(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110004055.X (22)申请日 2021.01.04 (65)同一申请的已公布的文献号 申请公布号 CN 112711913 A (43)申请公布日 2021.04.27 (73)专利权人 国网江苏省电力有限公司南京供 电分公司 地址 210008 江苏省南京市 鼓楼区中山路 251号 专利权人 国网电力科 学研究院武汉能效测 评有限公司 　 国网电力科 学研究院有限公司 　 国家电网有限公司 (72)发明人 肖晶　徐荆州　齐飞　冯澎湃　 邱泽晶　郭松　周博滔　江城　(74)专利代理 机构 武汉开元知识产权代理有限 公司 42104 专利代理师 李满 (51)Int.Cl. G06F 30/27(2020.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) G06F 119/08(2020.01) G06F 119/10(2020.01) (56)对比文件 CN 102930347 A,2013.02.13 CN 110245783 A,2019.09.17 审查员 张婷 (54)发明名称 基于粒度支持向量机的冷热电短期负荷预 测系统及方法 (57)摘要 本发明公开了一种基于粒度支持向量机的 冷热电短期负荷预测系统及方法， 考虑了影响冷 热电短期负荷预测的各类关键影 响因素， 通过采 集历史冷热电负荷和关键影 响因素的样本数据， 运用共享最近邻相似度把样本划分为若干个信 息粒， 利用k最近邻连通度提取每个信息粒关键 支持向量点， 针对支持向量点进行支持向量机训 练后得到最终的决策模型， 然后利用决策模型进 行冷热电负荷预测， 以提高短期负荷预测准确率 和降低时间复杂 度。 本发明方法在保证 关键粒化 信息不丢失的同时减低了负荷训练样本的复杂 性， 克服传统粒度支持向量机对短期负荷历史样 本数据粒化的随机性， 从而获得较好的预测精度 和模型泛化能力。 权利要求书5页 说明书7页 附图2页 CN 112711913 B 2022.07.22 CN 112711913 B 1.一种基于粒度支持向量机的冷热电短期负荷预测系统， 其特征在于： 包括数据采集 模块(1)、 粒度划分模块(2)、 支持向量提取模块(3)、 预测模型训练模块(4)和负荷预测模块 (5)； 所述数据采集模块(1)用于采集建筑物历史时序冷热电负荷和影响建筑冷热电负荷水 平的关键影响因素样本数据， 并完成关键影响因素样本数据预 处理生成关键影响因素样本 集； 所述粒度划分模块(2)用于运用共享最近邻相似度将数据采集模块(1)输出的关键影 响因素样本集进行 粒群划分， 获得若干个信息粒； 所述支持向量提取模块(3)用于利用k最近邻连通度对粒度划分模块(2)输出的每个信 息粒的关键支持向量 点进行提取； 所述预测模型训练模块(4)针对支持向量提取模块(3)输出的支持向量点， 以建筑物历 史时序关键影响因素为输入变量、 以建筑物历史 时序冷热电负荷为输出变量进 行SVM训练， 获得逐时负荷预测最终决策模型超参数组， 建立粒度支持向量机负荷预测模型； 所述负荷预测模块(5)采用数据采集模块(1)的关键影响因素预处理方法获得当前时 刻关键影响因素样 本数据， 以当前时序行样本为输入变量值， 基于预测模 型训练模块(4)输 出的粒度支持向量机负荷预测模型计算下一时段冷热电负荷归一 化预测结果； 所述粒度划分模块(2)完成粒群划分的具体方法为： 第一步， 计算数据采集模块(1)输出的归一化后的每个样本点间的欧氏距离r， 构造距 离矩阵D为样本点， 即： D＝(ai， j)n×n， xi， xj 式中， xi， xj是样本集{x1， x2，…， xn}中的任意两点， 其中： xi＝[ri， 1， ri， 2，…， ri， n] xj＝[rj， 1， rj， 2，…， rj， n] 式中， ri， n为关键影响因素列n的样本点xi的欧氏距 