CN112330077B - 电力负荷预测方法、装置、计算机设备和存储介质 - Google Patents

电力负荷预测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112330077B
CN112330077B CN202110000659.7A CN202110000659A CN112330077B CN 112330077 B CN112330077 B CN 112330077B CN 202110000659 A CN202110000659 A CN 202110000659A CN 112330077 B CN112330077 B CN 112330077B
Authority
CN
China
Prior art keywords
load
prediction
model
preset
characteristic data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110000659.7A
Other languages
English (en)
Other versions
CN112330077A (zh
Inventor
郭杨运
周尚礼
郑楷洪
张文瀚
陈敏娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CSG Digital Power GRID Research Institute Co Ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202110000659.7A priority Critical patent/CN112330077B/zh
Publication of CN112330077A publication Critical patent/CN112330077A/zh
Application granted granted Critical
Publication of CN112330077B publication Critical patent/CN112330077B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种电力负荷预测方法、装置、计算机设备和存储介质，方法包括：响应于用电负荷预测请求，获取与用电负荷预测请求对应的用电负荷相关特征数据，包括历史用电负荷值；并进一步划分为生活用电负荷相关特征数据以及生产用电负荷相关特征数据；之后输入预先构建的用电负荷差值预测模型，得到与预测时间信息对应的生活用电负荷预测差值以及生产用电负荷预测差值，并对历史用电负荷值进行计算处理，得到用电负荷预测结果。本申请通过生活用电负荷相关特征数据以及生产用电负荷相关特征数据，实现了利用模型进行分别预测，提高了电力负荷预测的精细程度；通过预测用电负荷差值减小了预测过程中的方差，提高了电力负荷预测的准确性。

Description

电力负荷预测方法、装置、计算机设备和存储介质
技术领域
本申请涉及电力技术领域，特别是涉及一种电力负荷预测方法、装置、计算机设备和存储介质。
背景技术
随着电力系统的数字化、智能化、现代化发展，电力负荷预测在智能电网建设中扮演的角色愈发重要。一方面，精准的电力负荷预测能够为电力系统在供给侧和需求侧提供有价值的数据支撑；另一方面，精准的电力负荷预测能够减少电力交易所付出的成本。
现有的电力负荷预测方式主要依靠天气、时间、历史负荷值等数据；采用传统的统计分析模型，进行短周期内的电力负荷预测；但是电力负荷值本身较大，电力负荷值波动也较为频繁，导致电力负荷预测中方差较大，预测得到数据的准确性较差。
发明内容
基于此，有必要针对上述技术问题，提供一种电力负荷预测方法、装置、计算机设备和存储介质。
一种电力负荷预测方法，所述方法包括：
响应于携带有预测时间信息的用电负荷预测请求，获取与所述用电负荷预测请求对应的用电负荷相关特征数据；所述用电负荷相关特征数据包括历史用电负荷值；
根据用电负荷相关特征数据的类型，将所述用电负荷相关特征数据划分为生活用电负荷相关特征数据以及生产用电负荷相关特征数据；
将所述生活用电负荷相关特征数据以及所述生产用电负荷相关特征数据输入预先构建的用电负荷差值预测模型，得到所述预先构建的用电负荷差值预测模型输出的与所述预测时间信息对应的生活用电负荷预测差值以及生产用电负荷预测差值；所述预先构建的用电负荷差值预测模型根据样本用电负荷相关特征数据训练得到；
根据所述生活用电负荷预测差值以及生产用电负荷预测差值，对所述历史用电负荷值进行计算处理，得到与所述用电负荷预测请求对应的用电负荷预测结果。
在其中一个实施例中，所述预先构建的用电负荷差值预测模型通过以下方式获得：
获取包含有多个预设神经网络模型以及多个预设传统机器学习模型的预设模型库；
从所述预设模型库中选取至少一个所述预设神经网络模型和/或至少一个所述预设传统机器学习模型；
基于所述样本用电负荷相关特征数据对至少一个所述预设神经网络模型和/或至少一个所述预设传统机器学习模型进行训练，通过对比各个训练后的模型的预测准确度，为训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型分别设置相应权重；
将训练完成后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型，根据相对应的权重进行融合，得到所述预先构建的用电负荷差值预测模型。
在其中一个实施例中，所述基于所述样本用电负荷相关特征数据对至少一个所述预设神经网络模型和/或至少一个所述预设传统机器学习模型进行训练，包括：
根据所述样本用电负荷相关特征数据，构建训练数据集以及验证数据集；
根据所述训练数据集对所选取的至少一个所述预设神经网络模型和/或至少一个所述预设传统机器学习模型进行训练，得到训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型；
基于所述验证数据集，采用预设指标对所述训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型进行验证，得到与所述训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型对应的预测准确度。
在其中一个实施例中，所述为训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型分别设置相应权重，包括：
根据所述预测准确度的大小，确定出所述训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型之间的权重比例关系；所述权重比例关系中各个模型的权重和为1；
根据所述权重比例关系，分别为所述训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型设置相应的权重。
在其中一个实施例中，所述预设神经网络模型包括：循环神经网络模型以及长短期记忆神经网络模型；所述预设传统机器学习模型包括：XGBoost模型、LightGBM模型以及CatBoost模型。
在其中一个实施例中，所述根据所述生活用电负荷预测差值以及生产用电负荷预测差值，对所述历史用电负荷值进行计算处理，得到与所述用电负荷预测请求对应的用电负荷预测结果，包括：
将所述生活用电负荷预测差值与历史生活用电负荷值相加，得到与所述预测时间信息对应的预测生活用电负荷值；
