CN116191398A - 负荷预测方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种负荷预测方法、装置、计算机设备和存储介质。所述方法包括：通过获取在目标时段待预测区域内各用电性质的目标电力数据，以及待预测区域的目标天气数据，能够获取历史电力数据和历史天气数据，根据历史电力数据、历史天气数据、目标电力数据和目标天气数据，能够对待预测区域在未来时段内的负荷进行预测。采用本方法能够使得预测得到的负荷预测结果更加准确。

Description

负荷预测方法、装置、计算机设备和存储介质

技术领域

本申请涉及人工智能技术领域，特别是涉及一种负荷预测方法、装置、计算机设备和存储介质。

背景技术

负荷预测是保证电力系统规划的基础工作，对经济的良好运行具有十分重要的意义，因此需要对电力系统的负荷进行精准预测。目前，相关技术中通常利用历史电力数据对电力负荷进行预测。

然而，仅依据历史电力数据进行负荷预测，使得预测负荷结果与实际负荷结果产生误差，难以实现精准预测，亟需改进。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高负荷预测精准性的负荷预测方法、装置、计算机设备和存储介质。

第一方面，本申请提供了一种负荷预测方法。所述方法包括：

获取在目标时段待预测区域内各用电性质的目标电力数据，以及所述待预测区域的目标天气数据；

根据所述目标电力数据和所述目标天气数据，获取历史数据；其中，所述历史数据包括历史电力数据和历史天气数据；

根据所述历史数据、所述目标电力数据和所述目标天气数据，对所述待预测区域在未来时段内的负荷进行预测。

在其中一个实施例中，根据所述目标电力数据和所述目标天气数据，获取历史数据，包括：

根据所述目标电力数据和所述目标天气数据，确定数据特征；确定所述数据特征与候选数据之间的相似度；根据所述相似度，从所述候选数据中选择历史数据。

在其中一个实施例中，根据所述相似度，从所述候选数据中选择历史数据，包括：

将所述候选数据中相似度大于初始相似度阈值的候选数据，作为可选数据；若所述可选数据的数据量小于设定数据阈值，则将所述可选数据，作为历史数据；若所述可选数据的数据量大于所述设定数据阈值，则将所述初始相似阈值与固定数值相加，并将相加结果作为新的初始相似度阈值，将所述可选数据作为新的候选数据，返回执行将新的候选数据中相似度大于新的初始相似度阈值的候选数据，作为新的可选数据。

在其中一个实施例中，根据所述目标电力数据和所述目标天气数据，确定数据特征，包括：

将所述目标电力数据和所述目标天气数据，输入至特征提取网络，得到数据特征。

在其中一个实施例中，根据所述历史数据、所述目标电力数据和所述目标天气数据，对所述待预测区域在未来时段内的负荷进行预测，包括：

采用粒子群算法，根据所述历史数据，构建负荷预测模型；基于所述负荷预测模型，根据所述目标电力数据和所述目标天气数据，对所述待预测区域在未来时段内的负荷进行预测。

在其中一个实施例中，所述方法还包括：

根据负荷预测结果，确定输出模式；采用所述输出模式，对所述负荷预测结果进行输出。

第二方面，本申请还提供了一种负荷预测装置。所述装置包括：

目标数据获取模块，用于获取在目标时段待预测区域内各用电性质的目标电力数据，以及所述待预测区域的目标天气数据；

历史数据获取模块，用于根据所述目标电力数据和所述目标天气数据，获取历史数据；其中，所述历史数据包括历史电力数据和历史天气数据；

负荷预测模块，用于根据所述历史数据、所述目标电力数据和所述目标天气数据，对所述待预测区域在未来时段内的负荷进行预测。

第三方面，本申请还提供了一种计算机设备。所述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以下步骤：

获取在目标时段待预测区域内各用电性质的目标电力数据，以及所述待预测区域的目标天气数据；

根据所述目标电力数据和所述目标天气数据，获取历史数据；

根据所述历史数据、所述目标电力数据和所述目标天气数据，对所述待预测区域在未来时段内的负荷进行预测。

第四方面，本申请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，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以下步骤：

