(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 202211281471.5 (22)申请日 2022.10.19 (71)申请人 宁波市电力设计院有限公司 地址 315153 浙江省宁波市江北区北岸财 富中心11幢4-1 申请人 国网浙江省电力有限公司宁波供电 公司　 国网浙江余 姚市供电有限公司 (72)发明人 朱耿　王波　马旭　陈东海　 虞殷树　贺旭　吉晏平　周宏辉　 周飞　蔡振华　王晴　黄亮　 朱晓杰　葛起予　施超　李琪　 葛凯梁　严浩军　罗玉鹤　白文博　 陈玄俊　(74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 吴磊 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) H02J 3/00(2006.01) (54)发明名称 一种基于外部影响因素关联性的电力负荷 预测方法及系统 (57)摘要 本申请实施例公开了一种基于外部影响因 素关联性的电力负荷预测方法， 包括： 获取原始 数据， 基于平均轮廓系数优化的k ‑means聚类模 型和标准互信息相结合的关联性 分析方法， 对原 始数据所包含的历史电力负荷数据和外部影响 因素数据之间的非线性关联性进行量化分析， 得 到关联性分析结果； 将所述关联性分析结果、 采 用卷积神经网络提取到的历史电力负荷数据特 征向量和外部影 响因素数据特征向量， 输入预先 训练完成的行业电力负荷预测模 型， 获得当前时 刻的行业电力负荷预测值。 本申请对历史电力负 荷数据和外部影响因素数据之间的非线性关联 性进行准确的量化分析， 将关联性分析结果应用 于电力负荷预测， 有效地提高了行业内短期的电 力负荷预测的精度和稳定性。 权利要求书4页 说明书16页 附图2页 CN 115526420 A 2022.12.27 CN 115526420 A 1.一种基于 外部影响因素关联性的电力负荷预测方法， 其特 征在于， 包括： 获取原始数据， 所述原始数据包括历史时间段内的历史电力负荷数据和影响电力负荷 预测的外 部影响因素 数据； 基于优化的k ‑means聚类模型和标准互信息相结合的关联性分析方法， 对所述历史电 力负荷数据和所述外部影响因素数据之 间的非线性关联性进 行量化分析， 得到 关联性分析 结果； 所述优化的k ‑means聚类模型为采用平均轮廓系数对初始k值进行优化的k ‑means聚 类模型； 采用卷积神经网络对所述历史电力负荷数据和所述外部影响因素数据进行特征提取， 得到历史电力负荷数据特 征向量和外 部影响因素 数据特征向量； 将所述历史电力负荷数据特征向量、 所述外部影响因素数据特征向量以及所述关联性 分析结果输入预先训练完成的行业电力负荷预测模型， 获得当前时刻的行业电力负荷预测 值。 2.根据权利要求1所述的方法， 其特征在于， 所述基于优化的k ‑means聚类模型和标准 互信息相结合的关联性分析方法， 对所述历史电力负荷数据和所述外部影响因素数据之间 的非线性关联性进行量 化分析， 得到关联性分析 结果， 包括： 基于优化的k ‑means聚类模型对所述历史电力负荷数据和所述外部影响因素数据分别 进行聚类处理， 得到所述历史电力负荷数据的多个聚类簇 分别对应的聚类中心 值和所述外 部影响因素 数据的多个聚类簇分别对应的聚类中心值； 以所述历史电力负荷数据的多个聚类簇分别对应的聚类中心值替换所述历史电力负 荷数据的多个聚类簇的采样值， 获得替换后的历史电力负荷数据； 以所述外部影响因素数据的多个聚类簇分别对应的聚类中心值替换所述外部影响因 素数据的多个聚类簇的采样值， 获得替换后的外 部影响因素 数据； 利用所述替换后的历史电力负荷数据和替换后的外部影响因素数据进行标准互信息 的计算， 得到关联性分析结果， 所述关联性分析结果包括通过标准互信息计算得到的标准 互信息值。 3.