买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉国网上海市电力公司申请的专利一种考虑极限学习机参数优化的负荷预测场景构建方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115186915B 。

龙图腾网通过国家知识产权局官网在2026-03-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210861910.3，技术领域涉及：G06Q10/04；该发明授权一种考虑极限学习机参数优化的负荷预测场景构建方法是由张颖;陈国平;徐琼;马一凡;魏欣悦;冯苗苗;郁祎琳;何之倬;郑真;李建宁;黄一楠设计研发完成，并于2022-07-21向国家知识产权局提交的专利申请。

本一种考虑极限学习机参数优化的负荷预测场景构建方法在说明书摘要公布了：本发明公开了一种考虑极限学习机参数优化的负荷预测场景构建方法，收集历史负荷数据与天气数据集，经过数据预处理后，根据日期类型、星期类型与相关性系数筛选数据，构成负荷数据训练集；采用遗传算法优化预测模型隐层输入权重与偏置，采用分位数回归优化模型隐层输入权重，确定可用于负荷预测的极限学习机模型；根据优化后的模型计算负荷预测结果，并采用区间覆盖率与区间平均宽度衡量预测效果；基于K‑means聚类算法生成负荷预测典型场景，为电网规划与运行提供参考。本发明能够实现较准确的负荷概率预测，生成相应的负荷典型场景，具有实际应用价值。

本发明授权一种考虑极限学习机参数优化的负荷预测场景构建方法在权利要求书中公布了：1.一种考虑极限学习机参数优化的负荷预测场景构建方法，其特征在于，包括以下步骤： 步骤1：收集历史负荷数据与天气数据集，进行数据预处理与归一化，根据日期性质与星期类型筛选数据，构成模型训练集； 步骤2：采用遗传算法优化极限学习机隐层输入权重与偏置参数； 步骤3：采用分位数回归方法优化ELM隐层输出权重； 步骤4：确定优化后改进ELM模型，并计算负荷概率预测结果，根据区间覆盖率及区间平均宽度表征预测效果； 步骤5：通过K-means算法聚类负荷预测数据，构建负荷典型场景，步骤1中所述数据筛选的方法为，将数据日期划分为工作日与非工作日，若需要预测的日期与前一日的日期性质相同，则将该日天气数据以及前一日最大负荷作为预测模型输入变量，否则将该日天气数据作为预测模型输入变量；将与该日星期类型相同的日期对应数据作为训练集，并计算数据相关系数，将其中与其余日期负荷相关系数小于0.9的数据剔除， 步骤5中的K-means聚类的具体方法为： 步骤5.1，任意选取K组需要聚类的数据作为凝聚中心； 步骤5.2，为每个类选择数据，其包含与聚类中心较近的待聚类数据； 步骤5.3，聚类中心为每类数据的均值所替代； 步骤5.4，若聚类中心的变化小于设定值，则聚类完成； 采用指标进行评估： 式中：n为数据总体数量，为第i类数据总量，为第i类的聚类中心，为数据均值，为第j组数据， 步骤1中所述历史负荷数据与天气数据集的收集方法为，以特定时间间隔收集待预测负荷数据与日平均气温、日最高气温、日最低气温、相对湿度和降雨量的天气数据，构成初始数据集； 步骤3中分位数回归的参数优化过程为： 预测变量的第分位数可以表示成：；式中：下确界函数；为的分布函数； 第j个预测量的预测区间上界为，其为预测量的第分位数，预测区间下界为，其为预测量的第分位数；为简化计算，进行如下假设：； 利用极限学习机和分位数回归相结合的方法，计算ELM隐含层输出权值，具体计算方法为： 式中：为检验函数；、与分别为预测量对应的实际值、预测区间上界及下界归一化后的值； 检验函数可表示为：；式中，若小于零，则等于1，否则等于0。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人国网上海市电力公司，其通讯地址为：200122 上海市浦东新区源深路1122号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。