将所述生产用电负荷预测差值与历史生产用电负荷值相加，得到与所述预测时间信息对应的预测生产用电负荷值；
将所述预测生活用电负荷值与所述预测生产用电负荷值相加，得到整体用电负荷值，作为与所述用电负荷预测请求对应的用电负荷预测结果。
在其中一个实施例中，所述生活用电负荷相关特征数据包括天气、时间、历史生活用电负荷值、城市常住居民数、城市人口户数、城市属性；所述生产用电负荷相关特征数据包括：天气、时间、历史生产用电负荷值、城市大工业企业数、城市一般工商业企业数、城市属性。
一种电力负荷预测装置，所述装置包括：
数据获取模块，用于响应于携带有预测时间信息的用电负荷预测请求，获取与所述用电负荷预测请求对应的用电负荷相关特征数据；所述用电负荷相关特征数据包括历史用电负荷值；
数据划分模块，用于根据用电负荷相关特征数据的类型，将所述用电负荷相关特征数据划分为生活用电负荷相关特征数据以及生产用电负荷相关特征数据；
差值确定模块，用于将所述生活用电负荷相关特征数据以及所述生产用电负荷相关特征数据输入预先构建的用电负荷差值预测模型，得到所述预先构建的用电负荷差值预测模型输出的与所述预测时间信息对应的生活用电负荷预测差值以及生产用电负荷预测差值；所述预先构建的用电负荷差值预测模型根据样本用电负荷相关特征数据训练得到；
结果确定模块，用于根据所述生活用电负荷预测差值以及生产用电负荷预测差值，对所述历史用电负荷值进行计算处理，得到与所述用电负荷预测请求对应的用电负荷预测结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
上述电力负荷预测方法、装置、计算机设备和存储介质，方法包括：响应于携带有预测时间信息的用电负荷预测请求，获取与用电负荷预测请求对应的用电负荷相关特征数据；用电负荷相关特征数据包括历史用电负荷值；根据用电负荷相关特征数据的类型，将用电负荷相关特征数据划分为生活用电负荷相关特征数据以及生产用电负荷相关特征数据；将生活用电负荷相关特征数据以及生产用电负荷相关特征数据输入预先构建的用电负荷差值预测模型，得到预先构建的用电负荷差值预测模型输出的与预测时间信息对应的生活用电负荷预测差值以及生产用电负荷预测差值；预先构建的用电负荷差值预测模型根据样本用电负荷相关特征数据训练得到；根据生活用电负荷预测差值以及生产用电负荷预测差值，对历史用电负荷值进行计算处理，得到与用电负荷预测请求对应的用电负荷预测结果。本申请通过将用电负荷相关特征数据分为生活用电负荷相关特征数据以及生产用电负荷相关特征数据，实现了利用模型对生活用电以及生产用电的分别预测，提高了电力负荷预测的精细程度；通过预测用电负荷差值代替对电力负荷值的直接预测，减小了预测过程中的方差，降低了预测难度，提高了电力负荷预测的准确性。
附图说明
图1为一个实施例中电力负荷预测方法的应用环境图；
图2为一个实施例中电力负荷预测方法的流程示意图；
图3为一个实施例中用电负荷差值预测模型预先构建方法的流程示意图；
图4为一个实施例中预先构建的用电负荷差值预测模型的结构示意图；
图5为一个实施例中对至少一个预设神经网络模型和/或至少一个预设传统机器学习模型进行训练步骤的流程示意图；
图6为另一个实施例中为训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型分别设置相应权重步骤的流程示意图；
图7为一个实施例中电力负荷预测装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的电力负荷预测方法，可以应用于如图1所示的应用环境中。其中，终端11通过网络与服务器12进行通信。服务器12响应于终端11通过网络发送的携带有预测时间信息的用电负荷预测请求，服务器12获取与用电负荷预测请求对应的用电负荷相关特征数据；用电负荷相关特征数据包括历史用电负荷值；服务器12根据用电负荷相关特征数据的类型，将用电负荷相关特征数据划分为生活用电负荷相关特征数据以及生产用电负荷相关特征数据；服务器12将生活用电负荷相关特征数据以及生产用电负荷相关特征数据输入预先构建的用电负荷差值预测模型，得到预先构建的用电负荷差值预测模型输出的与预测时间信息对应的生活用电负荷预测差值以及生产用电负荷预测差值；预先构建的用电负荷差值预测模型是由服务器12根据样本用电负荷相关特征数据训练得到；服务器12根据生活用电负荷预测差值以及生产用电负荷预测差值，对历史用电负荷值进行计算处理，得到与用电负荷预测请求对应的用电负荷预测结果，并将用电负荷预测结果返回至终端11。
其中，终端11可以但不限于是各种电力设备终端、个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器12可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种电力负荷预测方法，以该方法应用于图1中的服务器12为例进行说明，包括以下步骤：
步骤21，响应于携带有预测时间信息的用电负荷预测请求，获取与用电负荷预测请求对应的用电负荷相关特征数据；用电负荷相关特征数据包括历史用电负荷值。
其中，预测时间信息是指用电负荷预测请求中携带的时间目标，预测时间信可以为一个具体的时间点，也可以是一个时间段；用电负荷预测请求是人员通过终端编辑生成并发送的。
具体地，工作人员在需要获取某一时刻的用电负荷预测结果时，通过终端设备编辑请求信息，终端设备将编辑好的请求信息以用电负荷预测请求的形式发送至服务器；服务器接收到该用电负荷预测请求后对该请求进行解析，并根据解析结果，从存储有用电负荷相关特征数据的数据库中获取与用电负荷预测请求对应的用电负荷相关特征数据。
本步骤服务器通过响应于携带有预测时间信息的用电负荷预测请求，获取到相应数据；服务器利用该数据能够针对用电负荷预测请求进行相应预测，减小了数据处理量，提高了电力负荷预测的效率。
步骤22，根据用电负荷相关特征数据的类型，将用电负荷相关特征数据划分为生活用电负荷相关特征数据以及生产用电负荷相关特征数据。
具体地，服务器可以根据用电负荷是居民用电还是工业用电大致确定出用电负荷相关特征数据的类型；根据用电负荷相关特征数据的类型将之前从数据库中获取到的用电负荷相关特征数据进行识别，根据识别结果将用电负荷相关特征数据区分为生活用电负荷相关特征数据和生产用电负荷相关特征数据。
本步骤通过将用电负荷相关特征数据划分为生活用电负荷相关特征数据以及生产用电负荷相关特征数据，相当于通过对用电负荷相关特征数据的区分，使得电力负荷预测分为两路，一路进行生活用电负荷的预测，一路进行生产用电负荷的预测，使得电力负荷预测更为细化，同时能够结合生产用电以及生活用电的数据特点，提高了电力负荷预测的精细程度，提高了电力负荷预测的准确性。
步骤23，将生活用电负荷相关特征数据以及生产用电负荷相关特征数据输入预先构建的用电负荷差值预测模型，得到预先构建的用电负荷差值预测模型输出的与预测时间信息对应的生活用电负荷预测差值以及生产用电负荷预测差值；预先构建的用电负荷差值预测模型根据样本用电负荷相关特征数据训练得到。
其中，生活用电负荷预测差值是指从当前到预测时间信息对应的时间点这段时间中，用电负荷的变化情况；例如，当前的生活用电负荷为100，预先构建的用电负荷差值预测模型输出的生活用电负荷预测差值为20，则预测时间信息对应的生活用电负荷预测结果为120。生产用电负荷预测差值的含义与生活用电负荷预测差值相同。
