CN110648026A - 预测模型构建方法、预测方法、装置、设备及介质 - Google Patents

Abstract

本申请公开了一种预测模型构建方法、预测方法、装置、设备及介质，该构建方法包括：获取预测目标的历史电力负荷的序列值；基于预设的模型参数的取值范围，利用序列值的相关性特征确定的模型参数；基于模型参数，构建预测模型，预测模型用于预测预测目标的下一时间段的电力负荷。本申请实施例通过分析获取的企业用户的历史的电力负荷的序列值，以确定模型参数的精确值，进而利用确定的模型参数构建预测模型，使得售电企业能够利用构建的预测模型对企业未来中长期的电力负荷实现精确的预测，为其在售电量申报业务中提供可靠的依据，降低偏差考核。

Description

预测模型构建方法、预测方法、装置、设备及介质

技术领域

本申请一般涉及计算机技术领域，尤其涉及预测模型构建方法、预测方法、装置、设备及介质。

背景技术

电力负荷，又称"用电负荷"。电能用户的用电设备在某一时刻向电力系统取用的电功率的总和，称为用电负荷。根据电力用户的不同，电力负荷涉及各种工业负荷、农业负荷及交通运输负荷等。在工业电路负荷领域内，提供满足需求的电力负荷，是维持每个企业的工业生产的基本。

目前，对于工业中企业用户的电力负荷，在生产过程中，需要向售电企业购买，使得售电企业为企业用户提供足够的电能。为了保证售电企业向企业用户充足供电，将根据以往的经验，预先从发电侧申报未来中长期的用电量，使得所申报的电能在满足工业用户时，尽量不产生浪费，从而需要对对应的工业用户的中长期用电进行预测。

对于上述的经验方法来预测工业企业未来的电力负荷，使得预测结果与实际电力负荷的出入大，无法为售电企业的售电量申报提供参考依据。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种预测模型构建方法、预测方法、装置、终端设备及存储介质，来提高企业电力负荷预测的准确性，降低售电企业的偏差考核。

第一方面，本申请实施例提供了一种预测模型构建方法，该方法包括：

获取预测目标的历史电力负荷的序列值；

基于预设的模型参数的取值范围，利用所述序列值的相关性特征确定模型参数；

基于所述模型参数，构建预测模型，所述预测模型用于预测所述预测目标的下一时间段的电力负荷。

第二方面，本申请实施例提供一种预测方法，该方法包括：

获取预测目标的历史电力负荷的序列值；

将该序列值输入到如权利要求如第一方面所构建的预测模型中，得到该预测目标下一时间段的电力负荷。

第四方面，本申请实施例提供一种预测模型构建装置，该装置包括：

获取模块，用于获取预测目标的历史电力负荷的序列值；

预处理模块，用于基于预设的模型参数的取值范围，利用该序列值的相关性特征确定模型参数；

训练模块，用于基于该模型参数，构建预测模型，该预测模型用于预测该预测目标的下一时间段的电力负荷。

第四方面，本申请实施例提供一种预测装置，该装置包括：

获取模块，用于获取预测目标的历史电力负荷的序列值；

预测模块，用于将该序列值输入到第一方面所构建的预测模型中，得到该预测目标下一时间段的电力负荷的序列值。

第五方面，本申请实施例提供一种终端设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现如上述第一方面或第二方面所述的方法。

第六方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序用于实现如上第一方面或第二方面所述的方法。

本申请实施例提供的预测模型构建方法、预测方法、装置、设备及介质，通过获取企业用户每年或每月的历史的电力负荷的序列值，利用通过分析计算序列值得特征，以确定模型参数的精确值，进而利用确定的模型参数构建预测模型，使得售电企业能够利用构建的预测模型对企业用户未来中长期的电力负荷实现精确的预测，为其在售电量申报业务中提供可靠的依据，降低偏差考核。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1所示为本申请实施例的预测模型构建方法的流程示意图；

