(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 202211292832.6 (22)申请日 2022.10.21 (71)申请人 阳光慧碳科技有限公司 地址 230088 安徽省合肥市高新区习友路 1699号阳光电源研发中心 楼423室 (72)发明人 胡伟　苏阳　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 丁曼曼 (51)Int.Cl. H02J 3/00(2006.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) (54)发明名称 一种超短期负荷预测方法、 装置及电子设备 (57)摘要 本发明提供一种超短期负荷预测方法、 装置 及电子设备， 本发明中， 调用目标负荷预测模型 对目标历史负荷数据进行处理， 以得到初始历史 负荷数据对应的超短期负荷预测结果。 即通过本 发明， 能够进行超短期负荷预测。 进一步， 目标负 荷预测模型为从多个参考负荷预测模 型中， 筛选 出的预测误差符合预测误差规则的参考负荷预 测模型； 参考负荷预测模型为参考预测输入数据 长度对应、 且基于参考预测输入 数据长度对应的 质心向量生成， 也即， 目标负荷预测模型是从参 考负荷预测模型中筛选出的较优的参考负荷预 测模型， 则基于该目标负荷预测模 型进行超短期 负荷预测， 预测准确度高。 权利要求书3页 说明书13页 附图2页 CN 115528684 A 2022.12.27 CN 115528684 A 1.一种超短期负荷预测方法， 其特 征在于， 包括： 获取预先确定出的目标负荷预测模型对应的目标预测输入数据长度， 并按照所述目标 预测输入数据长度， 获取初始历史负荷数据； 所述 目标负荷预测模型为从多个参考负荷预 测模型中， 筛选出 的预测误差符合预测 误差规则的参考负荷预测模型； 所述参考负荷预测 模型为参考预测输入数据长度对应、 且基于所述参考预测输入数据长度对应的质心向量生 成； 计算所述初始历史负荷数据的数据点的变化率， 并基于所述初始历史负荷数据以及所 述初始历史负荷数据的数据点的变化率， 对所述初始历史负荷数据进行数据预处理操作， 得到目标历史负荷数据； 调用所述目标负荷预测模型对所述目标历史负荷数据进行处理， 以得到所述初始历史 负荷数据对应的超短期负荷预测结果。 2.根据权利要求1所述的超短期负荷预测方法， 其特征在于， 所述目标负荷预测模型的 确定过程包括： 获取历史负荷数据样本； 对所述历史负荷数据样本进行 数据预处 理操作， 得到目标负荷数据样本； 对所述目标负荷数据样本进行自相关系数计算， 以得到多个参 考预测输入数据长度； 确定所述参考预测输入数据长度对应的质心向量， 并基于所述质心向量， 构建所述参 考预测输入数据长度对应的参 考负荷预测模型； 筛选出预测误差符合预测误差规则的参 考负荷预测模型， 并作为目标负荷预测模型。 3.根据权利要求2所述的超短期负荷预测方法， 其特征在于， 对所述目标负荷数据样本 进行自相关系数计算， 以得到多个参 考预测输入数据长度， 包括： 获取预先确定的预测输出 数据长度； 基于所述目标负荷数据样本以及所述预测输出数据长度， 确定时间长度的取值范围， 所述时间长度为所述预测输出 数据长度与参 考预测输入数据长度之和； 确定所述目标负荷数据样本中， 时间长度从取值范围的最小值逐步增加到最大值中的 过程中形成的各个数据集的自相关系数； 筛选出自相关系数满足自相关系数筛选规则的目标自相关系数， 并确定出所述目标自 相关系数对应的参 考预测输入数据长度。 4.