CN114069617A - 一种馈线负荷的预测方法及装置 - Google Patents

Abstract

本发明公开了一种馈线负荷的预测方法及装置，其方法包括：利用并行多线程方式，获取馈线数据，对所述馈线数据进行补充删除处理，得到目标馈线数据，对所述目标馈线数据进行划分，得到训练数据和测试数据，将所述训练数据输入到预设的馈线负荷曲线相似度模型进行训练，得到训练后的馈线负荷曲线相似度模型，基于所述测试数据，对所述训练后的馈线负荷曲线相似度模型进行测试及优化，得到目标馈线负荷曲线相似度模型，将待测馈线数据输入到所述目标馈线负荷曲线相似度模型，得到预测的馈线负荷数据。本发明通过一种馈线负荷的预测方法，实现了对馈线负荷的高效性与高准确性的预测。

Description

一种馈线负荷的预测方法及装置

技术领域

本发明涉及馈线负荷的领域，尤其涉及一种馈线负荷的预测方法及装置。

背景技术

馈线负荷态势的精准预测对于提升电网安全保障能力，提升供电服务水平，以及深入推进电力现货市场建设均具有重要意义。现有手段难以高效、准确、动态解构馈线负荷，耗时耗力，且难以满足馈线负荷预测实时、精准、高效的要求。

目前，在负荷曲线相似匹配预测中，曲线相似匹配中使用最多的模型包括欧氏距离和弗雷歇距离。曲线相似匹配，虽然其模型较多，但是大多数是基于欧氏距离进行的相似度计算，匹配效果一般。弗雷歇距离是法国数学家Maurice RenéFréchet在1906年提出的一种路径空间相似性计算方法。弗雷歇距离不仅考虑了曲线的空间位置，同时还考虑了曲线中形状点的顺序。弗雷歇距离在一些相似曲线匹配的其他场景中收到了一定的效果，弗雷歇距离匹配效果优于基于欧式距离的相似度曲线匹配算法。

