CN115860190A

CN115860190A - 负荷检测模型的训练、用电负荷的检测方法及相关装置

Info

Publication number: CN115860190A
Application number: CN202211432842.5A
Authority: CN
Inventors: 何毅鹏; 陈凤超; 段孟雍; 赵俊炜; 李祺威; 刘铮; 邓景柱; 饶欢; 邱泽坚; 徐睿烽
Original assignee: Guangdong Power Grid Co Ltd; Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Current assignee: Guangdong Power Grid Co Ltd; Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date: 2022-11-16
Filing date: 2022-11-16
Publication date: 2023-03-28

Abstract

本发明公开了一种负荷检测模型的训练、用电负荷的检测方法及相关装置，该方法包括：在本实施例中，确定微型电网，微型电网支持本地产生电能并消耗电能；获取微型电网在多个时间周期内用电时记录的原始用电负荷，各个时间周期均关联原始天气数据；对各个时间周期内的原始用电负荷进行补全，获得目标用电负荷；对原始天气数据进行校正，获得目标天气数据；以同一时间周期内的目标天气数据为样本、目标用电负荷为标签训练负荷检测模型。在实现微网智能调度且准确进行微网的负荷预测时考虑到针对负荷的气象影响存在的累积效应，针对短期负荷预测使用的气象预报本身存在误差进行对气象预报数据的校正提高了负荷的预测精度。

Description

负荷检测模型的训练、用电负荷的检测方法及相关装置

技术领域

本发明涉及微网负荷检测领域，尤其涉及一种负荷检测模型的训练、用电负荷的检测方法及相关装置。

背景技术

微网作为一种新型能源网络化供应，成为电网系统中重要的组成部分。

由于微网是一个同时进行发电、用电的微型电网系统，其负荷相较于大电网更小，波动性更强。

目前传统负荷预测主要针对大电网，缺乏考虑影响负荷的因素，且园区类微网负荷不确定及波动性更为明显，缺乏有效提取负荷关键特性，且传统负荷预测的精准度低，存在样本中漏筛选、计算慢的问题。

发明内容

本发明提供了一种负荷检测模型的训练、用电负荷的检测方法及相关装置，以解决如何准确的对微网进行负荷预测的问题。

第一方面，本发明实施例提供了一种负荷检测模型的训练方法，所述方法包括：

确定微型电网，所述微型电网支持本地产生电能并消耗电能；

获取所述微型电网在多个时间周期内用电时记录的原始用电负荷，各个所述时间周期均关联原始天气数据；

对各个所述时间周期内的所述原始用电负荷进行补全，获得目标用电负荷；

对所述原始天气数据进行校正，获得目标天气数据；

以同一所述时间周期内的所述目标天气数据为样本、所述目标用电负荷为标签训练负荷检测模型。

第二方面，本发明实施例还提供了一种用电负荷的检测方法，所述方法包括：

获取对所述微型电网在未来的时间周期中预测的原始天气数据；

对所述原始天气数据进行校正，获得目标天气数据；

加载如权利要求1-7中任一项所述的方法训练的负荷检测模型；

将所述目标天气数据输入所述负荷检测模型进行处理，得到所述微网在所述时间周期内用电时的用电负荷。

第三方面，本发明实施例还提供了一种负荷检测模型的训练装置，所述装置包括：

微网确定模块，用于确定微型电网，所述微型电网支持本地产生电能并消耗电能；

原始用电负荷获取模块，用于获取所述微型电网在多个时间周期内用电时记录的原始用电负荷，各个所述时间周期均关联原始天气数据；

原始用电负荷补全模块，用于对各个所述时间周期内的所述原始用电负荷进行补全，获得目标用电负荷；

天气数据校正模块，用于对所述原始天气数据进行校正，获得目标天气数据；

检测模型训练模块，用于以同一所述时间周期内的所述目标天气数据为样本、所述目标用电负荷为标签训练负荷检测模型。

第四方面，本发明实施例还提供了一种用电负荷的检测装置，所述装置包括：

电网确定模块，用于确定微型电网，所述微型电网支持本地产生电能并消耗电能；

原始数据获取模块，用于获取对所述微型电网在未来的时间周期中预测的原始天气数据；

目标天气数据获取模块，用于对所述原始天气数据进行校正，获得目标天气数据；

模型加载模块，用于加载如权利要求1-7中任一项所述的方法训练的负荷检测模型；

天气数据输入模块，用于将所述目标天气数据输入所述负荷检测模型进行处理，得到所述微网在所述时间周期内用电时的用电负荷。

第五方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的负荷检测模型的训练方法或者如第二方面所述的用电负荷的检测方法。