根据权利要求2所述的方法， 其特征在于， 所述基于优化的k ‑means聚类模型对所述 历史电力负荷数据和所述外部影响因素数据分别进行聚类处理， 得到所述历史电力负荷数 据的多个聚类簇分别对应的聚类中心值和所述外部影响因素数据的多个聚类簇分别对应 的聚类中心值， 包括： 输入所述历史电力负荷数据和所述外 部影响因素 数据在所述历史时间段内的采样值； 对所述采样值进行一维聚类， 生成k ‑means聚类模型的当前k 值对应的k个簇； 计算所述采样值的轮廓系数； 根据所述轮廓系数计算所述当前k 值对应的平均轮廓系数； 令当前k值自加1， 得到更新后的k 值； 若所述更新后的k值大于上 限kmax， 则取所有平均轮廓系数中的最大值所对应的k值作 为最佳的聚类簇数k0， 以聚类簇数为k0时的聚类结果为最终的聚类结果， 得到所述历史电力 负荷数据的多个聚类簇分别对应的聚类中心值和所述外部影响因素数据的多个聚类簇分 别对应的聚类中心值； 若所述更新后的k值不大于所述上限kmax， 则返回重新执行所述对所述采样值进行一维权　利　要　求　书 1/4 页 2 CN 115526420 A 2聚类的步骤。 4.根据权利要求1所述的方法， 其特征在于， 所述采用卷积神经网络对所述历史电力负 荷数据和所述外部影响因素数据进行特征提取， 得到历史电力负荷数据特征向量和外部影 响因素数据特征向量， 包括： 对所述历史电力负荷数据进行归一 化处理， 得到归一 化处理后的历史电力负荷数据； 从所述归一化处理后的历史电力负荷数据中获取所述卷积神经网络的t1维的输入向 量， 所述t1维的输入向量为当前时刻的前t1个时刻对应的归一化处理后的历史电力负荷数 据； 采用多个卷积窗口对所述t1维输入向量进行卷积运算和最大值池化， 得到多个特征 值； 将所述多个特 征值进行拼接， 得到所述历史电力负荷数据特 征向量。 5.根据权利要求1所述的方法， 其特征在于， 所述采用卷积神经网络对所述历史电力负 荷数据和所述外部影响因素数据进行特征提取， 得到历史电力负荷数据特征向量和外部影 响因素数据特征向量， 还 包括： 对所述外 部影响因素 数据进行归一 化处理， 得到归一 化处理后的外 部影响因素 数据； 从所述归一化处理后的外部影响因素数据中获取所述卷积神经网络的t2维的输入向 量， 所述t2维的输入向量为当前时刻的前t2个时刻对应的归一化处理后的外部影响因素数 据； 将所述当前时刻的后t3个时刻的外部影响因素数据作为所述卷积神经网络的t3维的 输入向量； 将所述t2维的输入向量与所述t3维的输入向量组合 为(t2+t3)维的输入向量； 采用多个卷积窗口对所述(t2+t3)维的输入向量进行卷积运算， 生成所述外部影响因 素数据特征向量。 6.根据权利要求2所述的方法， 其特征在于， 所述预先训练完成的行业电力负荷预测模 型包括支持向量回归模型， 所述将所述历史电力负荷数据特征向量、 所述外部影响因素特 征向量及所述关联性分析结果输入预先训练完成的行业电力负荷预测模型， 获得当前时刻 的行业电力负荷预测值， 包括： 对所述标准互信息值进行归一 化处理， 得到归一 化标准互信息值； 以所述归一化标准互信 息值作为所述外部影响因素数据 特征向量的权重， 对所述外部 影响因素 数据特征向量进行加权求和， 得到融合向量； 将所述历史电力负荷数据特 征向量与所述融合向量进行拼接， 得到拼接向量； 使用所述支持向量 回归模型对所述拼接向量进行预测， 获得当前时刻的行业电力负荷 预测值。 7.一种基于 外部影响因素关联性的电力负荷预测系统， 其特 征在于， 包括： 获取模块， 用于获取原始数据， 所述原始数据包括历史时间段内的历史电力负荷数据 和影响电力负荷预测的外 部影响因素 数据； 量化分析模块， 用于基于优化的k ‑means聚类模型和标准互信息相结合的关联性分析 方法， 对所述历史电力负荷数据和所述外部影响因素数据之间的非线性关联性进 行量化分 析， 得到关联性分析结果； 所述优化的k ‑means聚类模型为采用平均轮廓系数对初始k值进权　利　要　求　书 2/4 页 3 CN 115526420 A 3