(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 202111382962.4 (22)申请日 2021.11.22 (71)申请人 湖南大学 地址 410082 湖南省长 沙市岳麓区麓山 南 路2号 (72)发明人 许加柱　曾林俊　王家禹　梁志宏　 李芸　钟朝峰　童逆寒　 (74)专利代理 机构 长沙市融智专利事务所(普 通合伙) 43114 代理人 熊开兰 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/00(2006.01) (54)发明名称 一种电力负荷短期区间预测方法、 装置、 设 备及介质 (57)摘要 本发明公开了一种电力负荷短期区间预测 方法、 装置、 设备及介质， 其中方法为： 获取历史 的电力负荷和温湿度数据， 进行预处理构建训练 样本； 其中训练样本中的电力负荷区间上下限， 通过对电力负荷叠加服从正态分布的随机白噪 声得到； 利用灰狼算 法GWO实现对蚁狮算法ALO初 始种群的寻优， 得到AL O的最优初始种群； 进而利 用初始种群下的ALO优化ELM的输入权重和隐层 偏置的寻优， 构建基于GWO ‑ALO‑ELM的电力负荷 短期区间预测模 型， 即可用于对目标时刻的电力 负荷进行短期的区间预测。 本发 明精细考虑了负 荷的影响因素， 可以实现对电力负荷进行区间预 测， 且准确度高， 对电力系统调度决策、 规划等具 有一定的指导 意义。 权利要求书3页 说明书9页 附图2页 CN 114066072 A 2022.02.18 CN 114066072 A 1.一种基于GWO ‑ALO‑ELM的电力负荷短期区间预测方法， 其特 征在于， 包括： 步骤1， 获取历史时段内预设间隔时刻的电力负荷和温湿度数据， 构建若干组原始数 据， 每组原始数据表示为xt＝(Pl,t‑n,Pl,t‑1,Tt,Ttmax,Ttmin,Ttmean,Hut,Dt,Pl,t)； 其中， Pl,t‑n, Pl,t‑1,Pl,t分别表示时刻t ‑n,t‑1,t的电力负荷， Tt表示时刻t的温度， Ttmax,Ttmin,Ttmean分别 表示时刻t所在日所有时刻中的最高温度、 最低温度和平均温度， Hut表示时刻t的湿度， Dt表 示时刻t属于星期几； n 为一天所包括的时刻数量； 步骤2， 对原始数据组中的各维数据进行归一化处理， 得到归一化后的数据组表示为 再对时刻t 的归一化电力负荷 加噪处理， 得到时刻t的电力负荷区间的上限 和下限 步骤3， 将数据组中的 输入到极限学习机， 设输出数据得到为 和 作为预测电力负荷区间的上限和下 限； 然后根据预测电力 负荷区间的上限 和下限 以及实际的电力负荷区间的上限 和下限 计算 极限学习机预测的损失函数值； 步骤4， 根据蚁狮寻优算法， 使用极限学习机待训练学习的参数表示蚁狮种群 中的个体 位置， 使用训练极限学习机的损失函数作为蚁狮优化算法的适应度函数， 寻优求解极限学 习机的最优参数， 得到基于该最优参数的电力负荷短期区间预测模型； 其中， 使用蚁狮寻优算法寻优求解极限学习机的最优参数时， 利用灰狼算法寻优得到 蚁狮种群的初始 位置， 具体为： 根据灰狼算法， 使用极限学习机待训练学习的参数表示灰狼 种群中的个体位置， 使用训练极限学习机的损失函数作为灰狼优化算法的适应度函数， 寻 优求解蚁狮种群的最优初始位置； 步骤5， 对目标时刻ta的电力负荷短期预测， 确定目标时刻ta所在星期类型 获取目 标时刻ta的温度 湿度 获取时刻分别为ta‑1,ta‑n的电力负荷 获取目标 时刻ta所在日所有时刻中的最高温度 最低温度 和平均温度 按步骤2对各 维数据进行归一化处理， 然后再输入至步骤4训练得到的电力负荷短期区间预测模型进行 预测， 得到目标时刻ta的电力负荷预测区间。 