第六方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的负荷检测模型的训练方法或者如第二方面所述的用电负荷的检测方法。

在本实施例中，确定微型电网，微型电网支持本地产生电能并消耗电能；获取微型电网在多个时间周期内用电时记录的原始用电负荷，各个时间周期均关联原始天气数据；对各个时间周期内的原始用电负荷进行补全，获得目标用电负荷；对原始天气数据进行校正，获得目标天气数据；以同一时间周期内的目标天气数据为样本、目标用电负荷为标签训练负荷检测模型。一方面在实现微网智能调度且准确进行微网的负荷预测时考虑到针对负荷的气象影响存在的累积效应，导致负荷变化存在一定的滞后性的问题。进行对气象因素的加权，处理了气象因素的累计效应，解决了负荷数据变化的实时性。并针对短期负荷预测使用的气象预报本身存在误差进行对气象预报数据的校正提高了负荷的预测精度。另一方面，针对负荷预测结果不准确的问题，根据完成训练的负荷检测模型能有效提高微网负荷预测的准确度并保障了微网运行控制策略的执行，有利于微网运行的安全与稳定，提升微网运行控制水平。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例一提供的一种负荷检测模型的训练方法的流程图；

图2是根据本发明实施例二提供的一种用电负荷的检测方法的流程图；

图3是根据本发明实施例三提供的一种负荷检测模型的训练装置的结构框图；

图4是根据本发明实施例四提供的一种用电负荷的检测装置的结构框图；

图5是实现本发明实施例五提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。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他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1为本发明实施例一提供的一种负荷检测模型的训练方法的流程图，本实施例可适用于完成负荷检测模型的建立与优化的情况，该方法可以由负荷检测模型的训练装置来执行，该负荷检测模型的训练装置可以采用硬件和/或软件的形式实现，该负荷检测模型的训练装置可配置于电子设备中。如图1所示，该方法包括：

步骤101、确定微型电网。

微型电网属于一种全新的电网结构，微型电网具有调度管理功能，各单元可实现用电负荷的功率平衡，确保系统更高校、稳定、安全运行。微型电网技术是指将一定区域内或某些单位内拥有的分散的发电资源(例如自行供电的发电设备或备用发电机组、太阳能发电装置、风力发电设备等可再生能源发电装置)联结起来共同向用户供电，并通过配电网与主干大型电力网并联运行，形成一个大型电网与小型发电设备联合运行的系统。从某种意义上来说，当分布式电源达到一定比例时，就可称之为微型电网。

微型电网是相对于传统大电网的一个概念，是指多个分布式电源及其相关负载按照一定拓扑结构组成的网络，并通过静态开关关联至常规电网。微型电网为了实现智能调度并且保障微网安全、节能、高效运作前要准确的对负荷进行检测。

目前微网的负荷检测存在三个缺点。第一个缺点是针对负荷的影响因素，未考虑气象的累计效应，导致负荷的变化存在一定的滞后性。第二个缺点是短期负荷预测通常使用气象预报的数据作为预测模型的输入变量，而气象预报本身存在误差，导致预测结果出现更大偏差。第三个缺点是负荷检测结果不准确，影响微网运行控制策略的执行，进而影响微网运行的安全与稳定。

针对这三个缺点使用费希尔信息对气象中的天气数据进行加权处理并对气象预报进行误差校正，进一步准确表征天气数据与负荷数据的相关性。

对微型电网的负荷进行检测前，首先确定微型电网，该微型电网支持本地产生电能并消耗电能。

步骤102、获取微型电网在多个时间周期内用电时记录的原始用电负荷，各个时间周期均关联原始天气数据。

当确定能支持本地产生电能并消耗电能的微型电网后，获取微型电网在多个时间周期内用电时记录的用电负荷，将该用电负荷称为原始用电负荷，其中各个时间周期关联天气数据，将该天气数据称为原始天气数据。其中时间周期可为24小时，各个时间周期中关联原始的天气数据。天气数据包含辐照度、温度、湿度等。用字母Y表示原始用电负荷数据