具体地，预先构建的用电负荷差值预测模型是利用样本用电负荷相关特征数据训练得到的，能够对生活用电负荷相关特征数据以及生产用电负荷相关特征数据分别作出预测，即将生活用电负荷相关特征数据输入预先构建的用电负荷差值预测模型能够得到生活用电负荷预测差值；将生产用电负荷相关特征数据输入预先构建的用电负荷差值预测模型能够得到生产用电负荷预测差值。
本步骤通过预先构建的用电负荷差值预测模型分别对生活用电负荷相关特征数据以及生产用电负荷相关特征数据进行计算，提高了电力负荷预测的精细程度；通过预测用电负荷差值代替对电力负荷值的直接预测，减小了预测过程中的方差，降低了预测难度，提高了电力负荷预测的准确性。
步骤24，根据生活用电负荷预测差值以及生产用电负荷预测差值，对历史用电负荷值进行计算处理，得到与用电负荷预测请求对应的用电负荷预测结果。
具体地，通过预先构建的用电负荷差值预测模型输出的生活用电负荷预测差值以及生产用电负荷预测差值，相当于获得了用电负荷在当前时刻至预测时间信息对应时刻时间区间内的变化情况；因此，通过预测差值以及用电负荷相关特征数据能够得到与用电负荷预测请求对应的用电负荷预测结果。
本步骤通过将预测某一时刻的电力负荷值，转换为预测某一时刻的电力负荷变化情况，例如需预测明天的电力负荷值，则通过预测模型输出的是预测出的今天到明天的用电负荷差值，将今天的用电负荷加上预测出的用电负荷差值即得到明天的用电负荷情况；这样可以减小预测过程的方差，降低预测难度，提高预测的准确度。
上述电力负荷预测方法、装置、计算机设备和存储介质，方法包括：响应于携带有预测时间信息的用电负荷预测请求，获取与用电负荷预测请求对应的用电负荷相关特征数据；用电负荷相关特征数据包括历史用电负荷值；根据用电负荷相关特征数据的类型，将用电负荷相关特征数据划分为生活用电负荷相关特征数据以及生产用电负荷相关特征数据；将生活用电负荷相关特征数据以及生产用电负荷相关特征数据输入预先构建的用电负荷差值预测模型，得到预先构建的用电负荷差值预测模型输出的与预测时间信息对应的生活用电负荷预测差值以及生产用电负荷预测差值；预先构建的用电负荷差值预测模型根据样本用电负荷相关特征数据训练得到；根据生活用电负荷预测差值以及生产用电负荷预测差值，对历史用电负荷值进行计算处理，得到与用电负荷预测请求对应的用电负荷预测结果。本申请通过将用电负荷相关特征数据分为生活用电负荷相关特征数据以及生产用电负荷相关特征数据，实现了利用模型对生活用电负以及生产用电的分别预测，提高了电力负荷预测的精细程度；通过预测用电负荷差值代替对电力负荷值的直接预测，减小了预测过程中的方差，降低了预测难度，提高了电力负荷预测的准确性。
在一个实施例中，如图3所示，预先构建的用电负荷差值预测模型通过以下方式获得：
步骤31，获取包含有多个预设神经网络模型以及多个预设传统机器学习模型的预设模型库；
步骤32，从预设模型库中选取至少一个预设神经网络模型和/或至少一个预设传统机器学习模型；
步骤33，基于样本用电负荷相关特征数据对至少一个预设神经网络模型和/或至少一个预设传统机器学习模型进行训练，通过对比各个训练后的模型的预测准确度，为训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型分别设置相应权重；
步骤34，将训练完成后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型，根据相对应的权重进行融合，得到预先构建的用电负荷差值预测模型。
具体地，预设模型库中预置了多个预设神经网络模型以及多个预设传统机器学习模型，能够根据不同的预测需求选择相应的神经网络模型以及机器学习模型去构建出用电负荷差值预测模型。预设传统机器学习模型比如xgboost、lightgbm、catboost等模型能够根据之前积累的特征项目去构建新的特征项，提升模型整体的预测效果；而预设传统机器学习模型例如RNN（Recurrent Neural Network，循环神经网络）、LSTM（LSTM，Long Short-Term Memory，长短期记忆网络）、GRU（Gated Recurrent Unit，长短期记忆网络的一种变体）、DeepLSTM（长短期记忆网络的一种变体）等，可以利用深度神经网络的模型特性，自动进行新特征提取，减少人工投入的同时又与机器学习构建的特征形成差异性，提升模型的预测效果。
为训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型分别设置相应权重能够针对预测效果较好的模型给予更大的加权权重，针对预测效果一般的模型给予较小的加权权重，以此达到用电负荷差值预测模型预测效果的整体平衡。
在根据相对应的权重进行融合时，各个模型最终的权重之和为1；例如a模型的权重0.6，b模型的权重为0.25，c模型的权重为0.15，在进行预测时，最终预测结果计算方式为：
最终预测结果=0.6×a的预测结果+0.25×b的预测结果+0.15×c的预测结果。
如图4所示，预先构建的用电负荷差值预测模型是采用Stacking（模型融合）的方式训练模型并且构建得到的多模型融合后的结果。第一层为至少一个神经网络模型和/或至少一个机器学习模型；在第二层根据第一层中至少一个神经网络模型和/或至少一个机器学习模型的预测效果，将各个模型进行加权融合。
在一个实施例中，如图5所示，基于样本用电负荷相关特征数据对至少一个预设神经网络模型和/或至少一个预设传统机器学习模型进行训练，包括：
步骤51，根据样本用电负荷相关特征数据，构建训练数据集以及验证数据集；
步骤52，根据训练数据集对所选取的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型进行训练，得到训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型；
步骤53，基于验证数据集，采用预设指标对训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型进行验证，得到与训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型对应的预测准确度。
具体地，预设指标可以采用MSE(mean square error)，用于衡量各个预设模型在验证集上的准确率；
样本用电负荷相关特征数据包括天气、时间、历史电力负荷值、城市常住居民数、城市人口户数、城市企业数、大工业企业数、一般工商业企业数等；其中天气可通过爬虫从权威天气网站爬取每日的最高温湿度、最低温湿度、平均温湿度、体感温湿度、空气质量等数据获取；时间包括节假日时间、周末时间等数据；历史电力负荷值能够从电力公司每日记录的电力负荷数据形成的数据库中获得，并区分出居民用电和行业用电负荷得到历史生活用电负荷值以及历史生产用电负荷值的部分数据；城市常住居民数、城市人口户数可以从各省市统计局官方网站公布的统计数据中获得；城市企业数、大工业企业数、一般工商业企业数可以从工商等级信息以及电力公司的供电记录获得。上述数据在进行数据清洗后方可利用。
