(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 202111240193.4 (22)申请日 2021.10.25 (71)申请人 国网山东省电力公司青岛供电公司 地址 266000 山东省青岛市 市南区刘家峡 路17号 (72)发明人 撖奥洋　魏振　郑准　牛庆达　 王义元　栾春朋　万发耀　刘子良　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 代理人 祖之强 (51)Int.Cl. G06F 30/27(2020.01) G06Q 50/06(2012.01) G06F 119/02(2020.01) G06F 119/06(2020.01) (54)发明名称 一种微电网群负荷预测方法、 系统、 介质及 电子设备 (57)摘要 本公开提供了一种微电网群负荷预测方法、 系统、 介质及电子设备， 所述方法为： 获取微电网 群的运行参量数据； 根据获取的运行参量数据和 预设神经网络模型， 得到负荷预测结果； 其中， 预 设神经网络模 型为脊波递归神经网络模型， 且脊 波递归神经网络模型采用粒子群优化算法训练； 本公开采用粒子群优化的脊波递归神经网络模 型， 极大的提高了微电网群负荷预测精度， 进而 实现了更精准的微电网群负荷调度。 权利要求书2页 说明书5页 附图1页 CN 113987931 A 2022.01.28 CN 113987931 A 1.一种微电网群负荷预测方法， 其特 征在于： 包括以下 过程： 获取微电网群的运行参 量数据； 根据获取的运行参 量数据和预设神经网络模型， 得到负荷预测结果； 其中， 预设神经网络模型为脊波递归神经网络模型， 且脊波递归神经网络模型采用粒 子群优化 算法训练。 2.如权利要求1所述的微电网群负荷预测方法， 其特 征在于： 微电网群的运行参 量数据至少包括气象数据和日类型 数据。 3.如权利要求1所述的微电网群负荷预测方法， 其特 征在于： 在脊波神经网络的基础上， 加入关联层， 使隐含层中每一个神经元节点都会与关联层 节点一一对应相连接， 关联层节点与隐含层节点之间的权值进行动态调节。 4.如权利要求1所述的微电网群负荷预测方法， 其特 征在于： 将脊波递归神经网络模型中的脊波方向、 脊波位置、 脊波尺度以及网络连接权值视为 粒子群优化 算法的搜索空间中飞行 粒子的个 体属性； 以脊波递归神经网络模型的输出误差作为粒子被优化的目标函数适应度值， 通过在解 空间中搜索， 不断迭代更新找到最优解。 5.如权利要求1所述的微电网群负荷预测方法， 其特 征在于： 粒子群优化 算法中， 采用动态变化的惯性权 重系数； 或者， 根据微电网群各个微源的负荷预测结果， 以微电网群运行成本和环境污染处理成本的 加权和最低为目标进行微电网群运行调度。 6.如权利要求1所述的微电网群负荷预测方法， 其特 征在于： 粒子群优化 算法中， 每 个粒子的速度更新， 包括： 其中， i＝1， 2， …， n， n为群体中粒子总数； ω为惯性权重系数； c1、 c2为加速常数； r1、 r2为 0到1之间的随机数， 和 分别代表粒子i在第k次迭代更新中第d维空间内的搜索 速度和 可搜索到的位置； 为粒子i在第k次迭代更新中第d维空间内可搜索 到的最优位置； 为 群体在第k次迭代更新中第d维空间内可搜索到的最优位置 。 7.如权利要求6所述的微电网群负荷预测方法， 其特 征在于： 粒子群优化 算法中， 每 个粒子的位置更新， 包括： 8.一种微电网群负荷预测系统， 其特 征在于： 包括： 数据获取模块， 被 配置为： 获取微电网群的运行参 量数据； 负荷预测模块， 被配置为： 根据获取的运行参量数据和预设神经网络模型， 得到负荷预 测结果； 其中， 预设神经网络模型为脊波递归神经网络模型， 且脊波递归神经网络模型采用粒 子群优化 算法训练。 9.一种计算机可读存储介质， 其上存储有程序， 其特征在于， 该程序被处理器执行时实权　利　要　求　书 1/2 页 2 CN 113987931 A 2现如权利要求1 ‑7任一项所述的微电网群负荷预测方法中的步骤。 10.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的程 序， 其特征在于， 所述处理器执行所述程序时实现如权利要求 1‑7任一项所述的微电网群负 荷预测方法中的步骤。权　利　要　求　书 2/2 页 3 CN 113987931 A 3