CN116227731A - 负荷预测方法、装置、设备及介质 - Google Patents

Abstract

本公开提供了一种负荷预测方法、装置、设备及介质，涉及工业大数据领域，具体涉及人工智能和智慧城市领域中。具体实现方案为：获取历史负荷和预测关联数据；检测所述历史负荷的分布是否发生变化，得到检测结果；获取与所述检测结果对应的预测方式；根据与所述检测结果对应的预测方式，对所述历史负荷和所述预测关联数据进行处理得到预测负荷，所述历史负荷为第一时间段的负荷，所述预测关联数据为第二时间段的关联数据，所述第一时间段早于所述第二时间段，所述预测负荷为第二时间段的负荷。本公开实施例可以实现精准预测电力负荷。

Description

负荷预测方法、装置、设备及介质

技术领域

本公开涉及工业大数据领域，具体涉及人工智能和智慧城市领域中，尤其涉及一种负荷预测方法、装置、设备及介质。

背景技术

电力系统作为城市生命线工程的重要环节，对于城市的发展建设和居民生活保障都发挥着重要作用，电力系统的安全和稳定是一切社会活动的基础。

准确有效的对电网负荷进行预测，对于电网的安全平稳运行和电力的高效生产至关重要。

发明内容

本公开提供了一种负荷预测方法、装置、设备及介质。

根据本公开的一方面，提供了一种负荷预测方法，包括：

获取历史负荷和预测关联数据；

检测所述历史负荷的分布是否发生变化，得到检测结果；

获取与所述检测结果对应的预测方式；

根据与所述检测结果对应的预测方式，对所述历史负荷和所述预测关联数据进行处理得到预测负荷，所述历史负荷为第一时间段的负荷，所述预测关联数据为第二时间段的关联数据，所述第一时间段早于所述第二时间段，所述预测负荷为第二时间段的负荷。

根据本公开的一方面，提供了一种负荷预测装置，包括：

待处理数据获取模块，用于获取历史负荷和预测关联数据；

负荷分布检测模块，用于检测所述历史负荷的分布是否发生变化，得到检测结果；

预测方式确定模块，用于获取与所述检测结果对应的预测方式；

负荷预测模块，用于根据与所述检测结果对应的预测方式，对所述历史负荷和所述预测关联数据进行处理得到预测负荷，所述历史负荷为第一时间段的负荷，所述预测关联数据为第二时间段的关联数据，所述第一时间段早于所述第二时间段，所述预测负荷为第二时间段的负荷。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开任一实施例所述的负荷预测方法或负荷预测方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开任一实施例所述的负荷预测方法或负荷预测方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开任一实施例所述的负荷预测方法或负荷预测方法。

本公开实施例可以实现精准预测电力负荷。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开实施例公开的一种负荷预测方法的流程图；

图2是根据本公开实施例公开的另一种负荷预测方法的流程图；

图3是根据本公开实施例公开的一种分布差异的示意图；

图4是根据本公开实施例公开的一种负荷预测方法的流程图；

图5是根据本公开实施例公开的一种负荷预测方法的场景图；

图6是根据本公开实施例公开的负荷预测装置的结构示意图；

图7是根据本公开实施例公开的负荷预测方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本公开实施例公开的一种负荷预测方法的流程图，本实施例可以适用于根据历史时间采集的负荷和未来时间的预测的影响负荷的关联数据，预测未来时间的负荷的情况。本实施例方法可以由负荷预测装置来执行，该装置可采用软件和/或硬件的方式实现，并具体配置于具有一定数据运算能力的电子设备中，该电子设备可以是客户端设备或服务器设备，客户端设备例如手机、平板电脑、车载终端和台式电脑等。

S101、获取历史负荷和预测关联数据，所述历史负荷为第一时间段的负荷，所述预测关联数据为第二时间段的关联数据，所述第一时间段早于所述第二时间段。

历史负荷，可以是真实采集到的负荷。通常负荷预测过程为采用实际采集到的某一时间段的负荷，预测在晚于该时间段的另一个时间段内的负荷。预测关联数据不是真实采集的数据，是需要预测的负荷所在的时间段的能影响到负荷的关联数据。环境数据可以包括待预测的电网所处的空间的环境气象数据和人为数据。示例性的，环境气象数据可以包括：温度、湿度、辐照度、风力、气压和污染度等。人为数据可以包括：时间(工作日或节假日等)、空间位置(郊区、中心城区或厂区等)和特定活动等。第一时间段是历史负荷的采集时间段，第二时间段是预测关联数据和预测负荷所处的时间段。