因此，为了提高预测馈线负荷的准确性和高效性，解决目前存在的难以通过现有手段对馈线负荷进行高效并准确的预测的技术问题，亟需构建一种馈线负荷的预测方法。

发明内容

本发明提供了一种馈线负荷的预测方法及装置，解决了目前存在的难以通过现有手段对馈线负荷进行高效并准确的预测的技术问题。

第一方面，本发明提供了一种馈线负荷的预测方法，包括：

利用并行多线程方式，获取馈线数据；

对所述馈线数据进行补充删除处理，得到目标馈线数据；

对所述目标馈线数据进行划分，得到训练数据和测试数据；

将所述训练数据输入到预设的馈线负荷曲线相似度模型进行训练，得到训练后的馈线负荷曲线相似度模型；

基于所述测试数据，对所述训练后的馈线负荷曲线相似度模型进行测试及优化，得到目标馈线负荷曲线相似度模型；

将待测馈线数据输入到所述目标馈线负荷曲线相似度模型，得到预测的馈线负荷数据。

可选地，所述利用并行多线程方式，获取馈线数据具体为：

利用并行多线程方式，对所述馈线数据进行获取。

可选地，对所述馈线数据进行补充删除处理，得到目标馈线数据，包括：

对所述馈线数据的缺失值进行补充，得到补充的馈线数据；

对所述补充的馈线数据中的冗余数据进行删除，得到删除后的馈线数据；

采用最大最小值方法，对所述删除后的馈线数据进行标准化处理，得到所述目标馈线数据。

可选地，对所述补充的馈线数据中的冗余数据进行删除，得到删除后的馈线数据，包括：

对所述补充的馈线数据中存在巨大偏差值的馈线数据进行删除，得到初步删除后的馈线数据；

对所述初步删除后的馈线数据中存在唯一变量的馈线数据进行删除，得到所述删除后的馈线数据。

可选地，将所述训练数据输入到预设的馈线负荷曲线相似度模型进行训练，得到训练后的馈线负荷曲线相似度模型，包括：

基于馈线负荷曲线相似度，进行建模，得到所述馈线负荷曲线相似度模型；

将所述训练数据输入所述馈线负荷曲线相似度模型，得到所述训练后的馈线负荷曲线相似度模型。

第二方面，本发明提供了一种馈线负荷的预测装置，包括：

获取模块，用于利用并行多线程方式，获取馈线数据；

处理模块，用于对所述馈线数据进行补充删除处理，得到目标馈线数据；

划分模块，用于对所述目标馈线数据进行划分，得到训练数据和测试数据；

训练模块，用于将所述训练数据输入到预设的馈线负荷曲线相似度模型进行训练，得到训练后的馈线负荷曲线相似度模型；

测试模块，用于基于所述测试数据，对所述训练后的馈线负荷曲线相似度模型进行测试及优化，得到目标馈线负荷曲线相似度模型；

预测模块，用于将待测馈线数据输入到所述目标馈线负荷曲线相似度模型，得到预测的馈线负荷数据。

可选地，所述处理模块包括：

补充子模块，用于对所述馈线数据的缺失值进行补充，得到补充的馈线数据；

删除子模块，用于对所述补充的馈线数据中的冗余数据进行删除，得到删除后的馈线数据；

处理子模块，用于采用最大最小值方法，对所述删除后的馈线数据进行标准化处理，得到所述目标馈线数据。

可选地，所述删除子模块包括：

偏差单元，用于对所述补充的馈线数据中存在巨大偏差值的馈线数据进行删除，得到初步删除后的馈线数据；

唯一单元，用于对所述初步删除后的馈线数据中存在唯一变量的馈线数据进行删除，得到删除后的馈线数据。

可选地，所述训练模块包括：

建模子模块，用于基于馈线负荷曲线相似度，进行建模，得到所述馈线负荷曲线相似度模型；

训练子模块，用于将所述训练数据输入所述馈线负荷曲线相似度模型，得到训练结果；

调整子模块，用于基于所述训练结果对应的数据标签及对应的训练结果，调整所述模型的参数，得到所述训练后的馈线负荷曲线相似度模型。

可选地，所述测试模块包括：

测试子模块，用于利用所述测试数据，对所述训练后的馈线负荷曲线相似度模型进行测试，得到测试结果数据；

判断子模块，用于判断所述测试结果数据是否满足预设的准确率要求；若是，则确定所述训练后的馈线负荷曲线相似度模型为目标馈线负荷曲线相似度模型；若否，则对所述训练后的馈线负荷曲线相似度模型进行优化，得到满足预设的准确率要求的目标馈线负荷曲线相似度模型。

从以上技术方案可以看出，本发明具有以下优点：本发明提供了一种馈线负荷的预测方法，通过利用并行多线程方式，获取馈线数据，对所述馈线数据进行补充删除处理，得到目标馈线数据，对所述目标馈线数据进行划分，得到训练数据和测试数据，将所述训练数据输入到预设的馈线负荷曲线相似度模型进行训练，得到训练后的馈线负荷曲线相似度模型，基于所述测试数据，对所述训练后的馈线负荷曲线相似度模型进行测试及优化，得到目标馈线负荷曲线相似度模型，将待测馈线数据输入到所述目标馈线负荷曲线相似度模型，得到预测的馈线负荷数据述目标馈线负荷曲线相似度模型，得到预测的馈线负荷数据，通过一种馈线负荷的预测方法，解决了目前存在的难以通过现有手段对馈线负荷进行高效并准确的预测的技术问题，实现了对馈线负荷的高效性与高准确性的预测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明的一种馈线负荷的预测方法实施例一的流程步骤图；