在具体训练过程中，各个模型可以对特征进行构建；例如预设传统机器学习模型可以构建出多个离散特征以及多个连续特征；离散特征可以包括：1.是否节假期；2.工作日还是周末；3.月初、月中还是月末；4.可以构建离散特征的交叉特征，比如是节假日并且是旅游城市，是工作日并且是工业城市等；连续特征可以包括：1.通过滑窗的方式，可以统计例如短期过去至少一天的最高、最低、平均负荷值；中期，过去一个月的最高、最低、平均负荷值；长期，过去一年的最高、最低、平均负荷值；2.为了表示趋势特性，可以统计负荷值的同比值和环比值，或者二阶差分等；3.为了表示负荷值的稳定性，可以通过滑窗的方式统计离散程度等。在训练预设模型时，训练目标是准确求出用电负荷值的差值，该差值可以采用数字差值的形式，也可以采用对数差值的形式；例如20200102的用电负荷值为110000kwh，20200101的用电负荷值为100000kwh；采用数字差值的形式时，预设模型的预测目标是110000kwh与100000kwh的差值，即10000kwh；而采用对数差值时，则为loge（“20200102的用电负荷值”）与loge（20200101的用电负荷值）之间的差值，即差值为loge（110000）-loge（100000）=0.095310。
上述两种方式可以根据实际需要进行选择，通常采用对数差值的形式时得到的方差会优于采用数字差值的形式；仅需在确定差值以及具体计算前对数据进行对数变换即可。
为了便于理解，以样本用电负荷相关特征数据中的样本生活用电负荷相关特征数据对模型进行训练为例：从样本生活用电负荷相关特征数据中获取多个T day的生活用电负荷相关特征数据，构建得到多个特征值并获取与特征值对应的具体参数信息，并且以多个与T day对应的（T+n）day的已知历史生活用电负荷值作为训练目标，以其中一个T day和对应（T+1）day的数据作为举例，具体如下：
生活用电负荷相关特征数据包括：时间：20200101、温度：16度、湿度：53%、当前用电负荷值：100000kwh、城市常驻居民数：1000千万、城市人口户数：250千万、城市属性：综合性城市；
已知20200102所对应的历史生活用电负荷值为：110000kwh；
由于模型预测的是已知历史生活用电负荷值与当前用电负荷值的差值，即20200102与20200101的生活用电负荷差值为110000kwh-100000kwh=10000kwh；也即训练目标是10000kwh。
在将上述数据输入预设模型进行训练之前，对训练目标即已知历史生活用电负荷值进行变换以进一步减小方差；具体为将训练目标变换为：
生活用电负荷差值=loge（“已知历史生活用电负荷值”）-loge（当前用电负荷值）=
Figure 975135DEST_PATH_IMAGE001
=0.095310；
即为了进一步降低预设模型训练的方差，可以采用对数差的形式代替原先的数值差。
在一个实施例中，如图6所示，为训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型分别设置相应权重，包括：
步骤61，根据预测准确度的大小，确定出训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型之间的权重比例关系；权重比例关系中各个模型的权重和为1；
步骤62，根据权重比例关系，分别为训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型设置相应的权重。
具体地，权重比例关系可以根据各个预设神经网络模型以及预设传统机器学习模型的预测准确度确定，例如预测准确度较高的模型所占比例较大，则相应的权重也较大；预测准确度较低的模型所占比例较小或者设置为0，则相应权重也较小或为0，以此避免该模型输出错误的结果导致整个预先构建的用电负荷差值预测模型的准确度降低。
在一个实施例中，预设神经网络模型包括：循环神经网络模型以及长短期记忆神经网络模型；预设传统机器学习模型包括：XGBoost模型、LightGBM模型以及CatBoost模型。
其中，循环神经网络（Recurrent Neural Network, RNN）是一类以序列（sequence）数据为输入，在序列的演进方向进行递归（recursion）且所有节点（循环单元）按链式连接的递归神经网络。长短期记忆网络（LSTM，Long Short-Term Memory）是一种时间循环神经网络，为了解决一般的RNN（循环神经网络）存在的长期依赖问题而专门设计，具有一种重复神经网络模块的链式形式。
XGBoost模型（Exterme Gradient Boosting，极限梯度提升），它是基于决策树的集成机器学习算法，它以梯度提升（Gradient Boost）为框架。LightGBM模型采用损失函数的负梯度作为当前决策树的残差近似值，去拟合新的决策树。CatBoost模型是基于梯度提升决策树的机器学习框架。
在一个实施例中，根据生活用电负荷预测差值以及生产用电负荷预测差值，对历史用电负荷值进行计算处理，得到与用电负荷预测请求对应的用电负荷预测结果，包括：将生活用电负荷预测差值与当前的历史生活用电负荷值相加，得到与预测时间信息对应的预测生活用电负荷值；将生产用电负荷预测差值与历史生产用电负荷值相加，得到与预测时间信息对应的预测生产用电负荷值；将预测生活用电负荷值与预测生产用电负荷值相加，得到整体用电负荷值，作为与用电负荷预测请求对应的用电负荷预测结果。
具体地，服务器从用电负荷相关特征数据中分别获取得到历史生活用电负荷值以及历史生产用电负荷值；将生活用电负荷预测差值与当前的历史生活用电负荷值进行计算处理可以得到预测的生活用电负荷值；同理，将当前的生产用电负荷值与生产用电负荷预测差值进行计算处理可以得到预测的生产用电负荷值；最终将预测的生活用电负荷值与预测的生产用电负荷值相加后即得到整体用电负荷值作为与用电负荷预测请求对应的用电负荷预测结果。需要说明的是，可以根据实际需要选择对应的运算处理方法。
计算处理的方式前述训练所采用的方式一致，即可以采用数字差值的形式或者对数差值的形式；以历史生活用电负荷值为130000kwh，生活用电负荷预测差值为10000kwh为例说明采用数字差值的形式确定出预测的生活用电负荷值：
预测的生活用电负荷值=历史生活用电负荷值+生活用电负荷预测差值；即
预测的生活用电负荷值=130000kwh+10000kwh=140000kwh。
以历史生活用电负荷值为130000kwh，生活用电负荷预测差值为0.0896为例说明采用对数差值的形式确定出预测的生活用电负荷值：
预测的生活用电负荷值=loge（历史生活用电负荷值）+loge（生活用电负荷预测差值）；对该公式进行逆变换，得到
预测的生活用电负荷值=
Figure 551610DEST_PATH_IMAGE002
=
Figure 212399DEST_PATH_IMAGE003
=142185.7712kwh。
在一个实施例中，生活用电负荷相关特征数据包括天气、时间、历史电力负荷数据、城市常住居民数、城市人口户数、城市属性；生产用电负荷相关特征数据包括：天气、时间、历史电力负荷数据、城市大工业企业数、城市一般工商业企业数、城市属性。
具体地，上述数据都可以通过各类公开数据以及电力公司自有的数据库中获取得到，或者将现有的数据进行加工组合后得到。
该理解的是，虽然图2-3、5-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3、5-6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种电力负荷预测装置，包括：
数据获取模块71，用于响应于携带有预测时间信息的用电负荷预测请求，获取与用电负荷预测请求对应的用电负荷相关特征数据；用电负荷相关特征数据包括历史用电负荷值；
数据划分模块72，用于根据用电负荷相关特征数据的类型，将用电负荷相关特征数据划分为生活用电负荷相关特征数据以及生产用电负荷相关特征数据；