图2所示为本申请又一实施例的预测模型构建方法的流程示意图；

图3所示为本申请原始的序列值的曲线图；

图4所示为本申请差分处理后的序列值的曲线图；

图5所示为本申请实施例的序列值的自相关系数的示意图；

图6所示为本申请实施例的序列值的偏自相关系数的示意图；

图7所示为本申请实施例的电力负荷预测的流程示意图；

图8所示为本申请实施例的预测值与实际值的曲线示意图；

图9所示为本申请实施例的预测模型构建装置的结构示意图；

图10所示为本申请实施例的电力负荷预测装置的结构示意图；

图11为本申请实施例的终端设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关公开，而非对该公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与公开相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

可以理解，本申请实施例提供的电力负荷预测方法用于工业生产中企业，对于未来中长期的用电负荷，如未来一个月、一个季度或者一年的用电负荷。

本申请实施例中，为了售电企业实现对需要供电的企业用户(如工业类企业)未来中长期用电负荷的精确预测，提供的预测方法。考虑到工业企业用电的特点，判断影响工业企业用电的因素，从而可以忽略气象等其他的复杂因素，只考虑电力负荷数据，通过采集企业用户的历史用电数据，并对采集到的历史数据进行训练，构建用于预测电力负荷的机器模型，从而可以利用构建的模型实现对企业未来中长期用电负荷的精确预测。

可以理解，本申请实施例中，利用采集到的历史数据所构建的模型可以为差分整合移动平均自回归(Autoregressive Integrated Moving Average mode，ARIMA)模型，又称整合移动平均自回归模型，是时间序列预测分析方法的一种。可以包括两个部分：自回归模型及移动平均模型，表示如下：

其中，第三项为自回归模型，该模型表示用多个历史的电力负荷值预测未来的电力负荷值；第四项为移动平均模型，该模型表示自回归模型中误差项的累加。上述公式中的参数y_t是预测的电力负荷值，y_t-i是历史电力负荷值，u是常数，p，d，q是阶数，γ_i是自相关系数，θ_i是误差系数，ε_t是误差。

可以理解，本申请的工业类企业用户电力负荷预测的场景中，在采集到企业用户的历史的电力负荷的样本数据后，可以通过对采集到的样本数据的相关性特征的分析，以构建预测模型。具体而言，其模型的构建过程即求解该模型中涉及的三个模型参数，即p，d及q。p为自回归项数，代表预测模型采用的时序数据本身的滞后数，即影像预测结果的历史数据的项数；q为滑动平均项数，代表预测模型中采用的预测误差的滞后数，即与预测结果中的误差相关的差分项数；d代表时序值需要进行几阶差分化，以满足平稳性要求，即为使采集的样本数据成为平稳序列所做的差分次数。

可以理解，在预测模型构建之初，可以预先设定模型参数p及q的取值范围，如可以设置p及q的取值范围为0～20。该初始的取值范围可以利用系统的缺省值，也可以自己设置。

还可以理解，在模型构建过程中，基于预设的模型参数的取值范围，利用获取的序列值的相关性特征确定的模型参数时，确定结果可以有以下若干情况：

当确定的自回归项数p为0时，则所构建的模型只包括前面几项，即得到移动平均模型：

例如，当确定d＝1，p和q为0时，表示下一时刻的预测值，只与上一时刻的历史值有关，如该实施例场景下，下个月企业的电力负荷仅仅与上个月的电力负荷有关；又例如，当p＝0，d＝1，q＝1，表示数据在一阶差分后是稳定和移动平均的，即下一个时刻的估计值的差分与上一个时刻的预测误差有关。

当确定的滑动平均项数q为零时，则所构建的模型为回归模型，可表示如下：

例如，p＝1，d＝0，q＝0，表示时序数据是稳定的和自相关的。下一个时刻的预测值只与上一个时刻的历史值有关；又例如，p＝1，d＝1，q＝0，表示时序数据在一阶差分化之后是稳定的和自回归的。即下一个时刻的差分值只与上一个时刻的差分有关。

