(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 202211199181.6 (22)申请日 2022.09.29 (71)申请人 安科瑞电气股份有限公司 地址 201801 上海市嘉定区育绿 路253号 申请人 江苏安科瑞电器制造有限公司 (72)发明人 司文旭　万俊杰　方严　李新颜　 何艳　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 专利代理师 应小波 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/00(2006.01) G06N 20/10(2019.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于ISSA-HKELM的短期负荷预测方法 (57)摘要 本发明涉及一种基于ISSA ‑HKELM的短期负 荷预测方法， 该方法包括： 首先针对核极限学习 机KELM的缺陷， 结合高斯核 函数和多项式核函数 构造具有更强泛化能力的混合核极限学习机 HKELM； 其次针对麻雀搜索算法易陷入局部极值 的问题， 引入自适应t分布策略和动态自适应权 重对麻雀搜索算法进行改进； 再次采用改进后的 麻雀搜索算法ISSA对混合核极限学习机H KELM的 参数进行优化并建立ISSA ‑HKELM预测模型； 最后 采用建立好的ISSA ‑HKELM模型进行短期负荷预 测。 与现有技术相比， 本发明具有良好的预测精 度和鲁棒 性等优点。 权利要求书2页 说明书8页 附图3页 CN 115545294 A 2022.12.30 CN 115545294 A 1.一种基于IS SA‑HKELM的短期负荷预测方法， 其特 征在于， 该 方法包括： 首先针对核极限学习机KELM的缺陷， 结合高斯核函数和多项式核函数构造具有更强泛 化能力的混合核极限学习机 HKELM； 其次针对麻雀搜索算法易陷入局部极值的问题， 引入自适应t分布策略和动态自适应 权重对麻雀搜索算法进行改进； 再次采用改进后的麻雀搜索算法ISSA对混合核极限学习机HKELM的参数进行优化并建 立ISSA‑HKELM预测模型； 最后采用建立 好的ISSA‑HKELM模型进行短期负荷预测。 2.根据权利要求1所述的一种基于ISSA ‑HKELM的短期负荷预测方法， 其特征在于， 所述 ISSA‑HKELM预测模型的输入和输出变量选取如下： 将预测日前一天的历史负荷数据、 前一天的最高温度、 最低温度、 平均温度、 相对湿度 和降雨量以及当天的最高温度、 最低温度、 平均温度、 相对湿度和降雨量作为模型的输入 量； 将预测日当天的负荷数据作为输出量。 3.根据权利要求1所述的一种基于ISSA ‑HKELM的短期负荷预测方法， 其特征在于， 所述 混合核极限学习机 HKELM有效解决核极限学习机泛化能力较弱的问题。 4.根据权利要求1所述的一种基于ISSA ‑HKELM的短期负荷预测方法， 其特征在于， 所述 自适应t分布策略具体为： 对麻雀位置利用自适应t分布进行 更新如下式所示 其中xi为第i只麻雀个体的位置； 表示经过t变异后的麻雀的位置； t(k)表示参数自由 度为迭代次数k的t分布。 5.根据权利要求4所述的一种基于ISSA ‑HKELM的短期负荷预测方法， 其特征在于， 当前 期迭代次数k较小时， t分布类似柯西分布变异， 此时的t分布算子大概率取得较大值， 位置 变异采取 的步长较大， 使得算法拥有较好的全局搜索能力； 在迭代中期， t分布由柯西分布 变异向高斯分布变异 转变， 此时的t分布算子大概率取值相对折中， 使 得算法同时兼顾全局 和局部搜索能力； 当后期迭代 次数k较大时， t分布类似高斯分布变异， 此时的t分布算子大 概率取得较小值， 位置变异采取的步长较小。 6.根据权利要求1所述的一种基于ISSA ‑HKELM的短期负荷预测方法， 其特征在于， 所述 动态自适应权 重具体为： 将惯性权重的思想引入到麻雀中的发现者的位置更新公式中并对其进行改进， 即在发 现者位置更新方式 中引入动态权 重因子ω。 7.根据权利要求6所述的一种基于ISSA ‑HKELM的短期负荷预测方法， 其特征在于， 所述 动态权重因子ω的值与最大迭代 次数K和当前迭代 次数k有关， 并且随着当前迭代 次数k的 增加而减少； 在迭代初期， 迭代次数较小时， ω的值则较大； 在迭代后期， 迭代次数变大时， ω值则较小。 8.根据权利要求6所述的一种基于ISSA ‑HKELM的短期负荷预测方法， 其特征在于， 所述 动态权重因子ω的计算公式和改进后的发现者 位置更新方式如下 所示：权　利　要　求　书 1/2 页 2 CN 115545294 A 2其中 为上一代中第j维的全局最优解， k表示当前迭代次数； j＝(1,2, …d)； 表示 在第k次迭代中第i只麻雀在第j维的位置； K表示最大迭代次数； z∈(0,1]中的随机数； R2代 表预警值且R2∈[0,1]； ST代表安全阈值且ST∈[0.5,1]； Q代表服从正态分布的随机值； L是 一个内部元 素均为1的1 ×d的矩阵。 9.根据权利要求1所述的一种基于ISSA ‑HKELM的短期负荷预测方法， 其特征在于， 所述 的改进后的麻雀搜索算法IS SA对混合核极限学习机 HKELM的参数进行优化具体过程 为： 步骤1： 将配电网数据划分为训练集和 测试集并进行归一 化处理； 步骤2： 初始化参数， 麻雀种群规模N， 最大迭代次数K， 安全阈值ST， 发现者比例PD， 侦查 者的比例S D， t分布变异概 率p以及模型参数的优化区间； 步骤3： 计算适应度值， 将模型对训练样本进行学习得到的预测值y ′i和真实值yi的均方 误差作为 适应度值； 步骤4： 计算适应度值并排序， 产生最优和最差个体， 以及相对应的位置， 从适应度值较 优的麻雀中选择部分为发现者， 剩余 为跟随者； 步骤5： 根据各自的位置更新公式分别更新跟随者， 警戒者和发现者的位置， 计算更新 后对应的适应度值并与目前的最佳适应度值进行比较， 更新全局最优信息； 步骤6： 如果rand<p， 对麻雀进行t分布变异操作， 其中rand表示0到1之间的随机数， p取 值为0.5； 否则， 返回步骤3； 步骤7： 计算麻雀进行t分布变异后的适应度值， 如果经过t变异操作后新解的适应度值 要优于全局最优值， 则用变异后的新 值代替以前的全局最优值， 否则保留； 步骤8： 终止条件， 若已达到最大迭代次数， 则输出模型参数得到最佳ISSA ‑HKELM模型， 否则返回步骤3 。 10.根据权利要求1或9所述的一种基于ISSA ‑HKELM的短期负荷预测方法， 其特征在于， 选用均方根误差、 平均绝对百分比误差、 平均绝对误差和拟合度作为ISSA ‑HKELM模型的评 价指标。权　利　要　求　书 2/2 页 3 CN 115545294 A 3