CN114065653A - 电力负荷预测模型的构建方法与电力负荷预测方法 - Google Patents
电力负荷预测模型的构建方法与电力负荷预测方法 Download PDFInfo
- Publication number
- CN114065653A CN114065653A CN202210051273.3A CN202210051273A CN114065653A CN 114065653 A CN114065653 A CN 114065653A CN 202210051273 A CN202210051273 A CN 202210051273A CN 114065653 A CN114065653 A CN 114065653A
- Authority
- CN
- China
- Prior art keywords
- power load
- load prediction
- data
- training
- prediction model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000010276 construction Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 166
- 238000003062 neural network model Methods 0.000 claims abstract description 59
- 238000004590 computer program Methods 0.000 claims abstract description 52
- 230000007787 long-term memory Effects 0.000 claims abstract description 47
- 230000006403 short-term memory Effects 0.000 claims abstract description 47
- 238000005457 optimization Methods 0.000 claims abstract description 44
- 238000007781 pre-processing Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000003860 storage Methods 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims description 63
- 230000015654 memory Effects 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012216 screening Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
Abstract
本申请涉及一种电力负荷预测模型的构建方法和电力负荷预测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取电力系统的原始数据；对原始数据进行预处理，得到训练数据集；获取基于贝叶斯优化算法优化得到的超参数最优长短期记忆神经网络模型；将训练数据集输入到超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型。先进行预处理，筛选掉不符合条件的异常值，避免异常值影响预测模型的准确率，同时贝叶斯优化算法能自动调节模型中的超参数，避免人为主观调参对预测模型精度的影响，且经过优化后的长短期记忆神经网络模型性能较好，收敛效果较好，从而能得到准确的电力负荷预测结果。
Description
技术领域
本申请涉及电力信息技术领域，特别是涉及一种电力负荷预测模型的构建方法、装置、计算机设备、存储介质和计算机产品和一种电力负荷预测方法、装置、计算机设备、存储介质和计算机产品。
背景技术
随着科学技术的不断发展，电力系统已经成为世界各国提供能源和动力的巨大网络，为保证电力系统的安全稳定运行和电能质量，对电力系统进行电力负荷预测，有利于计划用电管理，合理安排电网运行方式和检修计划，有利于节约能源和成本，从而制定合理的电源建设计划，提高电力系统的经济效益和社会效益，因此对电力系统进行准确的电力负荷预测是十分有必要的。
在传统技术中，在对电力系统进行电力负荷预测时，主要以回归分析法和自回归积分滑动平均法等传统的电力负荷预测方法为主，该类方法主要利用时序数据的时序性和相关性进行预测分析，预测方法简单，但忽略了相关因素对负荷波动的影响，存在较大误差。近年来，伴随着深度学习的兴起，人工神经网络算法领域不断取得新的突破，学者们研究出构建长短期记忆神经网络模型和模型的训练算法对电力负荷进行预测，挖掘影响因素与负荷变化的内在联系，在一程度上提高了电力负荷预测的准确率，但是长短期记忆神经网络模型中超参数的选取是单纯的依赖于开发人员知识与经验，并非直接对实际数据进行处理分析，主观性较强，影响电力负荷预测结果的准确性。
可见，上述现有技术构建出的预测模型不支持准确的电力负荷预测。
发明内容
基于此，有必要针对上述技术问题，提供一种支持准确电力负荷预测的电力负荷预测模型的构建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种电力负荷预测模型构建方法，方法包括：
获取电力系统的原始数据；
对原始数据进行预处理，得到训练数据集；
获取基于贝叶斯优化算法优化得到的超参数最优长短期记忆神经网络模型；
将训练数据集输入到超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型。
在其中一个实施例中，将训练数据集输入到超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型包括：
获取训练数据集，训练数据集包括实际电力负荷数据与气象因素数据；
将训练数据集中的气象因素数据输入超参数最优长短期记忆神经网络模型中进行训练，输出电力负荷预测数据；
将电力负荷预测数据与训练数据集中的实际电力负荷数据进行比较，得到电力负荷预测数据与实际电力负荷数据之间的均方误差；
当均方误差小于预设的阈值时，结束迭代训练过程，得到最终的训练结果；
根据最终的训练结果，得到电力负荷数据与气象因素数据之间的映射关系；
根据映射关系，得到电力负荷预测模型。
在其中一个实施例中，预处理包括：
缺失值填补、异常值检测修正、特征相关性分析、归一化以及划分处理中的至少一项。
在其中一个实施例中，对原始数据进行预处理，得到训练数据集包括：
对原始数据进行预处理，得到训练数据集和测试数据集。
在其中一个实施例中，根据测试数据集对电力负荷预测模型进行测试评估，得到电力负荷预测模型的评估结果包括：