差值确定模块73，用于将生活用电负荷相关特征数据以及生产用电负荷相关特征数据输入预先构建的用电负荷差值预测模型，得到预先构建的用电负荷差值预测模型输出的与预测时间信息对应的生活用电负荷预测差值以及生产用电负荷预测差值；预先构建的用电负荷差值预测模型根据样本用电负荷相关特征数据训练得到；
结果确定模块74，用于根据生活用电负荷预测差值以及生产用电负荷预测差值，对历史用电负荷值进行计算处理，得到与用电负荷预测请求对应的用电负荷预测结果。
在一个实施例中，电力负荷预测装置中还包括预测模型训练模块，用于获取包含有多个预设神经网络模型以及多个预设传统机器学习模型的预设模型库；从预设模型库中选取至少一个预设神经网络模型和/或至少一个预设传统机器学习模型；基于样本用电负荷相关特征数据对至少一个预设神经网络模型和/或至少一个预设传统机器学习模型进行训练，通过对比各个训练后的模型的预测准确度，为训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型分别设置相应权重；将训练完成后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型，根据相对应的权重进行融合，得到预先构建的用电负荷差值预测模型。
在一个实施例中，预测模型训练模块还用于根据样本用电负荷相关特征数据，构建训练数据集以及验证数据集；根据训练数据集对所选取的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型进行训练，得到训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型；基于验证数据集，采用预设指标对训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型进行验证，得到与训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型对应的预测准确度。
在一个实施例中，预测模型训练模块还用于根据预测准确度的大小，确定出训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型之间的权重比例关系；权重比例关系中各个模型的权重和为1；根据权重比例关系，分别为训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型设置相应的权重。
在一个实施例中，结果确定模块74还用于将生活用电负荷预测差值与当前的历史生活用电负荷值相加，得到与预测时间信息对应的预测生活用电负荷值；将生产用电负荷预测差值与当前的历史生产用电负荷值相加，得到与预测时间信息对应的预测生产用电负荷值；将预测生活用电负荷值与预测生产用电负荷值相加，得到整体用电负荷值，作为与用电负荷预测请求对应的用电负荷预测结果。
关于电力负荷预测装置的具体限定可以参见上文中对于电力负荷预测方法的限定，在此不再赘述。上述电力负荷预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电力负荷预测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电力负荷预测方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
响应于携带有预测时间信息的用电负荷预测请求，获取与用电负荷预测请求对应的用电负荷相关特征数据；用电负荷相关特征数据包括历史用电负荷值；
根据用电负荷相关特征数据的类型，将用电负荷相关特征数据划分为生活用电负荷相关特征数据以及生产用电负荷相关特征数据；
将生活用电负荷相关特征数据以及生产用电负荷相关特征数据输入预先构建的用电负荷差值预测模型，得到预先构建的用电负荷差值预测模型输出的与预测时间信息对应的生活用电负荷预测差值以及生产用电负荷预测差值；预先构建的用电负荷差值预测模型根据样本用电负荷相关特征数据训练得到；
根据生活用电负荷预测差值以及生产用电负荷预测差值，对历史用电负荷值进行计算处理，得到与用电负荷预测请求对应的用电负荷预测结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取包含有多个预设神经网络模型以及多个预设传统机器学习模型的预设模型库；从预设模型库中选取至少一个预设神经网络模型和/或至少一个预设传统机器学习模型；基于样本用电负荷相关特征数据对至少一个预设神经网络模型和/或至少一个预设传统机器学习模型进行训练，通过对比各个训练后的模型的预测准确度，为训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型分别设置相应权重；将训练完成后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型，根据相对应的权重进行融合，得到预先构建的用电负荷差值预测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据样本用电负荷相关特征数据，构建训练数据集以及验证数据集；根据训练数据集对所选取的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型进行训练，得到训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型；基于验证数据集，采用预设指标对训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型进行验证，得到与训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型对应的预测准确度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据预测准确度的大小，确定出训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型之间的权重比例关系；权重比例关系中各个模型的权重和为1；根据权重比例关系，分别为训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型设置相应的权重。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将生活用电负荷预测差值与当前的历史生活用电负荷值相加，得到与预测时间信息对应的预测生活用电负荷值；将生产用电负荷预测差值与历史生产用电负荷值相加，得到与预测时间信息对应的预测生产用电负荷值；将预测生活用电负荷值与预测生产用电负荷值相加，得到整体用电负荷值，作为与用电负荷预测请求对应的用电负荷预测结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
响应于携带有预测时间信息的用电负荷预测请求，获取与用电负荷预测请求对应的用电负荷相关特征数据；用电负荷相关特征数据包括历史用电负荷值；
根据用电负荷相关特征数据的类型，将用电负荷相关特征数据划分为生活用电负荷相关特征数据以及生产用电负荷相关特征数据；
将生活用电负荷相关特征数据以及生产用电负荷相关特征数据输入预先构建的用电负荷差值预测模型，得到预先构建的用电负荷差值预测模型输出的与预测时间信息对应的生活用电负荷预测差值以及生产用电负荷预测差值；预先构建的用电负荷差值预测模型根据样本用电负荷相关特征数据训练得到；
