(19)中华 人民共和国 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 202111663680.1 (22)申请日 2021.12.31 (71)申请人 河北工业大 学 地址 300130 天津市红桥区丁字沽光 荣道8 号河北工业大 学东院330# (72)发明人 张家安　李凤贤　 (74)专利代理 机构 天津翰林知识产权代理事务 所(普通合伙) 12210 代理人 张国荣 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) H02J 3/14(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06N 7/00(2006.01) (54)发明名称 一种基于解耦机制的配电线路负荷预测方 法 (57)摘要 本发明公开一种基于解耦机制的配电线路 负荷预测方法， 该预测方法将神经网络方法和概 率方法相结合， 利用神经网络方法和概率方法实 现未来一天负荷预测的基础上体现负荷数据变 化的时序性。 该方法充分考虑影 响负荷变化的多 种因素， 并通过负荷累积分布 函数概率结果体 现 负荷的时序性特征， 对短期负荷预测具有较高的 预测精度。 权利要求书3页 说明书10页 附图4页 CN 114330902 A 2022.04.12 CN 114330902 A 1.一种基于解耦机制的配电线路负荷预测方法， 其特征在于， 该预测方法包括下述步 骤： 第一步， 获得同一地区历史负荷数据以及对应的气象因素数据和日期因素数据， 构成 历史数据集M； 其中历史负荷数据为经固定时间间隔采集到的实际负荷数据， 为一个带时刻 标签的负荷值的时间序列数据， 一条历史负荷数据的时长为 一天； 第二步， 建立负荷标幺 曲线预测模型， 具体包括下述 步骤： 步骤2.1： 基于历史数据 集M， 将日最 高温度、 日最低温度、 日平均温度、 天气类型、 季节、 月份、 星期类型、 日期类型共8个因素作为分析影响负荷变化的研究对象， 通过MIC定量分析 各个影响因素与日最大负荷的非线性相关性强弱， 计算公式如式(1) ‑(2)所示： 式中， p(x,y)为随机变量x和y的联合概率密度函数， p(x)和p(y)为随机变量的边缘概 率密度函数； N为数据总数目， B(N)为网格划分总数的约束条件， B(N)＝N0.6； MIC取值范围为 [0,1]， 两变量之间的相关性越强， MIC结果越接 近于1； 将通过MIC分析， 选择MIC>0.3的m个主要 因素的数据用于构造日特征向量， 待预测日的 日特征向量为T0， 选取待测日前p天历史日作为相似日筛选样本， 以相同方法构造待预测日 前p天的m维历史日特 征向量T1,T2,…,Tp； 式中， T0为待预测日特 征向量， Ti为第i个历史日特 征向量， T0k为第k维影响因素 特征值； 步骤2.2： 计算待预测日与各历史日影响因素灰色关联系数， 组成灰色关联矩阵， 从而 得到待预测日与各历史日的灰色 关联度； 式中， ri(k)为第i个历史日特征向量中第k维影响因素的灰色关联系数值， ρ为分辨系 数， 取0.5； r为灰色 关联矩阵； R(i)为第i个历史日灰色 关联度； 步骤2.3： 将步骤2.2中得到的灰色关联度从大到小排列， 选取灰色关联度最大值所对 应的历史日作为待预测日的相似日， 以日最大负荷与日最小负荷为基准值对相似日负荷进 行标幺化， 得到相似日负荷标幺 曲线；权　利　要　求　书 1/3 页 2 CN 114330902 A 2式中， P0为相似日负荷曲线， P0max为相似日负荷最大值， P0min为相似日负荷最小值， P ′0为 相似日负荷标幺 曲线； 第三步， 基于CNN‑LSTM混合神经网络建立日最大负荷预测模型， 具体包括以下步骤： 步骤3.1： 基于历史数据集M， 将日最高温度、 日最低温度、 日平均温度、 天气类型、 前一 天最高温度、 前一 天最低温度、 前一天平均温度、 季节、 月份、 星期类型、 日期类型、 前一 天负 荷最大值、 前两天负荷最大值、 前三 天负荷最大值、 前四天负荷最大值、 前五天负荷最大值、 前六天负荷最大值、 前七天负荷最大值共18个因素作为分析影响负荷变化的研究对 象， 通 过MIC定量分析各个影响因素与日最大负荷的非线性相关性 强弱， 筛选出其中MIC>0.3的因 素的数据作为特征数据， 外加相应的日最大负荷实际值， 建立CNN ‑LSTM混合神经网络的专 用数据集； 其中， 将专用数据集中待预测日前的数据作为训练数据集用于训练神经网络； 步骤3.2： 将训练数据集中的特征数据作为完成参数初始化的CNN ‑LSTM混合神经网络 的输入， 以日最大负荷的预测值作为神经网络输出， 选取均方误差函数作为网络损失函数， 如式(8)： 式中， Pi为第i个点的日最大负荷实际值， 第i个点的日最大负荷预测值， n为训练数据 集中样本个数； 根据损失函数的值反向调整CNN ‑LSTM混合神经网络的参数， 若当前网络参数所得的损 失函数的值小于预设值或达 到迭代次数， 则该网络参数训练完成； 步骤3.3： 把待预测日的与训练数据集相同的特征数据输入到步骤3.2中的完成参数训 练的CNN‑LSTM混合神经网络模型中， 得到待预测日的日最大负荷预测值Ppremax； 第四步， 基于负荷时序特 征建立日最小负荷预测模型， 具体包括以下步骤： 步骤4.1： 统计历史数据集M中的负荷数据中日最大负荷数据与日最小负荷数据， 通过 MATLAB软件， 利用ecdf(经验分布函数)分别求取日最大负荷数据Pmax与日最小负荷数据Pmin 对应的累积分布函数， 累积分布函数如式(9)： 式中， Pmax、 Pmin分别为日最大负荷与日最小负荷变量， p1为Pmax落在(0,P1)内的概率， p2 为Pmin落在(0,P2)内的概率； 步骤4.2： 通过MATLAB软件， 利用createFit函数求取日最大负荷与日最小负荷数据累 积分布函数的反函数， 反函数如式(10)： 步骤4.3： 将步骤4.1中得到的日最大负荷累积分布函数的概率值和日最小负荷累积分 布函数的概率值构造BiLSTM神经网络专用数据集； 其中， 将BiLSTM神经网络专用数据集中 待预测日前的数据作为训练数据集用于训练BiLSTM神经网络； 将BiLSTM神经网络专用数据权　利　要　求　书 2/3 页 3 CN 114330902 A 3