需要说明的是，历史负荷和预测负荷都是一段时间内多个时间点的负荷值，可以理解为是一组数据，一个数据代表一个时间点对应的负荷值，其中，负荷值可以包括火力发电形成的负荷值，或者采用新能源发电形成的负荷值。新能源可以是风力、光伏和水力等。

S102、检测所述历史负荷的分布是否发生变化，得到检测结果。

历史负荷的分布发生变化，是指历史负荷中负荷的分布与确定预测方式所需的负荷的分布是否变化。从而判断是否可以采用历史确定的预测方式，根据历史负荷和预测关联数据预测未来负荷。实际上，在本公开实施例中，预测方式的确定和负荷的分布相关，即不同负荷的分布对应不同的预测方式。

示例性的，可以获取确定预测方式所需的分布，并与历史负荷的分布进行比较，检测历史负荷的分布是否发生变化。或者可以采用历史负荷中时间在后的负荷与时间在先的负荷比较分布变化，检测历史负荷的分布是否发生变化。可以获取分布的表征数值，计算二者之间的差值，若差值较小，确定分布无变化，若差值较大，确定分布有变化。

S103、获取与所述检测结果对应的预测方式。

检测结果为有变化或者无变化。不同检测结果对应不同的预测方式。可以建立检测结果与预测方式之间的对应关系。或者，检测结果无变化，可以采用上次预测的预测方式；检测结果有变化，更新预测方式。

S104、根据与所述检测结果对应的预测方式，对所述历史负荷和所述预测关联数据进行处理得到预测负荷，所述预测负荷为第二时间段的负荷。

预测方式的输入为历史负荷和预测关联数据，输出为预测负荷。

现有的，电力负荷检测可以通过观察近期相似日的情况给出负荷预测结果。该方法只能利用近期的数据，对于历史的数据没有充分使用，缺少更多的有效信息，极容易受到近期数据影响。或者通过用户的经验与新能源的并网情况给出电力负荷检测结果。新能源的并网数据是有延迟性的，而且很难对于并网的装机量有一个精准的获取。

根据本公开的技术方案，通过在历史负荷的分布发生变化时，可以动态检测相应的预测方式，使得预测方式适配当前数据分布，提高预测精度，同时在预测时基于输入数据进行预测方式的选择，可以实时调整到最佳预测方式进行预测，提高预测调整的实时性，此外，历史电荷的分布和历史的关联数据息息相关，根据历史电荷的分布，选择适配的预测方式，可以使得预测方式考虑到关联数据的历史分布，进一步提高预测精度。

图2是根据本公开实施例公开的另一种负荷预测方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。所述检测所述历史负荷的分布是否发生变化，具体化为：对所述历史负荷进行划分，得到第三时间段的负荷和第四时间段的负荷，所述第一时间段包括所述第三时间段和所述第四时间段；检测所述第三时间段的负荷和所述第四时间段的负荷之间的分布差异；根据所述分布差异，检测所述历史负荷的分布是否发生变化。

S201、获取历史负荷和预测关联数据。

S202、对所述历史负荷进行划分，得到第三时间段的负荷和第四时间段的负荷，所述第一时间段包括所述第三时间段和所述第四时间段。

将第一时间段的历史负荷划分为两个时间段的负荷。示例性的，第一时间段可以划分为第三时间段和第四时间段。可以设定第三时间段早于第四时间段。示例性的，第一时间段为30天的负荷数据，第三时间段为前23天的负荷数据，第四时间段为后7天的负荷数据。

S203、检测所述第三时间段的负荷和所述第四时间段的负荷之间的分布差异。

分布差异用于描述第三时间段的负荷与第四时间段的负荷的分布之间的差异程度，从而确定负荷在第三时间段的分布和第四时间段的分布是否发生变化。可以采用负荷的取值范围和分布形状等确定分布差异。

