CN115271161B 一种多能负荷短期预测方法 （华南理工大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115271161B(45)授权公告日2025.07.11

(21)申请号202210681305.8

(22)申请日2022.06.15

(65)同一申请的已公布的文献号申请公布号CN115271161A

(43)申请公布日2022.11.01

(73)专利权人华南理工大学

地址510640广东省广州市天河区五山路

381号

G06Q50/06(2024.01)

GO6F18/23(2023.01)

GO6N7/02(2006.01)

H02J3/00(2006.01)

(56)对比文件

CN112232575A,2021.01.15审查员崔淑芹

(72)发明人谢敏林盛振叶佳南张世平刘明波

(74)专利代理机构广州科粤专利商标代理有限

公司44001

专利代理师邓潮彬黄培智

(51)Int.CI.

GO6Q10/04(2023.01)权利要求书6页说明书9页附图3页

(54)发明名称

一种多能负荷短期预测方法

(57)摘要

CN115271161B本发明公开了一种多能负荷短期预测方法，包括：获取数据；进行数据预处理，并执行动态Copula相关分析与负荷模糊聚类分析；基于模糊优化曲线形态分析算法，对每类负荷曲线簇分别进行特征识别提取；基于统计频率分布，计算判别得到每类负荷曲线簇的总体特征分布集合；基于机器学习算法分类建立组合负荷预测模型，依据每类负荷曲线簇的历史特征数据进行组合模型训练；用概率转移链模型判断预测时段负荷所属的分类，基于该类训练完成的负荷预测模型进行负荷特征的预测，并针对未来用电特征展开分析。两阶段式模糊优化负荷特征识别组合模型相较于传统模型在计算效率与具体性能上均有高

CN115271161B

获取多能负荷历史曲线，以及负荷

获取多能负荷历史曲线，以及负荷青响因索的历史信息

进行数据预处理，并执行动态Copulha相关分析与模糊聚类分析

基于模鹅优化曲战形态分析算法，对每类负荷曲线候分别进行特征识别提取

(初次特征提取)

基于统计频率分布思想，计算判别得到

每类负荷曲线续的总体特征分布集合

(二次特征提取)

基于机器学习算法分类建立组合负荷预

测模型，依据每类负荷曲线簇的历史特

征数据进行组合模型训练

利用概率转移链模型判断预测时段负荷

预测模型进行负荷特征的预测，并可针对未来用电特征展开分析

基子拟合重构技术，重构预测特征至

负荷曲续原始旅度，完成负荷预测

103

106

107

CN115271161B权利要求书1/6页

2

1.一种多能负荷短期预测方法，其特征在于，包括：

获取数据，所述数据包括多能负荷历史曲线以及负荷影响因素的历史信息；

进行数据预处理，并执行动态Copula相关分析与负荷模糊聚类分析；

基于模糊优化曲线形态分析算法，对每类负荷曲线簇分别进行特征识别提取，实现负荷初次特征提取；

基于统计频率分布，计算判别得到每类负荷曲线簇的总体特征分布集合，实现负荷二次特征提取；

基于机器学习算法分类建立组合负荷预测模型，依据每类负荷曲线簇的历史特征数据进行组合模型训练；

利用概率转移链模型判断预测时段负荷所属的分类，基于该类训练完成的负荷预测模型进行负荷特征的预测，并针对未来用电特征展开分析；

基于拟合重构技术，重构预测特征至负荷曲线原始维度，完成负荷预测；

所述基于机器学习算法分类建立组合负荷预测模型，依据每类负荷曲线簇的历史特征数据进行组合模型训练包括：

经由两阶段形式的模糊优化负荷特征识别提取后，输出的统一负荷特征集合能够与多种机器学习模型进行结合，形成组合预测模型；

所述组合预测模型采用NARX神经网络模型，NARX神经网络模型的输入-输出关系由下式进行描述：

(1)O(t+1)=F[I(t),I(t-1),…I(t-n),

(1)

O(t),O(t-1),……0(t-n)]

式(1)中，I(·)为NARX模型的输入，0(·)为NARX模型的输出，F(·)是典型的非线性激励函数，n则为外部输入以及自身输出的时延阶数；

所述基于统计频率分布，计算判别得到每类负荷曲线簇的总体特征分布集合包括