基于LSSVM(Least Squares Support Vector Machines，最小二乘支持向量机)算法对时间周期内用电时记录的原始用电负荷进行预测。最小二乘支持向量机方法是采用最小二乘线性系统作为损失函数，代替传统的支持向量机采用的二次规划方法。

步骤103、对各个时间周期内的原始用电负荷进行补全，获得目标用电负荷。

欧式距离也称欧几里得距离，是最常见的距离度量，衡量的是多维空间中两个点之间的绝对值。可理解为：当m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧式距离就是两点之间的实际距离。

当获取微型电网在多个时间周期内用电时记录的原始用电负荷后，使用基于欧式距离的K-means(k-means clustering algorithm，K均值聚类算法)算法，对缺失的原始用电负荷的数据进行补全，将补全后的原始用电负荷作为目标用电负荷。其中K-means算法用于聚类，聚类是一种无监督学习，它将相似的对象归于一个簇中，簇中心通过簇中所有点的均值来计算。聚类算法与分类算法的主要区别是分类算法的目标类别已知，而聚类算法的目标类别未知。

示例性的，在时间周期为24小时的情况下，使用簇的平均值填充原始用电负荷中缺失的原始用电负荷，并计算对应缺失的原始用电负荷在填充前与填充后的差值，当差值满足预设的阈值时，迭代终止，完成对24小时内缺失的原始用电负荷的补全。

在本发明的一个实施例中，步骤103可以包括以下步骤：

步骤1031、初始化多个簇，每个簇中具有中心点。

对各个时间周期内的原始用电负荷进行补全前，首先基于K-means算法，随机初始化K个簇，其中K个簇中都共同拥有一个中心点，每个簇中的中点心进行初始化操作。

步骤1032、针对每个时间周期内的原始用电负荷，计算时间周期内的原始用电负荷与中心点之间的距离。

将每个时间周期内的原始用电负荷的数据分别作为一个样本，针对每个样本，计算每个样本与初始化后得到的某一个簇的中心点的欧式距离，当计算簇中的中点与样本中的欧式距离为最小时，此时的样本与簇最相似，将样本输入至对应的簇中进行处理，记录该簇并针对簇中的值计算出平均值，将该平均值赋给簇中的中心点完成中心点的更新。

针对每个时间周期内的原始用电负荷，通过如下公式计算时间周期内的原始用电负荷与中心点之间的距离：

其中，Y_i表示第i个时间周期内的原始用电负荷，Y_j表示第j个中心点，y_ir表示第i个时间周期内率的第r个原始用电负荷，y_jr表示第j个中心点的第r个用电负荷。

步骤1033、将时间周期内的原始用电负荷划入数值最小的距离所对应的簇中。

分别计算每个时间周期内的原始用电负荷与完成初始化多个簇的中心点之间的欧式距离，标记欧式距离最小的簇，将对应时间周期内的原始用电负荷划入数值最小的欧式距离所对应的簇中。

步骤1034、在每个簇中，计算所有时间周期内的原始用电负荷之间的平均值。

当完成每个簇的中心点与各个时间周期内的原始用电负荷的数据之间欧式距离的计算，并分别提取对应簇中欧式距离的值最小所对应的原始用电负荷的数据后，将对应的原始用电负荷划入欧式距离数值最小所对应的簇中进一步的完成对应的簇中所有时间周期内的原始用电负荷之间的平均值的计算。

步骤1035、将平均值更新为中心点及填充为时间周期内缺失的原始用电负荷。

将每个簇所计算出对应的平均值更新为该簇的中心点后，将更新后的中心点填充为对应簇中对应时间周期内缺失的原始用电负荷。

示例性的，确定微型电网，获取对应微型电网在24小时内的原始用电负荷与天气数据并原始用电负荷作为样本，此外初始化多个簇，每个簇中含有一个随机初始的中心点的值，使用欧式距离的K-means算法，分别计算出各个簇中的中心点与样本中各个原始用电负荷的欧式距离，提取最小的对应簇与对应原始用电负荷的欧式距离，并将对应24小时内的原始用电负荷划入对应的簇中，后重新计算簇中原始用电负荷的平均值，将平均值更新为簇的中心点。

