(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 202210861910.3 (22)申请日 2022.07.21 (71)申请人 国网上海市电力公司 地址 200122 上海市浦东 新区源深路1 122 号 (72)发明人 张颖　陈国平　徐琼　马一凡　 魏欣悦　冯苗苗　郁祎琳　何之倬　 郑真　李建宁　黄一楠　 (74)专利代理 机构 上海兆丰知识产权代理事务 所(有限合 伙) 31241 专利代理师 章蔚强 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/08(2006.01)G06N 3/12(2006.01) G06K 9/62(2022.01) (54)发明名称 一种考虑极限学习机参数优化的负荷预测 场景构建方法 (57)摘要 本发明公开了一种考虑极限学习机参数优 化的负荷预测场景构建方法， 收集历史负荷数据 与天气数据集， 经过数据预处理后， 根据日期类 型、 星期类型与相关性系数筛选数据， 构成负荷 数据训练集； 采用遗传算法优化预测模型隐层输 入权重与 偏置， 采用分位数回归优化模型隐层输 入权重， 确定可用于负荷预测的极限学习机模 型； 根据优化后的模型计算负荷预测结果， 并采 用区间覆盖率与区间平均宽度衡量预测效果； 基 于K‑means聚类算法生成负荷预测 典型场景， 为 电网规划与运行提供参考。 本发 明能够实现较准 确的负荷概率预测， 生成相应的负荷典型场景， 具有实际应用价 值。 权利要求书3页 说明书7页 附图2页 CN 115186915 A 2022.10.14 CN 115186915 A 1.一种考虑极限学习机参数优化的负荷预测场景构建方法， 其特征在于， 包括以下步 骤： 步骤1： 收集历史负荷数据与天气数据集， 进行数据预处理与归一化， 根据日期性质与 星期类型筛 选数据， 构成模型训练集； 步骤2： 采用遗传算法优化极限学习机隐层输入权 重与偏置参数； 步骤3： 采用分位数回归方法优化ELM隐层输出权 重； 步骤4： 确定优化后改进ELM模型， 并计算负荷概率预测结果， 根据区间覆盖率及区间平 均宽度表征 预测效果； 步骤5： 通过 K‑means算法聚类负荷预测数据， 构建负荷典型场景。 2.根据权利要求1所述的一种考虑极限学习机参数优化的负荷预测场景构建方法， 其 特征在于， 步骤1中所述历史负荷数据与天气数据集的收集方法为， 以特定时间间隔收集待 预测负荷数据与日平均气温、 日最高气温、 日最低气温、 相对湿度和降雨量的天气数据， 构 成初始数据集。 3.根据权利要求1所述的一种考虑极限学习机参数优化的负荷预测场景构建方法， 其 特征在于， 步骤1中所述数据筛选的方法为， 将数据日期划分为工作日与非工作日， 若需要 预测的日期与前一日的日期性质相同， 则将该日天气数据以及前一日最大负荷作为预测模 型输入变量， 否则将该日天气数据作为预测模型输入变量； 将与该日星期类型相同的日期 对应数据作为训练集， 并计算数据相关系数， 将其中与其余日期负荷相关系数小于0.9的数 据剔除。 4.根据权利要求1所述的一种考虑极限学习机参数优化的负荷预测场景构建方法， 其 特征在于， 步骤2中极限学习机的模型 具体为： 第i个样本的输入量Xi有n个， 实际输出量ti有m个， 该样本的输入量经过极限学习机模 型训练以后， 得到的输出yi可表示为： yi＝β g(w·Xi+b)； 式中： w为极限学习机输入层与隐含 层之间的权重矩阵， 其为D ×n阶矩阵， D为隐含层节 点的数量； b为隐含层的偏置矩阵； β 为隐 含层与输出层间的之间的权 重矩阵； g( ·)为激励函数； 选取g(·)使yi与ti近似相等， ti可表示为： ti≈β g(w·Xi+b)； N个样本的实际输出为T＝[y1,y2,···,yN]T∈RN×m， 可表示为： T≈Hβ； 式中： H为N个样 本的输入量经 过ELM的w、 b以及g( ·)处理后的矩阵； 当w与b确定 时， 对β 优化， 使T与Hβ 之间的差值接近于零， 最优的β*可通过求取上式的最 小二乘解得到： 式中： 为经处理后的矩阵H的广义逆矩阵， 可表示 为 5.根据权利要求1所述的一种考虑极限学习机参数优化的负荷预测场景构建方法， 其 特征在于， 步骤2中采用遗传算法的参数优化过程的方法为： 首先生成Nga个w与b组成初始种群， 再计算个体适应度值进行评估， 其中个体适应度计 算方式为： 权　利　要　求　书 1/3 页 2 CN 115186915 A 2式中： η为极大 数； 之后筛选出50个适应度值较大的个体作为父方与母方； 将最佳个体对应的w与b作为父 方对应的w与b， 其余筛选出的个体对应的w与b作为母方对应的w与b； 随机交换父方的w、 b与 母方的w、 b一行数据构成子代； 然后， 对子代中的w与b进 行变异处理； 其中， 最佳个体需要保 留到下一代种群中， 以防止最佳个体在经过一系列 处理后性能变差； 当适应度函数值变化 较小时或迭代循环次数达 到一定值时， 即可 退出循环。 6.根据权利要求1所述的一种考虑极限学习机参数优化的负荷预测场景构建方法， 其 特征在于， 步骤3中分位数回归的参数优化过程 为： 预测变量y的第 τ分位数可以表示成： τ＝inf{y: F(y)≥τ },0＜τ＜ 1； 式中： inf{ ·}下确 界函数； F(y)为y的分布函数； 第j个预测量的预测区间上界为 其为预测量的第αup分位数， 预测区间下界为 其为预测量的第αlow分位数； 为简化计算， 进行如下假设： 利用极限学习机和分位数回归相结合的方法， 计算ELM隐含层输出权值， 具体计算方法 为： s.t.0≤Q(xj, βlow)≤Q(xj, βup)≤1 式中： ρ(·)为检验函数； ti、 Q(xj, βup)与Q(xj, βlow)分别为预测量对应的实际值、 预测区 间上界及下界归一 化后的值； 检验函数可表示为： ρτ( μ )＝ μ( τ ‑I( μ ))； 式中， 若 μ小于零， 则I( μ )等于1， 否则I( μ )等于 0。 7.根据权利要求1所述的一种考虑极限学习机参数优化的负荷预测场景构建方法， 其 特征在于， 步骤4中的预测区间评价指标区间覆盖率及区间平均宽度的方法为： PICP是指实际值在预测区间以内的个数与样本总数的比值， 计算公式为： 式中： n为样本总数， Ki(α )为布尔量， 若真实值大于预测区间上界或者小 于预测区间下界， 则Ki( α )为0， 否则为1； 采用PINAW衡量预测区间的宽度， 其计算方式为： 式中： R 为预测实际值的最大值， Ui( α )为预测区间的上界， Li( α )为预测区间的下界。 8.根据权利要求1所述的一种考虑极限学习机参数优化的负荷预测场景构建方法， 其 特征在于， 步骤5中的K ‑means聚类的具体方法为： 步骤5.1， 任意选取 K组需要聚类的数据作为凝聚中心； 步骤5.2， 为每 个类选择数据， 其包 含与聚类中心较近的待聚类数据； 步骤5.3， 聚类中心为每 类数据的均值所替代； 步骤5.4， 若聚类中心的变化小于设定值， 则聚类完成； 采用CH(+)指标进行评估：权　利　要　求　书 2/3 页 3 CN 115186915 A 3