(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 202211123051.4 (22)申请日 2022.09.15 (71)申请人 太原理工大 学 地址 030024 山西省太原市万柏林区迎泽 西大街79号 (72)发明人 续欣莹　刘展鹏　任密蜂　李荣　 邢吉伟　王秀权　 (74)专利代理 机构 太原市科瑞达专利代理有限 公司 14101 专利代理师 刘宝贤 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) G06N 3/00(2006.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于IWOA-Attention-BiLS TM的短期电力负 荷预测方法 (57)摘要 本发明属于电力系统领域， 尤其涉及一种基 于IWOA‑Attention ‑BiLSTM的短期电力负荷预测 方法； 可以更好地对短期电力负荷进行预测。 所 述基于IWOA ‑Attention ‑BiLSTM的短期电力负荷 预测方法的步骤包括： 获取修复的电力负荷数 据 ， 根据所述修复的电 力负荷数据 ， 建立 Attention ‑BiLSTM网络 结构， 采用改进的鲸鱼优 化算法寻找所述Attention ‑BiLSTM网络结构的 最佳超参数， 将最佳超 参数赋予所述Attention ‑ BiLSTM网络结构， 对短期电力的负荷进行 预测。 权利要求书3页 说明书8页 附图2页 CN 115423198 A 2022.12.02 CN 115423198 A 1.一种基于IWOA ‑Attention ‑BiLSTM的短期电力负荷预测方法， 其特征在于， 所述基于 IWOA‑Attention‑BiLSTM的短期电力负荷预测方法的步骤 包括： 获取修复的电力负荷数据； 根据所述 修复的电力负荷数据， 建立A ttention‑BiLSTM网络结构； 采用改进的鲸鱼优化 算法寻找所述A ttention‑BiLSTM网络结构的最佳超参数； 将最佳超参数 赋予所述A ttention‑BiLSTM网络结构， 对短期电力的负荷进行 预测。 2.根据权利要求1所述的基于IWOA ‑Attention ‑BiLSTM的短期电力负荷预测方法， 其特 征在于， 所述改进的鲸鱼优化 算法包括： 建立包围猎物阶段的鲸鱼位置更新公式： 其中， t为迭代次数； X(t)为当前迭代次数 下的鲸鱼位置； X*(t)为当前迭代次数 下鲸鱼的最优位置； D为当前迭代次数 下鲸鱼位置与鲸鱼最优位置之间的随机距离； A与C为向量相关系数， 表达式为： 式中， r为(0， 1)之间的随机向量， a为线性 递减的收敛因子， 其中， a＝2‑2t/Tmax 式中， Tmax为最大迭代次数； 捕食猎物阶段， 鲸鱼位置更新公式为： 式中， b为对数螺旋形状的调节系数； l为( ‑1,1)之间的随机数； D ′为当前鲸鱼位置与当 前鲸鱼最优位置之间的距离， 表达式为： D'＝|X*(t)‑X(t)| 搜寻猎物阶段， 鲸鱼位置更新公式为： 式中， Xrandom(t)为种群中随机选择的鲸鱼位置， D"为当前选择的鲸鱼位置与鲸鱼最优 位置之间的随机距离； 其中， 线性 递减的收敛因子a的值 为：权　利　要　求　书 1/3 页 2 CN 115423198 A 23.根据权利要求2所述的基于IWOA ‑Attention ‑BiLSTM的短期电力负荷预测方法， 其特 征在于， 所述改进的鲸鱼优化 算法还包括自适应权 重策略， 所述自适应权 重策略包括： 在所述捕食猎物阶段， 鲸鱼位置更新的表达式为： 在所述搜寻猎物阶段， 鲸鱼位置更新的表达式为： 其中， 自适应权 重w为： 4.根据权利要求1至3所述 的基于IWOA ‑Attention ‑BiLSTM的短期电力负荷预测 方法， 其特征在于， 所述获取修复的电力负荷数据的方法还 包括： 获取电力负荷历史采样数据； 对所述电力负荷历史采样数据进行 预处理； 对预处理的所述电力负荷历史采样数据进行归一 化操作。 5.根据权利要求4所述的基于IWOA ‑Attention ‑BiLSTM的短期电力负荷预测方法， 其特 征在于， 所述建立A ttention‑BiLSTM网络结构的方法包括： 初始化Attention ‑BiLSTM网络结构， 根据所述Attention ‑BiLSTM网络结构的输入及输 出， 确定所述Attention ‑BiLSTM网络结构的输入层与输出层节点数， Attention ‑BiLSTM网 络结构将所述修复的电力负荷数据和对应的相关因素数据合并作为输入， 并采用两层 BiLSTM对所述修复的电力负荷数据和对应的相关因素数据进行特征提取， 并获取所述 Attention‑BiLSTM网络结构的隐层状态的不同权 重。 6.根据权利要求5所述的基于IWOA ‑Attention ‑BiLSTM的短期电力负荷预测方法， 其特 征在于， 所述确定所述A ttention‑BiLSTM网络结构的输入层与输出层节点数的方法为： 所述Attention ‑BiLSTM网络结构将待预测日前一天的96个修复的电力负荷数据和所 述对应的相关因素数据作为所述Attention ‑BiLSTM网络结构的输入， 将待预测日96个修复 的电力负荷数据作为A ttention‑BiLSTM网络结构的输出； 其中， 所述对应的相关因素数据包括所述待预测日前一天的电力设备对应地 区的最高 温度、 最低温度和平均温度以及待预测日前一天的星期类型及节假期类型； 所述Attention ‑BiLSTM网络结构的输入层节点数是96个修复的电力负荷数据和所述 对应的相关因素 数据的个数之和； 所述Attention‑BiLSTM网络结构的输出层节点数 是96个待预测日的电力负荷数据。权　利　要　求　书 2/3 页 3 CN 115423198 A 3