根据生活用电负荷预测差值以及生产用电负荷预测差值，历史用电负荷值进行计算处理，得到与用电负荷预测请求对应的用电负荷预测结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取包含有多个预设神经网络模型以及多个预设传统机器学习模型的预设模型库；从预设模型库中选取至少一个预设神经网络模型和/或至少一个预设传统机器学习模型；基于样本用电负荷相关特征数据对至少一个预设神经网络模型和/或至少一个预设传统机器学习模型进行训练，通过对比各个训练后的模型的预测准确度，为训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型分别设置相应权重；将训练完成后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型，根据相对应的权重进行融合，得到预先构建的用电负荷差值预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据样本用电负荷相关特征数据，构建训练数据集以及验证数据集；根据训练数据集对所选取的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型进行训练，得到训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型；基于验证数据集，采用预设指标对训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型进行验证，得到与训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型对应的预测准确度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据预测准确度的大小，确定出训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型之间的权重比例关系；权重比例关系中各个模型的权重和为1；根据权重比例关系，分别为训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型设置相应的权重。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将生活用电负荷预测差值与当前的历史生活用电负荷值相加，得到与预测时间信息对应的预测生活用电负荷值；将生产用电负荷预测差值与历史生产用电负荷值相加，得到与预测时间信息对应的预测生产用电负荷值；将预测生活用电负荷值与预测生产用电负荷值相加，得到整体用电负荷值，作为与用电负荷预测请求对应的用电负荷预测结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上各个实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种电力负荷预测方法，其特征在于，所述方法包括：
响应于携带有预测时间信息的用电负荷预测请求，获取与所述用电负荷预测请求对应的用电负荷相关特征数据；所述用电负荷相关特征数据包括历史用电负荷值；
根据用电负荷相关特征数据的类型，将所述用电负荷相关特征数据划分为生活用电负荷相关特征数据以及生产用电负荷相关特征数据；所述用电负荷相关特征数据的类型根据用电负荷的用途确定；
将所述生活用电负荷相关特征数据以及所述生产用电负荷相关特征数据输入预先构建的用电负荷差值预测模型，得到所述预先构建的用电负荷差值预测模型输出的与所述预测时间信息对应的生活用电负荷预测差值以及生产用电负荷预测差值；所述预先构建的用电负荷差值预测模型根据样本用电负荷相关特征数据训练得到；所述生活用电负荷预测差值以及所述生产用电负荷预测差值为对数差值，所述对数差值用于降低所述预先构建的用电负荷差值预测模型训练过程中的方差；
根据所述生活用电负荷预测差值以及生产用电负荷预测差值，对所述历史用电负荷值进行计算处理，得到与所述用电负荷预测请求对应的用电负荷预测结果；
所述根据所述生活用电负荷预测差值以及生产用电负荷预测差值，对所述历史用电负荷值进行计算处理，得到与所述用电负荷预测请求对应的用电负荷预测结果，包括：
将所述生活用电负荷预测差值与历史生活用电负荷值相加，得到与所述预测时间信息对应的预测生活用电负荷值；
将所述生产用电负荷预测差值与历史生产用电负荷值相加，得到与所述预测时间信息对应的预测生产用电负荷值；
将所述预测生活用电负荷值与所述预测生产用电负荷值相加，得到整体用电负荷值，作为与所述用电负荷预测请求对应的用电负荷预测结果；
所述预先构建的用电负荷差值预测模型通过以下方式获得：
获取包含有多个预设神经网络模型以及多个预设传统机器学习模型的预设模型库；
从所述预设模型库中选取至少一个所述预设神经网络模型和/或至少一个所述预设传统机器学习模型；
基于所述样本用电负荷相关特征数据对至少一个所述预设神经网络模型和/或至少一个所述预设传统机器学习模型进行训练，通过对比各个训练后的模型的预测准确度，为训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型分别设置相应权重；
将训练完成后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型，根据相对应的权重进行融合，得到所述预先构建的用电负荷差值预测模型；
所述预设传统机器学习模型用于构建多个离散特征以及多个连续特征。
2.根据权利要求1所述的方法，其特征在于，所述基于所述样本用电负荷相关特征数据对至少一个所述预设神经网络模型和/或至少一个所述预设传统机器学习模型进行训练，包括：
根据所述样本用电负荷相关特征数据，构建训练数据集以及验证数据集；
根据所述训练数据集对所选取的至少一个所述预设神经网络模型和/或至少一个所述预设传统机器学习模型进行训练，得到训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型；
基于所述验证数据集，采用预设指标对所述训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型进行验证，得到与所述训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型对应的预测准确度。
3.根据权利要求2所述的方法，其特征在于，所述为训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型分别设置相应权重，包括：
根据所述预测准确度的大小，确定出所述训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型之间的权重比例关系；所述权重比例关系中各个模型的权重和为1；
根据所述权重比例关系，分别为所述训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型设置相应的权重。
4.根据权利要求1至3任意一项所述的方法，其特征在于，所述预设神经网络模型包括：循环神经网络模型以及长短期记忆神经网络模型；所述预设传统机器学习模型包括：XGBoost模型、LightGBM模型以及CatBoost模型。
5.根据权利要求1所述的方法，其特征在于，
所述生活用电负荷相关特征数据包括天气、时间、历史生活用电负荷值、城市常住居民数、城市人口户数、城市属性；所述生产用电负荷相关特征数据包括：天气、时间、历史生产用电负荷值、城市大工业企业数、城市一般工商业企业数、城市属性。