可选的，所述检测所述第三时间段的负荷和所述第四时间段的负荷之间的分布差异，包括：检测所述第三时间段的负荷取值分布百分比；检测所述第四时间段的负荷取值分布百分比；计算所述第三时间段的负荷取值分布百分比和所述第四时间段的负荷取值分布百分比之间的最大差值，确定为所述第三时间段的负荷和所述第四时间段的负荷之间的分布差异。

某个目标数值的负荷取值分布百分比是指小于负荷取值为目标数值的数值的数量占总数的百分比。某个时间段的负荷取值分布百分比包括该时间段内至少一个数值的负荷取值分布百分比。将第三时间段和第四时间段中各数值的负荷取值分布百分比进行差值计算，将各数值的差值中最大差值，确定为第三时间段的负荷取值分布百分比和第四时间段的负荷取值分布百分比之间的最大差值，也即分布差异。

示例性的，如图3所示，横轴为负荷取值(X)，纵轴为累计概率(cumulativeprobability)。平滑曲线为第三时间段的负荷取值分布百分比，矩形曲线为第四时间段的负荷取值分布百分比。其中，箭头表示最大差值的位置和最大差值的数值。

通过将第三时间段和第四时间段的负荷取值分布百分比之间的最大差值确定为分布差异，可以检测数据分布是否发生显著变化，提高数据分布的检测准确性。

S204、根据所述分布差异，检测所述历史负荷的分布是否发生变化，得到检测结果。

将分布差异与差异阈值进行比较，根据比较结果，确定历史负荷的分布是否发生变化，从而得到检测结果。

示例性的，分布差异大于差异阈值，确定分布发生变化；分布差异小于等于差异阈值，确定分布未发生变化。

又如，分布差异作为K-S检验的经验统计量，基于统计量给出p-value，判断p-value是否大于等于所设置的差异阈值(经常设置为0.05)，若小于差异阈值则存在数据分布发生了变化。

S205、获取与所述检测结果对应的预测方式。

S206，根据与所述检测结果对应的预测方式，对所述历史负荷和所述预测关联数据进行处理得到预测负荷，所述历史负荷为第一时间段的负荷，所述预测关联数据为第二时间段的关联数据，所述第一时间段早于所述第二时间段，所述预测负荷为第二时间段的负荷。

可选的，负荷预测方法还包括：根据所述预测负荷，在所述第二时间段进行电网系统的电力调度。

目前由于新能源发电的并入传统方式发电(火力)的电网，导致传统方式的电网的母线负荷的频繁波动，使得负荷难以精准预测。

根据预测负荷，确定第二时间段输出的母线负荷，按照输出的母线负荷，确定电力系统的调度策略。

通过将应用场景设置为电力调度的应用场景，可以实现电力调度的实时调整，同时提高电力调度的稳定性。

根据本公开的技术方案，通过将第一时间段划分为第三时间段和第四时间段，根据第三时间段和第四时间段之间的分布差异检测数据分布是否变化，可以实时获取到远近期数据分布是否发生变化，提高数据分布的检测准确性和实时性。

图4是根据本公开实施例公开的另一种负荷预测方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。所述获取与检测结果对应的预测方式，具体化为：根据检测结果，判断是否对负荷预测模型进行优化；在判断结果为优化模型的情况下，根据所述历史负荷的分布，对训练样本进行调整；采用调整后的训练样本对所述负荷预测模型进行优化；将所述优化后的负荷预测模型确定为与所述检测结果对应的预测方式。

S401、获取历史负荷和预测关联数据。

S402、检测所述历史负荷的分布是否发生变化，得到检测结果。

S403、根据所述检测结果，判断是否对负荷预测模型进行优化。

负荷预测模型用于根据历史负荷和预测关联数据，确定预测负荷。检测结果为无变化，则不需要对负荷预测模型进行优化，直接采用负荷预测模型，对历史负荷和预测关联数据进行处理得到预测负荷。检测结果为有变化，则需要对负荷预测模型进行优化，采用优化后的负荷预测模型，对历史负荷和预测关联数据进行处理得到预测负荷。

S404，在判断结果为优化模型的情况下，根据所述历史负荷的分布，对训练样本进行调整。

检测结果为有变化时，确定判断结果为优化模型；检测结果为无变化时，确定判断结果为不优化模型。训练样本为训练负荷预测模型的样本。历史负荷的分布可以理解为是区别于负荷预测模型所适用的训练样本中负荷分布。采用历史负荷的分布对训练样本进行调整，以实现训练样本中负荷分布趋近于历史负荷的分布，从而调整负荷预测模型对历史负荷的预测准确性。

