(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 202211155849.7 (22)申请日 2022.09.22 (71)申请人 国网江苏省电力有限公司宿迁供电 分公司 地址 223800 江苏省 宿迁市宿城区发展大 道2481号 (72)发明人 毛王清　黄昊　赵航宇　孙雨　 夏泰宝　刘刚　曹萌萌　赵宇　 王池　林光亮　朱前进　刘帅　 丁园　赵晟茹　 (74)专利代理 机构 南京品智知识产权代理事务 所(普通合伙) 32310 专利代理师 张明昌 (51)Int.Cl. G06Q 10/06(2012.01)G06N 3/04(2006.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) (54)发明名称 一种对电力系统负荷进行短期预测的方法 (57)摘要 本发明提出的是一种对电力系统负荷进行 短期预测的方法， 该方法包括： 1、 录入各时段相 关数据； 2、 在传统LSTM模型的基础上进行建模， 并在传统LS TM模型基础上进行改进； 3、 建立用户 侧不确定响应量化模型， 求得实际响应量； 4、 进 行负荷预测。 本发明在传统LS TM预测方法的基础 上进行改进， 引入了最大信息系数法和注意力机 制， 改善了传统LS TM方法无法度量不同时间段下 输入特征重要性和历史数据关联性的问题， 使 得 日前负荷预测精度得以提升 。 权利要求书5页 说明书12页 CN 115471091 A 2022.12.13 CN 115471091 A 1.一种对电力系统负荷进行短期预测的方法， 其特 征是包括： 1、 录入各时段相关数据； 2、 在传统LSTM模型的基础上进行建模， 并在 传统LSTM模型基础上进行改进； 3、 建立用户侧不确定响应量 化模型， 求得实际响应量； 4、 进行负荷预测。 2.根据权利要求1所述的一种对电力系统负荷进行短期预测的方法， 其特征是所述各 时段相关数据包括各时段 的输入特征和各时段的负荷； 所述各时段的输入特征包括季节、 日类型、 气温、 光伏出力值、 实时电价、 实际响应量。 3.根据权利要求1所述的一种对电力系统负荷进行短期预测的方法， 其特征是所述在 传统LSTM模型的基础上进行建模， 具体包括： (1)构建遗 忘门； (2)构建输入门； (3)构建输出门； (4)获取各时段预测值。 4.根据权利要求3所述的一种对电力系统负荷进行短期预测的方法， 其特征是所述构 建遗忘门， 具体包括： 将前一个隐藏状态的信息ht‑1和当前输入的信息xt同时输入遗忘门中， 根据公式(1)计 算经过遗忘门中sigmo id函数后的遗 忘门输出值ft， 该值介于 0‑1之间； ft＝sigmoid(Wfxxt+Wfhht‑1+bf)    (1)； 式中： Wfx表示遗忘门与当前输入的信息xt的矩阵权重， Wfh表示遗忘门与前一个隐藏状 态的信息 ht‑1的矩阵权 重， bf为偏置项； 所述构建输入门， 具体包括： 首先， 将前一个隐藏状态的信息ht‑1和当前输入的信息xt同时输入到sigmoid函数中， 根 据公式(2)计算输入门输出值it， 若值为1， 表示信息重要， 为0则不重要； 其次， 再将前一个 隐藏状态的信息 ht‑1和当前输入的信息xt输入到tanh函数中， 根据式(3)计算预 备信息Ctc； it＝sigmoid(Wixxt+Wihht‑1+bi)    (2)； Ctc＝tanh(Wcxxt+Wchht‑1+bc)   (3)； 式中： Wix表示输入门输出值it与当前输入的信息xt的矩阵权重， Wih表示输入门输出值it 与前一个隐藏状态的信息ht‑1的矩阵权重， bi为偏置项， Wcx表示预备信息Ctc与当前输入的信 息xt的矩阵权重， Wch表示预备信息Ctc与前一个隐藏状态 的信息ht‑1的矩阵权重， bc为偏置 项； 所述构建输出门， 具体包括： 首先， 将前一个隐藏状态的信息ht‑1和当前输入的信息xt同时输入到sigmoid函数中， 根 据公式(4)得到 输出门输出值 ot； ot＝sigmoid(Woxxt+Wohht‑1+bo)   (4)； 式中： Wox表示输出门输出值ot与当前输入xt的矩阵权重， Woh表示ot与ht‑1的矩阵权重， bo 为偏置项； 接着， 依据遗 忘门输出值ft和预备信息Ctc对长期记 忆状态ct进行更新； ct＝ftct‑1+itCtc              (5)；权　利　要　求　书 1/5 页 2 CN 115471091 A 2最后， 依据输出门输出值 ot求取新的隐藏状态ht； ht＝ottanh(ct)              (6)。 5.根据权利要求1所述的一种对电力系统负荷进行短期预测的方法， 其特征是所述在 传统LSTM模型基础上进行改进包括对传 统LSTM模型进行横向改进和对传 统LSTM模型进行 纵向改进； 所述对传统LSTM模型进行横向改进， 具体包括： STEP1:确定输入特征和负荷的数据集； 根据事先选好的6种输入特征的历史数据， 建立 t时段的输入特征数据集Xt＝[Xt,1,Xt,2,Xt,3,Xt,4,Xt,5,Xt,6]T； Xt,1,Xt,2,Xt,3,Xt,4,Xt,5,Xt,6分 别为季节、 日类型、 气温、 光伏出力值、 实时电价、 实际响应量； 根据n个采样点的负荷的历史 数据， 建立输出数据集Out＝[Out1,Out2,...,Outn]， Outi为采样点i(1≤i≤n)的历 史负荷 数据； STEP2:计算t时段各输入特征的MIC矩阵； 对于数据集S＝{(Xt,i,Outi)}计算得到输入特 征与负荷的MIC序列为Mt＝[M(Xt,1,Outt),M(Xt,2,Outt),...,M(Xt,6,Outt)]T； M(Xt,j,Outt)指 示t时段输入特性j对负荷的重要程度； STEP3： 不断重复计算STEP2， 得到随时段变化的各个输入特征对负荷的重要程度矩阵 M: 6.根据权利要求5所述的一种对电力系统负荷进行短期预测的方法， 其特征是所述对 传统LSTM模型进行纵向改进， 具体包括： STEP1:假设ht表示LSTM模型最后一层隐藏层的输出， δt为注意力机制下ht的注意力分 布值， 由此计算未归一 化权重矩阵heai： heat＝ustan(asht+bs)   (8)； 式中： as为初始化的注意力机制权值矩阵、 bs为偏置量、 us为时间序列矩阵； STEP2:使用softmax函数计算 δt， 得到新的隐藏层输出 STEP3:将 作为ht的替代输入到at tention层中， 运 算出最终预测结果。 7.根据权利要求1所述的一种对电力系统负荷进行短期预测的方法， 其特征是所述建 立用户侧不确定响应量 化模型， 求得实际响应量， 具体包括： 3‑1、 设立参与需求侧响应的多元用户； 所述多元用户包括LC用户， LS用户， 光储系统用权　利　要　求　书 2/5 页 3 CN 115471091 A 3