(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 202211333947.5 (22)申请日 2022.10.28 (71)申请人 国网四川省电力公司成 都供电公司 地址 610000 四川省成 都市锦江区东 风路 17号西院西一楼及档案楼部分房屋 (72)发明人 郝文斌　张勇　孟志高　谢波　 彭攀　卫佳奇　何凌云　梁志卓　 方芩璐　 (74)专利代理 机构 成都行之专利代理事务所 (普通合伙) 51220 专利代理师 张杨 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01)G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种启发式神经网络的负荷聚类预测方法 (57)摘要 本发明涉及电力负荷预测技术领域， 公开了 一种启发式神经网络的负荷聚类预测方法， 包 括： S1、 获取预测区域内用户的电力负荷数据； S2、 在获取用户的电力负荷数据的基础上， 使用 启发式优化聚类算法对电力负荷数据进行聚类； S3、 将S2得到的聚类结果作为训练集， 将每类训 练集分别输入至模拟退火粒子群优化算法修正 的神经网络进行训练， 得到每类用户的负荷预测 结果。 本发 明先采用启发式优化聚类算法对用户 电力负荷 进行聚类， 将聚类结果作为训练集输入 改进的神经网络进行训练， 最终得到预测结果， 结合神经网络预测对各类用户进行预测， 强化了 样本规律性， 提升了预测精度， 改进的神经网络 学习精度提升， 训练次数减少， 具有良好的适应 性。 权利要求书2页 说明书6页 附图3页 CN 115496298 A 2022.12.20 CN 115496298 A 1.一种启发式神经网络的负荷聚类预测方法， 其特 征在于， 包括： S1、 获取预测区域内用户的电力负荷数据； S2、 在获取用户的电力负荷数据的基础上， 使用启发式优化聚类算法对电力负荷数据 进行聚类； S3、 将S2得到的聚类结果作为训练集， 将每类训练集分别输入至模拟退火粒子群优化 算法修正的神经网络进行训练， 得到每 类用户的负荷预测结果。 2.根据权利要求1所述的一种启发式神经网络的负荷聚类预测方法， 其特征在于， S2 中， 使用启发式优化聚类算法对电力负荷数据进行聚类的具体步骤为： S2.1、 按照均匀概 率分布随机生成b个聚类中心对负荷聚类情况进行表示； S2.2、 更新启发式算法各待优化 量的权重位置， 并根据聚类优劣计算 适应度； S2.3、 根据判断转换条件以及当前适应度判定是否继续对电力负荷数据进行搜索， 若 判定结果为无需继续搜索， 则输出所述电力负荷数据的聚类结果， 否则， 继续对 所述电力负 荷数据继续搜索。 3.根据权利要求2所述的一种启发式神经网络的负荷聚类预测方法， 其特征在于， S2.2 中， 更新权 重位置具体通过如下公式进行： 其中， l表示迭代次数， lmax为设定的最大迭代次数， Xp(l)是位置向量， X(l)、 X(l+1)是前 后两次迭代的位置向量， A、 C为系数矩阵， r1、 r2为随机向量， 范围为[0,1]， a为收敛因子 。 4.根据权利要求2所述的一种启发式神经网络的负荷聚类预测方法， 其特征在于， S2.2 中， 计算适应度具体通过如下公式进行： 其中， U为模糊划分矩阵， uij为U中元素， c为聚类的数量， g为模糊化程度系数， 取0 ‑2之 间的常数， P为聚类中心矩阵， pij为其中元素； d为负荷数据和聚类中心的欧氏距离， 其中下 标i、 j、 k均为范围从1到c的常数， 表征了u在矩阵U中所处的行列位置； xj为特征属性向量， n 为待聚类负荷总数。 5.根据权利要求4所述的一种启发式神经网络的负荷聚类预测方法， 其特征在于， 所述 判定转换条件为： 若所述适应度方差小于设定的阈值， 则停止对电力负荷数据进行搜索并权　利　要　求　书 1/2 页 2 CN 115496298 A 2且输出聚类结果， 否则， 继续搜索。 6.根据权利要求5所述的一种启发式神经网络的负荷聚类预测方法， 其特征在于， 所述 适应度方差具体为： 其中， n为待聚类负荷总数， fa为所有权 重个体均值。 7.根据权利要求6所述的一种启发式神经网络的负荷聚类预测方法， 其特征在于， S3 中， 通过模拟退火粒子群优化 算法修正神经网络的具体步骤为： S3.1、 更新粒子群中的粒子自身速度和位置； S3.2、 保留粒子群中全局极值的粒子的历史最优位置， 选择在搜索空间内随机产生新 的粒子， 对新的粒子进行 更新； S3.3、 计算更新前后的两个粒子之间的适应度值变化量， 并根据所述适应度变化量判 断是否接受更新后的新的粒子， 若接受， 则输出给径向基函数神经网络对所述径向基函数 神经网络的权值进行 更新， 否则， 返回S3.2； S3.4、 计算更新后的径向基函数神经网络的输出误差， 判断所述输出误差是否满足终 止条件， 若满足， 输出 预测结果， 否则， 返回S3.2。 8.根据权利要求7所述的一种启发式神经网络的负荷聚类预测方法， 其特征在于， S3.1 中， 通过如下公式更新粒子群中的粒子自身速度和位置： vl+1＝wvl+a1b1(pl‑sl)+a2b2(gl‑sl)； sl+1＝sl+vl+1； 其中， b1、 b2为随机常数， 范围为[0,1]； vl+1、 sl+1为粒子在 l+1次迭代中的速度和位置； pl 为粒子的个体 极值； gl为粒子的全局极值， vl、 sl为粒子在l次迭代中的速度和位置， w为惯 性 权重， 取常数、 a1、 a2均为加速常数。 9.根据权利要求8所述的一种启发式神经网络的负荷聚类预测方法， 其特征在于， S3.2 中， 对新的粒子进行 更新具体通过如下公式： yl+1＝yl+ η δ； 其中， η为扰动参数； δ为随机变量且服从正态分布， yl、 yl+1分别代表在l和l+1次的迭代 时的粒子 。 10.根据权利要求9所述的一种启发式神经网络的负荷聚类预测方法， 其特征在于， S3.3的具体实现过程 为： 计算更新前后的两个粒子之间的适应度值变化 量： ΔE＝f(yl+1‑yl)； 若所述适应度变化量小于0， 则接受新解， 输出径向基函数神经网络权值， 否则， 返回 S3.2。权　利　要　求　书 2/2 页 3 CN 115496298 A 3