(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 202211171922.X (22)申请日 2022.09.26 (71)申请人 国网江西省电力有限公司经济技 术 研究院 地址 330012 江西省南昌市南昌 高新技术 产业开发区昌东大道707 7号 申请人 华北电力大 学 (72)发明人 宫嘉炜　李映雪　刘敦楠　戴奇奇　 王伟　罗路平　吴浩　熊云　 张雪婷　董治新　王瀚甫　郭伟嘉　 (74)专利代理 机构 成都博领众成知识产权代理 事务所(普通 合伙) 51340 专利代理师 宋红宾 (51)Int.Cl. G06Q 10/04(2012.01)G06K 9/62(2022.01) G06N 5/02(2006.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) (54)发明名称 一种基于专家系统知识库的非正常日负荷 预测模型 (57)摘要 本发明公开了本发明提出了一种基于专家 系统知识库的非正常日负荷预测模 型， 充分考虑 非正常日的负荷变化和特性等， 确定非正常日的 负荷预测方法。 一种基于专家系统知识库的非正 常日负荷预测模型， 所述方法具体包括以下步 骤： (1)根据专家系统的知识库,对待测日分类处 理,对需要修正的待测日选取相应的修正模型。 (2)根据分类结果,选 取相应的修正模型,对相关 影响因素进行处理,计算负荷修正量。 (3)将常规 负荷预测结果与所选各修正模型的修正量进行 综合计算,确定最终预测结果。 权利要求书4页 说明书5页 附图1页 CN 115526396 A 2022.12.27 CN 115526396 A 1.一种基于专家系统知识库的非正常日负荷预测模型， 其特征在于， 所述方法包括以 下步骤： (1)根据专家系统 的知识库,对待测日分类处理,对需要修正的待测日选取相应的修正 模型。 (2)根据分类结果,选取相应的修 正模型,对相关影响因素进行处 理,计算负荷修 正量。 (3)将常规负荷预测结果与所选各修正模型的修正量进行综合计算,确定最终预测结 果。 2.根据权利要求1所述的一种基于专家系统知识库的非正常日负荷预测模型， 其特征 在于： 具体步骤如下： (1)采集正常日， 非正常日的负荷， 天气， 降水， 温度等数据。 (2)利用数据 挖掘技术构建专 家知识库 尽管数据挖掘具有从海量数据中发现潜在规律的能力,但它毕竟只是一种知识发现的 工具,要想有效地利用这一工具,发掘出对负荷预测工作有实际意义的规律,必须以人的经 验进行适当的引导,有的放矢地进行。 用数据挖掘技术建立知识库的过程分为以下几个步 骤： a.待测集选取 所谓待测集,是指分析的对象集合.可选做待测集的有待测日各点负荷值和待测日各 点负荷变化 值。 b.属性集选取 所谓属性集是指待测集s影响因素的集合,是进行分类的依据,可选做属性集的有待测 日的各类(最高、 最低、 平均、 各点)温度值、 待测日前、 日相应的各类温度值(考虑温度变化 趋势)、 待测日及前n ‑1日的各类温度变化量、 待测日及前n日 的降雨量、 待测自前15d累计降 水量(判断是否在雨季)、 待测日的基本类(工作日、 休息日)、 待测日的特殊类型(节假日的 第n天,n＝‑2,‑1,1,2,…13,以考虑节假日前后的影响)等 等。 c.数据挖掘计算 将定义的属性 集和待厕集代人决策树 算法模型中,可以进行决策树的归纳和剪枝。 d.挖掘结果的分析 数据挖掘的结果是生成二系列决策树,每一棵树表达了某一待测集S:关于所有属性集 一A的划分TA. e.