(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 202211420989.2 (22)申请日 2022.11.15 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 徐晓轶　盛况　姚文熙　 (74)专利代理 机构 镇江至睿专利代理事务所 (普通合伙) 3252 9 专利代理师 刘静 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) H02J 3/00(2006.01) H02J 3/06(2006.01) (54)发明名称 一种基于电能互济的区域微电网互联优化 方法及系统 (57)摘要 本发明公开了一种基于电能互济的区域微 电网互联优化方法及系统， 涉及计算机技术领 域， 所述方法包括： 通过采集目标区域的目标能 源信息； 划分得到目标训练数据、 目标测试数据； 利用集合经验模态分解原理分解得到多个目标 子序列； 提取任意两个目标子序列； 利用长短期 记忆模型原理训练得到长短期记忆预测模型， 利 用广义回归神经网络原理训练得到广义回归神 经网络预测模 型； 结合动态自适应变权优化理论 得到组合预测模 型； 通过组合预测模 型得到目标 测试数据的目标能源预测结果， 并进行能源调度 优化。 解决了现有技术无法准确预测区域能源， 进而无法及时能源调度的问题。 达到了提高能源 预测准确性， 优化区域微电网分布式能源调度运 行的效果。 权利要求书3页 说明书11页 附图4页 CN 115471017 A 2022.12.13 CN 115471017 A 1.一种基于电能互济的区域 微电网互联优化方法， 其特 征在于， 包括： 采集得到目标区域的初始能源信 息， 并对所述初始能源信 息进行预处理得到目标能源 信息， 其中， 所述目标能源信息为具有时间标识的信息； 对所述目标能源信 息进行划分， 得到目标能源信息划分结果， 其中， 所述目标能源信 息 划分结果包括目标训练数据、 目标测试 数据； 利用集合经验模态分解原 理对所述目标训练数据进行分解， 得到目标训练数据分解结 果， 其中， 所述目标训练数据分解结果包括多个目标子序列； 提取所述多个目标子序列中任意两个目标子序列， 分别记作第一目标子序列、 第二目 标子序列； 利用长短期记忆模型原理对所述第一目标子序列进行训练， 得到长短期记忆预测模 型， 利用广义回归神经网络原理对所述第二 目标子序列进行训练， 得到广义回归神经网络 预测模型； 基于所述长短期记忆预测模型、 所述广义回归神经网络预测模型， 结合动态自适应变 权优化理论分析 得到组合预测模型； 通过所述组合预测模型对所述目标测试数据进行处理， 得到目标能源预测结果， 并根 据所述目标能源预测结果对所述目标区域进行能源调度优化。 2.根据权利要求1所述的方法， 其特征在于， 所述根据所述目标能源预测结果对所述目 标区域进行能源调度优化， 包括： 采集所述目标区域的历史用电数据； 对所述历史用电数据进行分析， 并根据分析 结果得到用电阶段 ‑用电量列表； 提取所述目标能源信息中的时间标识， 得到目标时间阶段； 将所述目标时间阶段在所述用电阶段 ‑用电量列表中遍历， 并分析得到目标用电量预 测结果； 根据所述目标用电量预测结果与 所述目标能源预测结果， 对所述目标区域进行能源调 度优化。 3.根据权利要求2所述的方法， 其特征在于， 所述根据分析结果得到用电阶段 ‑用电量 列表， 包括： 对所述历史用电数据进行 预处理， 得到历史用电数据处 理结果； 获得预设用电周期， 并根据 所述预设用电周期对所述历史用电数据处理结果进行周期 划分， 得到周期划分结果， 其中， 所述周期划分结果包括多个周期； 提取所述多个周期中任意一个周期， 并对所述任意一个周期进行阶段划分， 得到阶段 划分结果， 其中， 所述阶段划分结果包括多个阶段； 依次对所述多个阶段中各阶段进行用电分析， 并根据分析 结果计算得到多个用电量； 根据所述多个阶段与所述多个用电量之间的映射关系， 构建所述用电阶段 ‑用电量列 表。 4.根据权利要求1所述的方法， 其特征在于， 所述利用集合经验模态分解原 理对所述目 标训练数据进行分解， 得到目标训练数据分解结果， 包括： 提取所述目标训练数据的时间标识， 并生成目标训练数据 序列； 获得目标白噪声， 并将所述目标白噪声添加至所述目标训练数据序列， 得到新目标训权　利　要　求　书 1/3 页 2 CN 115471017 A 2练数据序列； 获得预设迭代结果， 对所述新目标训练数据序列迭代分解至满足所述预设迭代结果， 得到多个目标余差序列； 将所述多个目标余差序列 作为所述多个目标子序列。 5.根据权利要求4所述的方法， 其特征在于， 所述对所述新目标训练数据序列迭代分解 至满足所述预设迭代结果， 得到多个目标余差序列， 包括： 分析得到所述 新目标训练数据 序列中的多个局部极值； 根据所述多个局部极值， 依次建立所述新目标训练数据序列的上层包络线、 下层包络 线； 根据所述上层包络线、 所述下层包络线， 计算得到均值序列， 其中， 所述均值序列的计 算公式如下： 其中， 所述 是指所述均值序列， 所述 是指所述上层包络线， 所述 是 指所述下层包络线， 所述d是指所述 新目标训练数据 序列； 对所述新目标训练数据 序列与所述均值序列进行余差运 算， 得到目标余差序列； 继续迭代至满足所述预设迭代结果， 生成所述多个目标余差序列。 6.根据权利要求2所述的方法， 其特征在于， 在所述根据 所述目标用电量预测结果与 所 述目标能源预测结果， 对所述目标区域进行能源调度优化之前， 还 包括： 提取所述目标能源信息的时间标识， 得到目标时间； 基于所述目标时间与所述目标测试数据， 依次分析所述长短期记忆预测模型、 所述广 义回归神经网络预测模型 的预测结果， 分别得到长短期记忆预测模型预测结果、 广义回归 神经网络预测模型 预测结果； 根据动态自适应变权优化理论， 依次分析所述长短期记忆预测模型、 所述广义回归神 经网络预测模型 的权重系 数， 分别得到长短期记忆预测模型系 数、 广义回归神经网络预测 模型系数； 根据所述长短期记忆预测模型系数、 所述广义回归神经网络预测模型系数、 所述长短 期记忆预测模型预测结果、 所述广义回归神经网络预测模型预测结果， 计算得到所述 目标 能源预测结果。 7.根据权利要求6所述的方法， 其特 征在于， 还 包括： 获得所述目标时间的实际能源观测结果； 根据所述目标能源预测结果、 所述实 际能源观测结果， 计算得到所述组合预测模型的 相对预测误差， 其中， 所述相对预测误差的计算公式如下： 其中， 所述 是指所述目标能源预测结果， 所述 是指所述实际能源观测结果，权　利　要　求　书 2/3 页 3 CN 115471017 A 3