图2为本发明的一种馈线负荷的预测方法实施例二的流程步骤图；

图3为本发明的一种馈线负荷的预测装置实施例的结构框图。

具体实施方式

本发明实施例提供了一种馈线负荷的预测方法及装置，用于解决目前存在的难以通过现有手段对馈线负荷进行高效并准确的预测的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例一，请参阅图1，图1为本发明的一种馈线负荷的预测方法实施例一的流程步骤图，包括：

步骤S101，利用并行多线程方式，获取馈线数据；

步骤S102，对所述馈线数据进行补充删除处理，得到目标馈线数据；

步骤S103，对所述目标馈线数据进行划分，得到训练数据和测试数据；

步骤S104，将所述训练数据输入到预设的馈线负荷曲线相似度模型进行训练，得到训练后的馈线负荷曲线相似度模型；

步骤S105，基于所述测试数据，对所述训练后的馈线负荷曲线相似度模型进行测试及优化，得到目标馈线负荷曲线相似度模型；

步骤S106，将待测馈线数据输入到所述目标馈线负荷曲线相似度模型，得到预测的馈线负荷数据。

在本发明实施例所提供的一种馈线负荷的预测方法，通过利用并行多线程方式，获取馈线数据，对所述馈线数据进行补充删除处理，得到目标馈线数据，对所述目标馈线数据进行划分，得到训练数据和测试数据，将所述训练数据输入到预设的馈线负荷曲线相似度模型进行训练，得到训练后的馈线负荷曲线相似度模型，基于所述测试数据，对所述训练后的馈线负荷曲线相似度模型进行测试及优化，得到目标馈线负荷曲线相似度模型，将待测馈线数据输入到所述目标馈线负荷曲线相似度模型，得到预测的馈线负荷数据述目标馈线负荷曲线相似度模型，得到预测的馈线负荷数据，通过一种馈线负荷的预测方法，解决了目前存在的难以通过现有手段对馈线负荷进行高效并准确的预测的技术问题，实现了对馈线负荷的高效性与高准确性的预测。

实施例二，请参阅图2，图2为本发明的一种馈线负荷的预测方法的流程步骤图，包括：

步骤S201，利用并行多线程方式，对馈线数据进行获取；

在本发明实施例中，通过使用parkPython中的并行多线程方式进行数据的快速读取，将4000多条馈线的几亿个点数据进行并行读取。大大缩短了模型运行时间，在大数据量的情况下，很大一部分时间都是耗在数据读取上，本项目通过并行多线程的方式进行数据读取，大大缩短数据读取时间。

步骤S202，对所述馈线数据的缺失值进行补充，得到补充的馈线数据；

在本发明实施例中，补充所述馈线数据中的缺失值，得到补充的馈线数据。

在具体实现中，在各馈线进行数据建模之前都要对各馈线数据进行各馈线数据的缺失值处理，对缺失数据进行处理，采用以下策略：若缺失比例达到40％及以上，我们直接对相关变量进行删除操作，否则我们是采用缺失值填充的方式对缺失值进行处理，本次项目中我们是运用随机森林的方式对缺失值进行填充。例如：馈线线路id 141，这一馈线线路在凌晨0点时刻未记录电流值，通过统计发现，141这一线路一天电流值记录时刻为95点，具有缺失数据，因此，需对这种缺失数据进行标准化处理。通过随机森林预测的方式对缺失值位置进行补全，通过此方法将历史数据与目标数据均处理为标准96点数据。