获取测试数据集，测试数据集包括：实际电力负荷数据与气象因素数据；
将测试数据集中的气象因素数据输入至电力负荷预测模型中，得到电力负荷预测数据；
根据电力负荷预测数据与测试数据集中的实际电力负荷数据，得到电力负荷预测数据与实际电力负荷数据之间的均方误差和电力负荷预测模型的准确率；
根据均方误差和准确率，对电力负荷预测模型进行评估，得到电力负荷预测模型的评估结果。
第二方面，本申请还提供了一种电力负荷预测模型构建装置，装置包括：
数据获取模块，用于获取电力系统的原始数据；
数据处理模块，用于对原始数据进行预处理，得到训练数据集；
模型训练模块，获取基于贝叶斯优化算法优化得到的超参数最优长短期记忆神经网络模型中；将训练数据集输入到所超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型。
第三方面，本申请还提供了一种计算机设备。计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取电力系统的原始数据；
对原始数据进行预处理，得到训练数据集；
获取基于贝叶斯优化算法优化得到的超参数最优长短期记忆神经网络模型；
将训练数据集输入到超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型。
第四方面，本申请还提供了一种计算机可读存储介质。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：
获取电力系统的原始数据；
对原始数据进行预处理，得到训练数据集；
获取基于贝叶斯优化算法优化得到的超参数最优长短期记忆神经网络模型；
将训练数据集输入到超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型。
第五方面，本申请还提供了一种计算机程序产品。计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取电力系统的原始数据；
对原始数据进行预处理，得到训练数据集；
获取基于贝叶斯优化算法优化得到的超参数最优长短期记忆神经网络模型；
将训练数据集输入到超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型。
上述电力负荷预测模型构建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。通过获取电力系统的原始数据；对原始数据进行预处理，得到训练数据集，并获取基于贝叶斯优化算法优化得到的超参数最优长短期记忆神经网络模型；将训练数据集输入到超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型。在整个过程中，对原始数据进行预处理，可以筛选掉不符合条件的异常值，避免异常值影响预测模型的准确率，同时贝叶斯优化算法能够自动调节模型中的超参数，有效避免人为主观调参对预测模型精度的影响，且经过贝叶斯优化得到的超参数最优长短期记忆神经网络模型性能较好，能达到较好的收敛效果，从而当把训练数据集输入到超参数最优长短期记忆神经网络模型中后能得到准确的电力负荷预测结果。
另外，还提供一种电力负荷预测准确的电力负荷预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请还提供了一种电力负荷预测方法，方法包括：
获取电力系统所处环境的气象因素数据；
将气象因素数据输入至电力负荷预测模型中，得到电力系统的电力负荷预测结果。电力负荷预测模型通过如本申请上述提供的电力负荷预测模型构建方法构建得出。
第二方面，本申请还提供了一种电力负荷预测模型构建装置，装置包括：
采集模块以及负荷预测模块，其中：
数据采集模块，用于获取电力系统所处环境的气象因素数据；
负荷预测模型，用于将气象因素数据输入至电力负荷预测模型中，得到电力系统的电力负荷预测结果；其中电力负荷预测模型根据上述提供的电力负荷预测模型构建方法构建得到。
第三方面，本申请还提供了一种计算机设备。计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取电力系统所处环境的气象因素数据；
将气象因素数据输入至电力负荷预测模型中，得到电力系统的电力负荷预测结果。电力负荷预测模型通过如本申请上述提供的电力负荷预测模型构建方法构建得出。
第四方面，本申请还提供了一种计算机可读存储介质。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：
获取电力系统所处环境的气象因素数据；
将气象因素数据输入至电力负荷预测模型中，得到电力系统的电力负荷预测结果。电力负荷预测模型通过如本申请上述提供的电力负荷预测模型构建方法构建得出。
第五方面，本申请还提供了一种计算机程序产品。计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取电力系统所处环境的气象因素数据；
将气象因素数据输入至电力负荷预测模型中，得到电力系统的电力负荷预测结果。电力负荷预测模型通过如本申请上述提供的电力负荷预测模型构建方法构建得出。
上述电力负荷预测方法，装置、计算机设备、计算机可读存储介质和计算机程序产品，通过获取电力系统所处环境的气象因素数据，将气象因素数据输入至电力负荷预测模型中即可得到电力系统的电力负荷预测结果。只需要将上一时刻的气象因素数据输入到电力负荷预测模型中就可以得到下一时刻的电力负荷数据，所需的数据较少，在提高预测效率的同时也能够保证电力负荷预测结果的准确性。
附图说明
图1为一个实施例中电力负荷预测模型构建方法的应用环境图；
图2为一个实施例中电力负荷预测模型构建方法的流程示意图；
图3为一个实施例中将训练数据集输入到超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型的流程示意图；
图4为另一个实施例中根据测试数据集对电力负荷预测模型进行测试评估，得到电力负荷预测模型的评估结果的流程示意图；
图5为一个实施例中电力负荷预测模型构建装置的结构框图；
图6为另一个实施例中电力负荷预测装置的结构框图；
图7为一个实施例中计算机设备的内部结构图；
图8为另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。
本申请实施例提供的电力负荷预测模型构建方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102采集电力系统的原始数据，通过网络传送给服务器104，服务器104接收原始数据后，对其进行预处理后，得到用训练数据集，再将训练数据集输入到超参数最优的长短期记忆神经网络模型中进行训练，得到电力负荷预测模型。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104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模型构建方法，以该方法应用于图1为例进行说明，包括以下步骤：
