(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 202211218576.6 (22)申请日 2022.10.06 (71)申请人 东南大学 地址 210096 江苏省南京市玄武区四牌楼 2 号 (72)发明人 巫朝越　胡秦然　陈心宜　丁昊晖　 (74)专利代理 机构 南京众联专利代理有限公司 32206 专利代理师 杜静静 (51)Int.Cl. G06K 9/62(2022.01) G06N 5/00(2006.01) G06N 20/00(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06Q 50/06(2012.01) G06Q 10/04(2012.01) (54)发明名称 动态自适应负荷预测模型组合方法 (57)摘要 本发明公开一种动态自适应负荷预测模型 组合方法， 提出了一种短期负荷预测框架， 该框 架可以基于多种预测算法它们上一时段的预测 精度， 动态地识别是否需要进行预测结果组合， 并调整组合预测模型的权重系数。 所提出的框架 充分发挥多个单一预测模型的优势， 同时减少了 因不恰当的组合组合方式增加预测误差的现象。 该方法可以根据预期目标设定动态判断时段， 依 据各个模型的判断时段内的预测误差来决定是 否需要进行模型组合并动态调整组合权重得到 最终结果。 通过以上步骤能够实现短时与极短时 负荷预测精度的进一步提升， 提高了预测模型在 实际应用中的精确性与鲁棒性， 推动新型电力系 统的建设。 权利要求书1页 说明书6页 附图3页 CN 115470862 A 2022.12.13 CN 115470862 A 1.一种动态自适应负荷预测模型组合方法， 其特 征在于， 所述方法包括以下步骤： 步骤(1)： 获取待预测的用户或地区的负荷、 天气历史数据； 对获取到的数据进行缺失 值插值补全、 异常值清洗操作， 并进行 特征工程形成数据集； 步骤(2)： 将进行特征工程后的数据集划分为训练集与测试集， 并根据期望获得短期即 日前预测或极短期即数小时前预测结果， 设定动态判断时间段判断是否需要进行多模型组 合； 步骤(3)： 对(2)中设定好的训练集， 搭建深度神经网络、 LSTM、 随机森林等模型进行训 练， 并通过合 适的参数搜索方式提升每 个模型的预测精度； 步骤(4)： 当实际预测时， 对步骤(3)得到的不同模型的虚拟预测结果进行动态判断， 如 果需要进行模型组合， 则依据动态判断时段 的误差求得权重并加权得到最终结果； 若不需 要进行组合， 则取 上一时段精准度最高的模型的结果 为最终结果。 2.根据权利要求1所述的动态自适应负荷预测模型组合方法， 其特征在于， 所述步骤 (2)的动态判断过程 为： 若期望获得的是极短期负荷预测结果， 则以预测时间提前1小时的多个单一模型虚拟 预测误差值作为判断依据； 若期 望获得的是短期负荷预测结果， 则以前1天该时刻的多个单 一模型虚拟预测误差值作为判断依据， 首先， 通过虚拟预测误差最低的两个模型的误差e1,e2获得偏差矩阵E(1)： 接下来， 使用拉格朗日乘子法(2)找到两者之间的最佳权重ω1,ω2,期望获得的权重值 只和应为1即： R＝[1,1]T； 通过权重与单个模型实际预测值 的线性组合(3)获得t时刻最终预测结果 3.根据权利要求1所述的动态自适应负荷预测模型组合方法， 其特 征在于， 上述组合方法采用的组合框架由模型预训练模块、 动态判断模块以及加权组合模块组 成。 4.根据权利要求1所述的动态自适应负荷预测模型组合方法， 其特征在于， 对短期负荷 预测及极短期负荷预测， 设定不同的动态判断时段， 以保证整体框架应对不同预测需求时 的泛化性。 5.如权利要求4所述的一种动态自适应负荷预测模型组合方法， 其特征在于： 若确定选 取模型组合的方式得到最终结果， 则依据上一时段的模型误差动态调整组合权 重系数。权　利　要　求　书 1/1 页 2 CN 115470862 A 2动态自适应 负荷预测模型组合 方法 技术领域 [0001]本发明属于电力系统技 术领域， 特别涉及电力系统负荷预测。 背景技术 [0002]随着全球能源转型和低碳发展， 更多新兴分布式能源进入电网， 给电能供需平衡 带来巨大挑战。 电力负荷又称用电负荷， 是电力用户的用电设备在某一时刻向电力系统取 用的电功率的总和， 通过对用户历史负荷数据的分析能在一定程度上获取为了该用户的负 荷情况。 电网公司需要准确的电力负荷预测信息来保证电力的供需平衡， 提高运营经济性， 同时一系列电力系统相关的能源优化问题也需要 可靠的负荷预测作为保障， 因此对提高负 荷预测的准确性 提出了更高的要求。 [0003]为此， 国内外学者从不 同的时间尺度上提出了多种负荷预测方案。 流行的预测方 法包括多元回归算法、 人工神经网络(ANN)、 支持向量机(SVM)和时间序列分析等。 然而在负 荷预测的实际应用中， 单一模型往往存在很多缺点， 如负荷突变难以判断， 复杂模型可能过 拟合等。 为了克服单一预测 算法在预测精度方面的不足， 考虑将多个单一模型 的预测结果 加权组合的组合框架进行预测。 但是， 由于组合框架通过多种 方式确定权重系数来组合单 个模型的预测结果， 完全依赖于 之前单个模型的预测误差。 在某些情况下， 错误的权重系数 确定可能会导 致组合框架增 加预测误差 。 [0004]为解决以上问题， 本文提出了一种动态调整的组合模型， 通过识别各个预测算法 的结果与真值之间的关系来判断是否需要对不同算法的结果进行组合， 避免由于某些时期 的盲目组合而导 致预测结果与真实值偏差较大的问题的同时， 获得 更高的预测精度。 发明内容 [0005]本发明为 解决以上技 术问题， 采用以下技 术方案： [0006]本发明提出了一种动态自适应负荷预测模型组合方法， 所述方法包括以下步骤： [0007]步骤(1)： 获取待预测的用户或地区的负荷、 天气等历史数据； 对获取到的数据进 行缺失值插值补全、 异常值清洗操作， 并进行 特征工程形成数据集。 [0008]步骤(2)： 将进行特征工程后的数据集划分为训练集与测试集， 并根据期望 获得短 期或超短期预测结果， 设定动态判断时间段判断是否需要 进行多模型组合。 [0009]步骤(3)： 对(2)中设定好的训练集， 搭建深度神经网络、 LSTM、 随机森林等模型进 行训练， 并通过合 适的参数搜索方式提升每 个模型的预测精度。 [0010]步骤(4)： 当实际预测时， 对步骤(3)得到的不同模型的虚拟预测 结果进行动态判 断， 如果需要进行模 型组合， 则依据动态判断时段的误差求得权重并加权得到最终结果； 若 不需要进行组合， 则取 上一时段精准度最高的模型的结果 为最终结果。 [0011]所述步骤(2)的动态判断过程 为： [0012]若期望获得的是极短期负荷预测结果， 则以预测时间提前1小时的多个单一模型 虚拟预测误差值作为判断依据； 若期望获得的是短期负荷预测结果， 则以前  1天该时刻的说　明　书 1/6 页 3 CN 115470862 A 3