(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 202211279440.6 (22)申请日 2022.10.19 (71)申请人 重庆工商大 学 地址 400067 重庆市南岸区学府大道19号 (72)发明人 张会均　陈怡　熊炫睿　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 专利代理师 王诗思 (51)Int.Cl. G06F 30/27(2020.01) G06Q 50/06(2012.01) G06F 119/06(2020.01) (54)发明名称 一种短期电力负荷预测方法及系统 (57)摘要 本发明属于电力负荷预测技术领域， 具体涉 及一种短期电力负荷预测方法及系统； 该方法包 括： 获取时间序列数据； 对时间序列数据进行预 处理， 得到 K个模态分量； 采用主成分分析法对各 模态分量进行影 响因素特征提取， 并将影响因素 特征输入到训练好的AT ‑TCN网络中， 得到K个模 态分量的电力负荷中间预测结果； 将K个模态分 量的电力负荷中间预测结果输入到FC融合模块 中进行求和， 得到电力负荷最终预测结果； 本发 明采用ISSA来优化该标准下VMD的分解参数， 降 低了经验设置的随机性， 减少了分解过程的信号 损失， 提高了分解效果， 提高了最终预测结果的 准确性。 权利要求书3页 说明书11页 附图3页 CN 115544890 A 2022.12.30 CN 115544890 A 1.一种短期电力负荷预测方法， 其特征在于， 包括： 实时获取时间序列数据， 时间序列 数据包括气象数据和电力负荷数据； 对时间序列数据进行预处理， 得到K个模态分量； 采用 主成分分析法对各模态分量进行影响因素特征提取， 并将影响因素特征输入到训练好的 AT‑TCN网络中； 得到K个模态分量的电力负荷中间预测结果； 将K个模态分量的预测结果输 入到FC融合模块中进行求和， 得到电力负荷最终预测结果； 对时间序列数据进行 预处理的过程包括： 根据时间序列数据计算分解损失； 将分解损失作为适应度， 采用ISSA算法优化VMD算 法， 得到最佳分解 参数； 根据最佳分解 参数对时间序列数据进行VMD分解， 得到K个模态分量。 2.根据权利要求1所述的一种短期电力负荷预测方法， 其特征在于， 计算分解损失的公 式为： 其中， Loss表示分解损失， f(s)表示原 始信号， f ′(s)表示重构信号， T表示时间长度。 3.根据权利要求1所述的一种短期电力负荷预测方法， 其特征在于， 得到最佳分解参数 的过程包括： S11： 设置VMD分解 参数范围， 采用Fuc h混沌映射模型初始化麻雀种群； S12： 计算麻雀种群的适应度值并排序， 选取每代种群中适应度最小的P只麻雀作为发 现者， 其余N ‑P只麻雀作为加入者， S数量的个体来侦察预警作为警报者， 当预警时， 种群边 缘的麻雀会迅速 向安全区域移动， 以获得更佳的位置； 计算动态权重并根据动态权重对发 现者、 加入者以及警报者进行位置更新； S13： 采用融合自适应t变异和反向学习策略对当前最优解进行扰动， 产生 最新解； S14： 判断是否达最大迭代次数， 若达到， 则输出最优麻雀个体和最优适应度， 最优麻雀 个体为VMD的最佳分解 参数， 最优适应度为 最小分解损失； 否则， 返回步骤S12。 4.根据权利要求3所述的一种短期电力负荷预测方法， 其特征在于， 计算动态权重的公 式为： 其中， ω表示动态权 重， t表示当前迭代次数， itermax表示最大迭代次数。 5.根据权利要求3所述的一种短期电力负荷预测方法， 其特征在于， 对发现者、 加入者 以及警报者进行位置更新的公式分别为： 发现者位置更新公式为： 其中， 表示第t+1次迭代后麻雀的位置， 表示第t次迭代后麻雀的位置， Xi,j为 第i只麻雀在第j维空间的位置信息， ω表示动态权重， 表示第t次迭代中第j维的全局权　利　要　求　书 1/3 页 2 CN 115544890 A 2最优解， Q表示满 足正态分布的随机数， L表示全部元素为1的矩阵， R2表示预警值， ST表示安 全值； 加入者位置更新公式为： 其中， Xworst表示种群所在 区域最差 的位置， Xp表示发现者的最优位置， i表示麻雀的序 号， n表示麻雀数量， A+表示中间参数； 警报者位置更新公式为： 其中， Xbest表示全局的最优位置， β 表示步长， K为[0,1]的一个随机数， fi表示每个麻雀 个体的适应度值； fg和fω表示种群中最佳和最差的适应度值； ε表示常数。 6.根据权利要求3所述的一种短期电力负荷预测方法， 其特征在于， 采用融合自适应t 变异和反向学习策略对当前最优解进行扰动的过程包括： 生 成随机数rand∈[ 0,1]， 计算选 择概率， 当选择概率小于随机数时， 采用反向学习 策略对当前最优解进行扰动； 否则， 采用 融合自适应t变异对当前最优解进行扰动； 根据贪心机制决定是否更新麻雀位置 。 7.根据权利要求6所述的一种短期电力负荷预测方法， 其特征在于， 反向学习策略对当 前最优解进 行扰动的过程包括： 根据当前最优解， 采用反向学习策略求得反向解， 根据反向 解更新麻雀位置， 更新麻雀位置的公式为： 其中， Xopbest(t)表示第t次迭代最优解的反向解， ub表示上边界， r表示随机数矩阵， lb 表示下边界， 表示第t+1次迭代后麻雀的位置， Xbest(t)表示第t次迭代最优解， b1表示 控制参数。 8.根据权利要求6所述的一种短期电力负荷预测方法， 其特征在于， 采用融合自适应t 变异对当前最优解进行扰动的公式为： 其中， 表示第t+1次迭代后麻雀的位置， Xbest(t)表示第t次迭代最优解， t(iter)为 以麻雀算法迭代次数为 参数自由度的t分布。 9.根据权利要求6所述的一种短期电力负荷预测方法， 其特征在于， 贪心机制表达式 为：权　利　要　求　书 2/3 页 3 CN 115544890 A 3