(19)中华 人民共和国 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 202111487796.4 (22)申请日 2021.12.07 (71)申请人 国网江苏省电力有限公司扬州供电 分公司 地址 225009 江苏省扬州市维扬路179号 申请人 江苏电力 信息技术有限公司 (72)发明人 刘钰　刘全　刘恒门　汪波　高洁　 吴鹏　袁杰　 (74)专利代理 机构 扬州市苏为知识产权代理事 务所(普通 合伙) 32283 代理人 葛军 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于LSTM-ELM的非侵入式电能负荷预 测方法 (57)摘要 本发明公开了一种基于LSTM ‑ELM的非侵入 式电能负荷预测方法， 包括以下步骤： (1)采集非 侵入式电能表电能负荷时间序列信息， 对负荷信 息进行异常点识别修正， 并进行归一化处理； (2) 平稳化处理， 分解得到包含不同时间尺度的局部 特征信号的本征模函数IM F分量和残差分量； (3) 建立长短期记忆网络(LSTM)， 获取准确的高频分 量序列； (4)建立极限学习机(ELM)网络， 获取准 确的低频分量序列； (5)建立基于LSTM ‑ELM的非 侵入式电能表电能负荷预测模型， 实现电能负荷 准确预测。 本发 明对非侵入式电能表电能负荷变 化趋势做出判断， 对局部变化细节做出精准预 测， 具有更好的预测准确度和性能， 能解决非侵 入式电能表电能负荷随机性强、 负荷预测准确度 不足等问题。 权利要求书2页 说明书7页 附图3页 CN 114139822 A 2022.03.04 CN 114139822 A 1.一种基于LSTM ‑ELM的非侵入式电能负荷预测方法， 其特 征在于， 包括以下步骤： (1)采集非侵入式电能表电能负荷时间序列信息， 对负荷信息进行纵向和横向的异常 点识别修 正， 并进行归一 化处理； (2)将非侵入式电能表电能负荷时间序列进行平稳化处理， 分解得到包含不同时间尺 度的局部特 征信号的本征模函数IMF分量和残差分量； (3)建立长短期记 忆网络， 获取准确的高频分量序列； (4)建立极限学习机网络， 获取准确的低频分量序列； (5)建立基于LSTM ‑ELM的非侵入式电能表电能负荷预测模型， 实现电能负荷准确预测。 2.根据权利要求1所述的一种基于LSTM ‑ELM的非侵入式电能负荷预测方法， 其特征在 于， 步骤(1)中包括以下步骤： 首先， 对负荷信 息进行纵向和横向的异常点识别修正， 计算负荷信 息每一时刻的均值E (x)和方差D(x)， 如式(1)所示： 式中， E(t)为第t天负荷值， x(d,t)为第d天t时刻负荷， 那么负荷值的偏离率 根据拉依达准则设定偏离率限值为0.03， 若ρ(d,t)小于0.03为正常值， 大于0.03为异 常值， 对数据进行修 正， 如式(2)： 对处理后采样 负荷序列数据进行归一 化处理得到原 始序列x(t)。 3.根据权利要求2所述的一种基于LSTM ‑ELM的非侵入式电能负荷预测方法， 其特征在 于， 步骤(2)中包括以下步骤： 计算原始序列x(t)的所有局部极大值和极小值， 对极值进行插值拟合运算， 得到两条 光滑曲线， 即为x(t)的上包络序列xmax(t)和下包络序列xmin(t)， 计算上、 下包络序列的均值 m1(t)， 如式(3)所示： 将原始序列x(t)减去包络线均值m1(t)， 去掉低频 得到新序列 记 通过限定标准差S D作为筛分门限： 权　利　要　求　书 1/2 页 2 CN 114139822 A 2若SD取值在0.2～0.3之间， 是IMF分量， 否则将 视为原始序列， 重新去掉低频 信号得到新序列， 判断新序列是否为IMF分量， 直至迭代k次后得差值 为第一个IMF分 量， 记为c1(t)， 将c1(t)从原始序列x(t)分离得到剩余分量； 将剩余分量作为新的序列， 重复对 其判断分离IM F分量， 当预定误差 大于cn(t)或者残差 分量rn(t)为单调函数时停止分解， 得到n组不同频率的样本模态分量{c1,c2,…cn}和残差 项rn。 4.根据权利要求3所述的一种基于LSTM ‑ELM的非侵入式电能负荷预测方法， 其特征在 于， 步骤(3)中包括以下步骤： 由原始序列x(t)的极大值和极小值， 计算得到两条光滑曲线， 然后根据两条曲线计算 上、 下包络序列的包络线均值m1(t)， 再通过长短期记忆网络网络， 获取准确的高频分量序 列。 5.根据权利要求4所述的一种基于LSTM ‑ELM的非侵入式电能负荷预测方法， 其特征在 于， 步骤(4)中包括以下步骤： 由原始序列x(t)与包络线均值m1(t)之差， 再通过极限学习 机网络， 获取准确的低频分 量序列。 6.根据权利要求5所述的一种基于LSTM ‑ELM的非侵入式电能负荷预测方法， 其特征在 于， 步骤(5)中： 通过对步骤(3)中的高频分量进 行预测以及 对步骤(4)中的低频分量进行预 测， 最后将两者进行叠加整合， 完成预测。权　利　要　求　书 2/2 页 3 CN 114139822 A 3