S100，获取电力系统的原始数据。
具体地，在电力系统运行过程中，采集电力系统的负荷数据，从采集到的负荷数据可以看出实际电力负荷数据常常呈现非线性强和波动性大的特点，影响电力负荷变化的因素多元且随机，其中气象因素对电力负荷的影响较为密切，因此在可获取的数据情况中选取对电力负荷影响较大的几类主要的气象因素数据，包括温度，湿度和降雨量。以天为单位，将一天按照预设的时间划分成多个时刻，采集各个时刻的气象因素数据与电力负荷数据，获得电力系统所处环境的日最高温度Th、日最低温度Ti、日平均温度Ta、日相对湿度hi以及日降雨量r五大类气象因素数据。
S200，对原始数据进行预处理，得到训练数据集。
其中，预处理是指在主要的处理之前先对原始数据进行的一些处理；训练数据集是在原始数据中选取的用于训练模型的数据；具体地，在进行实际电力负荷数据采集工作时，会受到一些不确定因素的影响，可能会出现某些时刻点的数据偏离真实值或者出现数据缺失的情况，所以在将采集到的原始数据进行主要处理之前，需要先进行一系列的预处理，筛选掉一部分不符合条件的数据，同时将获得的原始数据按照一定的比例划分为训练数据集与测试数据集，其中由于训练数据集是用于训练电力负荷预测模型的生成，所以训练数据集远远多于测试数据集。
S300，获取基于贝叶斯优化算法优化得到的超参数最优长短期记忆神经网络模型。
其中，贝叶斯优化算法是一种寻找目标函数最值点的优化算法；超参数是一种定义模型属性或者定义训练过程的参数，是在进行模型训练之前就已经设置好的；长短期记忆神经网络是用于解决长序列训练过程中的梯度消失和梯度爆炸问题的特殊的循环神经网络；贝叶斯优化进行自动超参数计算的主要思路是给定优化的目标函数（黑盒模型），通过不断地添加样本点来更新目标函数的后验分布（高斯过程），直到后验分布基本贴合于真实分布。简单的说，就是考虑了上一次参数的信息，从而更好的调整当前的参数。具体地，在本申请中，先选中长短期记忆神经网络模型中的六个主要的超参数：神经元个数、学习率、丢弃神经元概率、L2正则化、批尺寸大小，将这六个超参数作为贝叶斯优化算法的输入数据，经过贝叶斯优化进行优化，得到最优的神经元个数、学习率、丢弃神经元概率、L2正则化以及批尺寸大小的值，从而得到超参数最优长短期记忆神经网络模型。在本技术方案中，优化后的超参数神经元个数、学习率、丢弃神经元概率、L2正则化、批尺寸大小以及训练时间窗口分别为20、0.001、0.5、0.0001、16和24。
S400，将训练数据集输入到超参数最优长短期记忆神经网络模型中，得到电力负荷预测模型。
具体地，将训练数据集输入到超参数最优长短期记忆神经网络模型中，对模型进行训练学习，通过大量的迭代训练过程，当到达预设好条件时就停止迭代训练，根据迭代学习训练的过程，总结出输入数据与输出数据之间的关系，从而获得气象因素与电力负荷之间的映射关系，再根据获得的气象因素与电力负荷之间的映射关系，在超参数最优长短期记忆神经网络模型的基础上得到电力负荷预测模型。
上述电力负荷预测模型构建方法。通过获取电力系统的原始数据；对原始数据进行预处理，得到训练数据集，并获取基于贝叶斯优化算法优化得到的超参数最优长短期记忆神经网络模型；将训练数据集输入到超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型。在整个过程中，对原始数据进行预处理，可以筛选掉不符合条件的异常值，避免异常值影响预测模型的准确率，同时贝叶斯优化算法能够自动调节模型中的超参数，有效避免人为主观调参对预测模型精度的影响，且经过贝叶斯优化得到的超参数最优长短期记忆神经网络模型性能较好，能达到较好的收敛效果，从而当把训练数据集输入到超参数最优长短期记忆神经网络模型中后能得到准确的电力负荷预测结果。
在一个实施例中，如图3所示，S400包括：
S420，获取训练数据集；
S440，将训练数据集中的气象因素数据输入超参数最优长短期记忆神经网络模型中进行训练，输出电力负荷预测数据。
其中，长短期记忆神经网络是一种特殊类型的循环神经网络，具有对长期依赖进行学习的能力。具体地，采集电力系统的电力负荷数据与电力系统所处环境的气象因素数据，将原始数据经过特征相关性分析后得到6个特征值，包括日最高温度Th，日最低温度Ti，日平均温度Ta，日平均相对湿度hi，降雨量r，电力负荷Pi，根据设定好的超参数中的训练时间窗口和批尺寸大小，得到由特征值数据组成的矩阵，例如：设定的训练时间窗口为5，形成一个5×6的矩阵，批尺寸设置为16，则表示有16个5×6的矩阵输入到模型中；将矩阵滚动式地输入到超参数最优长短期记忆神经网络模型中，输出得到后一个时间步电力负荷预测值，例如：根据第1-5天的特征值数据（5×6的矩阵）获得第6天的电力负荷预测数据，根据第2-6天的特征值数据获得第7天的电力负荷预测数据，以此类推即可。但是由于原始数据是经过归一化处理的，数值的大小处于（0，1）之间，所以输出的电力负荷预测数据需要进行反归一化处理，才能得到符合实际情况的电力负荷预测数据。
S460，将电力负荷预测数据与训练数据集中的实际电力负荷数据进行比较，得到电力负荷预测数据与实际电力负荷数据之间的均方误差；
S480，当均方误差小于预设的阈值时，结束训练过程，得到最终的训练结果；
S500，根据最终的训练结果，得到电力负荷数据与气象因素数据之间的映射关系；
S520，根据映射关系，得到电力负荷预测模型。
其中，均方误差是用于反映电力负荷预测值与实际电力负荷值之间差异程度的一种度量，且均方误差越小表示电力负荷预测值与实际电力负荷值之间的差异越小，表示模型训练的越好。具体地，在每次获得电力负荷预测数据后，需要将得到的电力负荷预测数据与训练数据集中的实际电力负荷数据进行比较，得到到电力负荷预测数据与实际电力负荷数据之间的均方误差MSE，可用公式（1）进行计算得出：
其中，P i，pred 表示的是第i个样本的电力负荷预测值，P i，pred 表示第i个样本的实际负荷值。当求得的均方误差小于预设的阈值时，结束训练过程，得到最终的模型训练结果，根据模型训练结果，学习总结出输入数据与输出数据之间的关系，即得到气象因素与电力负荷之间的映射关系，从而得到可根据输入的气象因素数据得到电力负荷预测数据的电力负荷预测模型。
在本实施例中，通过大量的数据对长短期神经记忆网络模型进行训练学习，输入数据为气象因素数据，输出的数据为电力负荷预测数据，经过不断的训练，将电力负荷预测数据与实际电力负荷数据之间的均方误差小于预设的阈值时，作为训练结束的条件，均方误差小于预设的阈值时也表示模型已基本训练好，从而获取输入数据与输出数据之间的关系，即气象因素与电力负荷之间的映射关系，能有效保证最终得到的电力负荷预测模型的准确性。
