(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 202211257874.6 (22)申请日 2022.10.13 (71)申请人 广西大学 地址 530004 广西壮 族自治区南宁市西乡 塘区大学东路10 0号 (72)发明人 刘辉　凌宁青　谢海敏　汪旎　 马斯宇　黄立冬　 (74)专利代理 机构 广西南宁公平知识产权代理 有限公司 45104 专利代理师 陆福达 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于气象相似日集的电网短期负荷预 测方法 (57)摘要 本发明的一种基于气象相似日集的电网短 期负荷预测方法， 包括以下步骤： 1、 收集历史负 荷和气象数据， 对气象数据进行插值处理变成 15min分辨率的数据， 对负荷和气象数据进行最 小最大归一化处理； 2、 通过Pearson系数和最大 信息系数， 选出与负荷强相关的气象因素； 3、 根 据该气象因素， 选取最佳相似日组成气象相似日 集； 4、 以气象相似日集负荷、 历史负荷、 气象因素 和时间因素作为预测模型的输入数据； 5、 设好预 测模型的超参数， 训练预测模型， 并保存最佳的 预测模型； 6、 输入测试集到最佳预测模型， 得到 预测结果， 将预测结果进行反归一化， 得到负荷 预测值。 本发 明通过发掘不同气象的相似日蕴含 的信息， 有利于提升负荷预测精度。 权利要求书2页 说明书9页 附图2页 CN 115545319 A 2022.12.30 CN 115545319 A 1.一种基于气象相似日集的电网短期负荷预测方法， 其特 征在于， 包括以下步骤： 步骤A： 收集电网负荷 及其相关数据， 对数据进行 预处理； 步骤B： 采用Pearson系数和最大信息系数分析气象因素与负荷的相关性， 选出与负荷 强相关的气象因素； 步骤C： 根据与负荷强相关气象因素， 选取对应最佳相似日组成气象相似日集， 以气象 相似日集负荷、 历史负荷、 气象因素和时间因素作为预测模型的输入数据； 步骤D： 构建TCN ‑LSTM预测模型进行 预测， 输出负荷预测结果。 2.根据权利要求1所述的基于气象相似日集的电网短期负荷预测方法， 其特征在于， 所 述Pearso n系数的计算公式如下： 式中： r为变量间的Pe arson相关系数， n为样本总量， 为变量X的平均值， 为变量Y的 平均值。 3.根据权利要求1所述的基于气象相似日集的电网短期负荷预测方法， 其特征在于， 所 述最大信息系数的计算公式如下： 式中： n为数据集数量， x与y的乘积需小于B(n)， 一般B(n)＝ n0.6。 4.根据权利要求1所述的基于气象相似日集的电网短期负荷预测方法， 其特征在于， 所 述气象因素包括温度、 湿度、 降雨、 风速 。 5.根据权利要求1所述的基于气象相似日集的电网短期负荷预测方法， 其特征在于， 所 述步骤A中， 收集历史负荷和气象数据， 对数据进行 预处理， 包括： 步骤A1： 收集电网负荷 及其相关数据， 相关数据包括气象数据、 日类型 数据； 步骤A2： 采用填补法对负荷数据中的异常值和缺失值进行处 理； 步骤A3： 采用线性插值的方式对气象数据进行处理， 转换成分辨率为15min的数据， 与 负荷数据的分辨 率相匹配； 步骤A4： 对负荷和气象数据进行最小最大归一 化处理。 6.根据权利要求5所述的基于气象相似日集的电网短期负荷预测方法， 其特征在于， 所 述的填补法通过 下式计算： 式中： y'i为i时刻修复后的负荷值， yi‑1为i‑1时刻的负荷值， yi+1为i+1时刻的负荷值。 7.根据权利要求5所述的基于气象相似日集的电网短期负荷预测方法， 其特征在于， 所 述对负荷和气象数据进行最小最大归一 化处理通过下式获取：权　利　要　求　书 1/2 页 2 CN 115545319 A 2式中： xn为归一化后的值， x为待归一化的值， xmax为数据中的最大值， xmin为数据中的最 小值。 8.根据权利要求1所述的基于气象相似日集的电网短期负荷预测方法， 其特征在于， 所 述步骤C中， 根据与负荷强相关气象因素， 选取对应最佳相似 日组成气象相似 日集， 包括以 下步骤： 步骤C1： 日负荷曲线在工作日和休息日这两种类型 日差别较大； 对同种类型日， 气象条 件相似的日期， 其负荷曲线和负荷大小也会有一定的相似性； 根据负荷与气象因素 的相关 性分析结果， 由温度和湿度这两个气象因素分别选取对应的最佳相似日， 组成气象相似日 集； 当温度和湿度选取对应的最佳相似日为同一天， 则取温度的第二相似日与最佳相似日 组成气象相似日集； 步骤C2： 采用形态相似距离， 选取待预测日的气象相似日， 形态相似距离其定义如下： 式中： Li代表待预测日的实时气象序列， Lj代表历史日的实时气象序列， lik代表序列Li 的第k个元素， ljk代表序列Lj的第k个元素； DEuclid代表两个序列的欧式距离， ASD代表两个序 列各数值差之和的绝对值， SAD代表两个序列的曼哈顿距离， D(Li,Lj)代表两个序列的形态 相似距离； 步骤C3： 选取待预测日的气象相似日， 考虑到 “近大远小 ”原则， 即预测 负荷点与历史时 段中近期的信息更相关， 设定相似日的搜索范围为待预测日的前10个同类型日。 9.根据权利要求1所述的基于气象相似日集的电网短期负荷预测方法， 其特征在于， 所 述步骤D中， 构建TCN ‑LSTM预测模型进行 预测， 输出负荷预测结果， 包括： 步骤D1： TCN ‑LSTM预测模型的参数为： TCN层的层数为1， 卷积核个数为32， 卷积核大小 为2， 扩张系数为1、 2、 4， LSTM层的层数为1， 神经元个数为32， 激活函数都为relu； 模型优化 器选用Adam， 学习率 设为0.001， 损失函数设为 mae， 迭代次数设为40次， batchsiz e设为128； TCN‑LSTM后面接1层全连接层， 神经 元数为1， 代 表1个时刻的负荷预测值； 步骤D2： 对TCN ‑LSTM预测模型的输出 结果进行反归一 化处理， 得到负荷预测值。 10.根据权利要求9所述的基于气象相似日集的电网短期负荷预测方法， 其特征在于， 所述反归一 化通过下式计算： 式中： xl为反归一化后的负荷预测值， 为模型预测结果， 为原始数据 的最大值， 为原始数据的最小值。权　利　要　求　书 2/2 页 3 CN 115545319 A 3