获取在目标时段待预测区域内各用电性质的目标电力数据，以及所述待预测区域的目标天气数据；

根据所述目标电力数据和所述目标天气数据，获取历史数据；

根据所述历史数据、所述目标电力数据和所述目标天气数据，对所述待预测区域在未来时段内的负荷进行预测。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，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：

获取在目标时段待预测区域内各用电性质的目标电力数据，以及所述待预测区域的目标天气数据；

根据所述目标电力数据和所述目标天气数据，获取历史数据；

根据所述历史数据、所述目标电力数据和所述目标天气数据，对所述待预测区域在未来时段内的负荷进行预测。

上述负荷预测方法、装置、计算机设备和存储介质，通过获取在目标时段待预测区域内各用电性质的目标电力数据，以及待预测区域的目标天气数据，能够获取历史电力数据和历史天气数据，根据历史电力数据、历史天气数据、目标电力数据和目标天气数据，能够对待预测区域在未来时段内的负荷进行预测。上述方案，通过引入影响电力数据的天气数据，并将目标天气数据、目标电力数据、历史天气数据和历史电力数据同时作为电力预测的输入数据，使得预测得到的负荷预测结果更加准确。

附图说明

图1为一个实施例中负荷预测方法的应用环境图；

图2为一个实施例中负荷预测方法的流程示意图；

图3为一个实施例中选择历史数据的流程示意图；

图4为一个实施例中构建负荷预测模型并预测的流程示意图；

图5为另一个实施例中负荷预测方法的流程示意图；

图6为一个实施例中负荷预测装置的结构框图；

图7为另一个实施例中负荷预测装置的结构框图；

图8为又一个实施例中负荷预测装置的结构框图；

图9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。

本申请实施例提供的负荷预测方法，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。例如，各区域的历史电力数据和历史天气数据等。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。例如，服务器104可以通过获取在目标时段待预测区域内各用电性质的目标电力数据，以及待预测区域的目标天气数据，获取历史电力数据和历史天气数据，根据历史电力数据、历史天气数据、目标电力数据和目标天气数据，对待预测区域在未来时段内的负荷进行预测；进一步的，服务器104可以将所预测的负荷数据发送给终端102进行展示。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、平板电脑和物联网设备等。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，提供了一种负荷预测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

S201，获取在目标时段待预测区域内各用电性质的目标电力数据，以及待预测区域的目标天气数据。

其中，目标时段指的是包括当前时间及当前时间之前的一段时间(比如一个月、一个季度或者一年)；各用电性质包括城市民用电、商业用电、工业用电以及农村用电等各类型的用电；目标电力数据指的是在目标时段内的电力数据，包括但不限于各电网的功率、电压电流等电力数据；目标天气数据指的是与目标电力数据相对应的气候、温度等天气数据。

具体的，为了预测未来某一时段的负荷量，服务器可以获取待预测区域在目标时段内的各用电性质的目标电力数据，以及待预测区域在目标时段内的目标天气数据。

S202，根据目标电力数据和目标天气数据，获取历史数据。

其中，历史数据即为待预测区域和/或其他区域在历史时段内的数据，具体为与目标电力数据和目标天气数据带有一定相关性的历史真实数据，可以包括历史电力数据和历史天气数据。其中，历史时段为目标时段之前的时间段。

示例性的，可以利用分布式存储的方式将电力相关数据(包括但不限于历史数据、目标电力数据和目标天气数据等)进行分类存储，在各个服务器中将算法拓展到多个并行的服务器中并依次分发分割数据，数据分割依据不同的服务器将每个被分割的部分具备相同数据段，对这些数据段进行编号，再将多个数据段进行编号，这样不同的内存数据被分类存储在不同的分布式数据库中，保证数据分段的均衡性以及降低数据存储容量。

