(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110624737.0 (22)申请日 2021.06.04 (65)同一申请的已公布的文献号 申请公布号 CN 113361195 A (43)申请公布日 2021.09.07 (73)专利权人 国网浙江省电力有限公司杭州供 电公司 地址 310009 浙江省杭州市上城区建国中 路219号 专利权人 国网浙江省电力有限公司 (72)发明人 姜建　吴舜裕　楼健　朱理　李衡　 赵斌炎　刘海琼　鲍威　郑梦娜　 尤孝厅　王燕　 (74)专利代理 机构 浙江翔隆专利事务所(普通 合伙) 33206 专利代理师 王晓燕 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) (56)对比文件 CN 111931989 A,2020.1 1.13 CN 112487612 A,2021.0 3.12 CN 106096771 A,2016.1 1.09 US 20210 64689 A1,2021.0 3.04 US 10936947 B1,2021.0 3.02 刘晶等.基 于相似日负荷修 正算法的短期负 荷预测. 《计算机 工程与设计》 .2010,(第0 6期), 125-128. 吕跃春等.粒子 群优化BP神经网络在短期负 荷预测误差修 正模型中的应用研究. 《电气应 用》 .2015,(第0 5期),33-37. 姜勇 等.基 于相似日的神经网络短期负荷 预测方法. 《电力系统及其自动化学报》 .20 01, 审查员 刘天晓 (54)发明名称 一种基于LSTM和相似日的配电网线路超短 期负荷预测方法 (57)摘要 本发明公开了一种基于LSTM和相似日的配 电网线路超短期负荷预测方法， 涉及电力负荷预 测技术领域。 目前， 缺少对时序数据时间相关性 的考虑， 需要人为添加时间特征来保证预测结果 的精确度。 本发明利用线路的LS TM模型定时预测 对应线路的全天预测负荷数据； 用线路的LS TM模 型进行滚动周期预测得到对应线路的修正前的 周期滚动负荷预测值， 并利用历史相似日的负荷 数据进行滚动周期负荷预测结果修正， 得到修正 后的周期滚动负荷预测值； 修正时， 以当天全天 预测数据为基础， 计算与相似日各时刻的差值， 按时刻累加到周期流动负荷预测值中。 本技术方 案兼顾数据的非线性和时序性， 保证了预测结果的精确度。 权利要求书2页 说明书6页 附图2页 CN 113361195 B 2022.05.13 CN 113361195 B 1.一种基于LSTM和相似日的配电网线路超短期负荷预测方法， 其特征在于包括以下步 骤： 1)收集预测线路信息， 包括各线路历史电流负荷数据； 2)数据预处 理， 包括线路历史电流负荷数据补齐及数据归一 化； 3)获取预处理后数据， 通过LSTM模型训练， 得到各线路的LSTM模型； 4)利用线路的LSTM模型定时预测对应线路的全天预测负荷数据； 5)用线路的LSTM模型进行滚动周期预测得到对应线路的修正前的周期滚动负荷预测 值， 并利用历史相似日的负荷数据进行滚动周期负荷预测结果修正， 得到修正后的周期滚 动负荷预测值； 修正时， 以当天全天预测数据为基础， 计算与相似 日各时刻的差值， 按时刻 累加到周期流动负荷预测值中， 即负荷周期滚动预测值为修正前的周期滚动负荷预测值加 上对应时刻的相似日负荷数据与全天预测负荷数据的差； 6)定时对预测误差进行验证， 若是误差超过设定阈值， 则对线路的LSTM模型进行修 正。 2.根据权利要求1所述的一种基于LSTM和相似日的配电网线路超短期负荷预测方法， 其特征在于： 在步骤2)中： 在数据补齐时， 假定短时间内数据呈线性变化， 以缺失数据值所在时刻的前后两个临 近时刻的对应数据均值作为该缺失值； 数据归一化采用MinMax法， 利用公式(1) 进行归一化后的数据值域变 换到[0,1]；  其中： x为待归一化向量； x*为归一化后向量； xmax， xmin分别为向量最大、 最小 值。 3.根据权利要求1所述的一种基于LSTM和相似日的配电网线路超短期负荷预测方法， 其特征在于： 在步骤3)中， 对当前预测时刻t， 将t ‑n至t‑1时刻的线路负荷数据作为LSTM模 型的输入序列X， 当前时刻的线路负荷数据作为 LSTM模型的输出y； 即： Xt＝[dt‑n,dt‑n+1,...dt‑1] yt＝dt 其中， d表示线路负荷数据； 模型训练时， 输入序列中的负荷数据与输出负荷数据均为实际负荷值。 4.根据权利要求1所述的一种基于LSTM和相似日的配电网线路超短期负荷预测方法， 其特征在于： 在步骤4)中， 预测对应线路 的全天预测负荷数据时， 对于每一个预测时刻， 该 时刻的预测输出值将加入预测下一时刻的输入序列中； 即： 以Xt＝[dt‑n,dt‑n+1,...dt‑1]预测得到时刻t的负荷值yt， 再将预测值yt加入输入序列 中， 即以Xt+1＝[dt‑n+1,dt‑n+2,...dt‑1,yt]预测下一个时刻t+1的负荷yt+1； 依此类推， 直到预测 出待预测时段的所有负荷数据。 5.根据权利要求1所述的一种基于LSTM和相似日的配电网线路超短期负荷预测方法， 其特征在于： 在步骤5)中， 历史相似日选取， 是以预测日滚动计算时刻为基准， 往前推算n小 时作为计算时段； 提取待选相似日范围内每天处于该计算时段的数据， 以及预测日计算时权　利　要　求　书 1/2 页 2 CN 113361195 B 2段的实际数据， 分别用公式： 计算欧式距离， 以欧式距离最小的日期 为相似日； 其中， 为待选相似日时刻t的实际负荷值， 为预测日时刻t的实际负荷值。 6.根据权利要求1所述的一种基于LSTM和相似日的配电网线路超短期负荷预测方法， 其特征在于： 步骤6)中， 采用相对均方误差 ERMSE和平均相对误差 EMAPE对预测误差进行验证， 式中： yi为实际负荷值， 为预测负荷值， n 为预测点个数。 7.根据权利要求6所述的一种基于LSTM和相似日的配电网线路超短期负荷预测方法， 其特征在于： 在步骤6)中， 每天定时统计前一天的全天负荷预测误差及周期滚动预测误差 。 8.根据权利要求5所述的一种基于LSTM和相似日的配电网线路超短期负荷预测方法， 其特征在于： 取 预测日前15天的已知日作为相似日的待选范围。 9.根据权利要求1所述的一种基于LSTM和相似日的配电网线路超短期负荷预测方法， 其特征在于： 在步骤3)中， LSTM模型训练时， 设置两层LSTM， 设定第一层LSTM神经元个数为 16， 第二层神经 元个数为32， 批处 理样本数为96， 迭代训练次数为10 0。 10.根据权利要求1所述的一种基于LSTM和相似日的配电网线路超短期负荷预测方法， 其特征在于： 在步骤6)中， 所述LSTM模型修正方法为： 收集线路更多的历史负荷数据， 继续 训练LSTM模型。权　利　要　求　书 2/2 页 3 CN 113361195 B 3