(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 202111502682.2 (22)申请日 2021.12.09 (71)申请人 国网四川省电力公司 地址 610000 四川省成 都市蜀绣西路3 66号 申请人 国网四川省电力公司电力科 学研究 院　 北京清能互联科技有限公司 (72)发明人 路轶　张弛　杨小磊　孙毅　 杜成锐　邓扶摇　刘巍　过夏明　 陈静　高成　孙永超　蔡隽　 张国芳　张大伟　冯智博　胡佳佳　 吴刚　廖晔　温亚坤　李祖钢　 (74)专利代理 机构 北京细软智谷知识产权代理 有限责任公司 1 1471 代理人 涂凤琴(51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) (54)发明名称 一种短期负荷预测方法和装置 (57)摘要 本发明属于负荷预测技术领域， 具体涉及一 种短期负荷预测方法和装置， 该方法包括： 获取 网供负荷中各负荷成分的负荷预测模 型； 利用各 负荷成分的负荷预测模型， 获取各负荷成分的预 测值； 获取网供负荷预测模型； 以各负荷成分的 预测值为网供负荷预测模型的输入， 获取网供负 荷的预测值。 本申请提供的技术方案， 不仅可 以 对各负荷成分进行特征分析与预测， 提升了预测 精细化程度； 还实现了网供负荷中各负荷成分的 有效分解， 有利于调度人员了解网供负荷的组成 成分及其变化规律， 提升网供负荷预测的准确 度。 权利要求书3页 说明书13页 附图4页 CN 114186733 A 2022.03.15 CN 114186733 A 1.一种短期负荷预测方法， 其特 征在于， 所述方法包括： 获取网供负荷中各负荷成分的负荷预测模型； 利用所述各负荷成分的负荷预测模型， 获取 所述各负荷成分的预测值； 获取网供负荷预测模型； 以所述各负荷成分的预测值为所述网供负荷预测模型的输入， 获取网供负荷的预测 值。 2.根据权利要求1所述的方法， 其特征在于， 所述各负荷成分包括： 35kV及以上的电力 大用户负荷数据、 地方电厂出力负荷数据和10kV公专线负荷数据。 3.根据权利要求1所述的方法， 其特征在于， 所述获取网供负荷中各负荷成分的负荷预 测模型， 包括： 建立第一负荷预测模型； 所述建立第一负荷预测模型， 包括： 当所述负荷成分为35kV及以上的电力大用户负荷 时， 采集历史 时间段内35kV及以上的电力大用户的历史负荷数据和历史的负荷影响因素数 据； 以历史的负荷影响因素数据为PSO ‑LSSVM模型的输入层训练样本， 以历史时间段内 35kV及以上的电力 大用户的历史负荷数据为PSO ‑LSSVM模型的输出层训练样本进行训练， 获取第一负荷预测模型。 4.根据权利要求1所述的方法， 其特征在于， 所述获取网供负荷中各负荷成分的负荷预 测模型， 包括： 建立第二负荷预测模型； 所述建立第 二负荷预测模型， 包括： 当所述负荷成分为地方电厂出力负荷时， 采集历史 时间段内地方电厂出力的历史负荷数据和历史的负荷影响因素 数据； 以历史的负荷影响因素数据为PSO ‑LSSVM模型的输入层训练样本， 以历史时间段内地 方电厂出力的历史负荷数据为PSO ‑LSSVM模型的输出层训练样本进行训练， 获取第二负荷 预测模型。 5.