(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 202211029987.0 (22)申请日 2022.08.25 (71)申请人 国网山东省电力公司聊城供电公司 地址 252000 山东省聊城市经济技 术开发 区东昌路179号 （东昌路北、 燕山路以 西） 申请人 国家电网有限公司 (72)发明人 刘吉龙　张岩　侯昆明　贾轩　 陈亚潇　蒋怡康　董丽丽　吴萌　 闫腾飞　王吉　程晓艳　李振东　 刘鑫　吕春晖　 (74)专利代理 机构 天津市君砚知识产权代理有 限公司 12 239 专利代理师 程昊(51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/08(2006.01) G06N 3/04(2006.01) H02J 3/00(2006.01) (54)发明名称 改进鲸鱼算法优化深度极限学习机的短期 负荷预测方法 (57)摘要 一种改进鲸鱼算法优化深度极限学习机的 短期负荷预测方法， 引入Tent混沌映射对初始鲸 鱼种群初始化， 并采用深度极限学习机作为基础 负荷预测模 型挖掘数据深层隐藏信息， 并以改进 鲸鱼算法对其进行参数寻优； 最后考虑到温度、 湿度等因素对负荷变化影响较大， 建立多维度 IWOA‑DELM负荷预测模型。 该方法能够 决鲸鱼算 法初始种群分布不够广泛的问题， 并考虑气候因 素对负荷值的影 响丰富模型输入量， 提高了短期 负荷预测精度。 权利要求书3页 说明书7页 附图3页 CN 115392571 A 2022.11.25 CN 115392571 A 1.一种改进鲸鱼算法优化深度极限学习机的短期负荷预测方法， 其特征在于它 包括如 下步骤： 步骤一： 将负荷数据以时间尺度划分成训练集和测试集， 其中， 训练集作为负荷预测模 型的训练样本， 测试集作为根据训练样本所训练得到负荷预测模型的预测精度的测试样 本， 并对训练集和 测试集内的数据进行归一 化处理； 步骤二： 设置鲸鱼算法的参数， 即： 鲸鱼种群规模、 迭代次数、 变量维数、 变量上、 下 限； 利用公式(2)所示的Tent混沌映射初始化参数的方法， 随机初始 化所有鲸鱼个体的位置值， 每个鲸鱼个 体的位置值代 表深度极限学习机模型的初始输入权 重； 其中， Xn为第n只鲸鱼的初始位置， Xn+1为第n+1只鲸鱼的初始位置， a为[0,1]的常数； 若 Xn+1>1， 则Xn+1的返回值 为1； 若Xn+1<0， 则Xn+1的返回值 为0； 步骤三： 构建深度极限学习机模型， 利用训练集预训练深度极限学习机并选择模型训 练集的均方根 误差作为目标函数计算每 个鲸鱼个 体的适应度值； 步骤四： 将步骤三得到的每个鲸鱼个体的适应度值进行排序， 并将适应度值最小的鲸 鱼个体的位置作为此次迭代的最优位置， 再驱动其他鲸鱼个体改变位置向最优位置移动包 围猎物并按照 后续鲸鱼算法工作原理攻击猎物， 然后随机 搜寻下一只猎物； 步骤五： 重复步骤三和步骤四， 直到达到步骤二所设置的最大迭代次数， 以最后 一次迭 代结果作为最佳初始输入权重， 将其带入到步骤三建立的深度极限学习机模型中， 即可获 得负荷预测结果。 2.根据权利要求1所述一种改进鲸鱼算法优化深度极限学习机的短期负荷预测方法， 其特征在于所述步骤一中训练集和测试集内的数据包括负荷数据、 湿度、 日最高温度、 日最 低温度、 日平均温度。 3.根据权利要求1所述一种改进鲸鱼算法优化深度极限学习机的短期负荷预测方法， 其特征在于所述步骤一中训练集中的样本为按时间尺度划分后的负荷数据的前90％的数 据， 所述测试集中的样本为后10％的数据。 4.根据权利要求1所述一种改进鲸鱼算法优化深度极限学习机的短期负荷预测方法， 其特征在于所述 步骤一中的归一 化方法如公式(1)所示： 式中： Yi是数据集中需要归一化的任意值， Y是Yi归一化以后的值， Ymin是选定的样本范 围内的最小值， Ymax是选定的样本范围内的最大值。 5.根据权利要求1所述一种改进鲸鱼算法优化深度极限学习机的短期负荷预测方法， 其特征在于所述步骤三中的深度极限学习机模型是以极限学习机 自编码器为元组成的多 层次神经网络结构， 其每一层均为极限学习机 ELM结构： 假设有N组不同的输入输出样本(xi,ti)， 其中输入样本xi＝[xi1,…,xin]T∈Rn,输出样 本ti＝[ti1,…,tim]T∈Rm， 则具有L个隐藏节点、 激励函数为G(x)的ELM可以通过式(3)表示:权　利　要　求　书 1/3 页 2 CN 115392571 A 2其中， βi＝[βi1, βi2,…, βim]T是连接第i个隐藏层节点的的输出权值， ai＝[ai1,ai2,…, ain]T是连接输入层和第i个隐藏层的输入权值， bi是第i个隐藏层节点的偏置， G(ai,bi,xj) 是第i个隐藏层的输出； 等式(3)的矩阵形式如公式(4)所示： 其中， ai和bi是随机设置的， 则使ELM算法输出最优解的βi可由H和T计算得到， 如公式 (5)所示： β ＝H+T                            (5) 其中， H+为H的广义逆矩阵； 采用正交映射法求 解可得： β ＝(HTH)‑1HT                       (6) 再引入正则化系数C， 其 解如式(7)所示： 其中， I为单位矩阵； 由于极限学习机自编码器特点是输入等于输出且权重和偏置均正交化， 因此权重β 可 由式(7)转 化为公式(8)： 其中， X为每层自编码器的输入矩阵。 其中， 模型第一层采用原始数据求解得到输出权值矩阵β1， 提取过程中， 每一层的输入 权重矩阵Wi都为βi的转置矩阵； 此后对于DELM的每一隐藏层， 都以前一层的Hi‑1作为下一层 的输入矩阵直至最后一层。 6.根据权利要求1所述一种改进鲸鱼算法优化深度极限学习机的短期负荷预测方法， 其特征在于所述步骤三中选择模型训练集的均方根误差RMSE作为目标函数计算每个鲸鱼 个体的适应度值如公式(9)所示：权　利　要　求　书 2/3 页 3 CN 115392571 A 3