为了充分说明本申请的技术方案，接下来会对长短期记忆神经网络模型展开说明：
长短期记忆神经网络由隐藏细胞状态、输入门、遗忘门以及输出门组成，定义输入权重W、循环权重U 和偏差b等几个与神经网学习相关的参数，其矩阵形式可以表示为：
遗忘门的组成包括一个sigmoid激活函数和点乘运算，这也决定前一个时间步中应该删除或遗忘多少信息（Ct-1）。遗忘门的计算式可表示为：
输入门决定应该向细胞状态（Ct）添加什么样的新信息。该门的计算分为两个步骤。首先运用sigmoid激活函数来更新细胞状态。然后，再用激活函数tanh产生一个新的候选细胞状态C* t的向量。输入门可表示为：
随后，更新当前时间步长对应的细胞状态Ct，其中包含输入信息和候选细胞状态C* t，可表示为：
式（6）中代表向量中的元素相乘。
输出门的组成包括一个sigmoid激活函数、一个tanh激活函数以及点乘运算，它决定输出什么信息。其数学表达式可表示为：
上式中，i, f, l和o分别代表输入门，遗忘门，来自上一个神经元的输入以及输出门，σ代表sigmoid激活函数。
在其中一个实施例中，预处理包括：
缺失值填补、异常值检测修正、特征相关性分析、归一化以及划分处理中的至少一项。
具体地，在进行实际电力负荷数据采集工作时，可能会受到一些不确定性因素的影响，导致某些时刻点的数据偏离真实值或者出现数据缺失，如果不加适当的修正，将会影响神经网络模型对负荷变化规律的学习。因此需要对缺失的数据进行填补，对异常值进行检测和修正，其中常用的数据填补方法为插值法，异常值检测方法为箱型图法等。在对数据集进行填补、修正后，得到较为完整的数据集，再对得到的数据集进行相关性计算选取特征值，其中特征值有六个，包括电力负荷值以及五类气象因素数值，得到特征值数据，接着采用max-min归一化处理，使得特征值数据缩放到大小为（0，1）之间，最后按照一定的比例将数据集及划分为训练集与测试集，训练集用于后续模型的训练，测试集用于对预测模型的评估，由于对模型的训练需要大量的数据，所以训练数据集会远远多于测试数据集。
在本实施例中，通过对获取的原始数据进行缺失值填补、异常值检测修正能够获得较为完整的数据，减少数据缺失和异常值对构建预测模型的影响，保证预测模型的精度，其次对数据集进行归一化处理有利于提升预测模型的精度，同时能加快模型收敛速度，选取数据的特征值能够考虑气象因素对电力负荷值变化的影响，从而提升模型的准确率；将数据集划分成训练集与测试集，由于有大量的训练数据集对模型进行训练，能够保证后续得到的预测模型的精度，用测试数据集对预测模型的精度进行验证，有利于对预测模型的精度进行出有效的判断和及时的调整，进一步保证电力负荷预测模型的精度。
在其中一个实施例中，S200包括：
对原始数据进行预处理，得到训练数据集和测试数据集。
具体地，获取原始数据在进行缺失值填补、异常值检测修正、特征相关性分析、归一化等预处理后得到的数据集，将得到的数据集按照一定的比例进行划分，得到训练数据集和测试数据集，其中训练数据集用于对电力负荷预测模型进行训练，测试数据集则用于电力负荷预测模型进行评估，由于对模型进行训练学习需要大量的数据，所以训练数据集远远多于测试数据集，例如：总共获取了26016组原始数据，将其划分出25536组训练数据和480组测试数据。
在一个实施例中，如图4所示，根据测试数据集对电力负荷预测模型进行测试评估，得到电力负荷预测模型的评估结果包括：
S520，获取测试数据集；
S540，将测试数据集中的气象因素数据输入至电力负荷预测模型中，得到电力负荷预测数据；
具体地，获取测试数据集，其中测试数据集包括实际电力负荷数据与气象因素数据，选取测试数据集中的气象因素数据，作为电力负荷预测模型的输入，由于电力负荷预测模型中具有气象因素与电力负荷之间的映射关系，则可以根据输入的气象因素数据，得到电力负荷预测数据，但是测试数据集是归一化处理后的数据，则需要将输出的电力负荷预测数据进行反归一化处理才能得到真正的电力负荷预测数据。
S560，根据电力负荷预测数据与测试数据集中的实际电力负荷数据，得到电力负荷预测数据与实际电力负荷数据之间的均方误差和电力负荷预测模型的准确率；
S580，根据均方误差和准确率，对电力负荷预测模型进行评估，得到电力负荷预测模型的评估结果。
具体地，获取测试数据集中的实际电力负荷数据，通过上述公式（1）计算出负荷预测数据与实际电力负荷数据之间均方误差MSE。同时，可以用公式（9）计算出电力负荷预测模型的准确率：
其中，P i，pred 表示的是第i个样本的电力负荷预测值，P i，real 表示第i个样本的实际负荷值，n表示测试集样本个数。根据得到的均方误差和准确率对预测值和真实值进行分析，从而评估电力负荷预测模型是否可靠。
在本实施例中，通过将测试数据集中的气象因素数据输入到已经得到的电力负荷预测模型中，输出电力负荷预测数据，同时测试数据集中包括实际电力负荷数据，将两者进行比较，根据两者之间的均方误差，判断该电力负荷预测模型是否已经训练好，检验训练的效果，可以这样理解，当均方误差越小，则表示模型训练地越好，基于该训练好的模型而得到的电力预测结果越准确，同时根据电力负荷预测数据与实际电力负荷数据，计算出电力负荷预测模型的准确率，能直观地对电力负荷预测模型进行评估，判断模型是否足够精确以得到精准的电力预测结果。
在另一个实施例中，提供了一种电力负荷预测方法，包括：
步骤1，获取电力系统所处环境的气象因素数据；
步骤2，将气象因素数据输入至电力负荷预测模型中，得到电力系统的电力负荷预测结果，电力负荷预测模型由上述电力负荷预测模型构建方法构建。
具体地，采集电力系统所处的环境的气象因素数据，将气象因素数据输入到电力预测模型中，输出电力负荷预测数据。
在本实施例中，只需要将上一时刻的气象因素数据输入到电力负荷预测模型中就可以得到下一时刻的电力负荷数据，所需的数据较少，在提高预测效率的同时也能够保证电力负荷预测结果的准确性。
应该理解的是，虽然如上的各实施例所涉及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，如上的各实施例所涉及的流程图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。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的电力负荷预测模型构建方法的电力负荷预测模型构建装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电力负荷预测模型构建装置实施例中的具体限定可以参见上文中对于电力负荷预测模型构建方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种电力负荷预测模型构建装置，包括：数据获取模块100、数据处理模块200和模型训练模块300，其中：
数据获取模块100，用于获取电力系统的原始数据；
