(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 202211042547.9 (22)申请日 2022.08.29 (71)申请人 天津大学 地址 300072 天津市南 开区卫津路9 2号 申请人 南方电网数字电网研究院有限公司 (72)发明人 于浩　王康生　王成山　习伟　 冀浩然　李鹏　姚浩　宋关羽　 陈军健　刘德宏　向柏澄　 (74)专利代理 机构 天津市北洋 有限责任专利代 理事务所 12 201 专利代理师 杜文茹 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 5/00(2006.01) G06N 20/20(2019.01) H02J 3/00(2006.01) (54)发明名称 一种面向边缘计算的配电网自适应集成负 荷预测方法 (57)摘要 一种面向边缘计算的配电网自适应集成负 荷预测方法， 包括： 输入配电网边缘计算装置所 辖区域的相关信息； 对初始训练集中的负荷历史 数据集、 环境温度历史数据集， 分别进行标准化 处理， 并得到训练集； 对储备池回声状态变量进 行降维； 得到第1天的集成回声状态网络预测模 型； 得到第n天负荷预测结果； 得到第n+1天的集 成回声状态网络预测模型； 判断长期预测天数标 识是否小于等于长期预测天数标识； 得到新的模 型权重系数。 本发明既发挥了集成学习模型的泛 化性的优势， 又避免的集成学习模型的冗余计 算； 进一步降低在线更新时的计算和存储资源； 解决边缘侧负荷预测模型的自适应问题， 覆盖整 个预测周期来 最大限度地降低模型复杂度。 权利要求书6页 说明书11页 附图2页 CN 115423170 A 2022.12.02 CN 115423170 A 1.一种面向边 缘计算的配电网自适应集成负荷预测方法， 其特 征在于， 包括如下步骤： 1)输入配电网边缘计算装置所辖区域负荷历史数据集E、 环境温度历史数据集T， 作为 初始训练集Ω； 设置回声状态网络的初始化训练样本个数n0、 训练样本个数Γ， 泄漏率候选 集 储备池参数候选集 正则化参数候选集 集成 规模N0＝N1×N2×N3、 回声状态变量低 维维度DL， 源域天数Md、 目标域天数Nd， 初始后验估计 误差的协方差矩阵集合{P}、 初始过程噪声协方差矩阵集合{Q}、 初始量测噪声协方差向量 RM、 修正因子训练样本计算数k、 长期预测天数阈值TL； 其中， N1、 N2、 N3分别为泄漏率、 储备池参数和正则化参数所在候选集的总个数； 为泄 漏率候选集中的第N1个泄漏率， 为储备池参数候选集中的第N2个储备池参数， 为正则 化参数候选集中的第N3个正则化 参数， 集成规模N0即为基础回声状态网络的总个数； 2)对初始训练集Ω中的负荷历史数据 集E、 环境温度历史数据 集T， 分别进行min ‑max标 准化处理， 并进行训练样本划分， 得到训练集Ω ′； 3)基于边缘计算装置计算能力的限制， 选取轻量化神经网络 中的回声状态网络作为核 心预测算法， 并引入稀疏编码对储备池回声状态变量进行降维， 基于训练集Ω ′， 分别对N0 个基础回声状态网络{Gl(x),l＝1,2, …,N0}进行训练； 其中， Gl(x)为第l个基础回声状态网 络； 4)置当前预测日天数n＝1， 长期预测天数标识c＝1， 为降低边缘计算装置存储资源的 需求和集 成规模， 对训练得到的N0个基础回声状态网络{Gl(x),l＝1,2, …,N0}， 采用稀 疏自 适应提升的Tradaboost 算法自动删除非关键基础回声状态网络， 将自动筛选后剩余的基础 回声状态网络{G1,z(x),z＝1,2, …,Nsp}及对应的模型权重系数{αz,z＝1,2, …,Nsp}， 集成得 到第1天的集成回声状态网络预测模型G1(x)； 其中， G1,z(x)为第1天的集成回声状态网络预测模型G1(x)的第z个基础回声状态 网络， Nsp为自动筛 选后剩余的基础回声状态网络的个数； 5)在当前预测日开始前， 即第n天开始前， 采用第n天的集成回声状态网络预测模型Gn (x)进行日前预测， 输入 预测日前1天的负荷实际值、 预测日前7天的负荷实际值和预测日天 气预报的环境温度数据， 得到第n天负荷预测结果 6)在第n天结束后， 记录第n 天的实际负荷数据 