(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
专利 一种基于专家系统知识库的非正常日负荷预测模型
文档预览
中文文档
11 页
50 下载
1000 浏览
0 评论
0 收藏
3.0分
温馨提示:本文档共11页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 SC 于 2024-02-18 22:25:54上传分享