6.一种电力负荷预测装置，其特征在于，所述装置包括：
数据获取模块，用于响应于携带有预测时间信息的用电负荷预测请求，获取与所述用电负荷预测请求对应的用电负荷相关特征数据；所述用电负荷相关特征数据包括历史用电负荷值；
数据划分模块，用于根据用电负荷相关特征数据的类型，将所述用电负荷相关特征数据划分为生活用电负荷相关特征数据以及生产用电负荷相关特征数据；所述用电负荷相关特征数据的类型根据用电负荷的用途确定；
差值确定模块，用于将所述生活用电负荷相关特征数据以及所述生产用电负荷相关特征数据输入预先构建的用电负荷差值预测模型，得到所述预先构建的用电负荷差值预测模型输出的与所述预测时间信息对应的生活用电负荷预测差值以及生产用电负荷预测差值；所述预先构建的用电负荷差值预测模型根据样本用电负荷相关特征数据训练得到；所述生活用电负荷预测差值以及所述生产用电负荷预测差值为对数差值，所述对数差值用于降低所述预先构建的用电负荷差值预测模型训练过程中的方差；
结果确定模块，用于根据所述生活用电负荷预测差值以及生产用电负荷预测差值，对所述历史用电负荷值进行计算处理，得到与所述用电负荷预测请求对应的用电负荷预测结果；
所述结果确定模块，还用于将所述生活用电负荷预测差值与历史生活用电负荷值相加，得到与所述预测时间信息对应的预测生活用电负荷值；将所述生产用电负荷预测差值与历史生产用电负荷值相加，得到与所述预测时间信息对应的预测生产用电负荷值；将所述预测生活用电负荷值与所述预测生产用电负荷值相加，得到整体用电负荷值，作为与所述用电负荷预测请求对应的用电负荷预测结果；
所述预测模型训练模块，还用于获取包含有多个预设神经网络模型以及多个预设传统机器学习模型的预设模型库；从所述预设模型库中选取至少一个所述预设神经网络模型和/或至少一个所述预设传统机器学习模型；基于所述样本用电负荷相关特征数据对至少一个所述预设神经网络模型和/或至少一个所述预设传统机器学习模型进行训练，通过对比各个训练后的模型的预测准确度，为训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型分别设置相应权重；将训练完成后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型，根据相对应的权重进行融合，得到所述预先构建的用电负荷差值预测模型；所述预设传统机器学习模型用于构建多个离散特征以及多个连续特征。
7.根据权利要求6所述的装置，其特征在于，所述预测模型训练模块，还用于根据所述样本用电负荷相关特征数据，构建训练数据集以及验证数据集；根据所述训练数据集对所选取的至少一个所述预设神经网络模型和/或至少一个所述预设传统机器学习模型进行训练，得到训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型；基于所述验证数据集，采用预设指标对所述训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型进行验证，得到与所述训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型对应的预测准确度。
8.根据权利要求6所述的装置，其特征在于，所述预测模型训练模块，还用于根据所述预测准确度的大小，确定出所述训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型之间的权重比例关系；所述权重比例关系中各个模型的权重和为1；根据所述权重比例关系，分别为所述训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型设置相应的权重。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202110000659.7A 2021-01-04 2021-01-04 电力负荷预测方法、装置、计算机设备和存储介质 Active CN112330077B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110000659.7A CN112330077B (zh) 2021-01-04 2021-01-04 电力负荷预测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110000659.7A CN112330077B (zh) 2021-01-04 2021-01-04 电力负荷预测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112330077A CN112330077A (zh) 2021-02-05
CN112330077B true CN112330077B (zh) 2021-09-24

Family

ID=74302409

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110000659.7A Active CN112330077B (zh) 2021-01-04 2021-01-04 电力负荷预测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112330077B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114022021B (zh) * 2021-11-16 2025-07-18 西安热工研究院有限公司 一种基于集成学习的在线机组负荷预测方法
CN114187137A (zh) * 2021-12-10 2022-03-15 北京世纪云安新能源有限公司 充电桩用电容量分配方法、装置、计算机设备和存储介质
CN114966413B (zh) * 2022-05-27 2023-03-24 深圳先进技术研究院 一种储能电池包的荷电状态预测方法
CN115270921B (zh) * 2022-06-22 2023-05-02 天纳能源科技（上海）有限公司 基于组合预测模型的电力负载预测方法、系统及存储介质
CN115169682A (zh) * 2022-07-05 2022-10-11 浙江涌原新能科技股份有限公司 一种用电系统实时响应装置
CN115034519A (zh) * 2022-07-29 2022-09-09 广东电网有限责任公司 一种用电负荷的预测方法、装置、电子设备以及存储介质
CN115577834A (zh) * 2022-09-26 2023-01-06 燕山大学 用于预测全品类备件需求的方法
CN115409292A (zh) * 2022-10-31 2022-11-29 广东电网有限责任公司佛山供电局 一种电力系统短期负荷预测方法及相关装置
CN115600825B (zh) * 2022-12-09 2023-05-02 国网浙江省电力有限公司金华供电公司 一种电力负荷的调度方法及装置、存储介质、电子设备
CN117458481B (zh) * 2023-11-15 2025-01-24 广东电网有限责任公司 一种基于XGBoost的电力系统负荷预测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022542A (zh) * 2016-06-24 2016-10-12 广州供电局有限公司电力调度控制中心 一种基于工序负荷特性的企业关口负荷预测方法