为避免频繁重新训练模型以进一 步提升预测速度， 采用带修正协方差的卡尔曼滤波算法， 对第n 天的集成回声状态网络预测 模型Gn(x)进行参数 更新， 得到第n+1 天的集成回声状态网络预测模型Gn+1(x)； 7)若c≤TL， 则令n＝n+1， c＝c+1， 返回步骤5)； 否则进行步骤8)； 8)基于Gn(x)的各个基础回声状态网络{Gn,z(x),z＝1,2, …,Nsp}在第n‑TL+1天至第n天 的预测误差， 采用Adaboost算法， 对Gn(x)的各个基础回声状态网络{Gn,z(x),z＝1,2, …, Nsp}的模型权重系数{αz}进行重新计算， 得到新的模型权重系数{α ′z}， 令n＝n+1， c＝1， 返 回步骤5)； 其中， Gn,z(x)表示第n天的集成 回声状态网络预测模型Gn(x)中的第z个基础回声 状态网络 。 2.根据权利要求1所述的一种面向边缘计算的配电网自适应集成负荷预测方法， 其特 征在于， 步骤2)所述的进 行训练样 本划分， 得到训练集 Ω′， 具体为： 基于标准化后的初始训 练集Ω进行训练样本划分， 第i个训练样本的输入数据为： 第i个预测日前1天的负荷实际权　利　要　求　书 1/6 页 2 CN 115423170 A 2值、 前7天的负荷实际值和第i个预测日的天气预报的环境温度数据， 并将所述的输入数据 合并成列向量u(i)， 维度 记为M×1； 第i个训练样 本的标签为训练集Ω ′中第i个预测日 的负 荷实际值y(i)， 训练样本的标签维度记为 N×1； 其中， N 为日前预测的总时段 数。 3.根据权利要求1所述的一种面向边缘计算的配电网自适应集成负荷预测方法， 其特 征在于， 步骤3)所述的基于训练集Ω ′， 分别对N0个基础回声状态网络{Gl(x),l＝1,2, …, N0}进行训练， 具体如下： (3.1)将泄漏率候选集 储备池参数候选集 正则化参数候 选集 进行排列组合， 并作为 N0个基础回声状态网络的超参数； (3.2)设定第 l个基础回声状态网络Gl(x)的超参数组为{rl,Ll,Cl}， 初始化储备池回声 状态变量xl(0)＝0， 随机生成输入权值矩阵 储备池内部连接矩阵 稀疏编码随机 权值矩阵Al、 随机偏置矩阵Bl； 其中rl、 Ll、 Cl分别表示Gl(x)的泄漏率、 储备池参数和正则 化 参数， xl维度为Ll×1， 维度为Ll×M， 维度为Ll×Ll， Al维度为DL×(M+Ll)， Bl维度为DL ×Γ， M为单个训练样本 输入列向量u的维度， Γ为训练样本个数； (3.3)基于训练集Ω ′中前n0个初始训练样本， 递推计算第l个基础回声状态网络Gl(x) 的储备池回声状态变量， 递推公式如下： 式中， u(i)为训练集Ω ′中第i个训练样本的输入向量， xl(i‑1)、 xl(i)分别为训练集Ω′ 中第i‑1个、 第i个训练样本的储备池回声状态变量， tanh为双曲正切函数； (3.4)形成： (M+Ll)×1维列向量sl(i)＝[u(i)； xl(i)]， (M+Ll)×Γ维矩阵Sl＝[sl(n0+1),sl(n0+2),…,sl(n0+Γ)]， N×Γ维矩阵Yl＝[y(n0+1),y(n0+2),…,y(n0+Γ)]， 其中， y(n0+1)为训练集Ω′中第n0+1 个训练样本的实际负荷值； 计算低维特征矩阵Hl、 稀疏编码降维矩阵 输出权值矩阵 完成第l个基础 回 声状态网络Gl(x)的训练： Hl＝AlSl+Bl                        (2) 式中， I为单位矩阵， Hl维度为DL×Γ， 维度为DL×(M+Ll)， 维度为N×DL； (3.5)重复第(3.2)步～第(3.4)步， 直至 完成N0个基础回声状态网络的训练。 4.根据权利要求1所述的一种面向边缘计算的配电网自适应集成负荷预测方法， 其特 征在于， 步骤4)所述的采用稀 疏自适应提升的Tradaboost算法自动删除非关键基础回声状 态网络， 将自动 筛选后剩余的基础回声状态网络{G1,z(x),z＝1,2, …,Nsp}及对应的模型权 重系数{αz,z＝1,2, …,Nsp}， 集成得到第1天的集成回声状态网络预测模型G1(x)， 具体包 括： (4.1)将用于训练的Γ个训练样本按时间先后顺序划分为由前Md个训练样本构成的源权　利　要　求　书 2/6 页 3 CN 115423170 A 3