可选的，可以将目标电力数据和目标天气数据输入至经过训练的历史数据选择模型中，该历史数据选择模型可以根据目标电力数据和目标天气数据的特征，从服务器中选取与该特征具有相关性的数据作为历史数据；进一步的，历史数据选择模型将选出的历史数据进行输出，并进行下一步操作。

S203，根据历史数据、目标电力数据和目标天气数据，对待预测区域在未来时段内的负荷进行预测。

具体的，可以基于历史数据、目标电力数据和目标天气数据之间的相关特征构建出一个用于负荷预测的负荷预测模型。可选的，可以基于上述数据之间的相关特征构建出一个广义线性模型用作负荷预测模型。或者，还可以基于上述数据之间的相关特征构建出一个神经网络模型用作负荷预测模型；具体的，在训练负荷预测模型的过程中，可以通过逻辑回归的方式作为基准对预测负荷进行参考，再通过随机森林算法的方式提升电力负荷预测的准确性；进一步的，根据神经网络的实际输出和预测输出的差别调整神经元连接的权重。

进一步的，可以将目标电力数据和目标天气数据同时输入到经过训练的负荷预测模型中，负荷预测模型可以基于目标电力数据和目标天气数据以及模型内预设的参数，输出待预测区域在未来时段内的负荷。

上述负荷预测方法中，通过获取在目标时段待预测区域内各用电性质的目标电力数据，以及待预测区域的目标天气数据，能够获取历史电力数据和历史天气数据，根据历史电力数据、历史天气数据、目标电力数据和目标天气数据，能够对待预测区域在未来时段内的负荷进行预测。上述方案，通过引入影响电力数据的天气数据，并将目标天气数据、目标电力数据、历史天气数据和历史电力数据同时作为电力预测的输入数据，使得预测得到的负荷预测结果更加准确。

在上述实施例的基础上，为了使得到的负荷结果能够精准显示，可以根据负荷预测结果确定输出模式，采用输出模式对负荷预测结果进行输出。

可选的，在确定负荷预测结果后，可以将负荷预测结果与服务器内预设的负荷阈值进行比较，若负荷预测结果大于负荷阈值，服务器会向终端发送红色警示图标，用于表示待测区域在未来某一时段内的用电量大于电网负载能力；若负荷预测结果小于负荷阈值，服务器会向终端发送绿色图标，用于表示待测区域在未来某一时段内的用电量小于电网负载能力。

在上述实施例的基础上，如图3所示，对S202作进一步阐述，具体包括以下步骤：

S301，根据目标电力数据和目标天气数据，确定数据特征。

示例性的，可以通过对目标电力数据和目标天气数据进行降维分解后再进行聚类分析以获取数据特征。具体的，可以通过奇异值分解方法对目标电力数据和目标天气数据进行降维分解，提取具有主要数据特征的特征矩阵，然后利用KL改进算法确定初始聚类中心和优质聚类个数，从中得到聚类分析最优值，实现电力负荷数据信息特征的提取与分类，进而确定数据特征。

或者，还可以对目标时段内的目标天气数据进行统计分析，其中，目标天气分为阴天和晴天；进一步的，将统计出的阴天天数与目标时段内的天数作比得到阴天的统计概率，同理，将统计出的晴天天数与目标时段内的天数作比得到晴天的统计概率；最后，将阴天的统计概率和晴天的统计概率进行融合即可得到一个用于表示目标天气数据特征的目标天气特征。

同理，可以根据目标电力数据根据各用电性质的用电负荷占目标电力数据中整体用电负荷的比重，得到一个可以表示目标电力数据特征的目标电力特征。进一步的，将目标天气特征和目标电力特征进行融合即可得到数据特征。

此外，还可以将目标电力数据和目标天气数据，输入至特征提取网络，得到数据特征。具体的，可以将目标电力数据和目标天气数据，直接输入至经过训练的特征提取网络，特征提取网络可以基于目标电力数据和目标天气数据，以及特征提取网络中预设的参数能够直接输出数据特征。

