及对应的年度电力最大负荷数 据， 进行季节分解， 得到相应的年数据趋势分量、 年数据残差分量和年数据周期分量； 对步骤二得到的月尺度数据中的关键影响因素及对应的月度电力最大负荷数据进行 季节分解， 得到相应的月数据趋势分量、 月数据残差分量和月数据周期分量； 步骤四： 对步骤三得到的相应的年数据趋势分量、 年数据残差分量和年数据周期分量， 进行协整检验和降维处理， 得到LSTM模型的年数据周期输入分量、 年数据趋势输入分量和 年数据残差 输入分量； 对步骤三得到的相应的月数据趋势分量、 月数据残差分量和月数据周期分量进行协整 检验和降维处理， 得到LSTM模型的月数据周期输入分量、 月数据趋势与月数据残差输入分 量； 步骤五： 将年数据周期输入分量、 年数据趋势输入分量、 年数据残差输入分量、 月数据 周期输入分量、 月数据趋势输入分量与月数据残差输入分量输入多个LSTM模型中， 得到电 力负荷预测值在年数据周期预测分量、 年数据趋势预测分量、 年数据 残差预测分量、 月数据 周期预测分量、 月数据趋势预测分量与月数据残差预测分量； 步骤六： 根据步骤五得出的预测分量， 采用LSTM循环神经网络的自学习能力将其进行 拟合， 得出电力负荷预测值。 2.如权利 要求1所述的基于MSTL和LSTM模型的中长期电力负荷预测方法， 其特征在于， 步骤1所述 年尺度数据包括： 年度气象数据， 年度经济数据， 年度电力最大负荷数据； 所述月尺度数据包括： 月度电力最大负荷数据， 月度气象数据。 3.如权利 要求2所述的基于MSTL和LSTM模型的中长期电力负荷预测方法， 其特征在于， 所述年度经济数据包括： 地区生产总值， 第一产业， 第二产业， 第三产业， 地区生产总值不变 价， 第一产业不变价， 第二产业不变价， 第三产业不变价， 全社会用电量， 居民生活用电量， 耕地面积， 灌溉水田， 水浇地， 旱地， 园地， 果园， 城镇村及工矿用地， 城市， 建制镇， 村庄， 采 矿用地， 风景名胜及特殊用地， 地区生产总值， 第一产业， 第二产业， 工业， 建筑业， 第三产 业， 交通运输仓储和邮电业， 批发和零售业、 住宿和餐饮业， 钢材， 城镇人口比重； 年度气象数据包括： 年度平均气温、 年度最高气温、 年度最低气温、 年度35度以上天数 和年度降雨 量； 年度电力最大负荷数据包括： 2010年负荷、 2011年负荷、 2012年负荷、 2013年负荷、 2014 年负荷、 2015年负荷、 2016年负荷、 2017年负荷、 2018年负荷、 2019年负荷、 2020年负荷； 月度电力最大负荷 数据包括： 1月负荷、 2月负荷、 3月负荷、 4月负荷、 5月负荷、 6月负荷、 7月负荷、 8月负荷、 9月负荷、 10月负荷、 1 1月负荷、 12月负荷； 月度气象数据包括： 月度平均气温、 月度最高气温、 月度最低气温、 月度35度以上天数 和月度降雨 量。 4.如权利 要求2所述的基于MSTL和LSTM模型的中长期电力负荷预测方法， 其特征在于，权　利　要　求　书 1/4 页 2 CN 114595861 A 2步骤二具体包括： 计算年度气象数据与年度电力最大负荷数据间的相关系数、 年度 经济数据与年度电力 最大负荷数据间的相关系数， 筛选出相关系数大于0.8的作为关键影响因素， 及 对应的年度 电力最大负荷数据； 计算月度气象数据与月度电力最大负荷数据间的相关系数， 筛选出相关系数大于0.8 的作为关键影响因素， 及对应的月度电力最大负荷数据； 所述相关系数计算公式如公式(1)所示： 式中， Cov(X,Y)为X与Y序列的协方差， σx， σy为X， Y序列的对应标准差 。 5.如权利 要求4所述的基于MSTL和LSTM模型的中长期电力负荷预测方法， 其特征在于， 步骤三具体包括： 采用多周期趋势分解算法对年尺度数据中的关键影响因素及对应的年度电力最大负 荷数据进行 季节分解， 得到相应的年数据趋势分量、 年数据残差分量和年数据周期分量； 其中， xt表示在t时刻的数据， 表示年数据周期分量， 表示年数据趋势分量， 表示 年数据残差分量， 包括多个周期分量 n表示通过多周期趋势分解算法 分解得到的特定周期分量的编号； 采用多周期趋势分解算法对月尺度数据中的关键影响因素及对应的月度电力最大负 荷数据进行季节分解， 得到相应的月数据趋势分量Tt、 月数据残差分量Rt和月数据周期分量 St， 其中， St包括多个周期分量St1,St2， ...， Stn。 6.如权利 要求5所述的基于MSTL和LSTM模型的中长期电力负荷预测方法， 其特征在于， 步骤四中年数据周期分量的处 理过程包括： 采用ADF检验法对年数据周期分量进行单位根检验， 筛选出不满足平稳性要求的年数 据周期分量进入下一 步协整检验； ADF检验法采用的ADF检验 模型如下： 其中， α 是常数， δt是时间趋势项， γ＝ρ ‑1， Δyt为随机游走序列， Δyt‑i为Δyt的i阶滞 后差分项， μt为随机扰动项， yt为年数据周期分量， yt‑1为Δyt的1阶滞后差分项， βi为线性趋权　利　要　求　书 2/4 页 3 CN 114595861 A 3