(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 202211171382.5 (22)申请日 2022.09.26 (65)同一申请的已公布的文献号 申请公布号 CN 115276006 A (43)申请公布日 2022.11.01 (73)专利权人 江苏永鼎股份有限公司 地址 215000 江苏省苏州市吴江区汾湖高 新区国道路178 8号 (72)发明人 周莉　程时发　李毓霖　钱峰　 刘强　 (74)专利代理 机构 苏州市中南伟业知识产权代 理事务所(普通 合伙) 32257 专利代理师 李柏柏 (51)Int.Cl. H02J 3/00(2006.01)G06Q 10/04(2012.01) G06Q 50/06(2012.01) 审查员 张宁 (54)发明名称 一种用于电力集成系统的负荷预测的方法 及系统 (57)摘要 本发明提供了一种用于电力集成系统的负 荷预测的方法及系统， 涉及电力负荷预测技术领 域， 采集历史电力负荷数据并进行预处理， 确定 目标历史数据并组建负荷影 响因素集， 进而确定 多组因素特征， 利用最大信息系数原理进行因素 特征集筛选， 组成目标因素特征集， 基于算法原 理分析组建单项预测模型集， 根据目标因素特征 集进行模型训练， 基于集 成学习方法原理对其行 融合确定负荷预测模型， 解决了现有技术中存在 的电力集成系统的负荷预测方法由于智能度不 足， 且预测流程不够严谨， 数据分析处理精度不 足， 使得最终的预测结果与实际贴合度不足的技 术问题， 通过对多个不同算法原理组建的模型进 行融合， 可有效提升模型预测性能， 以提高负荷 预测结果的准确度。 权利要求书3页 说明书11页 附图3页 CN 115276006 B 2022.12.13 CN 115276006 B 1.一种用于电力集成系统的负荷预测的方法， 其特 征在于， 包括： 采集目标电力集成系统的历史电力负荷数据  ， 并对所述历史电力负荷数据进行预处 理， 得到目标历史数据； 对所述目标历史数据进行分析， 并根据分析结果组建负荷影响因素集， 其中， 所述负荷 影响因素集包括多个负荷影响因素； 对所述多个负荷影响因素中各负荷影响因素依次进行分析， 分别得到多组因素特征， 并组成因素 特征集； 利用最大信 息系数原 理对所述因素特征集进行筛选， 并根据筛选结果组成 目标因素特 征集； 基于算法原 理分析组建单项预测模型集， 其中， 所述单项预测模型集包括支持向量机、 循环神经网络、 梯度提升决策树； 将所述目标因素特征集作为输入信息依次对所述支持向量机、 所述循环神经网络、 所 述梯度提升决策树进 行训练， 分别得到目标支持向量机、 目标循环神经网络、 目标梯度提升 决策树； 基于集成学习方法原理对所述目标支持向量机、 所述目标循环神经网络、 所述目标梯 度提升决策树进行融合  ， 得到负荷预测模型， 并通过 所述负荷预测模型进行负荷预测； 其中， 所述利用最大信息系数原理对所述因素特征集进行筛选， 并根据筛选结果组成 目标因素 特征集， 包括： 提取所述目标历史数据中的多个历史数据； 依次提取 所述多个历史数据中的多个负荷值， 并将所述多个负荷值作为因变量； 提取所述因素 特征集中任意 一个因素 特征； 基于所述任意一个因素特征在所述多个历史数据中遍历， 得到多个特征值， 并将所述 多个特征值作为自变量； 根据所述自变量与所述因变量之间的映射关系， 绘制得到 散点图； 对所述散点图进行分析， 并根据分析 结果确定所述目标因素 特征集。 2.