数据处理模块200，用于对原始数据进行预处理，得到训练数据集；
模型训练模块300，用于获取基于贝叶斯优化算法优化得到的超参数最优长短期记忆神经网络模型；将训练数据集输入到超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型。
上述电力负荷预测模型构建装置，通过获取电力系统的原始数据；对原始数据进行预处理，得到训练数据集，并获取基于贝叶斯优化算法优化得到的超参数最优长短期记忆神经网络模型；将训练数据集输入到超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型。在整个过程中，对原始数据进行预处理，可以筛选掉不符合条件的异常值，避免异常值影响预测模型的准确率，同时贝叶斯优化算法能够自动调节模型中的超参数，有效避免人为主观调参对预测模型精度的影响，且经过贝叶斯优化得到的超参数最优长短期记忆神经网络模型性能较好，能达到较好的收敛效果，从而当把训练数据集输入到超参数最优长短期记忆神经网络模型中后能得到准确的电力负荷预测结果。
在一个实施例中，数据处理模块200还用于对原始数据进行缺失值填补、异常值检测修正、特征相关性分析、归一化以及划分处理中的至少一项。
在一个实施例中，数据处理模块200还用于对原始数据进行预处理，得到训练数据集和测试数据集。
在一个实施例中，模型训练模块300还用于获取训练数据集，训练数据集包括实际电力负荷数据与气象因素数据；将训练数据集中的气象因素数据输入超参数最优长短期记忆神经网络模型中，输出电力负荷预测数据；将电力负荷预测数据与训练数据集中的实际电力负荷数据进行比较，得到电力负荷预测数据与实际电力负荷数据之间的均方误差；当均方误差小于预设的阈值时，结束训练过程，得到最终的训练结果，根据最终的训练结果，得到电力负荷数据与气象因素数据之间的映射关系；根据映射关系，得到电力负荷预测模型。
在一个实施例中，模型训练模块300还用于获取测试数据集，测试数据集包括：实际电力负荷数据与气象因素数据；将测试数据集中的气象因素数据输入至电力负荷预测模型中，得到电力负荷预测数据；根据电力负荷预测数据与测试数据集中的实际电力负荷数据，得到电力负荷预测数据与实际电力负荷数据之间的均方误差和电力负荷预测模型的准确率；根据均方误差和准确率，对电力负荷预测模型进行评估，得到电力负荷预测模型的评估结果。
在另一个实施例中，如图6所示，还提供了一种电力负荷预测装置包括：数据采集模块620以及负荷预测模块640，其中：
数据采集模块620，用于获取电力系统所处环境的气象因素数据；
负荷预测模型640，用于将气象因素数据输入至电力负荷预测模型中，得到电力系统的电力负荷预测结果；其中电力负荷预测模型根据上述提供的电力负荷预测模型构建方法构建得到。
上述电力负荷预测装置，通过先获取电力系统所处环境的气象因素数据，再将气象因素数据输入至电力负荷预测模型中即可得到电力系统的电力负荷预测结果，只需要将上一时刻的气象因素数据输入到电力负荷预测模型中就可以得到下一时刻的电力负荷数据，所需的数据较少，在提高预测效率的同时也能够保证电力负荷预测结果的准确性。
上述电力负荷预测模型构建装置和电力负荷预测装置中的各个模块均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7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和内存储器。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模型构建或电力负荷预测数据。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构建方法或电力负荷预测方法。
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终端，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、通信接口、显示屏和输入装置。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和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种电力负荷预测模型构建方法或电力负荷预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7-8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：
获取电力系统的原始数据；对原始数据进行预处理，得到训练数据集；获取基于贝叶斯优化算法优化得到的超参数最优长短期记忆神经网络模型；将训练数据集输入到超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型。
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：
获取训练数据集，训练数据集包括实际电力负荷数据与气象因素数据；将训练数据集中的气象因素数据输入超参数最优长短期记忆神经网络模型中，输出电力负荷预测数据；将电力负荷预测数据与训练数据集中的实际电力负荷数据进行比较，得到电力负荷预测数据与实际电力负荷数据之间的均方误差；当均方误差小于预设的阈值时，结束训练过程，得到最终的训练结果；根据最终的训练结果，得到电力负荷数据与气象因素数据之间的映射关系；根据映射关系，得到电力负荷预测模型。
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：
对原始数据进行缺失值填补、异常值检测修正、特征相关性分析、归一化以及划分处理中的至少一项。
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：
对原始数据进行预处理，得到训练数据集和测试数据集。
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：
获取测试数据集，测试数据集包括：实际电力负荷数据与气象因素数据；将测试数据集中的气象因素数据输入至电力负荷预测模型中，得到电力负荷预测数据；根据电力负荷预测数据与测试数据集中的实际电力负荷数据，得到电力负荷预测数据与实际电力负荷数据之间的均方误差和电力负荷预测模型的准确率；根据均方误差和准确率，对电力负荷预测模型进行评估，得到电力负荷预测模型的评估结果。
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：
获取电力系统所处环境的气象因素数据；将气象因素数据输入至电力负荷预测模型中，得到电力系统的电力负荷预测结果。其中电力负荷预测模型根据上述提供的电力负荷预测模型构建方法构建得到。