步骤S203，对所述补充的馈线数据中的冗余数据进行删除，得到删除后的馈线数据；

在一个可选实施例中，对所述补充的馈线数据中的冗余数据进行删除，得到删除后的馈线数据，包括：

对所述补充的馈线数据中存在巨大偏差值的馈线数据进行删除，得到初步删除后的馈线数据；

对所述初步删除后的馈线数据中存在唯一变量的馈线数据进行删除，得到删除后的馈线数据。

在本发明实施例中，对所述补充的馈线数据中存在巨大偏差值的馈线数据以及存在唯一变量的馈线数据进行删除，得到删除后的馈线数据。

在具体实现中，根据前期对各馈线数据的数据分析可知，各馈线负荷数据每一天的数据会存在缺失点(低于96点)或者冗余点(多余96点)电流值的现象，因此，需要对各馈线数据的目标数据以及历史数据进行96点数据标准化处理，处理为标准的96点馈线负荷数据。例如：首先，馈线线路id 193230的用户，不但在0时刻、15时刻、30时刻和45时刻取值，且在中间多时刻进行记录电流值，通过统计发现，这一条线路一天的电流值记录时刻多达333点，这与正常数据偏差太大，因此，需对这类型数据进行标准化处理，将多余点的进行剔除，将其标准化为96点数据。

在进行各馈线数据缺失值处理之后我们也要对各馈线变量进行唯一值处理，对于全部为同一数据的变量进行剔除，只有一个值的变量对模型结果会造成干扰，因此在对各馈线数据建模之前要对其进行唯一值处理。例如：馈线线路id 193230，在2020年1月1日的电流值均为同一个值，这样的记录要进行剔除，避免模型噪声。

步骤S204，采用最大最小值方法，对所述删除后的馈线数据进行标准化处理，得到目标馈线数据；

在本发明实施例中，采用最大最小值方法，标准化处理所述删除后的馈线数据，得到目标馈线数据。

在具体实现中，采用最大最小值方法，对各馈线数据进行标准化处理，将其处理为统一范围内，这样做，可避免极端数据对模型造成影响，提升训练得到模型的预测精度和鲁棒性。最大最小值法的计算公式如下所示：

步骤S205，对所述目标馈线数据进行划分，得到训练数据和测试数据；

在本发明实施例中，选择一个拆分点，将所述目标馈线数据划分为训练数据和测试数据。

在具体实现中，在对各馈线数据进行数据建模之前需要对各馈线数据进行数据划分，选择一个拆分点将数据划分为训练和测试数据，因本次项目为时间序列相似曲线匹配问题，则无法使用k折交叉验证方法进行模型评估，因此我们采用设定拆分点的方式进行数据划分。例如，除去最后一个月的数据作为训练，最后一个月用于测试。

步骤S206，基于馈线负荷曲线相似度，进行建模，得到馈线负荷曲线相似度模型；

在本发明实施例中，基于馈线负荷曲线相似度匹配数据，进行建模，得到馈线负荷曲线相似度模型。

在具体实现中，各馈线负荷曲线相似度匹配这一场景可运用的方法有欧式距离和弗雷歇距离等方法，但是弗雷歇方法交欧氏距离添加了曲线中形状点的顺序，在匹配效果上优于欧氏距离算法，因此本项目采用的模型算法为弗雷歇距离算法和Spearman秩相关系数来计算各馈线负荷曲线的两条曲线的相似度，最后在众多的相似度值中选择相似度值最高的那条曲线进行结果输出，运用弗雷歇距离算法和Spearman秩相关系数这一组合模型算法进行曲线相似度匹配。

步骤S207，将所述训练数据输入所述馈线负荷曲线相似度模型，得到训练结果；

在本发明实施例中，将所述训练数据输入所述馈线负荷曲线相似度模型，得到训练结果数据。

步骤S208，基于所述训练结果对应的数据标签及对应的训练结果，调整所述模型的参数，得到所述训练后的馈线负荷曲线相似度模型；

在本发明实施例中，基于所述训练结果与实际结果之间的误差，对所述模型的参数进行调整，得到所述训练后的馈线负荷曲线相似度模型。

步骤S209，利用所述测试数据，对所述训练后的馈线负荷曲线相似度模型进行测试，得到测试结果数据；

在本发明实施例中，将所述测试数据输入到所述训练后的馈线负荷曲线相似度模型，进行测试，得到测试结果数据，所述测试结果数据用于判断所述训练后的馈线负荷曲线相似度模型是否合格。