离； 为rj， n为关键影响因素列n的样本 点xj的欧氏距离； 第二步， 计算距离矩阵D中每个点的共享最近邻相似度S(xi， xj)， 得到样本的相似度矩 阵， 即： S(xi， xj)＝s(nn[xi]∩nn[xj]) 式中， nn[xi]和nn[xj]分别是xi和xj的k最近邻列  表； s(nn[xi]∩nn[xj])表示距离矩阵 D的大小； 若xi和xj两点存在对方的k最近邻中， 则 定义两点为相似， 且其共享最近邻点的个 数为两点的相似度值S(xi， xj)； 第三步， 计算每个样本点的密度D(xi)， 将大于 阈值n的点归为信息粒{ K1， K2，…， Kn}， 小 于阈值相似度n的点归为噪声点{N1， N2，…， Nn}， 即： D(xi)＝count[ S(xi， xj)]≥n 式中， 点xi的密度为在xj的k最近邻列表中与xi相似的点的个数； n为判断两个点是否相 似的阈值， 即两个点相似的条件是他们两者之间共享了不少于n个的最近邻； K＝{D(xi)≥n}权　利　要　求　书 1/5 页 2 CN 112711913 B 2N＝{D(xi)＜n} 式中， K为信息粒， 核心点密度不小于阈值 n； N为噪声点， 核心点密度小于阈值 n； 所述支持向量 提取模块(3)完成支持向量 点提取的具体方法为： 第一步， 对属于混合粒的信息粒{Ni}， 利用k最近邻法对其进行裁剪， 得到关键信息 {Gs}； 第二步， 对属于纯 粒的信息粒{Ki}， 计算其k最近邻连通度st(xi， D)， 即： st(xi， D)＝∑c(xi) 式中， D， 表示样本集； xi， 表示任意一个样本点； c(xi)， 表示点xi出现在k最近邻列表中 的次数； 若xi是xj的k最近邻列表中的一 点， 则称点xi与点xj连通； 第三步， 计算纯粒{Ki}中样本点的k最近邻连通度平均值Dm作为阈值， 将连通度大于阈 值的样本点删除并提取边 缘点{Gb}， 对于粒化得到的噪声点保留为 一个噪声粒{Gn}， 即： Dm＝∑st(xi， D)/s(D) 式中， s(D)， 表示样本集D中样本点的个数； 所述预测模型训练模块(4)完成预测模型训练的具体方法为： 第一步， 将从混合粒中提取出的支持向量点{Gs}、 从纯粒中提出 的边缘点{Gb}、 噪声点 {Gn}进行组合， 生成新的样本数据集D ′； 第二步， 设定SVM超参数变化范围： 惩罚参数C为[10‑2， 103]， 损失函数参数ε为[10‑3， 10]， RBF核函数参数σ 为[10‑2， 102]； 第三步， 利用十折交叉验证法， 将数据集D ′分为10份， 其中8份作为训练样本， 剩余2份 作为测试样本， 采用高斯核函数进行SVM训练， 寻找最优超参数组， 得到短期负荷预测最终 的决策模型， 建立粒度支持向量机负荷预测模型。 2.根据权利要求1所述的基于粒度支持向量机的冷热电短期负荷预测系统， 其特征在 于： 还包括实际负荷输出模块(6)， 所述实际负荷输出模块(6)用于对负荷预测模块(5)输 出的短期预测结果进行处 理得到预测时刻冷热电逐时负荷实际计算结果； 所述数据采集模块(1)采集的关键影响因素包括建筑围护结构要素和/或室外天气和/ 或用户行为和/或节假日， 不同种类的关键影响因素以不同列数据形式存放至关键影响因 素样本数据中； 所述样本数据为每间隔m分钟记录一组样本记录， 包括前d天的历史负荷数 据及影响因素 数据。 3.根据权利要求1所述的基于粒度支持向量机的冷热电短期负荷预测系统， 其特征在 于： 所述数据采集模块(1)完成异常数据样本清洗的具体方法为： 第一步， 计算所述数据采集模块(1)采集到的建筑冷热电负荷关键影响因素每列样本 数据xi的算术平均值 即： 式中， ns为关键影响因素的原 始样本数据记录 长度； 第二步， 运用贝塞尔函数计算建筑冷热电负荷关键影响因素每列样本数据xi的标准差 σ， 即：权　利　要　求　书 2/5 页 3 CN 112711913 B 3