(19)中华 人民共和国 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 202111376352.3 (22)申请日 2021.11.19 (71)申请人 国网江西省电力有限公司电力科 学 研究院 地址 330096 江西省南昌市高新区民营 科 技园民强路8 8号 申请人 国家电网有限公司 (72)发明人 欧阳文华 　常乐　蒙天骐　徐在德　 安义　戚沁雅　 (74)专利代理 机构 南昌丰择知识产权代理事务 所(普通合伙) 36137 代理人 吴称生 (51)Int.Cl. G06Q 10/04(2012.01) G06K 9/62(2022.01)G06Q 50/06(2012.01) H02J 3/00(2006.01) G06N 20/00(2019.01) (54)发明名称 一种基于机器学习的超短期电力负荷预测 方法及装置 (57)摘要 本发明公开了一种基于机器学习的超短期 电力负荷预测方法， 对原始数据归一化操作； 使 用变分模态分解方法对负荷数据进行处理， 将波 动性较强的原始负荷数据分解为多个较平稳的 本征模态函数分量； 使用Kmean s方法对各本征模 态函数分量进行聚类， 得到新负荷序列； 考虑影 响因素对电力负荷的影响进行特征构造； 利用 XGBoost模型对新负荷序列进行预测， 之后对各 预测值叠加重构得到最终预测结果。 本发明考虑 天气、 节假日等因素影响构造数据特征并结合 VMD、 Kmean s、 XGBoost方法的优 点， 可提高超短期 负荷预测精度。 权利要求书2页 说明书5页 附图2页 CN 113962485 A 2022.01.21 CN 113962485 A 1.一种基于 机器学习的超短期电力负荷预测方法， 其特 征在于， 步骤如下： 第一步， 对原始数据归一 化操作； 第二步， 使用变分模态分解方法对负荷数据进行处理， 将波动性较强的原始负荷数据 分解为多个较平稳的本征模态函数分量； 第三步， 使用Kmeans方法对各本征模态函数分量进行聚类， 为确定聚类数， 对不同聚类 数进行效果测试， 使用轮廓系 数法和模糊划分系 数评价效果， 得到效果最好的聚类数后进 行聚类， 然后依次将同一类的负荷分量叠加， 得到新负荷序列； 第四步， 考虑影响因素对电力负荷的影响进行 特征构造； 第五步， 利用XGBoost模型对新负荷序列进行预测， 之后对各预测值叠加重构得到最终 预测结果。 2.如权利要求1所述的基于机器学习的超短期电力负荷预测方法， 其特征在于， 第四步 所述影响因素包括天气、 节假日、 温度。 3.如权利要求1所述的基于机器学习的超短期电力负荷预测方法， 其特征在于， 其特征 在于， 第二步中， 分解过程为： 首先， 根据前人研究结果和实际应用经验设置惩罚参数为 2000， 初始中心频率为0； 然后， 预设分解阶数K值范围， 依次进 行分解实验， 将中心频率最为 接近的一组实验的分解阶数K值设定为最佳参数； 最后， 设置最佳参数对原始数据进行分 解， 得到n个本征模态函数分量。 4.如权利要求1所述的基于机器学习的超短期电力负荷预测方法， 其特征在于， 第 三步 中， 聚类过程为： 首先， 需确 定聚类数， 预设不同聚类数如2 ‑8类， 依次进行聚类并使用轮廓 系数法与模糊划分系 数对聚类效果进行评分以此确定最佳聚类数； 其中， 轮廓系 数法与模 糊划分系数评 分两者得分越高则表示聚类效果越好； 然后， 设置最佳聚类数进 行聚类， 将同 类中负荷分量叠加， 得到m组新负荷序列。 5.如权利要求1所述的基于机器学习的超短期电力负荷预测方法， 其特征在于， 第五步 的具体过程如下： 首先， 对XGBoost模型参数进行初始化， 设置初始参数； 然后， 根据前人研 究及实际应用经验设置调参范围； 最后， 使用网格搜索与交叉验证法寻找最优参数， 评估指 标为平均绝对百分误差 MAPE， 其计算公式如下： 式中， 式中， 表示预测值， yi述表示真实值， i＝1,2,3...n,； 使用网格搜索进行遍历寻 优， 计算并记录MAPE值进行对比， 得到最佳参数； 将最佳参数替换最大树高初始值， 继续下 一参数寻优， 以此类 推得到一组最佳参数； 在XGBoost模型设置已找寻的最佳参数， 将构造特征后的各组数据按照8:2划分训练集 与测试集， 依次预测 后叠加重构得到最后连续96个点的预测值， 计算并记录MAPE、 平均绝对 误差MAE、 均方根 误差RMSE对预测模型进行评估。 6.一种基于机器学习的超短期电力负荷预测装置， 其特征在于， 包括数据导入及归一 化模块、 分解模块、 聚类模块、 特征构 造模块、 预测模块和评估模块， 所述分解模块接收数据 导入及归一化模块处理后的数据， 并进 行变分模态分解处理， 得到本征模态函数分量； 所述 聚类模块对本征模态 函数分量聚类分析得到新负荷序列； 所述特征构 造模块根据新负荷序权　利　要　求　书 1/2 页 2 CN 113962485 A 2列历史信息、 天气、 节假日特征构 造特征； 所述预测模块对新负荷序列进 行预测得到最 终预 测结果： 所述评估模块比较预测结果与真实值之间的误差， 评估超短期电力负荷预测装置 的预测效果。 7.如权利要求6所述的基于机器学习的超短期电力负荷预测装置， 其特征在于， 数据导 入及归一 化模块用于对原 始数据使用峰值法归一 化处理并导入 超短期电力负荷预测装置 。 8.如权利要求6所述的基于机器学习的超短期电力负荷预测装置， 其特征在于， 分解模 块用于变分模态分解模型参数确定， 包括惩罚参数、 初始中心频率及分解阶数， 之后对数据 进行分解得到多个本征模态函数分量。 9.如权利要求6所述的基于机器学习的超短期电力负荷预测装置， 其特征在于， 聚类模 块用于Kmeans参数确定， 之后对分解模块得到的分量聚类并分别对同一类分量叠加， 得到 新负荷序列。 10.如权利要求6所述的基于机器学习的超短期电力负荷预测装置， 其特征在于， 预测 模块用于XGBoost模 型参数寻优， 之后对 特征构造模块得到的各序列特征预测， 最后叠加重 构得到预测值。权　利　要　求　书 2/2 页 3 CN 113962485 A 3