当三个参数p，d，q都不为零时，则构建的模型为上述第一个公式表示的整合移动平均自回归模型。

为了便于理解和说明，下面通过图1至图11详细说明本申请实施例提供的电力负荷预测模型构建方法、装置、终端设备及存储介质。

图1所示为本申请实施例提供的电力负荷预测模型构建方法的流程示意图，该方法包括：

S110，获取预测目标的历史电力负荷的序列值。

S120，基于预设的模型参数的取值范围，利用该序列值的相关性特征确定模型参数。

S130，基于该模型参数，构建预测模型，该预测模型用于预测该预测目标的下一时间段的电力负荷。

具体的，本申请实施例提供的预测模型构建方法，用于企业用户未来中长期电力负荷的预测。首先可以获取预测目标的历史用电量，如某个企业用户过去一年或多年每个月的用电量的序列值。进而可以根据预设的模型参数的取值范围，计算分析序列值的相关性特征，如可以依次计算每个模型参数下的序列值得相关系数。然后可以利用预设的模型参数的取值范围，依次计算每个模型参数下，序列值得相关性特征。最后，可以对计算得到的序列值的相关性特征进行分析，以确定模型参数的唯一值，进而可以将确定的唯一的模型参数，代入到上述公式中，得到所构建的预测模型。

本申请实施例提供的预测模型构建方法，通过获取企业用户每年或每月的历史的电力负荷的序列值，利用通过分析计算序列值得相关性特征，以确定模型参数的精确值，进而利用确定的模型参数构建预测模型，使得售电企业能够利用构建的预测模型对企业用户未来中长期的电力负荷实现精确的预测，为其在售电量申报业务中提供可靠的依据，降低偏差考核。

为了更好的理解本申请实施例提供的用于企业电力负荷预测的模型构建的方法，下面通过图2详细阐述。

图2为本申请又一实施例提供的预测模型构建方法的流程示意图，如图2所示，该方法包括：

S21，获取预测目标的历史电力负荷的序列值。

S22，对该序列值进行预处理，得到样本集及测试集。

具体的，首先可以获取预测目标的历史用电量，如某个企业用户过去一年每个月的用电量。

可以理解，由于实际中采集到的数据并不理想，可能存在缺失或异常。在获取到后，可以对采集到的数据进行预处理，如对缺失的数据进行补齐，对异常数据做删除。

进一步，在对获取的序列值通过修改完善后，可以根据预设的比例划分成两组，即分为样本集和测试集。

还可以理解，当获取的序列值比较完善时，可以不经过S22，直接执行S23。

S23，检验样本集中序列值的平稳性。

S24，当样本集中的序列值不平稳时，对样本集中的序列值进行差分处理处理，使得处理后的序列值平稳。

具体的，对样本集中的数据的平稳性进行检验。例如，可以通过序列值的均值和方差来验证，当序列值的均值和方差不发生突变，则确定样本集中序列值是平稳的，否则，不平稳。

可以理解，当如果检验发现，样本集中的序列值平稳性良好，则可以直接进入序列值的训练阶段；否则，则需要对样本集中的序列值进行处理，使得处理后的序列值满足平稳性的要求，如处理后，可以确定序列值的拟合曲线在未来一段时间内仍能够顺着现有的形态惯性地延续下去。

例如，可以通过差分算法或对数等方法对原始的样本集中的序列值进行处理，即对原始的样本序列首先计算一阶差分，然后判断一阶差分后的数据是否平稳，如果仍不平稳，则继续进行二阶差分，甚至三阶差分的处理及验证，或者先取对数，然后进行一阶或二阶差分。

