(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 202111526907.8 (22)申请日 2021.12.14 (71)申请人 广州市奔流电力科技有限公司 地址 510670 广东省广州市黄埔区埔南路 51号自编一栋 301房 (72)发明人 朱敏萍　蒋崇颖　程智远　黄向杰　 张诗建　邓文扬　 (74)专利代理 机构 北京天江律师事务所 1 1537 专利代理师 何志国 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 3/08(2006.01) (54)发明名称 一种基于模式提取和误差调整的行业用户 电量预测方法 (57)摘要 本发明涉及行业用户负荷预测技术领域， 尤 其为一种基于模式提取和误差调整的行业用户 电量预测方法， 包括以下操作步骤： S1， 利用K ‑ means聚类算法， 提取典型行业年负荷曲线； S2， 利用最大信息系数的方法， 分析节假日、 气象等 外部宏观因素与待预测用户电量的关联程度； S3， 依据典型行业负荷曲线和节假日、 气象等外 部因素， 利用麻雀搜索优化的BP神经网络， 进行 电量预测； S4， 利用非参数估计的方法， 得到残差 的概率分布， 对 预测结果进行调整得到最终的电 量预测值， 本发明采用最大信息系数的方法， 分 析外部因素对电量的影 响程度， 具有普适性和公 平性， 能够更准确的描述不同因素对电量的影 响 程度。 权利要求书4页 说明书15页 附图3页 CN 114444760 A 2022.05.06 CN 114444760 A 1.一种基于模式提取和误差调 整的行业用户电量预测方法， 其特征在于包括以下操作 步骤： S1， 利用K ‑means聚类算法， 提取典型 行业年负荷曲线； S2， 利用最大信息系数的方法， 分析节假日、 气象等外部宏观因素与待预测用户电量的 关联程度； S3， 依据典型行业负荷曲线和节假日、 气象等外部因素， 利用麻雀搜索优化的BP神经网 络， 进行电量预测； S4， 利用非参数估计的方法， 得到残差的概率分布， 对预测结果进行调整得到最终的电 量预测值。 2.根据权利要求1所述的一种基于模式提取和误差调整的行业用户电量预测方法， 其 特征在于： 所述S1 中K‑means算法的核心是将给定的数据集以损失函数最小为目标， 算法流 程具体包括以下内容： S11， 对原始数据进行 标准化处理， 防止“大数吃小数 ”； S12， 随机 选取1个中心， 初始位置记为 S13， 定义损失函数 M为用户数量， μi为第i个用户的电量ai的聚类 中心； S14， 令t＝0,1,2,. ..为迭代步数， 重复以下两个步骤直到收敛： S141， 将第i个用户的电量xi， 其分配到距离其 最近的中心 其中， 为第t次迭代后电量ai最近的聚类中心， t为迭代步数； S142， 重新计算聚类中心的初始位置： 其中， 表示第t步迭代结束后， 第k个新的聚类中心； 算法中采用欧式距离作为相似度测量， 损失函数为各组电量数据距离所属簇中心点的 误差平方和。 3.根据权利要求1所述的一种基于模式提取和误差调整的行业用户电量预测方法， 其 特征在于： 所述S2中具体操作步骤如下： S21， 将节假日、 天气等主要影响因素进行量化， 分别对工作日、 周末、 其他节假日的量 化值定义为： 2、 1、 0； 分别对晴天、 多云、 阴天、 小雨、 中雨、 大雨、 雪天的量化值定义为： 1、 2、 3、 4、 5、 6、 7； S22， 利用最大信息系数算法， 求解节假日、 最 高温、 最低温、 天气、 风级等与电量的关联 系数， 最大信息系数的求 解方法如下：权　利　要　求　书 1/4 页 2 CN 114444760 A 2其中， m＝1、 2、 ...、 5表示节假日、 最高温、 最低温、 天气、 风级五种影响因素， X(m)为影 响因素的量化数 组， Y为待预测用户的电量数组， x、 y分别为数 组X和Y中的元素， p(x)和p(y) 分别表示x和y的概率、 p(x,y)表 示变量x和y之间的联合概率， B为常数， 通常取数据量的0.6 次方； 一般地， 当Rmic(x,y)≥0.8， 认为二者高度相关； 当Rmic(x,y)≥0.5， 认为二者中度相关； 当0.5＞Rmic(x,y)≥0.3， 认为二者较为相关； 当Rmic(x,y)＜0.3关系极弱， 认为不相关； 当外 部宏观因素与待 预测电量的最大信息系数不超过0.3时， 认为其不影响该用户的电量， 故该 参数不作为预测网络的输入特 征。 4.根据权利要求1所述的一种基于模式提取和误差调整的行业用户电量预测方法， 其 特征在于： 所述S 3中具体为利用麻雀搜索优化算法优化BP神经网络的神经元之 间的连接权 值 隐含层阈值p和输出层阈值q； 将行业典型年负荷曲线、 影响电量的 外部宏观因素和历史负荷数据， 作为网络的输入， 经过麻雀搜索优化的BP神经网络训练得 到预测结果， S31， 其中麻雀搜索优化 算法的步骤 包括： S311， 初始化由n只麻雀组成的种群， 如下式 其中， n只麻雀组成种群Z， n通常取2 0， 表示第d维的第n只麻雀的位置， 即待优化权值 或阈值的初始值， d表示待优化权值和阈值的数量； S312， 计算 适度值， 并排序 其中， Fz表示适应度值数组， fj表示第j只麻雀对应权值或阈值 的带入网络得到的训练 准确度， 也称适度值； S313， 更新捕食者 位置 权　利　要　求　书 2/4 页 3 CN 114444760 A 3