(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 202111459506.5 (22)申请日 2021.12.01 (71)申请人 国网河北省电力有限公司雄 安新区 供电公司 地址 071699 河北省保定市安 新县安新镇 北环路 申请人 燕山大学 (72)发明人 曹晓波　李津　马涛　杨少华　 杨鑫　师锛博　卢志刚　 (74)专利代理 机构 石家庄国为知识产权事务所 13120 代理人 彭竞驰 (51)Int.Cl. G06Q 10/04(2012.01) G06K 9/62(2022.01)G06F 17/16(2006.01) H02J 3/00(2006.01) G06Q 50/06(2012.01) (54)发明名称 基于季节分解的短期冷热电负荷联合预测 方法及装置 (57)摘要 本发明适用于能源系统技术领域， 提供了一 种基于季节分解的短期冷热电负荷联合预测方 法及装置， 所述方法包括： 获取待预测时段的天 气预测数据以及目标能源系统在待预测时段对 应历史时段的多个不同类型的负荷数据； 分别对 历史时段各个类型的负荷数据进行分解， 得到各 个类型负荷数据对应的趋势及循环分量、 季节分 量和不规则分量； 将历史时段各个类型负荷数据 的同种分量同时输入至对应的一个预测模型中 进行预测， 得到待预测时段各个类型负荷的数据 预测值。 本发 明在预测过程中考虑了各个负荷之 间的耦合性， 能够有效提高对能源系统的负荷预 测精度。 权利要求书2页 说明书11页 附图4页 CN 113962491 A 2022.01.21 CN 113962491 A 1.一种基于季节分解的短期冷热电负荷联合预测方法， 其特 征在于， 包括： 获取待预测时段的天气预测数据以及目标能源系统在待预测时段对应历史时段的多 个不同类型 的负荷数据； 对负荷数据进行分解， 得到各类型负荷数据对应的趋势及循环分 量、 季节分量和不规则 分量； 将天气预测数据和各类型负荷数据的趋势及循环分量输入至 第一预测模型， 得到待预测时段各类型负荷数据的趋势及循环分量； 将天气预测数据和各 类型负荷数据的季节分量输入至第二预测模型， 得到待预测时段各类型负荷数据的季节分 量； 将天气预测数据和各类型负荷数据的不规则 分量输入至第三预测模型， 得到待预测时 段各类型负荷数据的不规则 分量； 基于待预测时段各类型负荷数据的趋势及循环分量、 季 节分量和不 规则分量， 确定待预测时段 各类型负荷的数据预测值。 2.如权利要求1所述的基于季节分解的短期冷热电负荷联合预测方法， 其特征在于， 所 述多个不同类型的负荷数据包括冷负荷数据、 热负荷数据和电负荷数据。 3.如权利要求1所述的基于季节分解的短期冷热电负荷联合预测方法， 其特征在于， 对 负荷数据进行分解的模型为X ‑12‑ARIMA乘法模型； 所述X‑12‑ARIMA乘法模型的公式为： Yt＝TtStIt 式中， Yt为原始数据序列， 所述原始数据为某一个类型的负荷数据， Tt为趋势及循环分 量， St为季节分量， It为不规则分量。 4.如权利要求1所述的基于季节分解的短期冷热电负荷联合预测方法， 其特征在于， 所 述第一预测模型、 所述第二预测模型、 所述第三预测模型均为预训练的I LBLS模型； 对于任意 一个预测模型， 该 预测模型的训练过程包括： 获取多个第 一历史时段内的真实天气数据和各个类型负荷数据的目标分量， 以及将各 个第一历史时段作为训练过程中的待 预测时段， 并获取各个第一历史时段对应第二历史时 段内各个类型负荷数据的目标分量， 得到第一训练集； 其中， 所述目标分量为趋势及循环分 量、 季节分量和不规则 分量中该预测模型对应的某一个分量， 第二历史时段早于对应的第 一历史时段； 将每个第一历史时段内的真实天气数据、 该第 一历史时段对应第 二历史时段内各个类 型负荷数据的目标分量作为该预测模型的输入值， 将 每个第一历史时段内各个类型负荷数 据的目标分量作为该预测模型 的输出值， 训练该预测模型 的模型参数， 得到训练后的该预 测模型。 5.如权利要求1所述的基于季节分解的短期冷热电负荷联合预测方法， 其特征在于， 基 于待预测时段各类型负荷数据的趋势及循环分量、 季节分量和不规则 分量， 确定待预测时 段各类型负荷的数据预测值， 包括： 将待预测时段每个类型负荷数据的趋势及循环分量、 季节分量和不规则分量相乘， 得 到待预测时段每 个类型负荷的数据预测值。 6.如权利要求1 ‑5任一项所述的基于季节分解的短期冷热电负荷联合预测方法， 其特 征在于， 在获取待预测时段的天气预测数据之后， 还 包括： 将所述天气预测数据输入至预训练的修正模型中， 得到修正后的天气预测数据， 并将 修正后的天气预测数据作为待预测时段的天气预测数据。 7.如权利要求6所述的基于季节分解的短期冷热电负荷联合预测方法， 其特征在于， 所权　利　要　求　书 1/2 页 2 CN 113962491 A 2述修正模型为 ILBLS模型； 所述修正模型的训练过程包括： 获取多个历史时段的真实 天气数据和天气预测数据， 得到第二训练集； 将所述第二训练集中每个历史时段的天气预测数据作为所述修正模型的输入值， 将所 述第二训练集中每个历史时段的真实天气数据作为所述修正模型的输出值， 训练所述修正 模型的模型参数， 得到训练后的所述 修正模型。 8.一种基于季节分解的短期冷热电负荷联合预测装置， 其特 征在于， 包括： 获取模块， 用于获取待预测时段的天气预测数据以及目标能源系统在待预测时段对应 历史时段的多个不同类型的负荷数据； 分解模块， 用于对负荷数据进行分解， 得到各类型负荷数据对应的趋势及循环分量、 季 节分量和不 规则分量； 预测模块， 用于将 天气预测数据和各类型负荷数据的趋势及循环分量输入至第 一预测 模型， 得到待预测时段各类型负荷数据的趋势及循环分量； 将天气预测数据和各类型负荷 数据的季节分量输入至第二预测模型， 得到待预测时段各类型负荷数据的季节分量； 将天 气预测数据和各类型负荷数据的不规则分量输入至第三预测模型， 得到待 预测时段各类型 负荷数据的不 规则分量； 确定模块， 用于基于待预测时段各类型负荷数据的趋势及循环分量、 季节分量和不规 则分量， 确定待预测时段 各类型负荷的数据预测值。 9.一种电子设备， 包括存储器、 处理器以及存储在所述存储器中并可在所述处理器上 运行的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求1至7 任一项所述方法的步骤。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 其特征在 于， 所述计算机程序被处 理器执行时实现如权利要求1至7任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 113962491 A 3