步骤1036、判断填充后时间周期内的原始用电负荷是否满足预设的迭代条件；若是，则确定簇完成聚类，簇中时间周期内的原始用电负荷为目标用电负荷；若否，则步骤1031-步骤1035。

判断将更新后的中心点填充为对应簇中对应时间周期内缺失的原始用电负荷是否满足预设的迭代条件。通过如下公式计算时间周期内的原始用电负荷在填充前后的差异：

其中，Δt为差异，n为簇中时间周期的数量，m为在一个时间周期内原始用电负荷的数量，

为第i个时间周期内第j个原始用电负荷在填充之后的数值，/>

为第i个时间周期内第j个原始用电负荷在填充之前的数值；

若差异小于或等于预设的第一阈值，则确定填充后填充后时间周期内的原始用电负荷是否满足预设的迭代条件。

判断将更新后的中心点填充为对应簇中对应时间周期内缺失的原始用电负荷是否满足预设的迭代条件。

当满足预设的迭代条件则可确定完成聚类，则簇中时间周期内的原始用电负荷为目标用电负荷。

当未满足预设的迭代条件则可确定未完成聚类，进一步的返回执行步骤1031-步骤1035。

步骤104、对原始天气数据进行校正，获得目标天气数据。

使用费希尔信息对气象中的原始天气数据进行加权处理并对气象预报进行误差校正。其中费希尔信息是一种测量可观察随机变量X携带的关于模型X的分布的未知参数θ的信息量的方法。在形式上，θ是方差得分，或观察到的信息的预期值。费希尔信息可用于机器学习技术中，减少人工神经网络中的遗忘。利用费希尔信息对气象中的天气数据因素进行加权处理并对气象进行误差校正，进一步的准确表征天气数据与负荷数据的相关性。

使用费希尔信息对原始天气数据进行校正后，获得目标的天气数据。

在本发明的一个实施例中，步骤104可以包括以下步骤：

步骤1041、对原始天气数据的各个气象因素计算费希尔信息。

通过费希尔信息对原始天气数据进行校正前，首先通过对原始天气数据的各个气象因素计算费希尔信息。其中气象因素包含辐照度、温度、湿度等等。

步骤1042、按照费希尔信息对原始天气数据的各个气象因素进行加权处理，获得目标天气数据。

将计算得到的费希尔信息对原始天气数据的各个气象因素进行加权处理，将加权处理后的原始天气数据作为目标天气数据。

步骤105、以同一时间周期内的目标天气数据为样本、目标用电负荷为标签训练负荷检测模型。

以同一时间周期内完成加权处理后的原始天气数据即目标天气数据作为样本，将目标天气数据对应的目标用电负荷作为标签训练负荷检测模型，用于检测微网中的用电负荷的模型。

在训练负荷检测模型前，所有目标发电功率进行归一化处理，形成负荷检测模型的训练样本。归一化处理即将所有目标发电功率的数据映射到0至1的区间中，使不同量纲的所有目标发电功率转换为无量纲数据。转化公式如下：

其中，x'表示归一化后的历史数据，x表示归一化前的历史数据。

在本发明的一个实施例中，步骤105可以包括以下步骤：

步骤1051、初始化最小二乘支持向量机的参数。

在训练负荷检测模型时，初始化最小二乘支持向量机的参数，其中参数包含惩罚因子、宽度系数等参数。惩罚因子用于把受限优化问题转化为非受限优化问题，并用于解决负荷检测模型中过度拟合问题的方法。

步骤1052、将时间周期内的目标天气数据应用于灰狼算法中，以更新最小二乘支持向量机的参数。

初始化最小二乘支持向量机的参数后，将时间周期内的目标天气数据应用于灰狼算法中，用于更新最小二乘支持向量机的参数。

灰狼算法是一种新型的群体智能优化算法，是通过模拟狼群的种群地位、跟踪猎物、包围猎物和攻击猎物而设计出来。将时间周期内的目标天气数据应用于灰狼算法中时，首先初始化种群并计算个体适应度值，取排名前三的个体作为上层狼X_α、X_β、X_γ，用上层狼X_α、X_β、X_γ更新父种群位置及最小二乘支持向量机的惩罚因子、宽度系数等参数。