S302，确定数据特征与候选数据之间的相似度。

其中，候选数据指的是服务器中存储的历史时段内与电力相关的数据。可选的，每一候选数据中包括历史电力数据和历史天气数据。

可选的，可以将数据特征输入到相似性模型中作为初始参数，并将服务器中存储的候选数据依次输入到相似性模型中，相似性模型通过比对数据特征和每一候选数据，得到数据特征与每一候选数据之间的相似度。

S303，根据相似度，从候选数据中选择历史数据。

可选的，可以将候选数据按照与数据特征之间相似度的大小，由大到小进行排列，选择相似度高的一部分候选数据作为历史数据。

为了减少数据计算量，还可以选择下述方法从候选数据中选择历史数据，具体包括以下步骤：

第一步骤，将候选数据中相似度大于初始相似度阈值的候选数据，作为可选数据。

其中，初始相似度阈值指的是用于衡量候选数据与数据特征相似度大小的阈值；可选数据指的是需要进行筛选的数据。

具体的，将每一候选数据的相似度与初始相似度阈值作比对，若某一候选数据的相似度大于初始相似度阈值，则将该候选数据作为可选数据。

第二步骤，若可选数据的数据量小于设定数据阈值，则将可选数据，作为历史数据。

其中，设定数据阈值指的是用于衡量可选数据的数据量大小的阈值。

具体的，统计可选数据的数据量，若可选数据的数据量小于设定数据阈值，则将可选数据作为历史数据。

第三步骤，若可选数据的数据量大于设定数据阈值，则将初始相似阈值与固定数值相加，并将相加结果作为新的初始相似度阈值，将可选数据作为新的候选数据，返回执行将新的候选数据中相似度大于新的初始相似度阈值的候选数据，作为新的可选数据。

可以理解的是，若在第一步骤阶段筛选出的可选数据的数据量大于设定数据阈值，则表示可选数据的数据量过大，因此需要通过提高初始相似阈值的方式对可选数据进行再次筛选。

具体的，当可选数据的数据量大于设定数据阈值时，可以将初始相似阈值与固定数值相加，并将相加结果作为新的初始相似度阈值；进一步的，将上一步筛选出来的可选数据作为新的候选数据，返回执行第一步骤，即将新的候选数据重新与新的初始相似度阈值进行比较，将新的候选数据中相似度大于新的初始相似度阈值的候选数据，作为新的可选数据；之后，统计新的可选数据的数据量，若新的可选数据的数据量小于设定数据阈值，则将新的可选数据作为历史数据，否则，将新的初始相似阈值与固定数值相加，并将相加结果作为下一新的初始相似度阈值，将新的可选数据作为下一新的候选数据。以此类推，直至获取到历史数据为止。

在本实施例中，通过引入相似度，能够选择出与数据特征相似度高的电力数据，进而提高了电力负荷预测的准确性。

在上述实施例的基础上，对S204作进一步阐述，如图4所示，具体包括以下步骤：

S401，采用粒子群算法，根据历史数据，构建负荷预测模型。

其中，粒子群算法是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。通常认为它是群集智能的一种，可以被纳入多主体优化系统。

具体的，可以将历史数据作为训练样本，采用粒子群算法，通过多次迭代来构建出基于历史数据的负荷预测模型。

S402，基于负荷预测模型，根据目标电力数据和目标天气数据，对待预测区域在未来时段内的负荷进行预测。

具体的，将目标电力数据和目标天气数据输入到构建的负荷预测模型中，负荷预测模型基于目标电力数据和目标天气数据，以及负荷预测模型内预设的参数能够输出预测到的未来时段内的负荷数据。

