(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 202111441254.3 (22)申请日 2021.11.30 (71)申请人 国网湖南省电力有限公司 地址 410004 湖南省长 沙市天心区新韶东 路398号 申请人 国网湖南省电力有限公司经济技 术 研究院　 国家电网有限公司 (72)发明人 秦玥　文明　钟原　李文英　 许楚璠　 (74)专利代理 机构 长沙永星专利商标事务所 (普通合伙) 43001 代理人 周咏　米中业 (51)Int.Cl. G06Q 10/04(2012.01)G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06F 111/08(2020.01) (54)发明名称 中长期电力负荷预测方法 (57)摘要 本发明公开了一种中长期电力负荷预测方 法， 包括获取电力负荷历史数据； 构建电力负荷 数据集； 基于XGBoost集成学习模型构建中长期 电力负荷初步预测器； 采用电力负荷数据集训练 和测试中长期电力负荷初步预测器并得到电力 负荷预测模 型和电力负荷预测误差库； 采用核密 度估计算法对电力负荷预测误差库建模得到电 力负荷预测误差的累积概率分布和电力负荷预 测误差区间； 将预测日前若干时间的电力负荷数 据输入电力负荷预测模型中得到负荷预测值， 并 结合电力负荷预测误差区间得到最终的预测日 的电力负荷预测结果。 本发明方法的样本依赖性 低， 提升了预测模型的精度， 避免了建立复杂的 数学模型， 而且电力负荷的拟合能力好， 更加准 确可靠。 权利要求书3页 说明书9页 附图6页 CN 114091782 A 2022.02.25 CN 114091782 A 1.一种中长期电力负荷预测方法， 包括如下步骤： S1.获取电力负荷历史数据； S2.根据步骤S1 获取的电力负荷历史数据， 构建电力负荷数据集； S3.基于XGBo ost集成学习模型构建中长期电力负荷 初步预测器； S4.采用步骤S2构建的电力负荷数据集， 对步骤S3构建的中长期电力负荷初步预测器 进行训练和 测试， 从而得到电力负荷预测模型， 以及得到电力负荷预测误差库； S5.采用核密度估计算法对步骤S4得到的电力负荷预测误差库进行概率建模， 得到电 力负荷预测误差的累积概 率分布， 从而 进一步得到电力负荷预测误差区间； S6.将预测日前若干时间的电力负荷数据， 输入到步骤S4得到的电力负荷预测模型中 得到负荷预测值， 并结合步骤S5得到的电力负荷预测误差区间， 计算得到最终的预测日的 电力负荷预测结果。 2.根据权利要求1所述的中长期电力负荷预测方法， 其特征在于步骤S2所述的根据步 骤S1获取的电力负荷历史数据， 构建电力负荷数据集， 具体为采用灰色关联算法， 计算步骤 S1获取的电力负荷历史数据中各历史日与预测日 的相似度， 并选取相似度大于 设定阈值的 历史日所对应的电力负荷历史数据构成电力负荷数据集。 3.根据权利要求2所述的中长期电力负荷预测方法， 其特征在于所述的采用灰色关联 算法， 计算步骤S1获取的电力负荷历史数据中各历史日与预测日的相似度， 具体包括如下 步骤： A.采用如下算式， 对历史日和预测日的数据进行 标准化处理： 式中x'j为标准化处理后的数据 特征变量， 且x'j＝[x'j,1,x'j,2,...,x'j,i,...,x'j,n]， x'j,i,为标准化处理后的第j日第 i个数据的值； xj为标准化处理前的数据特征变量， 且xj＝ [xj,1,xj,2,...,xj,i,...,xj,n]， xj,i为标准化处理前第j日第i个 数据的值； μ为标准化处理前 第i个数据的均值； σ 为标准 化处理前第i个数据的方差； B.采用如下算式， 计算第j个历史 日的特征变量x'j与预测日对应的特征变量x'0的关联 系数： 式中ε'j,k为第j个历史日的第k个特征变量与预测日的第k个特征变量的关联系数； ρ 为 分辨系数； C.对步骤B得到的关联系数进行求和， 得到各历史日与预测日的相似度。 4.根据权利要求1～3之一所述的中长期电力负荷预测方法， 其特征在于步骤S3所述的 基于XGBo ost集成学习模型构建中长期电力负荷 初步预测器， 具体包括如下步骤： a.设定电力负荷数据集表示为D＝{(xi,yi):i＝1,2,...,n}， 其中包括n个样本， 每个样权　利　要　求　书 1/3 页 2 CN 114091782 A 2本包括m个特征且对应的值为yi， 并设定存在K棵 回归树； 则模型为 式中fk 表示一棵回归树， fk(xi)表示第k棵树对数据集中第i个样本的计算分数； b.设定目标函数为 式中l为误差函数， Ω(fk)为正则 化惩罚项且 γ和 λ为模型的惩罚系数， T为第k棵树的叶子数 目， wj为第k棵树的第j片叶子的权 重； c.利用前向分步算法对目标函数进行训练， 设 为第i个样本在第t次迭代 时的预测 值， 并添加ft以最优化以下目标函数： 式中ft(xi)为表示第t次迭代时对第i个样本的计算分数； d.使用二阶泰勒展开， 将步骤c中的目标函数简化并去掉常数项后得到： 式中gi为损失函数的一阶导数， 为求导函数； hi为损失函数 的二阶导数， e.最终得到目标函数为： 式中Ij表示叶子j的样本组； f.最终， 将目标函数转换为一个关于wj的一元二次方程求最小 值的问题； 设定树的结构 固定， 计算出叶子j的最优权重 为 Gj为损失函数的一阶导数和且 Hj为损失函数的二阶导数和且 h.最后， 计算得到最优目标值Obj*为 权　利　要　求　书 2/3 页 3 CN 114091782 A 3