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：
获取电力系统的原始数据；对原始数据进行预处理，得到训练数据集；获取基于贝叶斯优化算法优化得到的超参数最优长短期记忆神经网络模型；将训练数据集输入到超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型。
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：
获取训练数据集，训练数据集包括实际电力负荷数据与气象因素数据；将训练数据集中的气象因素数据输入超参数最优长短期记忆神经网络模型中，输出电力负荷预测数据；将电力负荷预测数据与训练数据集中的实际电力负荷数据进行比较，得到电力负荷预测数据与实际电力负荷数据之间的均方误差；当均方误差小于预设的阈值时，结束训练过程，得到最终的训练结果；根据最终的训练结果，得到电力负荷数据与气象因素数据之间的映射关系；根据映射关系，得到电力负荷预测模型。
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：
对原始数据进行缺失值填补、异常值检测修正、特征相关性分析、归一化以及划分处理中的至少一项。
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：
对原始数据进行预处理，得到训练数据集和测试数据集。
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：
获取测试数据集，测试数据集包括：实际电力负荷数据与气象因素数据；将测试数据集中的气象因素数据输入至电力负荷预测模型中，得到电力负荷预测数据；根据电力负荷预测数据与测试数据集中的实际电力负荷数据，得到电力负荷预测数据与实际电力负荷数据之间的均方误差和电力负荷预测模型的准确率；根据均方误差和准确率，对电力负荷预测模型进行评估，得到电力负荷预测模型的评估结果。
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：
获取电力系统所处环境的气象因素数据；将气象因素数据输入至电力负荷预测模型中，得到电力系统的电力负荷预测结果。其中电力负荷预测模型根据上述提供的电力负荷预测模型构建方法构建得到。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取电力系统的原始数据；对原始数据进行预处理，得到训练数据集；获取基于贝叶斯优化算法优化得到的超参数最优长短期记忆神经网络模型；将训练数据集输入到超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型。
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：
获取训练数据集，训练数据集包括实际电力负荷数据与气象因素数据；将训练数据集中的气象因素数据输入超参数最优长短期记忆神经网络模型中，输出电力负荷预测数据；将电力负荷预测数据与训练数据集中的实际电力负荷数据进行比较，得到电力负荷预测数据与实际电力负荷数据之间的均方误差；当均方误差小于预设的阈值时，结束训练过程，得到最终的训练结果；根据最终的训练结果，得到电力负荷数据与气象因素数据之间的映射关系；根据映射关系，得到电力负荷预测模型。
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：
对原始数据进行缺失值填补、异常值检测修正、特征相关性分析、归一化以及划分处理中的至少一项。
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：
对原始数据进行预处理，得到训练数据集和测试数据集。
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：
获取测试数据集，测试数据集包括：实际电力负荷数据与气象因素数据；将测试数据集中的气象因素数据输入至电力负荷预测模型中，得到电力负荷预测数据；根据电力负荷预测数据与测试数据集中的实际电力负荷数据，得到电力负荷预测数据与实际电力负荷数据之间的均方误差和电力负荷预测模型的准确率；根据均方误差和准确率，对电力负荷预测模型进行评估，得到电力负荷预测模型的评估结果。
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：
获取电力系统所处环境的气象因素数据；将气象因素数据输入至电力负荷预测模型中，得到电力系统的电力负荷预测结果。其中电力负荷预测模型根据上述提供的电力负荷预测模型构建方法构建得到。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。
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，所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、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-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。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等。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 RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
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。
以上所述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本申请专利范围的限制。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模型构建方法，其特征在于，所述方法包括：
获取电力系统的原始数据；
对所述原始数据进行预处理，得到训练数据集；
获取基于贝叶斯优化算法优化得到的超参数最优长短期记忆神经网络模型；
将所述训练数据集输入到所述超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型。
2.根据权利要求1所述的方法，其特征在于，所述将所述训练数据集输入到所述超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型包括：
获取所述训练数据集，所述训练数据集包括实际电力负荷数据与气象因素数据；
将所述训练数据集中的气象因素数据输入超参数最优长短期记忆神经网络模型中，输出电力负荷预测数据；