在本实施例中，采用粒子群算法构建负荷预测模型，提高了模型构建的准确性，进而提高了电力负荷预测的准确性。

图5为另一个实施例中负荷预测方法的流程示意图，在上述实施例的基础上，本实施例提供了一种负荷预测方法的可选实例。结合图5，具体实现过程如下：

S501，获取在目标时段待预测区域内各用电性质的目标电力数据，以及待预测区域的目标天气数据。

S502，将目标电力数据和目标天气数据，输入至特征提取网络，得到数据特征。

S503，确定数据特征与候选数据之间的相似度。

S504，根据相似度，从候选数据中选择历史数据。

S505，采用粒子群算法，根据历史数据，构建负荷预测模型。

S506，基于负荷预测模型，根据目标电力数据和目标天气数据，对待预测区域在未来时段内的负荷进行预测。

上述S501-S506的具体过程可以参见上述方法实施例的描述，其实现原理和技术效果类似，在此不再赘述。

应该理解的是，虽然如上所述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，如上所述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负荷预测方法的负荷预测装置。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负荷预测装置实施例中的具体限定可以参见上文中对于负荷预测方法的限定，在此不再赘述。

在一个实施例中，如图6所示，提供了一种负荷预测装置1，包括：目标数据获取模块10、历史数据获取模块20和负荷预测模块30，其中：

目标数据获取模块10，用于获取在目标时段待预测区域内各用电性质的目标电力数据，以及待预测区域的目标天气数据；

历史数据获取模块20，用于根据目标电力数据和目标天气数据，获取历史数据；其中，历史数据包括历史电力数据和历史天气数据；

负荷预测模块30，用于根据历史数据、目标电力数据和目标天气数据，对待预测区域在未来时段内的负荷进行预测。

在一个实施例中，如图7所示，历史数据获取模块20还包括：

特征确定单元21，用于根据目标电力数据和目标天气数据，确定数据特征；

相似度确定单元22，用于确定数据特征与候选数据之间的相似度；

数据确定单元23，用于根据相似度，从候选数据中选择历史数据。

在一个实施例中，数据确定单元23具体用于：

将候选数据中相似度大于初始相似度阈值的候选数据，作为可选数据；若可选数据的数据量小于设定数据阈值，则将可选数据，作为历史数据；若可选数据的数据量大于设定数据阈值，则将初始相似阈值与固定数值相加，并将相加结果作为新的初始相似度阈值，将可选数据作为新的候选数据，返回执行将新的候选数据中相似度大于新的初始相似度阈值的候选数据，作为新的可选数据。

在一个实施例中，特征确定单元21具体用于：

将目标电力数据和目标天气数据，输入至特征提取网络，得到数据特征。

在一个实施例中，如图8所示，负荷预测模块30还包括：

模型构建单元31，用于采用粒子群算法，根据历史数据，构建负荷预测模型；

负荷预测单元32，用于基于负荷预测模型，根据目标电力数据和目标天气数据，对待预测区域在未来时段内的负荷进行预测。

在一个实施例中，负荷预测装置1还包括输出模块，具体用于：

根据负荷预测结果，确定输出模式；采用输出模式，对负荷预测结果进行输出。

上述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9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历史电力数据和历史天气数据等数据。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负荷预测方法。

本领域技术人员可以理解，图9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：

获取在目标时段待预测区域内各用电性质的目标电力数据，以及待预测区域的目标天气数据；

根据目标电力数据和目标天气数据，获取历史数据；其中，历史数据包括历史电力数据和历史天气数据；

根据历史数据、目标电力数据和目标天气数据，对待预测区域在未来时段内的负荷进行预测。

在一个实施例中，处理器执行计算机程序中根据目标电力数据和目标天气数据，获取历史数据的逻辑时，具体实现以下步骤：

根据目标电力数据和目标天气数据，确定数据特征；确定数据特征与候选数据之间的相似度；根据相似度，从候选数据中选择历史数据。

在一个实施例中，处理器执行计算机程序中根据相似度，从候选数据中选择历史数据的逻辑时，具体实现以下步骤：

将候选数据中相似度大于初始相似度阈值的候选数据，作为可选数据；若可选数据的数据量小于设定数据阈值，则将可选数据，作为历史数据；若可选数据的数据量大于设定数据阈值，则将初始相似阈值与固定数值相加，并将相加结果作为新的初始相似度阈值，将可选数据作为新的候选数据，返回执行将新的候选数据中相似度大于新的初始相似度阈值的候选数据，作为新的可选数据。

