(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 202111366803.5 (22)申请日 2021.11.18 (71)申请人 国网浙江省电力有限公司绍兴供电 公司 地址 312000 浙江省绍兴 市胜利东路58号 申请人 国网浙江省电力有限公司诸暨 市供 电公司 (72)发明人 张锋明　俞键　朱峰　钱钢　 张心心　孙滢涛　何智频　谢栋　 徐恩　冉进文　叶淑英　陈水标　 周进　李熙娟　许永远　吴洋　 陈坊　梅青　赵天剑　 (74)专利代理 机构 杭州华鼎知识产权代理事务 所(普通合伙) 33217 代理人 秦晓刚(51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) (54)发明名称 短期电力负荷预测方法、 计算机设备以及存 储介质 (57)摘要 本发明公开了一种短期电力负荷预测方法、 计算机设备以及存储介质， 其中预测方法包括如 下步骤： S1： 获取天气预报数据以及电力负荷数 据作为样本 数据； S2： 将样本 数据清洗、 归一化后 分为训练集和测试集； S3： 将样本 数据利用KNN算 法进行从大到小的排序并得到 特征值K； S4： 选 取 前K个特征值中包含的所有天气因子作为预测的 输入端； S5： 输入前K个特征值中包含的所有天气 因子数据与历史电力负荷数据作为本次预测的 训练数据； S6： 采用BiLSTM建立电力负荷预测模 型并调整BiLSTM超参数； S7： 对预测误差进行对 比分析； S8： 对比分析后得到最佳预测结果的特 征值K。 本发明将大大提高短期电力负荷预测的 精度。 权利要求书2页 说明书15页 附图8页 CN 114169226 A 2022.03.11 CN 114169226 A 1.运用KN N和BiLSTM的短期电力负荷预测方法， 其特 征在于， 包括如下步骤： S1： 获取需要进行电力负荷预测地区的天气预报数据以及历史电力负荷数据作为样本 数据； S2： 将样本数据清洗、 归一 化后分为训练集和 测试集； S3： 将样本数据利用KN N算法进行从大到小的排序并得到特 征值K； S4： 选取前K个特征值中包 含的所有天气因子作为预测的输入端； S5： 输入前K个特征值中包含的所有天气因子数据与历史电力负荷数据作为本次预测 的训练数据； S6： 采用Bi LSTM建立电力负荷预测模型并调整Bi LSTM超参数； S7： 采用分别为平均绝对误差、 平均绝对百分比误差、 均方根误差和决定系数R^2对预 测误差进行对比分析； S8： 对比分析后得到最佳 预测结果的特 征值K。 2.根据权利要求1所述的运用KNN和BiLSTM的短期电力负荷预测方法， 其特征在于： 所 述步骤S2采用mi n‑max归一化， 归一化范围是[0， 1]， 公式如下： 式中， x为原始输入数据， x ′为归一化后的值， xmax为原始数据中的最大值， xmin原始数据 中的最小值。 3.根据权利要求1所述的运用KNN和BiLSTM的短期电力负荷预测方法， 其特征在于： 所 述步骤S3包括如下步骤： (1)天气因子数据与电力负荷数据间距离判断标准的选择 KNN算法采用马氏距离作为距离度量的标准， 马氏距离的公式如下： 式中， x0为负荷值， xi为数据集中第i个气象因素的检测值； (2)距离计算 选择一组目标电力负荷数据作为参照样本， 即马氏距离的中心， 计算清洗归一化过后 的天气因子数据与参照样本之间的马氏距离， 并以计算得出 的马氏距离为标准， 将天气因 子距离参照样本的距离从大到小排序； (3)获取特征值K 特征值K的范围为从1开始到天气因子个数总数， 提取排序后从1到K个天气因子 。 4.根据权利要求3所述的运用KNN和BiLSTM的短期电力负荷预测方法， 其特征在于： 将K 组天气因子以及电力负荷数据的前80％划分为训练 组， 后20％划分为测试组。 5.根据权利要求1所述的运用KNN和BiLSTM的短期电力负荷预测方法， 其特征在于， 采 用BiLSTM建立电力负荷预测模型有如下步骤： (1)处理初始数据， 去除异常数据后按照时间序列， 对天气因素数据以及历史电力负荷 数据进行排列， 并将数据分为训练集和 测试集； (2)将数据放入KNN算法之中对每一个气象因子数据利用马氏距离进行距离计算， 并从 大到小进行排序， 取 出K个距离电力负荷最近的气象因子；权　利　要　求　书 1/2 页 2 CN 114169226 A 2(3)以经过KNN算法得到的K个特征气象因子和 历史电力负荷作为BiLSTM电力负荷 预测 的模型， 输出 预测结果并进行评价指标的计算； (4)结束一次整体的预测后， K加一后再重复上述步骤， 直加至某一K值， 所有 的天气因 素都参与了预测过程； (5)将不同K值下 得到的预测结果的评价指标进行比较， 得 出最佳K值时的预测结果。 6.根据权利要求5所述的运用KNN和BiLSTM的短期电力负荷预测方法， 其特征在于： 调 整BiLSTM超参数时， 包括调整输入层时间步长以及神经网络的层数以及每层的维数。 7.一种计算机设备， 其特征在于， 包括至少一个处理器和存储器； 所述存储器存储计算 机执行指令； 所述至少一个处理器执行所述存储器存储的计算机执行指令， 使得所述至少 一个处理器执行如权利要求1至6任一项所述的运用KNN和BiLSTM的短期电力负荷预测方 法。 8.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质中存储有计算机 执行指令， 当处理器执行所述计算机执行指令时， 实现如权利要求1至6任一项所述的运用 KNN和BiLSTM的短期电力负荷预测方法。权　利　要　求　书 2/2 页 3 CN 114169226 A 3