(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 202111242725.8 (22)申请日 2021.10.25 (71)申请人 国网湖南省电力有限公司 地址 410004 湖南省长 沙市新韶东路398号 申请人 国家电网有限公司 (72)发明人 陈浩　朱军飞　李京　王阳光　 邓小亮　谢晓骞　李辉　张龙　 (74)专利代理 机构 湖南兆弘专利事务所(普通 合伙) 43008 代理人 谭武艺 (51)Int.Cl. G06Q 30/02(2012.01) G06Q 50/06(2012.01) G06F 30/25(2020.01) G06F 30/27(2020.01)G06N 3/00(2006.01) G06N 20/10(2019.01) G06F 111/10(2020.01) (54)发明名称 一种购电结构调整方法、 系统及 介质 (57)摘要 本发明公开了一种购电结构调整 方法、 系统 及介质， 本发明包括： 获取历史购电数据， 所述历 史购电数据包括历史购电成本和历史购电结构； 根据所述历史购电数据选择购电成本的影响因 素； 采用自适应粒子群优化算法对每个影响因素 的加权系数进行处理， 将处理后的数据输入到预 先构建并完成训练的机器学习分类模型中进行 购电成本 预测， 得到现有购电结构下的购电预测 成本； 若购电预测成本、 设定目标成本之差超过 设定值， 则调整现有购电结构。 本发明能够更好 地调整现有购电结构， 以精准的制定购电结构， 降低购电成本 。 权利要求书3页 说明书11页 附图3页 CN 113988919 A 2022.01.28 CN 113988919 A 1.一种购电结构调整方法， 其特 征在于， 包括： 1)获取历史购电数据， 所述历史购电数据包括历史购电成本和历史购电结构； 2)根据所述历史购电数据选择购电成本的影响因素； 3)采用自适应粒子群优化算法对每个影响因素的加权系数进行处理， 将处理后的数据 输入到预先构建 并完成训练的机器学习分类模 型中进行购电成本预测， 得到现有购电结构 下的购电预测成本； 4)若购电预测成本、 设定目标成本之差超过设定值， 则调整现有购电结构。 2.根据权利要求1所述的购电结构调整方法， 其特 征在于， 步骤2)包括： 2.1)按照预设规则从历史购电数据中得到初始影响因素； 2.2)计算购电成本与所述初始影响因素综合相似度； 2.3)筛选综合相似度大于预设值的初始影响因素作为购电成本的影响因素。 3.根据权利要求2所述的购电结构调整方法， 其特 征在于， 步骤2.1)包括： 2.1.1)按照预设规则从历史购电数据中得到初始影响因素； 2.1.2)将每 个所述初始影响因素的各个时刻的数据构成一个 影响因素矩阵； 2.1.3)对影响因素矩阵中的数据进行 无量纲化处 理； 2.1.4)采用熵权法计算每 个初始影响因素的加权系数； 2.1.5)将加权系数低于阈值的初始影响因素删除。 4.根据权利要求2所述的购电结构调整方法， 其特征在于， 步骤2.2)中计算购电成本与 所述初始影响因素综合相似度采用的方法为灰色 关联分析法， 步骤 包括： 2.2.1)根据历史购电成本和初始影响因素构建购电成本矩阵和初始影响因素矩阵； 2.2.2)根据购电成本矩阵和初始影响因素矩阵构建购电成本因素综合矩阵； 2.2.3)计算购电成本与不同初始影响因素的距离相似度和形状相似度； 2.2.4)根据距离相似度和形状相似度得到购电成本与每个初始影响因素的综合相似 度。 5.根据权利 要求4所述的购电结构调整方法， 其特征在于， 步骤2.2.3)中计算购电成本 与不同初始影响因素的距离相似度和形状相似度时， 距离相似度的计算 函数表达式为： Δx1(i， j)＝|Xij‑Xaj|， 上式中， γ1(i,j)为购电成本第j个时刻数值和第i个输入要素的第j个时刻数值的距离 相似度， Δx1(i,j)为购电成本第j个时刻数值和第i个输入要素的第j个时刻数值的形状差 值， Xij为表示第i个影响因素第j个时刻数值， Xaj为购电成本第j个时刻数值， X为购电成本 因素综合矩阵， Xa1,…,Xaj,…,Xan分别为购电成本矩阵Xa的第1,…,j,…,n个元素， X11～Xmn 分别为表示第1个影响因素第1个时刻数值～第m个影 响因素第n个时刻数值； i＝1,2, …,m，权　利　要　求　书 1/3 页 2 CN 113988919 A 2j＝1,2,…,n， m为影响因素个数， n表示第n个时刻； 形状相似度的计算 函数表达式为： 上式中， γ2(i,j)为购电成本第j个时刻数值和第i个输入要素的第j个时刻数值的形状 相似度， Δx2(i,j)为购电成本第j个时刻数值和第i个输入要素的第j个时刻数值的形状差 值， Xij为表示第i个 影响因素第j个时刻数值， Xaj为购电成本第j个时刻数值。 6.根据权利 要求5所述的购电结构调整方法， 其特征在于， 步骤2.2.4)中根据距离相似 度和形状相似度得到购电成本与每 个初始影响因素的综合相似度的计算 函数表达式为： 上式中， γi表示第i个影响因素的综合相似度， ωi表示第i个影响因素的加权系数， γ1 (i,j)为购电成本第j个时刻数值和第i个输入要素的第j个时刻数值的距离相似度， γ2(i, j)为购电成本第j个时刻数值和第i个输入要素的第j个时刻数值的形状相 似度， α和β 为相 似性系数， 且 满足α +β ＝1。 7.根据权利要求6所述的购电结构调 整方法， 其特征在于， 步骤3)中采用自适应粒子群 优化算法对每个影响因素 的加权系 数进行处理时， 自适应粒子群优化算法的环境为在D维 空间内搜索， 由N个粒子组成一个 群体， 粒子更新速度和位置的表达式为： 上式中， 为t+1时刻的粒子速度， ω为加权系数， 为t+1时刻的粒子速度， c1和c2为 学习因子， rand为[0,1]之间的随机数， 为粒子本身经历过的最优位置， 为t时刻的 粒子位置， 为粒子群经历过的最优位置， 为t+1时刻的粒子位置， 和 在迭代过程中不断更新， 最后输出最优解 其中， 加权系数ω的计算函数表达式如下 式所示： 上式中， ωmax为加权系数的最大值， ωmin为加权系数的最小值， favg为粒子适应度的平 均值， fmax为粒子适应度的最大值， fmin为粒子适应度的最小值， f为当前的粒子适应度。 8.根据权利要求7所述的购电结构调 整方法， 其特征在于， 步骤3)中将处理后的数据输权　利　要　求　书 2/3 页 3 CN 113988919 A 3