步骤S210，判断所述测试结果数据是否满足预设的准确率要求；若是，则确定所述训练后的馈线负荷曲线相似度模型为目标馈线负荷曲线相似度模型；若否，则对所述训练后的馈线负荷曲线相似度模型进行优化，得到满足预设的准确率要求的目标馈线负荷曲线相似度模型；

在本发明实施例中，基于所述测试结果数据，当所述训练后的馈线负荷曲线相似度模型的满足预设的准确率要求时，则确定所述馈线负荷曲线相似度模型能够预测馈线负荷，将所述训练后的馈线负荷曲线相似度模型确定为目标馈线负荷曲线相似度模型；当所述训练后的馈线负荷曲线相似度模型的准确率没有达到要求时，则对馈线负荷曲线相似度模型进行优化，直到优化后的馈线负荷曲线相似度模型满足预设的准确率要求，得到目标馈线负荷曲线相似度模型。

在具体实现中，对我们训练模型进行模型验证，采用测试数据，验证模型的结果准确率，是否能达到我们的预设的准确率要求。

通过馈线负荷曲线相似度匹配模型验证，若各模型效果达到所需要求，则可直接将馈线负荷曲线相似度匹配模型应用到生产环境中进行部署，否则需要对馈线负荷曲线相似度匹配模型进行不断的优化，达到馈线负荷曲线相似度匹配模型所需精度，我们进行馈线负荷曲线相似度匹配模型调优主要从两方面入手，其一为从馈线负荷曲线相似度匹配变量角度，通过进行单变量分析、相关性分析等一系列分析手段对变量进行数据分析，选择对馈线负荷曲线相似度匹配模型影响较大的变量进行数据建模，变量的增加我们可以通过业务人员的专家经验来初步获取，若通过数据分析发现变量对模型的影响较大，则将其添加到候选变量集中，其次是通过进行变量的衍生，衍生出一些变量，若通过数据分析发现变量对馈线负荷曲线相似度匹配模型的影响较大，则将其添加到候选变量集中；其二为从算法模型的调参入手，调整馈线负荷曲线相似度匹配模型的参数的方式来进行馈线负荷曲线相似度匹配模型的优化，找到最优馈线负荷曲线相似度匹配模型的参数。通过以上调优方式进行模型调优，使得馈线负荷曲线相似度匹配模型达到要求的精度。

步骤S211，将待测馈线数据输入到所述目标馈线负荷曲线相似度模型，得到预测的馈线负荷数据；

在本发明实施例中，将馈线负荷曲线相似度匹配模型应用到生产环境中进行部署，将待测馈线数据输入到所述目标馈线负荷曲线相似度模型，能够预测馈线负荷，得到预测的馈线负荷数据。

在本发明实施例所提供的一种馈线负荷的预测方法，通过利用并行多线程方式，获取馈线数据，对所述馈线数据进行补充删除处理，得到目标馈线数据，对所述目标馈线数据进行划分，得到训练数据和测试数据，将所述训练数据输入到预设的馈线负荷曲线相似度模型进行训练，得到训练后的馈线负荷曲线相似度模型，基于所述测试数据，对所述训练后的馈线负荷曲线相似度模型进行测试及优化，得到目标馈线负荷曲线相似度模型，将待测馈线数据输入到所述目标馈线负荷曲线相似度模型，得到预测的馈线负荷数据述目标馈线负荷曲线相似度模型，得到预测的馈线负荷数据，通过一种馈线负荷的预测方法，解决了目前存在的难以通过现有手段对馈线负荷进行高效并准确的预测的技术问题，实现了对馈线负荷的高效性与高准确性的预测。