在一个实施例中，处理器执行计算机程序中根据目标电力数据和目标天气数据，确定数据特征的逻辑时，具体实现以下步骤：

将目标电力数据和目标天气数据，输入至特征提取网络，得到数据特征。

在一个实施例中，处理器执行计算机程序中根据历史数据、目标电力数据和目标天气数据，对待预测区域在未来时段内的负荷进行预测的逻辑时，具体实现以下步骤：

采用粒子群算法，根据历史数据，构建负荷预测模型；基于负荷预测模型，根据目标电力数据和目标天气数据，对待预测区域在未来时段内的负荷进行预测。

在一个实施例中，处理器执行计算机程序的逻辑时，具体实现以下步骤：

根据负荷预测结果，确定输出模式；采用输出模式，对负荷预测结果进行输出。

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：

获取在目标时段待预测区域内各用电性质的目标电力数据，以及待预测区域的目标天气数据；

根据目标电力数据和目标天气数据，获取历史数据；其中，历史数据包括历史电力数据和历史天气数据；

根据历史数据、目标电力数据和目标天气数据，对待预测区域在未来时段内的负荷进行预测。

在一个实施例中，计算机程序中对根据目标电力数据和目标天气数据，获取历史数据的这一代码逻辑被处理器执行时，具体实现以下步骤：

根据目标电力数据和目标天气数据，确定数据特征；确定数据特征与候选数据之间的相似度；根据相似度，从候选数据中选择历史数据。

在一个实施例中，计算机程序中对根据相似度，从候选数据中选择历史数据的这一代码逻辑被处理器执行时，具体实现以下步骤：

将候选数据中相似度大于初始相似度阈值的候选数据，作为可选数据；若可选数据的数据量小于设定数据阈值，则将可选数据，作为历史数据；若可选数据的数据量大于设定数据阈值，则将初始相似阈值与固定数值相加，并将相加结果作为新的初始相似度阈值，将可选数据作为新的候选数据，返回执行将新的候选数据中相似度大于新的初始相似度阈值的候选数据，作为新的可选数据。

在一个实施例中，计算机程序中对根据目标电力数据和目标天气数据，确定数据特征的这一代码逻辑被处理器执行时，具体实现以下步骤：

将目标电力数据和目标天气数据，输入至特征提取网络，得到数据特征。

在一个实施例中，计算机程序中对根据历史数据、目标电力数据和目标天气数据，对待预测区域在未来时段内的负荷进行预测的这一代码逻辑被处理器执行时，具体实现以下步骤：

采用粒子群算法，根据历史电力数据，构建负荷预测模型；基于负荷预测模型，根据目标电力数据和目标天气数据，对待预测区域在未来时段内的负荷进行预测。

在一个实施例中，计算机程序被处理器执行时实现以下步骤：

根据负荷预测结果，确定输出模式；采用输出模式，对负荷预测结果进行输出。

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：

获取在目标时段待预测区域内各用电性质的目标电力数据，以及待预测区域的目标天气数据；

根据目标电力数据和目标天气数据，获取历史数据；其中，历史数据包括历史电力数据和历史天气数据；

根据历史数据、目标电力数据和目标天气数据，对待预测区域在未来时段内的负荷进行预测。

在一个实施例中，计算机程序被处理器执行对根据目标电力数据和目标天气数据，获取历史数据的操作时，具体实现以下步骤：

根据目标电力数据和目标天气数据，确定数据特征；确定数据特征与候选数据之间的相似度；根据相似度，从候选数据中选择历史数据。

在一个实施例中，计算机程序被处理器执行对根据相似度，从候选数据中选择历史数据的操作时，具体实现以下步骤：

将候选数据中相似度大于初始相似度阈值的候选数据，作为可选数据；若可选数据的数据量小于设定数据阈值，则将可选数据，作为历史数据；若可选数据的数据量大于设定数据阈值，则将初始相似阈值与固定数值相加，并将相加结果作为新的初始相似度阈值，将可选数据作为新的候选数据，返回执行将新的候选数据中相似度大于新的初始相似度阈值的候选数据，作为新的可选数据。