例如，如图3所示为原始的数据序列，在经过一阶差分处理后的结果如图4所示。由图4可知，经过一阶差分后的数据已近于平稳序列。此时，该模型参数中的d的值为1。

可以理解，如果达到预设的处理次数，如在利用差分进行多次处理后，序列值仍达不到平稳性的要求，则可以结束该方法。

S25，基于预设的自回归项数及移动平均项数的取值范围，生成序列值的自相关函数及偏自相关函数。

S26，求解该自相关函数及所述偏自相关函数，得到预设的自回归项数及移动平均项数取值范围内的对应的序列值的自相关系数及偏自相关系数。

S27，基于该自相关系数及该偏自相关系数，确定目标自回归项数及目标移动平均项数。

具体的，在通过上述处理，得到平稳的时间序列后，可以利用得到的序列值的相关性特征，确定阶数p和q，即对上述ARIMA模型的识别和定阶。该序列值的相关性特征可以为相邻或相隔的两个序列值之间的自相关系数及偏自相关系数，可以通过建立序列值的自相关函数和偏自相关函数，进而求解建立的函数来确定。

可以理解，该自相关函数(Autocorrelation Function，ACF)描述的是时间序列的预测值与其过去的历史值之间的线性相关性。

例如，序列值中预测值与历史值之间的自相关函数可以如下：

其中，k为代表滞后期数，即下一时刻的预测值与历史的k项值有关，也就是自回归项数p。

对于偏自相关函数(Partial Autocorrelation Function，PACF)描述的是在给定中间观测值的条件下，时间序列的观测值与过去的观测值之间的线性相关性。例如，k＝3，即移动平均项数q＝3，那么我们描述的是y_t和y_t-3之间的相关性，不考虑y_t-1和y_t-2对这个相关性的影响，即PACF剔除了这个影响，而ACF包含这个影响。

基于上述自相关函数及偏自相关函数，首先可以根据预设的p及q的取值范围，构建不同p和q对应的自相关函数及偏自相关函数。然后将样本集中的序列值代入到自相关函数及偏自相关函数，求解得到p及q的取值范围内，每个p及q对应的函数值，即自相关系数及偏自相关系数。

在得到不同的p和q对应的自相关系数及偏自相关系数后，可以根据判定规则确定最终的阶数p和q，即目标自回归项数及目标移动平均项数。如可以通过自相关函数及偏自相关函数的截尾或拖尾情况，来确定模型参数。拖尾指自相关系数或偏自相关系数的序列以指数率单调递减或震荡衰减，而截尾指自相关系数或偏自相关系数的序列从某个时点变得非常小。

具体的判定规则可以表示如下：

模型	AR(p)	MA(q)	ARMA(p，q)
				自相关函数	拖尾	第q阶后截尾	拖尾
偏自相关函数	第p阶后截尾	拖尾	拖尾

例如，可以直接绘图，以直观的展示p及q的取值范围内，p与自相关系数之间的曲线，q与偏自相关系数之间的曲线。进而可以通过观察绘制的图，来根据不同的截尾和拖尾的情况，确定p及q的唯一取值，以构建AR模型、MA模型或ARIMA模型。

如图5及图6所示，为某企业用户的可以通过图示来展示自相关系数变化曲线和偏自相关系数变化曲线。从图中可以看出，自相关系数1阶后截尾，偏自相关系数0阶后截尾，因此p＝0，q＝1。

可以理解，上述图示的方法来确定的阶数p和q，人为的主观因素较强。为了提高预测的准确性，可以利用信息准则函数来合理的确定目标自回归项数及目标移动平均项数。如利用赤池信息量准则(Akaike Information Criterion，AIC)，或者利用贝叶斯信息准则(Bayesian InformationCriterion，BIC)来确定阶数p和q。

可以理解，BIC准则是对AIC准则的补充。AIC准则存在一定的不足之处。当样本容量很大时，在AIC准则中拟合误差提供的信息就要受到样本容量的放大，而参数个数的惩罚因子却和样本容量没关系(固定取2)，因此当样本容量很大时，使用AIC准则选择的模型不收敛与真实模型，它通常比真实模型所含的未知参数个数要多。

上述AIC准则的表达式如下：

AIC＝2*(模型参数的个数)-2ln(模型的极大似然函数)