请参阅图3，图3为本发明的一种馈线负荷的预测装置实施例的结构框图，包括：

获取模块301，用于利用并行多线程方式，获取馈线数据；

处理模块302，用于对所述馈线数据进行补充删除处理，得到目标馈线数据；

划分模块303，用于对所述目标馈线数据进行划分，得到训练数据和测试数据；

训练模块304，用于将所述训练数据输入到预设的馈线负荷曲线相似度模型进行训练，得到训练后的馈线负荷曲线相似度模型；

测试模块305，用于基于所述测试数据，对所述训练后的馈线负荷曲线相似度模型进行测试及优化，得到目标馈线负荷曲线相似度模型；

预测模块306，用于将待测馈线数据输入到所述目标馈线负荷曲线相似度模型，得到预测的馈线负荷数据。

在一个可选实施例中，所述处理模块302包括：

补充子模块，用于对所述馈线数据的缺失值进行补充，得到补充的馈线数据；

删除子模块，用于对所述补充的馈线数据中的冗余数据进行删除，得到删除后的馈线数据；

处理子模块，用于采用最大最小值方法，对所述删除后的馈线数据进行标准化处理，得到所述目标馈线数据。

在一个可选实施例中，所述删除子模块包括：

偏差单元，用于对所述补充的馈线数据中存在巨大偏差值的馈线数据进行删除，得到初步删除后的馈线数据；

唯一单元，用于对所述初步删除后的馈线数据中存在唯一变量的馈线数据进行删除，得到删除后的馈线数据。

在一个可选实施例中，所述训练模块304包括：

建模子模块，用于基于馈线负荷曲线相似度，进行建模，得到所述馈线负荷曲线相似度模型；

训练子模块，用于将所述训练数据输入所述馈线负荷曲线相似度模型，得到训练结果；

调整子模块，用于基于所述训练结果对应的数据标签及对应的训练结果，调整所述模型的参数，得到所述训练后的馈线负荷曲线相似度模型。

可选地，所述测试模块305包括：

测试子模块，用于利用所述测试数据，对所述训练后的馈线负荷曲线相似度模型进行测试，得到测试结果数据；

判断子模块，用于判断所述测试结果数据是否满足预设的准确率要求；若是，则确定所述训练后的馈线负荷曲线相似度模型为目标馈线负荷曲线相似度模型；若否，则对所述训练后的馈线负荷曲线相似度模型进行优化，得到满足预设的准确率要求的目标馈线负荷曲线相似度模型。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，本发明所揭露的方法及装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种馈线负荷的预测方法，其特征在于，包括：