决策树信息 筛选 分别选取待测日各点负荷值、 待测日各点负荷变化值等作为待测集,可以得到一组决 策树,这些决策树构成了知识库的决策基础。 决策树中的每一分枝都代表了各类影响因素 满足某一条件时的一种情况。 其中,一部 分分枝代表待测日是正常日时满足的条件,另一部 分代表非正常日的条件。 比如,上述T0节 点的3个分类中,“平均气温>25.08℃ ”这一类,表明 当满足该条件时待测日是非正常日。 决策树信息的筛选,也就是决定 哪些分枝属于正常日, 哪些属于非正常日。 可以按一定的规律自动筛选,比如将各节 点的分类属性值A(R)排序,数 值居中的分枝为 正常日,数值偏大或偏小的为非正常日。 也可以结合专 家的经验人工 筛选。 f.决策树信息分类权　利　要　求　书 1/4 页 2 CN 115526396 A 2在筛选的基础上,按照属性集A(R)的不同,可以对非正常日进行分类。 就A(R)的实际意 义,这些类别可概括为温度异常、 降水异常和节假日异常三大类。 对不同类型 的非正常日, 可以建立 不同的修 正模型。 至此,已经建立 起影响因素(属性 集)与修正模型的对应关系。 综上,决策树提供的知识是基于大量历史数据挖掘的结果,它有客观、 全面的特点,但 只有经过专家经验的再次提炼,才能获得最有效的决策规则。 考虑到决策知识库的重要性 及相对稳定的特点,进行一定的人工参与是值得的。 (3)修正决策。 我们所研究的非正常日的负荷， 其最鲜明的特征在于这类日子的负荷是突变的,不符 合正常日预测模型。 因此改进非正常日预测精度的首要任务,是准确 地断定待测日是不是 非正常日,如果是则属于 哪类非正常日。 这一任务我们称之为修正决策,其基础是利用数据 挖掘及传统谓词表达建立的知识库。 决策步骤如下： a.输入气象数据， 气象数据的选取与23节中介绍的决策树模型 “属性集的选取 ”完全一 致。 b.利用知识库处理待测日的影响因素数据,判断待测日是否是非正常日、 预测结果是 否需要修 正。 c.如果待测日是正常日,则不进行任何修正,将常规预测结果作为最终预测结果； 如果 待测日是非正常日,进一步将待测日分类,如夏季罕见高温、 持续高温、 寒潮 、 暴雨、 梅雨， 假 日前1日， 假日第1日等。 这一流程的基本思想体现了稳健性原则: ①对占大多数的正常日不予修正， 仍用ARMA, ANN等已被实践证明的方法预、 以保证精度； ②只对有把握的、 明显的非正常日按非正常日 类型进行修 正。 (4)构建典型非正常日修 正模型 上述利用数据挖掘技术建立知识库及利用知识库进行修正决策,是判断待测日是否发 生负荷突变。 下一步任务是如何进行修正,如何为每一种特殊的异常类型建立特定的模型。 需要特别指出的是,以下模型不具有普适 性,只有在特定条件下才成立,这有两层含义: ①建模时,选取样本须依据决策树分类的条件； ②使用时,模型适用也须依据决策树的分类,且与建模时样本 选取条件相一 致。 1)温度负荷模型 温度影响负荷的基本规律是夏季温度升 高引起空调负荷增加,冬季温度降低引起采暖 负荷的增 加。 a.夏季温度大幅变化的特殊处 理 夏季是中国中部、 北部省份雨量最集中的季节,气温变化较大,可参考近期与待测日温 度最相近的日负荷,修 正待测日。 修 正模型为： r＝α(F1‑F0) 式中:F1是近期(l0d内)与待测日温度数据最相近的日负荷； F0是待测日的常规预测结 果； α ＝Tr0/Tr1是置信系数,Tr0和Tr1分别表示待测日与所选日相对于待测日前1日的温度变 化量。 b.夏季罕见高温的特殊处 理 夏季常会出现温度很高且持续上升的日子,温度每增高1℃,负荷变化就十分敏感。 这权　利　要　求　书 2/4 页 3 CN 115526396 A 3