将所述电力负荷预测数据与所述训练数据集中的实际电力负荷数据进行比较，得到所述电力负荷预测数据与实际电力负荷数据之间的均方误差；
当所述均方误差小于预设的阈值时，结束训练过程，得到最终的训练结果；
根据所述最终的训练结果，得到电力负荷数据与气象因素数据之间的映射关系；
根据所述映射关系，得到电力负荷预测模型。
3.根据权利要求1所述的方法，其特征在于，所述预处理包括：
缺失值填补、异常值检测修正、特征相关性分析、归一化以及划分处理中的至少一项。
4.根据权利要求1所述的方法，其特征在于，所述对所述原始数据进行预处理，得到训练数据集包括：
对所述原始数据进行预处理，得到训练数据集和测试数据集；
所述将所述训练数据集输入到所述超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型之后，还包括：
根据所述测试数据集对所述电力负荷预测模型进行测试评估，得到所述电力负荷预测模型的评估结果。
5.根据权利要求4所述的方法，其特征在于，所述根据所述测试数据集对所述电力负荷预测模型进行测试评估，得到所述电力负荷预测模型的评估结果包括：
获取测试数据集，所述测试数据集包括实际电力负荷数据与气象因素数据；
将所述测试数据集中的气象因素数据输入至所述电力负荷预测模型中，得到电力负荷预测数据；
根据所述电力负荷预测数据与所述测试数据集中的实际电力负荷数据，得到所述电力负荷预测数据与所述实际电力负荷数据之间的均方误差和所述电力负荷预测模型的准确率；
根据所述均方误差和准确率，对所述电力负荷预测模型进行评估，得到所述电力负荷预测模型的评估结果。
6.一种电力负荷预测方法，其特征在于，所述方法包括：
获取电力系统所处环境的气象因素数据；
将所述气象因素数据输入至所述电力负荷预测模型中，得到电力系统的电力负荷预测结果；其中所述电力负荷预测模型采用如权利要求1-5任意一项所述的方法构建得到。
7.一种电力负荷预测模型构建装置，其特征在于，所述装置包括：
数据获取模块，用于获取电力系统的原始数据；
数据处理模块，用于对原始数据进行预处理，得到训练数据集；
模型训练模块，获取基于贝叶斯优化算法优化得到的超参数最优长短期记忆神经网络模型中；将训练数据集输入到所超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型。
8.一种计算机设备，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中任一项所述的电力负荷预测模型构建方法的步骤或执行如权利要求6所述的电力负荷预测方法。
9.一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中任一项所述的电力负荷预测模型构建方法的步骤或执行如权利要求6所述的电力负荷预测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求 1至5中任一项所述的电力负荷预测模型构建方法的步骤或执行如权利要求6所述的电力负荷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210051273.3A CN114065653A (zh) | 2022-01-17 | 2022-01-17 | 电力负荷预测模型的构建方法与电力负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210051273.3A CN114065653A (zh) | 2022-01-17 | 2022-01-17 | 电力负荷预测模型的构建方法与电力负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114065653A true CN114065653A (zh) | 2022-02-18 |
Family
ID=80231229
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210051273.3A Pending CN114065653A (zh) | 2022-01-17 | 2022-01-17 | 电力负荷预测模型的构建方法与电力负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114065653A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116070804A (zh) * | 2023-04-06 | 2023-05-05 | 国网冀北电力有限公司 | 基于知识图谱和数据驱动的电力系统负荷预测方法及装置 |
| CN116911577A (zh) * | 2023-09-13 | 2023-10-20 | 国网信息通信产业集团有限公司 | 综合能源调度方法、装置、电子设备和计算机可读介质 |
| CN117236522A (zh) * | 2023-11-10 | 2023-12-15 | 四川智源能诚售电有限公司 | 一种电力能耗管理方法、系统、电子设备及介质 |
| CN117318055A (zh) * | 2023-12-01 | 2023-12-29 | 山东理工昊明新能源有限公司 | 电力负荷预测模型处理方法、装置、电子设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188826A (zh) * | 2019-05-31 | 2019-08-30 | 湖南科技大学 | 基于智能电表数据的家用电器运行状态非侵入式检测方法 |
| CN110909941A (zh) * | 2019-11-26 | 2020-03-24 | 广州供电局有限公司 | 基于lstm神经网络的电力负荷预测方法、装置及系统 |
| CN110991722A (zh) * | 2019-11-26 | 2020-04-10 | 广东电网有限责任公司 | 一种电力负荷预测方法 |
| CN111861013A (zh) * | 2020-07-23 | 2020-10-30 | 长沙理工大学 | 一种电力负荷预测方法及装置 |
| CN113537495A (zh) * | 2021-08-05 | 2021-10-22 | 南方电网数字电网研究院有限公司 | 基于联邦学习的模型训练系统、方法、装置和计算机设备 |
-
2022
- 2022-01-17 CN CN202210051273.3A patent/CN114065653A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188826A (zh) * | 2019-05-31 | 2019-08-30 | 湖南科技大学 | 基于智能电表数据的家用电器运行状态非侵入式检测方法 |