示例性的，灰狼算法是一种群体智能优化算法，假设搜索空间是D维，则第k个个体的未知可表示为xk＝(xk1，xk2，……，xkD)，其中xky表示第k个个体在第y维上的位置。灰狼算法在初始化的过程中按照狼群地位等级从高到低的顺序将狼群个体分为四类，定义为地位第一的狼X_α，地位第二的X_β，地位第三的X_γ，和普通狼X_θ。分别为最优解、优解、次解、和其他解。假设排名为前三的狼能够预知猎物的位置，则算法在迭代初期均找出目前位置的最优个体位置，而后通过狼群捕猎的种群习性更新普通狼的位置，以此迭代结束，最终捕获猎物。

步骤1053、判断应用最小二乘支持向量机预测的未来用电负荷与目标用电负荷之间的差异是否小于或等于预设的第二阈值；若是，则将最小二乘支持向量机输出为负荷检测模型；若否，则返回执行步骤1051-步骤1052。

最小二乘向量机作为一种基于统计理论的改进型支持向量机，具有先进的完备理论体系，能够将二次优化问题的解转换为线性方程组的求解，从而简化了问题的求解，可应用于数据回归、模式识别、时间序列预测等。通过计算判断应用最小二乘支持向量机预测的未来用电负荷与目标用电负荷之间的差异是否小于或等于预设的第二阈值。当通过判断得出应用最小二乘支持向量机预测的未来用电负荷与目标用电负荷之间的差异小于或等于预设的第二阈值时，则将对应的最小二乘支持向量机输出不为负荷检测模型。

当通过判断得出应用最小二乘支持向量机预测的未来用电负荷与目标用电负荷之间的差异大于预设的第二阈值时，返回执行步骤1051-步骤1052。

实施例二

图2为本发明实施例二提供的一种用电负荷的检测方法的流程图，本实施例可适用于完成对微网中用电负荷的检测的情况，该方法可以由用电负荷的检测装置来执行，该用电负荷的检测装置可以采用硬件和/或软件的形式实现，该用电负荷的检测装置可配置于电子设备中。如图1所示，该方法包括：

步骤201、确定微型电网，微型电网支持本地产生电能并消耗电能。

当对微型电网的用电负荷进行检测时，首先确定微型电网，其中微型电网支持本地产生电能并消耗电能。

步骤202、获取对微型电网在未来的时间周期中预测的原始天气数据。

获取对能支持本地产生电能并消耗电能的微型电网在未来的时间周期中预测的原始天气数据。

步骤203、对原始天气数据进行校正，获得目标天气数据。

对原始天气数据进行处理并校正，将校正后的原始天气数据作为目标天气数据。进一步的，对原始天气数据进行校正时，首先对原始天气数据的各个气象因素计算费希尔信息，按照计算获得的费希尔信息对原始天气数据的各个气象因素进行加权处理，将加权处理后的原始天气数据作为目标天气数据，进而获得目标天气数据。

步骤204、加载训练的负荷检测模型。

完成对目标天气数据对应的用电负荷检测前，首先加载完成训练的负荷检测模型，以便完成对目标天气数据对应的用电负荷的检测。

步骤205、将目标天气数据输入负荷检测模型进行处理，得到微网在时间周期内用电时的用电负荷。

当加载完成训练的负荷检测模型后，将目标天气数据输入至负荷检测模型中进行规范化的流程处理后，进而得到微网中目标天气数据对应的时间周期内用电时的用电负荷。其中时间周期可为24小时。

在本实施例中，确定微型电网，微型电网支持本地产生电能并消耗电能；获取对微型电网在未来的时间周期中预测的原始天气数据；对原始天气数据进行校正，获得目标天气数据；加载如权利要求1-7中任一项的方法训练的负荷检测模型；将目标天气数据输入负荷检测模型进行处理，得到微网在时间周期内用电时的用电负荷。