CN107527116A (zh) * 2017-08-28 2017-12-29 山东科技大学 基于支持向量回归的短期负荷预测方法
CN110245801A (zh) * 2019-06-19 2019-09-17 中国电力科学研究院有限公司 一种基于组合挖掘模型的电力负荷预测方法及系统
CN110516849A (zh) * 2019-08-02 2019-11-29 国网上海市电力公司 一种基于典型日负荷曲线的负荷分类结果评价方法
CN111080011A (zh) * 2019-12-16 2020-04-28 清华四川能源互联网研究院 负荷电量偏差预测方法及装置
CN111080039A (zh) * 2020-03-17 2020-04-28 浙江上风高科专风实业有限公司 一种风机集群故障预测方法及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101116094A (zh) * 2005-02-03 2008-01-30 西门子电力输送及配电有限公司 识别神经网络的数据源
CN104700158B (zh) * 2015-02-12 2017-03-01 国家电网公司 一种配电园区的能源管理方法与系统
CN110264004A (zh) * 2019-06-20 2019-09-20 西安建筑科技大学 一种基于PSO-BP与Markov链相结合的空调冷负荷动态预测方法
CN110674993A (zh) * 2019-09-26 2020-01-10 广东电网有限责任公司 一种用户负荷短期预测方法和装置
CN111080037A (zh) * 2020-01-02 2020-04-28 中国电力科学研究院有限公司 一种基于深度神经网络的短期电力负荷预测方法及装置
CN111489036B (zh) * 2020-04-14 2023-06-09 天津相和电气科技有限公司 基于电器负荷特性和深度学习的居民负荷预测方法、装置
CN111598721B (zh) * 2020-05-08 2022-09-27 天津大学 一种基于强化学习和lstm网络的负荷实时调度方法
CN111709585A (zh) * 2020-06-19 2020-09-25 国网上海市电力公司 一种空调负荷预测方法、装置及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022542A (zh) * 2016-06-24 2016-10-12 广州供电局有限公司电力调度控制中心 一种基于工序负荷特性的企业关口负荷预测方法
CN107527116A (zh) * 2017-08-28 2017-12-29 山东科技大学 基于支持向量回归的短期负荷预测方法
CN110245801A (zh) * 2019-06-19 2019-09-17 中国电力科学研究院有限公司 一种基于组合挖掘模型的电力负荷预测方法及系统
CN110516849A (zh) * 2019-08-02 2019-11-29 国网上海市电力公司 一种基于典型日负荷曲线的负荷分类结果评价方法
CN111080011A (zh) * 2019-12-16 2020-04-28 清华四川能源互联网研究院 负荷电量偏差预测方法及装置
CN111080039A (zh) * 2020-03-17 2020-04-28 浙江上风高科专风实业有限公司 一种风机集群故障预测方法及系统

Also Published As

Publication number Publication date
CN112330077A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN112330077B (zh) 电力负荷预测方法、装置、计算机设备和存储介质
CN111563610B (zh) 一种基于lstm神经网络的建筑物电负荷综合预测方法及系统
CN108304355B (zh) 一种基于sarima-wnn模型预测弹性云计算资源的方法
CN110276700A (zh) 水资源优化配置方法、装置、设备及存储介质
CN113222281A (zh) 基于改进AlexNet-GRU模型的配电网短期负荷预测方法及装置
CN113112099A (zh) 电网日电量预测模型训练方法和电网日电量预测方法
CN111222700A (zh) 基于动态网络分位数模型的日前电价概率预测方法
CN116415732B (zh) 一种基于改进arnn的用户侧电力负荷数据处理方法
CN108154258A (zh) 空气源热泵负荷的预测方法、装置、存储介质和处理器
CN113919449B (zh) 基于精准模糊聚类算法的居民电力数据聚类方法及装置
CN121212487A (zh) 一种融合多源时空数据的城市轨道交通进站客流预测方法
CN116885705A (zh) 区域负荷预测方法及装置
CN111860998A (zh) 股票交易数据的预测方法、装置、电子设备及介质
Yanan et al. A hybrid model for short-term load forecasting based on novel input Sequence Selection and CSO optimized depth belief network
CN115907228A (zh) 一种基于pso-lssvm的短期电力负荷预测分析方法
CN112330017B (zh) 电力负荷预测方法、装置、电子设备和存储介质
CN116911414A (zh) 用电量预测方法、装置、设备以及计算机存储介质
Lei et al. Forecasting short-term residential electricity consumption using a deep fusion model
CN118889499B (zh) 基于储能ems系统的负荷跟踪方法、装置、电子设备及介质
CN120509526A (zh) 一种耦合气象预报产品的中长期径流预报方法及相关装置
CN110322063B (zh) 一种耗电功率仿真预测方法及存储介质
CN114565156B (zh) 一种电力负荷预测方法、装置、设备及存储介质
CN112288187A (zh) 一种基于大数据的售电量预测方法
CN119539556A (zh) 用于电力系统的负荷调节潜力评估方法、系统及介质
CN113837486B (zh) 一种基于rnn-rbm的配网馈线长期负荷预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province

Patentee after: Southern Power Grid Digital Grid Research Institute Co.,Ltd.

Country or region after: China

Address before: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province

Patentee before: Southern Power Grid Digital Grid Research Institute Co.,Ltd.

Country or region before: China