CN118690159B 一种基于多模型融合的短期电力负荷预测方法及装置 （陕西思极科技有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN118690159B(45)授权公告日2025.07.11

(21)申请号202410676659.2

(22)申请日2024.05.29

(65)同一申请的已公布的文献号申请公布号CN118690159A

(43)申请公布日2024.09.24

(73)专利权人陕西思极科技有限公司

地址710100陕西省西安市西咸新区沣东

新城能源金贸区西咸自贸中心1-A座19楼

(72)发明人杨帆刘艳丽张艳蔡昕原牛泽文

(74)专利代理机构陕西创原汇智知识产权代理事务所(普通合伙)61315

专利代理师贾茜伟

(51)Int.CI.

GO6F

GO6F

GO6F

GO6F

GO6N

GO6N

GO6N

H02J

18/213(2023.01)

18/214(2023.01)

18/243(2023.01)

18/25(2023.01)

3/045(2023.01)

3/126(2023.01)20/20(2019.01)3/00(2006.01)

(56)对比文件

CN113159361A,2021.07.23

CN113096388A,2021.07.09审查员刘娜

权利要求书2页说明书11页附图4页

(54)发明名称

一种基于多模型融合的短期电力负荷预测方法及装置

(57)摘要

CN118690159B本发明公开一种基于多模型融合的短期电力负荷预测方法及装置。所述方法包括：分别采集电力负荷数据和气象数据，得到原始训练数据；构建分层预测大模型，所述分层预测大模型包括依次连接的第一层、第二层和第三层，且第一层的输入端与第二层的输入端连接，第一层的输出端与第三层的输入端连接；每个层中包括至少一个子模型；基于所述原始训练数据训练并优化所述分层预测大模型中各个层的参数；实时采集电力负荷数据和气象数据输入训练好的分层预测大模型预测短期电力负荷。本发明通过构建分层预测大模型，将实时数据、以及分层预测大

CN118690159B

分别采集电力负荷数据和气象数据，得到原始训

分别采集电力负荷数据和气象数据，得到原始训练数据

S2

构建分层预测大模型

基于所述原始训练数据训练并优化所述分层预测大模型中各个层的参数

实时采集电力负荷数据和气象数据输入训练好的分层预测大模型预测短期电力负荷

CN118690159B权利要求书1/2页

2

1.一种基于多模型融合的短期电力负荷预测方法，其特征在于，包括：

分别采集电力负荷数据和气象数据，得到原始训练数据；所述气象数据包括：气温、湿度和气压；

构建分层预测大模型，所述分层预测大模型包括依次连接的第一层、第二层和第三层，且第一层的输入端与第二层的输入端连接，第一层的输出端与第三层的输入端连接；其中：第一层中包括：并联的NGBoost模型、MQSAPN模型、RGF模型、SLOTH模型、iTransformer模型和KAN神经网络模型，第二层包括：并联的RF模型和lightGBM模型，第三层仅包括一个PLSR模型；

基于所述原始训练数据训练并优化所述分层预测大模型中各个层的参数；

实时采集电力负荷数据和气象数据输入训练好的分层预测大模型预测短期电力负荷。

2.根据权利要求1所述的基于多模型融合的短期电力负荷预测方法，其特征在于，所述基于所述原始训练数据训练并优化所述分层预测大模型中各个层的参数包括：

初始化分层预测大模型各个层的参数取值范围，并配置初始优化迭代次数；

随机产生N个种群，初始化N个种群中所有个体的适应度，并配置第一优化迭代次数；

基于所述第一优化迭代次数分别对N个种群进行第一优化，并更新适应度，得到N个种群的最优个体；

将所述N个种群的最优个体作为初始种群，并配置第二优化迭代次数，进行第二优化，得到适应度最优的个体；

当当前迭代次数满足第二优化迭代次数要求，且总迭代次数满足初始优化迭代次数要求后，输出最优个体作为分层预测大模型各个层的参数；

其中：N为自然数。

3.根据权利要求2所述的基于多模型融合的短期电力负荷预测方法，其特征在于，每个种群包含m个个体，所述基于所述第一优化迭代次数分别对N个种群进行第一优化，并更新适应度，得到N个种群的最优个体包括：

对每个种群的m个个体进行更新优化的步骤：对m个个体依次进行三角形拓扑单元形成、全局聚合、局部