BIC准则的表达式如下：

BIC＝ln(n)*(模型中参数的个数)-2ln(模型的极大似然函数值)。

其中，模型中参数的个数就是模型参数的取值，模型的极大似然函数为求解得到的不同p及q对应的自相关系数及偏自相关系数的极大似然值，n是样本集中序列值的个数。

则在求解自相关函数及偏自相关函数后，可以通过计算不同p及q值对应的AIC及BIC的值。进而选择较小的AIC及BIC的值对应的p及q，作为模型参数。

可以理解，在一种实施例中，可以直接确定AIC及BIC的最小值对应的p及q为模型参数的唯一值，进而将确定的唯一值代入到上述公式中，完成模型的构建。进一步，可以利用测试集中的序列值对构建的预测模型进行验证，以确定该预测模型是否可用。

或者，可以根据AIC及BIC值，选择较小的值对应的多组模型参数的备选值。进而利用测试集中的序列值对每组备选值对应的预测模型进行验证，以从多个备选值中选择一个最佳值，作为最后的模型参数。或者，所有的备选值都不符，即所有的备选值对应的预测模型都不可用。

具体的，利用测试集中序列值对初始构建的预测模型进行检验的步骤如下：

S28，将测试集中的序列值输入到该预测模型，输出预测结果，其中，获取的该序列值包括测试集及样本集。

S20，计算该预测结果的残差序列。

S30，检验该残差序列的随机性，根据该随机性评价所述预测模型。

具体的，在利用上述确定的模型参数，构建预测模型，即将确定的p及q值代入到上述公式中，得到对应的预测模型。然后可以将测试集中的序列值代入到构建的预测模型中，计算对应的预测结果。

进而预测结果的残差序列，检验计算得到的残差序列的随机性，以利用随机性来评价该预测模型。如当检验结果不满足随机性时，则表示所构建的预测模型不可用，可以剔除该预测模型，该方法结束；否则，表示该预测模型可用。

可选的，还可以基于预设的误差率对得到预测模型进行验证，如

即可以将测试集中的序列值输入到构建的预测模型中，使得其输出预测结果，进而将预测结果与测试集中的历史序列值代入到上述公式中，计算误差率，并与预设的误差率进行比较，以确定所构建的预测模型是否满足准确度要求。

本申请实施例提供的预测模型构建方法，通过获取企业用户历史的电力负荷的序列值，进而构建序列值的自相关函数及偏自相关函数，计算自回归项数与移动平均项数取值范围内，对应的自相关系数及偏自相关系数，进而利用自回归项数与移动平均项数对应的自相关系数及偏自相关系数，确定唯一的自回归项数与移动平均项数，以完成预测模型的构建。

进一步的，本申请中，在通过上述方法对获取到的企业用户的历史数据训练，得到预测模型后，可以利用构建好的预测模型进行企业用户未来中长期用电进行预测。

可以理解，当构建好预测模型后，在预测阶段，可以将获取的作为模型构建的序列值，直接输入到构建的预测模型中，以输出预测结果，即输出企业用户未来中长期的电力负荷。或者，可以另外获取历史的电力负荷序列值，作为预测未来用电的输入值。此时，当输出的预测结果不理想时，还可以利用另外获取的电力负荷序列值重新构建预测模型。

图7所示为本申请实施例提供的电力负荷预测方法的流程示意图，如图7所示，该方法包括：

S710，获取预测目标的历史电力负荷的序列值。

S720，对该序列值进行预处理。

S730，将预处理后的序列值输入到预先构建的预测模型中，输出预测模型的预测结果。

S740，基于该预测模型的差分阶数，对输出的预测结果进行逆运算，得到该预测目标下一时间段的电力负荷。

具体的，本申请实施例中，在企业用户进行未来中长期电力负荷预测时，可以采集历史的电力负荷的序列值，如过去一年或多年每个月的电力负荷。然后可以将采集到的序列值输入到预先构建的预测模型中，以使得预测模型输出预测值，即得到未来中长期的电力负荷，如未来一年或一个季度每个月的电力负荷。