在一个实施例中，计算机程序被处理器执行对根据目标电力数据和目标天气数据，确定数据特征的操作时，具体实现以下步骤：

将目标电力数据和目标天气数据，输入至特征提取网络，得到数据特征。

在一个实施例中，计算机程序被处理器执行对根据历史数据、目标电力数据和目标天气数据，对待预测区域在未来时段内的负荷进行预测的操作时，具体实现以下步骤：

采用粒子群算法，根据历史数据，构建负荷预测模型；基于负荷预测模型，根据目标电力数据和目标天气数据，对待预测区域在未来时段内的负荷进行预测。

在一个实施例中，计算机程序被处理器执行时实现以下步骤：

根据负荷预测结果，确定输出模式；采用输出模式，对负荷预测结果进行输出。

需要说明的是，本申请所涉及的信息(包括但不限于用电设备信息、用电用户个人信息等)和数据(包括但不限于用于历史电力数据、历史天气数据等)，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)

1.一种负荷预测方法，其特征在于，所述方法包括：

获取在目标时段待预测区域内各用电性质的目标电力数据，以及所述待预测区域的目标天气数据；

根据所述目标电力数据和所述目标天气数据，获取历史数据；其中，所述历史数据包括历史电力数据和历史天气数据；

根据所述历史数据、所述目标电力数据和所述目标天气数据，对所述待预测区域在未来时段内的负荷进行预测。

2.根据权利要求1所述的方法，其特征在于，所述根据所述目标电力数据和所述目标天气数据，获取历史数据，包括：

根据所述目标电力数据和所述目标天气数据，确定数据特征；

确定所述数据特征与候选数据之间的相似度；

根据所述相似度，从所述候选数据中选择历史数据。

3.根据权利要求2所述的方法，其特征在于，所述根据所述相似度，从所述候选数据中选择历史数据，包括：

将所述候选数据中相似度大于初始相似度阈值的候选数据，作为可选数据；

若所述可选数据的数据量小于设定数据阈值，则将所述可选数据，作为历史数据；

若所述可选数据的数据量大于所述设定数据阈值，则将所述初始相似阈值与固定数值相加，并将相加结果作为新的初始相似度阈值，将所述可选数据作为新的候选数据，返回执行将新的候选数据中相似度大于新的初始相似度阈值的候选数据，作为新的可选数据。

4.根据权利要求2所述的方法，其特征在于，所述根据所述目标电力数据和所述目标天气数据，确定数据特征，包括：

将所述目标电力数据和所述目标天气数据，输入至特征提取网络，得到数据特征。

5.根据权利要求1所述的方法，其特征在于，所述根据所述历史数据、所述目标电力数据和所述目标天气数据，对所述待预测区域在未来时段内的负荷进行预测，包括：

采用粒子群算法，根据所述历史数据，构建负荷预测模型；

基于所述负荷预测模型，根据所述目标电力数据和所述目标天气数据，对所述待预测区域在未来时段内的负荷进行预测。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据负荷预测结果，确定输出模式；

采用所述输出模式，对所述负荷预测结果进行输出。

7.一种负荷预测装置，其特征在于，所述装置包括：

目标数据获取模块，用于获取在目标时段待预测区域内各用电性质的目标电力数据，以及所述待预测区域的目标天气数据；

历史数据获取模块，用于根据所述目标电力数据和所述目标天气数据，获取历史数据；其中，所述历史数据包括历史电力数据和历史天气数据；

负荷预测模块，用于根据所述历史数据、所述目标电力数据和所述目标天气数据，对所述待预测区域在未来时段内的负荷进行预测。

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6中任一项所述的方法的步骤。

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6中任一项所述的方法的步骤。

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6中任一项所述的方法的步骤。

Images