实施例三

图3为本发明实施例三提供的一种负荷检测模型的训练装置的结构框图，所述装置可以包括如下模块：

微网确定模块301，用于确定微型电网，所述微型电网支持本地产生电能并消耗电能；

原始用电负荷获取模块302，用于获取所述微型电网在多个时间周期内用电时记录的原始用电负荷，各个所述时间周期均关联原始天气数据；

原始用电负荷补全模块303，用于对各个所述时间周期内的所述原始用电负荷进行补全，获得目标用电负荷；

天气数据校正模块304，用于对所述原始天气数据进行校正，获得目标天气数据；

检测模型训练模块305，用于以同一所述时间周期内的所述目标天气数据为样本、所述目标用电负荷为标签训练负荷检测模型。

在本发明的一个实施例中，所述原始用电负荷补全模块303包括：

簇初始化模块，用于初始化多个簇，每个所述簇中具有中心点；

距离计算模块，用于针对每个所述时间周期内的所述原始用电负荷，计算所述时间周期内的所述原始用电负荷与所述中心点之间的距离；

原始用电负荷划入模块，用于将所述时间周期内的所述原始用电负荷划入数值最小的所述距离所对应的所述簇中；

平均值计算模块，用于在每个所述簇中，计算所有所述时间周期内的所述原始用电负荷之间的平均值；

中心点更新模块，用于将所述平均值更新为所述中心点及填充为所述时间周期内缺失的所述原始用电负荷；

迭代条件判断模块，用于判断填充后所述时间周期内的所述原始用电负荷是否满足预设的迭代条件；若是，则确定所述簇完成聚类，所述簇中所述时间周期内的所述原始用电负荷为目标用电负荷；若否，则返回执行簇初始化模块-中心点更新模块。

在本发明的一个实施例中，所述距离计算模块包括：

公式代入模块，用于针对每个所述时间周期内的所述原始用电负荷，通过如下公式计算所述时间周期内的所述原始用电负荷与所述中心点之间的距离：

其中，Y_i表示第i个所述时间周期内的所述原始用电负荷，Y_j表示第j个中心点，y_ir表示第i个时间周期内率的第r个所述原始用电负荷，y_jr表示第j个中心点的第r个用电负荷。

在本发明的一个实施例中，所述迭代条件判断模块包括：

差异计算模块，用于通过如下公式计算所述时间周期内的所述原始用电负荷在填充前后的差异：

其中，Δt为所述差异，n为所述簇中所述时间周期的数量，m为在一个所述时间周期内所述原始用电负荷的数量，

为第i个所述时间周期内第j个所述原始用电负荷在填充之后的数值，/>

为第i个所述时间周期内第j个所述原始用电负荷在填充之前的数值；

迭代条件满足模块，用于若所述差异小于或等于预设的第一阈值，则确定填充后填充后所述时间周期内的所述原始用电负荷是否满足预设的迭代条件。

在本发明的一个实施例中，所述天气数据校正模块304包括：

气象因素处理模块，用于对所述原始天气数据的各个气象因素计算费希尔信息；

目标天气获得模块，用于按照所述费希尔信息对所述原始天气数据的各个气象因素进行加权处理，获得目标天气数据。

在本发明的一个实施例中，在检测模型训练模块305之前包括：发电功率处理模块，用于对所有所述目标发电功率进行归一化处理。

在本发明的一个实施例中，所述检测模型训练模块305包括：

参数初始化模块，用于初始化最小二乘支持向量机的参数；

参数更新模块，用于将所述时间周期内的所述目标天气数据应用于灰狼算法中，以更新所述最小二乘支持向量机的参数；

阈值判断模块，用于判断应用所述最小二乘支持向量机预测的未来用电负荷与所述目标用电负荷之间的差异是否小于或等于预设的第二阈值；若是，则将所述最小二乘支持向量机输出为负荷检测模型；若否，则返回执行参数初始化模块-参数更新模块。