可选的，本申请实施例中，在获取得到初始的序列值后，如果该序列值不完善，则可以对该序列值进行预处理，如删除无用的，或者补充缺失数据。

可以理解，如果所构建的预测模型的模型参数中的差分阶数d不为零，即表示在构建预测模型时，对样本集中的序列值进行了差分处理，并利用差分处理后的序列值，来构建预测模型。此时，在将序列值或预处理后的序列值输入到预测模型，使得预测模型输出预测的序列值后，还需要对输出的序列值进行逆运算，得到所述预测目标下一时间段的电力负荷的序列值。即需要基于所述预测模型的差分阶数，对输出的预测结果做加法运算，以得到真实的电力负荷。

例如，若d＝1，则预测结果为1阶差分，若d＝2，则预测结果为2阶差分。

图8所示为对某企业用户的电力负荷的预测值与真实值的曲线图，由图可知，利用构建的预测模型，对未来中长期电力负荷具有可信的预测。

本申请实施例提供的电力负荷预测方法，通过获取企业用户的历史电力负荷的序列值，进而将获取的序列值输入到预先构建的预测模型中，以使得预测模型输出该企业用户未来时间段的电力负荷，实现未来中长期用电的精确预测，为售电企业提供电力申报的参考依据，降低偏差考核。

另一方面，如图9所示为本申请实施例提供的预测模型构建装置的结构示意图，如图9所示，该装置900包括：

获取模块910，用于获取预测目标的历史电力负荷的序列值；

确定模块920，用于基于预设的模型参数的取值范围，利用所述序列值的相关性特征确定的模型参数；

构建模块830，用于基于所述模型参数，构建预测模型，所述预测模型用于预测所述预测目标的下一时间段的电力负荷。

可选的，本申请实施例提供的预测模型构建装置，确定模块920具体用于：

基于预设的自回归项数及移动平均项数的取值范围，生成序列值的自相关函数及偏自相关函数；

将所述序列值代入所述自相关函数及所述偏自相关函数，得到每个取值范围内的自回归项数及移动平均项数对应的序列值的自相关系数及所述偏自相关系数；

基于所述自相关系数及所述偏自相关系数，确定所述自回归项数及所述移动平均项数。

可选的，本申请实施例提供的预测模型构建装置，该装置还包括：

处理模块940，用于确定所述序列值的平稳性，当所述序列值不平稳时，对所述序列值进行差分处理，得到平稳的序列值，其中，对所述序列值进行差分的次数为所述预测模型的差分阶数。

可选的，本申请实施例提供的预测模型构建装置，该确定模块具体用于：

基于所述自相关系数及所述偏自相关系数，利用赤池信息量准则或贝叶斯信息准则确定所述自回归项数及所述移动平均项数。

可选的，本申请实施例提供的预测模型构建装置，该装置还包括：

测试模块950，用于将测试集中的序列值输入到所述预测模型，输出预测结果，其中，获取的所述序列值包括测试集及样本集；

计算模块960，用于计算所述预测结果的残差序列；

检验模块970，用于检验所述残差序列的随机性，当检验结果不满足随机性时，则剔除所述预测模型。

另一方面，如图10所示为本申请实施例提供的电力负荷预测装置的结构示意图，如图10所示，该装置10包括：

获取模块101，用于获取预测目标的历史电力负荷的序列值。

预处理模块102，用于对该序列值进行预处理。

预测模块103，用于将预处理后的序列值输入到预先构建的预测模型中，输出预测模型的预测结果。

逆运算模块104，用于基于该预测模型的差分阶数，对输出的预测结果进行逆运算，得到该预测目标下一时间段的电力负荷。

另一方面，本申请实施例提供的终端设备，该终端设备可以为粉丝的终端设备，也可以为主播的终端设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现如上所述的预测模型构建方法或电力负荷预测方法。

下面参考图11，图11为本申请实施例的终端设备的计算机系统300的结构示意图。

如图11所示，计算机系统300包括中央处理单元(CPU)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分303加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有系统300操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

