(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 20221097623 3.X (22)申请日 2022.08.15 (71)申请人 华润数字科技有限公司 地址 518000 广东省深圳市福田区梅林街 道梅都社区中康路136号深圳新一代 产业园2栋801 (72)发明人 李婉莹　王国勋　刘雨桐　雷晓宇　 张兴　 (74)专利代理 机构 深圳市精英专利事务所 44242 专利代理师 丁宇龙 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 20/10(2019.01) (54)发明名称 基于融合模 型的电力负荷短期预测方法、 装 置及相关介质 (57)摘要 本发明公开了基于融合模型的电力负荷短 期预测方法、 装置及相关介质， 该方法包括： 获取 电力负荷数据， 并进行特征归一化处理， 得到对 应的电力负荷序列； 采用支持向量回归模型对电 力负荷序列进行训练及预测， 得到对应的电力负 荷预测值， 并根据电力负荷序列和电力负荷预测 值得到一残差序列； 采用动力学模态分解模型对 残差序列进行训练及预测， 得到第一残差序列预 测值； 利用灰色灾变预测模型对残差序列进行异 常值检测校准， 以得到第二残差序列预测值； 将 电力负荷预测值与所述第二残差序列预测值进 行叠加， 并将叠加结果作为最终的电力负荷短期 预测结果。 本发明能够解决力负荷存在的非平 稳、 波动性强等问题， 以提高电力负荷短期预测 的准确率和稳定性。 权利要求书3页 说明书10页 附图3页 CN 115169746 A 2022.10.11 CN 115169746 A 1.一种基于融合模型的电力负荷短期预测方法， 其特 征在于， 包括： 获取电力负荷数据， 并对所述电力负荷数据进行特征归一化处理， 得到对应的 电力负 荷序列； 采用支持向量 回归模型对所述电力负荷序列进行训练及预测， 得到对应的电力负荷预 测值， 并根据所述电力负荷序列和所述电力负荷预测值得到一残差序列； 采用动力学模态分解模型对所述残差序列进行训练及预测， 得到第一残差序列预测 值； 利用灰色灾变预测模型对所述残差序列进行异常值检测校准， 以得到第 二残差序列 预 测值； 将所述电力负荷预测值与 所述第二残差序列预测值进行叠加， 并将叠加结果作为最终 的电力负荷短期预测结果。 2.根据权利要求1所述的基于融合模型的电力负荷短期预测方法， 其特征在于， 所述获 取电力负荷数据， 并对所述电力负荷数据进 行特征归一化处理， 得到对应的电力负荷序列， 包括： 按照下式对获取的电力负荷数据进行 特征归一化处理： 式中， Xnorm为特征归一化处理后的特征指标， X为原始特征指标， Xmax、 Xmin分别为原始特 征指标的最大值和最小值。 3.根据权利要求2所述的基于融合模型的电力负荷短期预测方法， 其特征在于， 所述采 用支持向量回归模型对所述电力负荷序列进行训练及预测， 得到对应的电力负荷预测值， 并根据所述电力负荷序列和所述电力负荷预测值得到一残差序列， 包括： 按照下式对所述电力负荷序列进行训练及预测： 式中， f(Xnorm)表示所述电力负荷预测值， Xnorm为特征归一化处理后的特征指标， N表示 电力负荷数据的数量， i表示第i个电力负荷数据， 表示支持向量回归模型的 核函数， 其 值为两个向量 的内积， βi和 分别表示 最优回归函数中的参数系数。 4.根据权利要求1所述的基于融合模型的电力负荷短期预测方法， 其特征在于， 所述采 用支持向量回归模型对所述电力负荷序列进行训练及预测， 得到对应的电力负荷预测值， 并根据所述电力负荷序列和所述电力负荷预测值得到一残差序列， 还 包括： 将所述电力负荷序列和所述电力负荷预测值相减， 并将相减结果作为所述残差序列。 5.根据权利要求1所述的基于融合模型的电力负荷短期预测方法， 其特征在于， 所述采 用动力学模态分解模型对所述残差序列进行训练及预测， 得到第一残差序列预测值， 包括： 获取所述电力负荷数据对应的相似性数据、 相关性数据和周期性数据； 结合所述相似性数据、 相关性数据和周期性数据， 按照下式对所述残差序列进行训练 及预测， 以输出 得到所述第一残差序列预测值：权　利　要　求　书 1/3 页 2 CN 115169746 A 2式中， FDMD(t)为t时刻动力学模态分解模型对残差序列E的预测值， ω是特征值W的对角 矩阵， 表示ωit的指数函数， i表示第i个电力负荷数据， φi表示第i个电力负荷数据的动 力学模态分解模式， bi表示第i个分解模式的幅值。 6.根据权利要求5所述的基于融合模型的电力负荷短期预测方法， 其特征在于， 所述利 用灰色灾变预测模型对所述残差序列进行异常值检测校准， 以得到第二残差序列预测值， 包括： 将所述残差序列输入至所述灰色灾变预测模型， 并由所述灰色灾变预测模型输出对应 的第三残差序列预测值； 对所述第一残差序列预测值与第三残差序列预测值进行比较； 当所述第一残差序列 预测值小于或者等于第 三残差序列 预测值时， 则将所述第 一残差 序列预测值作为所述第二残差序列预测值； 当所述第一残差序列预测值大于第三残差序列预测值时， 则将所述相似性数据、 相关 性数据和周期性数据的平均值作为所述第二残差序列预测值。 7.根据权利要求6所述的基于融合模型的电力负荷短期预测方法， 其特征在于， 所述将 所述残差序列输入至所述灰色灾变预测模型， 并由所述灰色灾变预测模型输出对应的第三 残差序列预测值， 包括： 按照下式， 通过 预置灾变异常阈值θ 建立残差序列映射Eθ(t)： θ:{E(t)} →{Eθ(t)} 式中， E(t)表示残差序列， t表示时刻， ∧表示预测出现异常点， 表示预测出现异常点 的时刻； 根据残差序列映射Eθ(t)构建二元组 并记 以此得到残 差灾变序列集： 式中， m表示m时刻， 表示m时刻预测出现异常点； 采用GM(1， 1)模型对所述残差灾变序列集进行 预测， 得到所述第三残差序列预测值。 8.一种基于融合模型的电力负荷短期预测装置， 其特 征在于， 包括： 数据处理单元， 用于获取电力负荷数据， 并对所述电力负荷数据进行特征归一化处理， 得到对应的电力负荷序列； 第一预测单元， 用于采用支持向量回归模型对所述电力负荷序列进行训练及预测， 得 到对应的电力负荷预测值， 并根据所述电力负荷序列和所述电力负荷预测值得到一残差序 列； 第二预测单元， 用于采用动力学模态分解模型对所述残差序列进行训练及预测， 得到 第一残差序列预测值； 检测校准单元， 用于利用灰色灾变预测模型对所述残差序列进行异常值检测校准， 以 得到第二残差序列预测值；权　利　要　求　书 2/3 页 3 CN 115169746 A 3