根据权利要求1所述的方法， 其特征在于， 所述获取网供负荷中各负荷成分的负荷预 测模型， 包括： 建立第三负荷预测模型； 所述建立第三负荷预测模型， 包括： 步骤1： 当所述负荷成分为10kV 公专线负荷时， 采集历史时间段内10kV 公专线中各线路 的历史负荷数据和历史负荷影响因素 数据； 步骤2： 令所述历史时间段内10kV 公专线中各线路的历史负荷数据为基础数据， 并利用 所述基础数据获取 所述10kV公专线各线路的典型负荷曲线； 步骤3： 令 簇类中心K＝1； 步骤4： 利用K ‑means聚类算法对所述10kV公专线各线路的典型负荷曲线进行聚类， 得 到聚类结果； 步骤5： 判断簇类中心K是否大于等于M， 若K大于等于M， 则执行步骤6； 若K小于M， 则令K ＝K+1， 并返回步骤4； 其中， M为预设值， 且M为 正整数； 步骤6： 利用手肘法获取最优簇类 中心， 并以最优簇类 中心对应的聚类结果为最终聚类 结果； 步骤7： 利用相关性方法， 计算最优聚类结果中各个簇类对应的10kV公专线的历史负荷 数据和历史负荷影响因素数据中各类影响因素数据之 间的相关性结果， 并对所有相关性结权　利　要　求　书 1/3 页 2 CN 114186733 A 2果进行排序， 令排名前三的相关性结果对应的某类 影响因素即为该簇类的主 要影响因素； 步骤8： 以所述聚类结果 中各个簇类对应的历史负荷影响因素数据 为PSO‑LSSVM模型的 输入层训练样本， 以所述聚类结果中各个簇类对应的10kV公专线的历史负荷数据为PSO ‑ LSSVM模型的输出层训练样 本进行训练， 获取各类影响因素的第三负荷预测模型， 即各个簇 类的第三负荷预测模型。 6.根据权利要求5所述的方法， 其特征在于， 所述步骤1中采集历史时间段内10kV公专 线中各线路的历史负荷数据， 包括： 对历史时间段内10kV公专线中存在转供关系的线路的历史负荷数据进行组合， 得到组 合数据； 历史时间段内10kV公专线中不存在转供关系的线路的历史负荷数据与所述组合数据， 构成所述历史时间段内10kV公专线中各线路的历史负荷数据。 7.根据权利要求5所述的方法， 其特征在于， 所述步骤2中利用所述基础数据获取所述 10kV公专线各线路的典型负荷曲线， 包括： 步骤21： 当所述基础数据中的某条数据存在某个时刻点的负荷值为0时， 去掉该条数 据， 得到预处 理后的基础数据； 其中， 历史时间段内10kV公专线中各个线路每天的历史负荷数据为 一条数据； 步骤22： 利用所述预处理后的基础数据， 计算10kV公专线中各个线路的各个时刻点的 平均负荷， 并所述 10kV公专线中各个线路的各个时刻点的平均负荷生 成各个线路的初始负 荷曲线； 步骤23： 利用所述预处理后的基础数据， 生成历史时间段内10kV公专线中各个线路每 天的日负荷曲线； 步骤24： 计算所述历史时间段内10kV公专线中各个线路每天的日负荷曲线中各个时刻 点与所述初始负荷曲线中各个时刻点的偏差率； 当存在日负荷 曲线中各个时刻点与所述初始负荷曲线中各个时刻点的偏差率大于预 设的各个时刻点的偏差率阈值时， 剔除该日负荷曲线， 得到所述10kV公专线各线路 的典型 负荷曲线。 8.根据权利要求1所述的方法， 其特征在于， 所述利用所述各负荷成分的负荷预测模 型， 获取所述各负荷成分的预测值， 包括： 以待预测的未来 时间的负荷影响因素数据为所述各负荷成分的负荷预测模型的输入， 获取所述各负荷成分的预测值。 9.根据权利要求1所述的方法， 其特 征在于， 所述获取网供负荷预测模型， 包括： 采集历史时间段内各负荷成分的历史负荷数据和所述网供负荷的历史负荷数据； 以所述历史时间段内各负荷成分的历史负荷数据为PSO ‑LSSVM模型的输入层训练样 本， 以所述历史时间段内网供负荷的历史负荷数据为PSO ‑LSSVM模型的输出层训练样本进 行训练， 获取 所述网供负荷预测模型。 10.一种短期负荷预测装置， 其特 征在于， 所述装置包括： 第一获取模块， 用于获取网供负荷中各负荷成分的负荷预测模型； 第二获取模块， 用于利用所述各负荷成分的负荷预测模型， 获取所述各负荷成分的预 测值；权　利　要　求　书 2/3 页 3 CN 114186733 A 3