以下部件连接至I/O接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。

特别地，根据本申请的实施例，上文参考流程图2-5描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在机器可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分303从网络上被下载和安装，和/或从可拆卸介质311被安装。在该计算机程序被中央处理单元(CPU)301执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、确定模块及构建模块。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，构建模块还可以被描述为“用于基于所述模型参数，构建预测模型，所述预测模型用于预测所述预测目标的下一时间段的电力负荷”。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中的。上述计算机可读存储介质存储有一个或者多个程序，当上述前述程序被一个或者一个以上的处理器用来执行描述于本申请的预测模型构建方法或预测方法。

综上所述，本申请实施例提供的预测模型构建方法、装置、设备及介质，通过分析获取的企业用户的历史的电力负荷的序列值，以确定模型参数的精确值，进而利用确定的模型参数构建预测模型，使得企业用户能够利用构建的预测模型对企业未来中长期的电力负荷实现精确的预测，为其在售电量申报业务中提供可靠的依据，降低偏差考核。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种预测模型构建方法，其特征在于，所述方法包括：

获取预测目标的历史电力负荷的序列值；

基于预设的模型参数的取值范围，利用所述序列值的相关性特征确定模型参数；

基于所述模型参数，构建预测模型，所述预测模型用于预测所述预测目标的下一时间段的电力负荷。

2.根据权利要求1所述的预测模型构建方法，其特征在于，所述基于预设的模型参数的取值范围，利用所述序列值的相关性特征确定的模型参数包括：

基于预设的自回归项数及移动平均项数的取值范围，生成序列值的自相关函数及偏自相关函数，所述模型参数包括自回归项数及移动平均项数；

求解所述自相关函数及所述偏自相关函数，得到预设的自回归项数及移动平均项数取值范围内的对应的序列值的自相关系数及偏自相关系数；

基于所述自相关系数及所述偏自相关系数，确定目标自回归项数及目标移动平均项数。

3.根据权利要求1或2所述的预测模型构建方法，其特征在于，在获取预测目标的历史电力负荷的序列值之后，确定模型参数之前，所述方法还包括：

确定所述序列值的平稳性，当所述序列值不平稳时，对所述序列值进行差分处理，得到平稳的序列值，其中，对所述序列值进行差分的次数为所述预测模型的差分阶数。

4.根据权利要求2所述的预测模型构建方法，其特征在于，所述基于所述自相关系数及所述偏自相关系数，确定所述自回归项数及所述移动平均项数包括：

基于所述自相关系数及所述偏自相关系数，利用赤池信息量准则或贝叶斯信息准则确定所述自回归项数及所述移动平均项数。

5.根据权利要求2所述的预测模型构建方法，其特征在于，所述方法还包括：

将测试集中的序列值输入到所述预测模型，输出预测结果，其中，获取的所述序列值包括测试集及样本集；

计算所述预测结果的残差序列；

检验所述残差序列的随机性，根据所述随机性评价所述预测模型。

6.一种预测方法，其特征在于，所述方法包括：

获取预测目标的历史电力负荷的序列值；

将所述序列值输入到如权利要求1-5任一项中构建的预测模型中，得到所述预测目标下一时间段的电力负荷。

7.一种预测模型构建装置，其特征在于，所述装置包括：

获取模块，用于获取预测目标的历史电力负荷的序列值；

确定模块，用于基于预设的模型参数的取值范围，利用所述序列值的相关性特征确定模型参数；

构建模块，用于基于所述模型参数，构建预测模型，所述预测模型用于预测所述预测目标的下一时间段的电力负荷。

8.一种预测装置，其特征在于，所述装置包括：

获取模块，用于获取预测目标的历史电力负荷的序列值；

预测模块，用于将所述序列值输入到如权利要求1-5任一项中构建的预测模型中，得到所述预测目标下一时间段的电力负荷。

9.一种终端设备，其特征在于，所述终端设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器用于执行所述程序时实现如权利要求1-5或权利要求6任一项所述方法。

10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于实现如权利要求1-5或权利要求6任一项所述方法。

Images