根据权利要求1所述的方法， 其特征在于， 所述对所述历史电力负荷数据进行预处 理， 得到目标历史数据， 包括  ： 获得预设对比方案， 其中， 所述预设对比方案包括预设纵向对比方案、 预设横向对比方 案； 提取所述历史电力负荷数据中任意 一个历史电力负荷数据； 基于所述预设纵向对比方案对所述任意一个历史电力负荷数据进行对比分析， 得到纵 向对比分析 结果； 根据所述纵向对比分析 结果， 得到初始目标历史数据； 提取所述初始目标历史数据中任意 一个初始目标历史数据； 基于所述预设横向对比方案对所述任意一个初始目标历史数据进行对比分析， 得到横 向对比分析 结果； 根据所述横向对比分析 结果， 得到所述目标历史数据。 3.根据权利要求1所述的方法， 其特征在于， 所述对所述散点图进行分析， 并根据分析 结果确定所述目标因素 特征集， 包括  ：权　利　要　求　书 1/3 页 2 CN 115276006 B 2基于所述散点图， 得到所述因素特征集中各因素特征的散点图， 并组成目标散点图集 合； 对所述目标散点图集 合依次进行分析， 得到多个目标最大信息系数； 将所述多个目标最大信息系数进行降序排列， 并反向匹配得到因素 特征序列； 提取所述因素 特征序列中预设排名阈值的因素 特征， 组成所述目标因素 特征集。 4.根据权利要求3所述的方法， 其特征在于， 所述对所述目标散点图集合依次进行分 析， 得到多个目标最大信息系数， 包括： 提取所述目标散点图集 合中任意 一个目标散点图； 组建网格化方案集， 其中， 所述网格化方案集包括多个网格化方案； 依次基于所述多个网格化方案对所述任意一个目标散点图进行分区， 得到多个分区结 果； 对所述多个分区结果依次进行分析计算， 得到多个最大互信息值  ； 对所述多个最大互信息值依次进行归一 化处理， 得到多个目标最大互信息值； 对比所述多个目标最大互信息值， 并筛 选得到目标最大信息系数  。 5.根据权利要求1所述的方法， 其特征在于， 所述基于集成学习方法原 理对所述目标支 持向量机、 所述目标循环神经网络、 所述目标梯度提升决策树进行融合， 得到负荷预测模 型， 包括： 基于集成学习方法原理， 并通过所述目标支持向量机、 所述目标循环神经网络、 所述目 标梯度提升决策树进行模型 搭建， 得到多个集成预测模型  ； 根据所述目标因素特征集得到多个目标因素特征， 结合所述多个历史数据中的所述多 个负荷值， 组建模型 数据集 ； 依次通过 所述多个集成预测模型对所述模型 数据集进行 预测， 得到多个预测结果； 筛选所述多个预测结果中的最佳预测结果， 并反向匹配得到所述最佳预测结果的集成 预测模型， 作为所述负荷预测模型。 6.根据权利要求5所述的方法， 其特征在于， 所述依次通过所述多个集成预测模型对所 述模型数据集进行 预测， 得到多个预测结果， 包括  ： 提取所述多个集成预测模型中任意 一个集成预测模型； 获得所述任意 一个集成预测模型的初级学习器、 元 学习器； 对所述模型 数据集进行划分， 并根据划分结果得到模型训练数据集、 模型测试 数据集； 通过所述初级学习器对所述模型训练数据集进行训练预测  ， 得到初级预测结果； 通过所述初级学习器对所述模型测试 数据集进行测试， 得到初级测试 结果； 将所述初级预测结果作为所述元学习器的训练数据， 将所述初级测试结果作为所述元 学习器的测试 数据进行训练预测， 得到所述任意 一个集成预测模型的预测结果。 7.一种用于电力集成系统的负荷预测的系统， 其特 征在于， 包括： 数据采集模块， 所述数据采集模块用于采集目标电力集成系统 的历史电力负荷数据  ， 并对所述历史电力负荷数据进行 预处理， 得到目标历史数据； 数据分析模块， 所述数据分析模块用于对所述目标历史数据进行分析， 并根据分析结 果组建负荷影响因素集， 其中， 所述负荷影响因素集包括多个负荷影响因素； 特征获取模块， 所述特征获取模块用于对所述多个负荷影响因素中各负荷影响因素依权　利　要　求　书 2/3 页 3 CN 115276006 B 3