根据权利要求2所述的超短期负荷预测方法， 其特征在于， 确定所述参考预测输入数 据长度对应的质心向量， 包括： 设置种群的数量为所述参考预测输入数据长度的个数， 并采用k ‑mean聚类方法确定所 述种群的初始质心向量； 将所述初始质心向量作为粒子群算法的粒子位置集合， 并设置所述粒子群算法的寻优 范围为所述 参考预测输入数据长度的个数； 使用所述粒子群算法对所述初始质心向量进行修 正操作， 得到质心向量。 5.根据权利要求2所述的超短期负荷预测方法， 其特征在于， 基于所述质心向量， 构建 所述参考预测输入数据长度对应的参 考负荷预测模型， 包括： 获取负荷预测模型； 所述负荷预测模型的模型参数至少包括核函数的中心和核函数宽 度参数；权　利　要　求　书 1/3 页 2 CN 115528684 A 2将所述参考预测输入数据长度对应的质心向量作为所述核函数的中心， 以及将所有质 心向量的相互距离最大值作为所述核函数宽度参数， 得到参 考负荷预测模型。 6.根据权利要求2所述的超短期负荷预测方法， 其特征在于， 筛选出预测误差符合预测 误差规则的参 考负荷预测模型， 并作为目标负荷预测模型， 包括： 将所述目标负荷数据样本分为训练集和验证集； 使用所述训练集对所述参考负荷预测模型进行训练， 并使用所述验证集对所述参考负 荷预测模型进行验证， 得到预测误差； 确定是否存在预测误差符合预测误差规则的参 考负荷预测模型； 若有， 则筛选出预测误差符合预测误差规则的参考负荷预测模型， 并作为目标负荷预 测模型； 若无， 则返回所述确定所述参考预测输入数据长度对应的质心向量这一步骤， 并顺序 进行， 直至能够筛选出预测 误差符合预测误差规则的参考负荷预测模型， 并作为 目标负荷 预测模型时停止， 或达 到最大迭代次数时停止 。 7.根据权利要求1所述的超短期负荷预测方法， 其特征在于， 基于所述初始历史负荷数 据以及所述初始历史负荷数据的数据点的变化率， 对所述初始历史负荷数据进行数据预处 理操作， 得到目标历史负荷数据， 包括： 基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率， 对所述初 始历史负荷数据进行异常值删除操作， 得到中间历史负荷数据； 对所述中间历史负荷数据进行数据缺失值处理以及归一化处理， 得到目标历史负荷数 据。 8.根据权利要求7所述的超短期负荷预测方法， 其特征在于， 基于所述初始历史负荷数 据以及所述初始历史负荷数据的数据点的变化率， 对所述初始历史负荷数据进行异常值删 除操作， 得到中间历史负荷数据， 包括： 计算所述初始历史负荷数据的第 一平均值和第 一标准差， 以及计算所述初始历史负荷 数据的数据点的变化 率的第二平均值和第二标准差； 基于所述初始历史负荷数据、 所述初始历史负荷数据的数据点的变化率、 所述第一平 均值、 所述第一标准差、 所述第二平均值和所述第二标准差， 构建控制区间； 删除所述初始历史负荷数据中， 不满足所述控制区间的数据点， 得到中间历史负荷数 据。 9.一种超短期负荷预测装置， 其特 征在于， 包括： 数据获取模块， 用于获取预先确定出的目标负荷预测模型对应的目标预测输入数据长 度， 并按照所述目标预测输入数据长度， 获取初始历史负荷数据； 所述目标负荷预测模型为 从多个参考负荷预测模型中， 筛选出 的预测误差符合预测 误差规则的参考负荷预测模型； 所述参考负荷预测模型为参考预测输入数据长度对应、 且基于所述参考预测输入数据长度 对应的质心向量 生成； 数据处理模块， 用于计算所述初始历史负荷数据的数据点的变化率， 并基于所述初始 历史负荷数据以及所述初始历史负荷数据的数据点的变化率， 对所述初始历史负荷数据进 行数据预处 理操作， 得到目标历史负荷数据； 负荷预测模块， 用于调用所述目标负荷预测模型对所述目标历史负荷数据进行处理，权　利　要　求　书 2/3 页 3 CN 115528684 A 3