| CN110909941A (zh) * | 2019-11-26 | 2020-03-24 | 广州供电局有限公司 | 基于lstm神经网络的电力负荷预测方法、装置及系统 |
| CN110991722A (zh) * | 2019-11-26 | 2020-04-10 | 广东电网有限责任公司 | 一种电力负荷预测方法 |
| CN111861013A (zh) * | 2020-07-23 | 2020-10-30 | 长沙理工大学 | 一种电力负荷预测方法及装置 |
| CN113537495A (zh) * | 2021-08-05 | 2021-10-22 | 南方电网数字电网研究院有限公司 | 基于联邦学习的模型训练系统、方法、装置和计算机设备 |
Non-Patent Citations (2)
| Title |
|---|
| MOHAMMAD MUNEM 等: "Electric Power Load Forecasting Based on Multivariate LSTM Neural Network Using Bayesian Optimization", 《2020 IEEE ELECTRIC POWER AND ENERGY CONFERENCE (EPEC)》 * |
| 史静 等: "基于长短期记忆神经网络的配电网负荷预测方法研究", 《供用电》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116070804A (zh) * | 2023-04-06 | 2023-05-05 | 国网冀北电力有限公司 | 基于知识图谱和数据驱动的电力系统负荷预测方法及装置 |
| CN116070804B (zh) * | 2023-04-06 | 2023-07-14 | 国网冀北电力有限公司 | 基于知识图谱和数据驱动的电力系统负荷预测方法及装置 |
| CN116911577A (zh) * | 2023-09-13 | 2023-10-20 | 国网信息通信产业集团有限公司 | 综合能源调度方法、装置、电子设备和计算机可读介质 |
| CN116911577B (zh) * | 2023-09-13 | 2024-02-09 | 国网信息通信产业集团有限公司 | 综合能源调度方法、装置、电子设备和计算机可读介质 |
| CN117236522A (zh) * | 2023-11-10 | 2023-12-15 | 四川智源能诚售电有限公司 | 一种电力能耗管理方法、系统、电子设备及介质 |
| CN117236522B (zh) * | 2023-11-10 | 2024-02-13 | 四川智源能诚售电有限公司 | 一种电力能耗管理方法、系统、电子设备及介质 |
| CN117318055A (zh) * | 2023-12-01 | 2023-12-29 | 山东理工昊明新能源有限公司 | 电力负荷预测模型处理方法、装置、电子设备和存储介质 |
| CN117318055B (zh) * | 2023-12-01 | 2024-03-01 | 山东理工昊明新能源有限公司 | 电力负荷预测模型处理方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shen et al. | Wind speed prediction of unmanned sailboat based on CNN and LSTM hybrid neural network | |
| CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
| CN111382929A (zh) | 一种构建河流硅藻水华预警模型的方法及装置 | |
| CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
| CN111539841A (zh) | 电量预测方法、装置、设备及可读存储介质 | |
| CN113255973A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
| CN112733997A (zh) | 基于woa-lstm-mc的水文时间序列预测优化方法 | |
| CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
| CN111753461A (zh) | 潮汐水位修正方法、目标余水位获取方法、装置和设备 | |
| CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
| CN112288137A (zh) | 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置 | |
| CN111160600A (zh) | 行为预测方法、装置、计算机设备和存储介质 | |
| CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
| CN116523001A (zh) | 电网薄弱线路识别模型构建方法、装置和计算机设备 | |
| CN114611799B (zh) | 基于监督学习的时序神经网络新能源出力多步预测方法 | |
| CN116090635A (zh) | 一种气象驱动的新能源发电功率预测方法 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN115688569A (zh) | 增益调整方法、装置、计算机设备和存储介质 | |
| CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
| CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
| CN114140158A (zh) | 基于组合预测的配电网投资需求确定方法、装置、设备及存储介质 | |
| CN112508734A (zh) | 基于卷积神经网络的电力企业发电量的预测方法及装置 | |
| CN115392594B (zh) | 一种基于神经网络和特征筛选的用电负荷模型训练方法 | |
| Dai et al. | Multimodal deep learning water level forecasting model for multiscale drought alert in Feiyun River basin | |
| CN116526582B (zh) | 基于人工智能联合驱动的电力机组组合调度方法与系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220218 |