(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 202111581150.2 (22)申请日 2021.12.2 2 (71)申请人 燕山大学 地址 066004 河北省秦皇岛市海港区河北 大街438号 (72)发明人 卢志刚　杨少华　师锛博　 (74)专利代理 机构 石家庄众志华清知识产权事 务所(特殊普通 合伙) 13123 代理人 周胜欣 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 16/2458(2019.01) G06N 3/00(2006.01) G06N 20/00(2019.01) (54)发明名称 一种基于改进宽度学习的两阶段式月度用 电量预测方法 (57)摘要 本发明涉及一种基于改进宽度学习的两阶 段式月度用电量预测方法， 属于电力预测技术领 域， 包括获取历史用电量数据并进行划分、 将日 用电量数据拆 分成七个时间序列、 选取相关性最 高的前8个时刻的最大负荷时间序列最为模型的 输入、 建立IPSO ‑BLS预测模型和预测最终的月度 用电量五个步骤。 本发明模型简单， 预测速度快， 使用两种不同分辨率的历史数据， 使得最终的预 测结果同时考虑到不同时间尺度的历史数据以 及影响因素， 从而提高了模型的预测精度； 通过 IPSO对BLS的两个参数进行寻优， 可以使BLS预测 模型始终工作在预测精度最优的状态， 克服了 BLS网络的特征节点和增强节点由经验来确定而 导致的对模型预测精度的不良影响。 权利要求书2页 说明书5页 附图2页 CN 114399085 A 2022.04.26 CN 114399085 A 1.一种基于改进宽度学习的两阶段式月度用电量预测方法， 其特征在于包括以下步 骤： 步骤1， 获取历史用电量数据， 并将所有的历史用电量数据分为日用电量数据和月用电 量数据； 步骤2， 针对日用电量数据按照星期为标签进行拆分， 拆分成星期一～星期日七个时间 序列； 步骤3， 针对日用电量数据的七个时间序列， 使用皮尔逊相关性分析对每个时间序列对 应的24时刻最大负荷数据进行相关性分析， 选取相关性最高的前8个时刻的最大负荷时间 序列最为模型的输入； 步骤4， 建立基于 宽度学习和改进粒子群算法的IP SO‑BLS预测模型； 步骤5， 使用IPSO ‑BLS预测模型分别对步骤3中七个时间序列的日用电量进行预测， 通 过对日用电量预测结果累加得到月用电量预测结果1； 使用IPSO ‑BLS对月用电量进 行预测， 得到月用电量预测结果2； 使用IPSO ‑BLS对结果 1和结果2进行拟合， 得到最终的月度用电量 预测结果。 2.根据权利要求1所述的一种基于改进宽度学习的两阶段式月度用电量预测方法， 其 特征在于： 所述步骤1采用智能电表 提供的两种不同分辨率的历史用电量数据， 所述历史用 电量数据包括日频率数据和月度数据。 3.根据权利要求1所述的一种基于改进宽度学习的两阶段式月度用电量预测方法， 其 特征在于： 所述 步骤3的皮尔逊相关性系数为： 4.根据权利要求1所述的一种基于改进宽度学习的两阶段式月度用电量预测方法， 其 特征在于： 所述 步骤4的具体过程如下： (1)数据预处 理； (2)将归一 化后的历史数据划分为训练集和 测试集； (3)分别搭建IP SO模型和BLS模型； (4)使用IP SO模型对BLS模型的两个参数进行优化， 得到IP SO‑BLS预测模型。 5.根据权利要求4所述的一种基于改进宽度学习的两阶段式月度用电量预测方法， 其 特征在于： 所述数据预处 理包括数据的归一 化处理和异常值的修 正及补全； 所述数据的归一化处理为将所有 的数据统一映射到[0,1]区间上， 归一化方法如下式 所示： xnew＝(x‑xmin)÷(xmax‑xmin)                 (8) 其中， xnew为归一化后的值， xmin、 xmax分别为数据集中的最小值、 最大值， x为数据集中的 数据； 所述异常值的修 正及补全为： 设xn为数据集中的第n个数据， 若： 权　利　要　求　书 1/2 页 2 CN 114399085 A 2则认为xn为异常数据， 对其修正为 其中ξ为一根据经验设定 的常数； 若xn缺失， 则 权　利　要　求　书 2/2 页 3 CN 114399085 A 3