实施例四

图4为本发明实施例四提供的一种用电负荷的检测装置的结构框图，所述装置可以包括如下模块：

电网确定模块401，用于确定微型电网，所述微型电网支持本地产生电能并消耗电能；

原始数据获取模块402，用于获取对所述微型电网在未来的时间周期中预测的原始天气数据；

目标天气数据获取模块403，用于对所述原始天气数据进行校正，获得目标天气数据；

模型加载模块404，用于加载训练的负荷检测模型；

天气数据输入模块405，用于将所述目标天气数据输入所述负荷检测模型进行处理，得到所述微网在所述时间周期内用电时的用电负荷。

在本发明的一个实施例中，所述目标天气数据获取模块403包括：

费希尔信息计算模块，用于对所述原始天气数据的各个气象因素计算费希尔信息；

气象因素加权处理模块，用于按照所述费希尔信息对所述原始天气数据的各个气象因素进行加权处理，获得目标天气数据。

实施例五

图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，如动力电池安全性方法。

在一些实施例中，动力电池安全性方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的动力电池安全性方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行动力电池安全性方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

实施例六

本发明实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序在被处理器执行时实现如本发明任一实施例所提供的动力电池安全性方法。

计算机程序产品在实现的过程中，可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims

1.一种负荷检测模型的训练方法，其特征在于，包括：

对所述原始天气数据进行校正，获得目标天气数据；

2.根据权利要求1所述的方法，其特征在于，所述对各个所述时间周期内的所述原始用电负荷进行补全，获得目标用电负荷，包括：

初始化多个簇，每个所述簇中具有中心点；

针对每个所述时间周期内的所述原始用电负荷，计算所述时间周期内的所述原始用电负荷与所述中心点之间的距离；

将所述时间周期内的所述原始用电负荷划入数值最小的所述距离所对应的所述簇中；

在每个所述簇中，计算所有所述时间周期内的所述原始用电负荷之间的平均值；

将所述平均值更新为所述中心点及填充为所述时间周期内缺失的所述原始用电负荷；

判断填充后所述时间周期内的所述原始用电负荷是否满足预设的迭代条件；若是，则确定所述簇完成聚类，所述簇中所述时间周期内的所述原始用电负荷为目标用电负荷；若否，则返回执行所述针对每个所述时间周期内的所述原始用电负荷，计算所述时间周期内的所述原始用电负荷与所述中心点之间的距离。

3.根据权利要求2所述的方法，其特征在于，所述针对每个所述时间周期内的所述原始用电负荷，计算所述时间周期内的所述原始用电负荷与所述中心点之间的距离，包括：

针对每个所述时间周期内的所述原始用电负荷，通过如下公式计算所述时间周期内的所述原始用电负荷与所述中心点之间的距离：

4.根据权利要求2所述的方法，其特征在于，所述判断填充后所述时间周期内的所述原始用电负荷是否满足预设的迭代条件，包括：

通过如下公式计算所述时间周期内的所述原始用电负荷在填充前后的差异：

若所述差异小于或等于预设的第一阈值，则确定填充后填充后所述时间周期内的所述原始用电负荷是否满足预设的迭代条件。

5.根据权利要求1所述的方法，其特征在于，所述对所述原始天气数据进行校正，获得目标天气数据，包括：

对所述原始天气数据的各个气象因素计算费希尔信息；

按照所述费希尔信息对所述原始天气数据的各个气象因素进行加权处理，获得目标天气数据。

6.根据权利要求1所述的方法，其特征在于，在所述以同一所述时间周期内的所述目标天气数据为样本、所述目标用电负荷为标签训练负荷检测模型之前，包括：对所有所述目标发电功率进行归一化处理。

7.根据权利要求1-6中任一项所述的方法，其特征在于，所述以同一所述时间周期内的所述目标天气数据为样本、所述目标用电负荷为标签训练负荷检测模型，包括：

初始化最小二乘支持向量机的参数；

将所述时间周期内的所述目标天气数据应用于灰狼算法中，以更新所述最小二乘支持向量机的参数；

判断应用所述最小二乘支持向量机预测的未来用电负荷与所述目标用电负荷之间的差异是否小于或等于预设的第二阈值；若是，则将所述最小二乘支持向量机输出为负荷检测模型；若否，则返回执行所述将所述时间周期内的所述目标天气数据应用于灰狼算法中，以更新所述最小二乘支持向量机的参数。

8.一种用电负荷的检测方法，其特征在于，包括：

对所述原始天气数据进行校正，获得目标天气数据；

9.一种计算机设备，其特征在于，所述计算机设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的负荷检测模型的训练方法或者如权利要求8中所述的用电负荷的检测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的负荷检测模型的训练方法或者如权利要求8中所述的用电负荷的检测方法。