利用并行多线程方式，获取馈线数据；

对所述馈线数据进行补充删除处理，得到目标馈线数据；

对所述目标馈线数据进行划分，得到训练数据和测试数据；

将所述训练数据输入到预设的馈线负荷曲线相似度模型进行训练，得到训练后的馈线负荷曲线相似度模型；

基于所述测试数据，对所述训练后的馈线负荷曲线相似度模型进行测试及优化，得到目标馈线负荷曲线相似度模型；

将待测馈线数据输入到所述目标馈线负荷曲线相似度模型，得到预测的馈线负荷数据。

2.根据权利要求1所述的馈线负荷的预测方法，其特征在于，对所述馈线数据进行补充删除处理，得到目标馈线数据，包括：

对所述馈线数据的缺失值进行补充，得到补充的馈线数据；

对所述补充的馈线数据中的冗余数据进行删除，得到删除后的馈线数据；

采用最大最小值方法，对所述删除后的馈线数据进行标准化处理，得到所述目标馈线数据。

3.根据权利要求2所述的馈线负荷的预测方法，其特征在于，对所述补充的馈线数据中的冗余数据进行删除，得到删除后的馈线数据，包括：

对所述补充的馈线数据中存在巨大偏差值的馈线数据进行删除，得到初步删除后的馈线数据；

对所述初步删除后的馈线数据中存在唯一变量的馈线数据进行删除，得到删除后的馈线数据。

4.根据权利要求1所述的馈线负荷的预测方法，其特征在于，将所述训练数据输入到预设的馈线负荷曲线相似度模型进行训练，得到训练后的馈线负荷曲线相似度模型，包括：

基于馈线负荷曲线相似度，进行建模，得到所述馈线负荷曲线相似度模型；

将所述训练数据输入所述馈线负荷曲线相似度模型，得到训练结果；

基于所述训练结果对应的数据标签及对应的训练结果，调整所述模型的参数，得到所述训练后的馈线负荷曲线相似度模型。

5.根据权利要求1-4任一所述的馈线负荷的预测方法，其特征在于，基于所述测试数据，对所述训练后的馈线负荷曲线相似度模型进行测试及优化，得到目标馈线负荷曲线相似度模型，包括：

利用所述测试数据，对所述训练后的馈线负荷曲线相似度模型进行测试，得到测试结果数据；

判断所述测试结果数据是否满足预设的准确率要求；若是，则确定所述训练后的馈线负荷曲线相似度模型为目标馈线负荷曲线相似度模型；若否，则对所述训练后的馈线负荷曲线相似度模型进行优化，得到满足预设的准确率要求的目标馈线负荷曲线相似度模型。

6.一种馈线负荷的预测装置，其特征在于，包括：

获取模块，用于利用并行多线程方式，获取馈线数据；

处理模块，用于对所述馈线数据进行补充删除处理，得到目标馈线数据；

划分模块，用于对所述目标馈线数据进行划分，得到训练数据和测试数据；

训练模块，用于将所述训练数据输入到预设的馈线负荷曲线相似度模型进行训练，得到训练后的馈线负荷曲线相似度模型；

测试模块，用于基于所述测试数据，对所述训练后的馈线负荷曲线相似度模型进行测试及优化，得到目标馈线负荷曲线相似度模型；

预测模块，用于将待测馈线数据输入到所述目标馈线负荷曲线相似度模型，得到预测的馈线负荷数据。

7.根据权利要求6所述的馈线负荷的预测装置，其特征在于，所述处理模块包括：

补充子模块，用于对所述馈线数据的缺失值进行补充，得到补充的馈线数据；

删除子模块，用于对所述补充的馈线数据中的冗余数据进行删除，得到删除后的馈线数据；

处理子模块，用于采用最大最小值方法，对所述删除后的馈线数据进行标准化处理，得到所述目标馈线数据。

8.根据权利要求7所述的馈线负荷的预测装置，其特征在于，所述删除子模块包括：

偏差单元，用于对所述补充的馈线数据中存在巨大偏差值的馈线数据进行删除，得到初步删除后的馈线数据；

唯一单元，用于对所述初步删除后的馈线数据中存在唯一变量的馈线数据进行删除，得到删除后的馈线数据。

9.根据权利要求6所述的馈线负荷的预测装置，其特征在于，所述训练模块包括：

建模子模块，用于基于馈线负荷曲线相似度，进行建模，得到所述馈线负荷曲线相似度模型；

训练子模块，用于将所述训练数据输入所述馈线负荷曲线相似度模型，得到训练结果；

调整子模块，用于基于所述训练结果对应的数据标签及对应的训练结果，调整所述模型的参数，得到所述训练后的馈线负荷曲线相似度模型。

10.根据权利要求6-9任一所述的馈线负荷的预测装置，其特征在于，所述测试模块包括：

测试子模块，用于利用所述测试数据，对所述训练后的馈线负荷曲线相似度模型进行测试，得到测试结果数据；

判断子模块，用于判断所述测试结果数据是否满足预设的准确率要求；若是，则确定所述训练后的馈线负荷曲线相似度模型为目标馈线负荷曲线相似度模型；若否，则对所述训练后的馈线负荷曲线相似度模型进行优化，得到满足预设的准确率要求的目标馈线负荷曲线相似度模型。

Images