(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 202111443035.9 (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 文明　秦玥　钟原　肖振锋　 罗姝晨　 (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 50/06(2012.01) G06Q 50/26(2012.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 人口流动预测方法及其电网负荷预测方法 (57)摘要 本发明公开了一种人口流动预测方法， 包括 获取城市人口历史数据； 处理城市人口历史数据 构建城市人口流动预测数据集； 构建基于极限学 习机的人口流动预测初步模型并训练和测试得 到人口流动预测模型； 采用人口流动预测模型对 目标城市进行人口流动预测。 本发 明还公开了一 种包括所述人口流动预测方法的电网负荷预测 方法。 本发 明选择能全面反映人口流动动态变化 行为的变量来构建输入特征集， 因此本发明方法 的准确性更高； 选取极限学习机方法构建人口流 动预测模型， 避免了传统前馈神经网络训练速度 慢， 容易陷入局部极小值点， 学习率的选择敏感 等缺点， 因此本发明方法的效率更高， 准确性更 好； 而且本发明方法预测细粒度更高， 稳定性更 好。 权利要求书2页 说明书8页 附图5页 CN 114118593 A 2022.03.01 CN 114118593 A 1.一种人口流动预测方法， 包括如下步骤： S1.获取城市人口历史数据； S2.对步骤S1 获取的城市人口历史数据进行处 理， 从而构建城市人口流动预测数据集； S3.构建基于极限学习机的人口流动预测初步模型； S4.采用步骤S2构建的城市人口流动预测数据集， 对步骤S3构建的基于极限学习机的 人口流动预测初步模型进行训练和 测试， 从而得到人口流动预测模型； S5.采用步骤S4得到的人口流动预测模型， 对目标城市进行 人口流动预测。 2.根据权利要求1所述的人口流动预测方法， 其特征在于步骤S1所述的城市人口历史 数据， 具体包括如下步骤： 定义城市总人口数量 为当天在城市停留8小时及以上的人 数； 获取预测日前7天～预测日前14天的目标城市的每日总人口数量、 预测日是否为节假 日数据、 预测日最低气温数据和预测日最高气温数据。 3.根据权利要求2所述的人口流动预测方法， 其特征在于步骤S2所述的对步骤S1获取 的城市人口历史数据进行处 理， 从而构建城市人口流动预测数据集， 具体包括如下步骤： 在步骤S1获取的城市人口历史数据中， 构建输入特征xi＝[xi1,xi2,xi3,xi4]T， xi1为预测 日前7天～预测日前14天的目标城市的每日总人口数量， xi2为预测日是否为节假日数据， xi3为预测日最低气温数据， xi4为预测日最高气温数据； 在步骤S1获取的城市人口历史数据中， 构建输出特征yi为预测日目标城市 的总人口数 量； 最后， 将构建的输入特征 ‑输出特征组成训练样本集和测试样本集， 且训练样本集所对 应的时间段要早于测试样本集所对应的时间段， 且训练样本集所对应的时间段与测试样本 集所对应的时间段不交叉。 4.根据权利要求3所述的人口流动预测方法， 其特征在于步骤S3所述的构建基于极限 学习机的人口流动预测初步模型， 具体包括如下步骤： A.N个样本(xi,yi)， i＝1,2,...,N， xi＝[xi1,xi2,...,xin]T∈Rn为样本输入数据， yi＝ [yi1,yi2,...,yin]T∈Rm为样本输出数据； B .包括m个隐含层神经节点数 ， 激励函数为g ( )的极限学习机 ， 表达式为 βj为隐含层和输出层之间的权值向量， wj为输入权值向量， bj 为第i层隐含节点阈值； C.将步骤B的极限学习机表达式写成矩阵形式T＝Hβ， 式中T为人口流动期望输出矩阵， H为隐藏层节点的输出矩阵， β 为输出层权值矩阵； D.极限学习机的目标函数为： min||Hβ‑T||2 式中β ∈RL×m； T为人口流动期望输出矩阵， 且T＝[t1,t2,...,tN]T； H为隐藏层节点的输权　利　要　求　书 1/2 页 2 CN 114118593 A 2出矩阵且H＝[h(x1),h(x2),..., E.步骤D所述的目标函数的最优解β*为β*＝H+T， H+为矩阵H的Moore–Penrose广义逆矩 阵； F.采用正交投影法、 正交化法、 迭代法或奇异值分解法求解矩阵H+， 得到目标函数的最 优解β*。 5.根据权利要求4所述的人口流动预测方法， 其特征在于步骤S4所述的采用步骤S2构 建的城市人口流动预测数据集， 对步骤S3构建的基于 极限学习机的人口流动预测初步模型 进行训练和 测试， 具体包括如下步骤： 采用步骤S2构建的城市人口流动预测数据集， 对步骤S3构建的基于极限学习机的人口 流动预测初步模型进行训练； 训练过程汇总， 若平均的日预测准确率低于设定的准确率阈值时， 调整隐含层神经节 点的数目， 并利用网格搜索法， 通过查找搜索范围内所有的点来确定最优值， 直至平均的日 预测准确率达 到设定的准确率阈值； 若每一年同一 时间段的日预测准确率均低于设定的特殊 时段阈值， 则认定该时间段为 特殊时间段； 此时， 设定专家经验因子， 并将特殊时间段的预测值乘以专家经验因子， 并作 为最终的预测值； 同时， 根据实际情况， 对设定的专 家经验因子的值进行调整。 6.根据权利要求5所述的人口流动预测方法， 其特征在于所述的专家经验因子， 具体为 根据预测日前三 年所对应的特殊时间段的真实值与预测值比值的平均值确定 。 7.一种包括了权利要求1～6之一所述的人口流动预测方法的电网负荷预测方法， 其特 征在于还 包括如下步骤： S6.根据步骤S5得到的目标城市的人口流动预测结果， 进行电网负荷的预测。权　利　要　求　书 2/2 页 3 CN 114118593 A 3