2.根据权利要求1所述的方法， 其特 征在于， n ＝24或者 n＝96。 3.根据权利要求1所述的方法， 其特 征在于， 极限学习机预测的损失函数表达式为： 式中， T表示输入极限学习机进行训练的数据组个数。 4.根据权利要求1所述的方法， 其特征在于， 步骤2对时刻t的归一化电力负荷 加噪 处理， 是在归一化电力负荷 的基础上叠加服从正态分布的噪声ξ(t)， |ξ(t)|∈[0, 0.1]， 从而得到： 权　利　要　求　书 1/3 页 2 CN 114066072 A 25.根据权利要求1所述的方法， 其特征在于， 根据蚁狮寻优算法寻优求解极限学习机的 最优参数时， 蚂蚁游走空间的确定方法为： 在步骤2得到归一化后的所有数据 组后， 从所有 的电力负荷Pl,t,t＝1,2, …,T中提取出最大值和最小值， 由该最大值与最小值构成的开区 间作为蚂蚁的游走空间。 6.根据权利要求1所述的方法， 其特征在于， 根据 灰狼算法寻优求解蚁狮种群的最优初 始位置时， 灰狼的搜索空间的确定方法为： 在步骤2得到归一化后的所有数据 组后， 从所有 的电力负荷Pl,t,t＝1,2, …,T中提取出最大值和最小值， 由该最大值与最小值构成的开区 间作为灰狼的搜索空间。 7.一种基于GWO ‑ALO‑ELM的电力负荷短期区间预测装置， 其特 征在于， 包括： 原始数据获取模块， 用于： 获取历史时段内预设间隔时刻的电力负荷和温湿度数据， 构 建若干组原始数据， 每组原始数据表示为xt＝(Pl,t‑n,Pl,t‑1,Tt,Ttmax,Ttmin,Ttmean,Hut,Dt, Pl,t)； 其中， Pl,t‑n,Pl,t‑1,Pl,t分别表示时刻t ‑n,t‑1,t的电力负荷， Tt表示时刻t的温度， Ttmax,Ttmin,Ttmean分别表示时刻t所在日所有时刻中的最高温度、 最低温度和平均温度， Hut表 示时刻t的湿度， Dt表示时刻t属于星期几； n 为一天所包括的时刻数量； 数据预处理模块， 用于： 对原始数据组中的各维数据进行归一化处理， 得到归一化后的 数据组表示为 再对时刻t的归 一化电力负荷 加噪处理， 得到时刻t的电力负荷区间的上限 和下限 误差模型计算模块， 用于： 将数据组中的 输入到极限学习机， 设输出数据得到为 和 作为预测电力负荷区间的上限和下限； 然后根据预测电力 负荷区间的上限 和下限 以及实际的电力 负荷区间的上限 和下限 计算极限学习机预测的损失函数值； 电力负荷 短期区间预测模型训练模块， 用于： 根据蚁狮寻优算法， 使用极限学习机待训 练学习的参数对蚁狮种群中的个体位置进 行表示， 使用极限学习机的损失函数作为蚁狮优 化算法的适应度函数， 寻优求解极限学习机的最优参数， 得到基于该最优参数 的电力负荷 短期区间预测模型； 其中， 使用蚁狮寻优算法寻优求解极限学习机的最优参数时， 蚁狮种群的初始位置， 利 用灰狼算法寻优得到， 具体为： 根据灰狼算法， 使用极限学习机待训练学习的参数对灰狼种 群中的个体位置进行表示， 使用极限学习机的损失函数作为灰狼优化算法的适应度函数， 寻优求解蚁狮种群的最优初始位置； 目标时刻电力负荷短期区间预测模块， 用于： 对于目标时刻ta的电力负荷短期区间预 测， 确定目标时刻ta所在星期类型 获取目标时刻ta的温度 湿度 获取时刻 分别 为ta‑1,ta‑n的电力负荷 获取目标时刻ta所在日所有时刻中的最高温度 最低温度 和平均温度 使用数据预处理模块对各维数据进行归一化处理， 然后再 输入至训练得到的电力负荷短期区间预测模型进行预测， 得到目标时刻ta的电力负荷预测 区间。权　利　要　求　书 2/3 页 3 CN 114066072 A 3