S405，采用调整后的训练样本对所述负荷预测模型进行优化。

采用调整后的训练样本继续对负荷预测模型进行训练，训练完成条件可以是，负荷预测模型针对历史负荷的分布的负荷预测准确性大于等于预设准确性阈值。可以获取大量调整后的训练样本，并划分为训练集和验证集，在验证集的预测准确性大于等于该准确性阈值，确定训练完成。

需要说明的是，实际上调整后的训练样本，并不是真实采集的样本数据，可以将调整后的训练样本和未调整的训练样本整合成新的训练样本的集合，并基于该集合对负荷预测模型进行优化。此外，还可以设置在该集合中未调整的训练样本的数量大于调整后的训练样本的数量。

实际上，在原有的旧样本基础上再丰富一些各种分布形式的新样本，不会影响负荷预测模型的学习能力，使得负荷预测模型的泛化性能更好。

S406，将所述优化后的负荷预测模型确定为与所述检测结果对应的预测方式。

S407，根据与所述检测结果对应的预测方式，对所述历史负荷和所述预测关联数据进行处理得到预测负荷，所述历史负荷为第一时间段的负荷，所述预测关联数据为第二时间段的关联数据，所述第一时间段早于所述第二时间段，所述预测负荷为第二时间段的负荷。

采用优化后的负荷预测模型确定预测负荷，可以提高负荷预测准确性。

可选的，所述根据所述历史负荷的分布，对训练样本进行调整，包括：对所述训练样本的分布幅值和分布形状进行调整；获取所述调整后的训练样本的分布与所述历史负荷的分布之间的调整差异；在所述调整差异满足相似条件的情况下，结束调整；在所述调整差异不满足相似条件的情况下，继续对所述训练样本的分布幅值和分布形状进行调整。

一个训练样本包括：第五时间段的负荷、第六时间段的预测关联数据和第六时间段的负荷，第五时间段早于该第六时间段。其中，在未调整前，训练样本中第五时间段的负荷和第六时间段的负荷均为真实采集的负荷。在训练时，将训练样本中第五时间段的负荷、第六时间段的预测关联数据输入到负荷预测模型中，检测负荷预测模型的输出结果与第六时间段的负荷的差异，根据差异确定损失函数，并按照减少损失函数的数值和收敛方向调整负荷预测模型的参数，直至训练完成。其中，训练完成条件可以是，损失函数收敛或数值最小，或者配置训练集和验证集，根据验证集中输出结果与第六时间段的负荷的差异确定预测准确率，在预测准确率大于等于预设阈值时，确定满足训练完成条件。训练样本的分布幅值和分布形状是指第五时间段和第六时间段的负荷的分布幅值和分布形状，更具体的，是指训练样本中全部的负荷的分布负值和分布形状。将训练样本中全部负荷的分布幅值和分布形状，与历史负荷中第一时间段内负荷的分布幅值和分布形状进行比较。

训练样本中全部负荷的分布，覆盖有历史负荷中第一时间段内的负荷的分布即可。

示例性的，可以是训练样本中第五时间段的负荷与第三时间段的负荷的分布负值和分布形状进行比较，训练样本中第六时间段的负荷与第四时间段的负荷的分布负值进行比较，二者的调整差异均满足相似条件下结束调整，任一不满足相似条件，继续调整。

又如，可以重新划分第一时间段，例如，将第一时间段划分为A时间段和B时间段，A时间段的时长大于或小于第三时间段的时长。A时间段早于B时间段。训练样本中第五时间段的负荷与A时间段的负荷的分布负值和分布形状进行比较，训练样本中第六时间段的负荷与B时间段的负荷的分布负值进行比较，二者的调整差异均满足相似条件下结束调整，任一不满足相似条件继续调整。

历史负荷的分布与训练样本的分布之间的调整差异，包括：历史负荷的幅值分布与训练样本的幅值分布之间的差异，以及历史负荷的分布形状与训练样本的分布形状之间的差异。可以计算调整差异的数值，在调整差异的数值小于等于预设差异阈值的情况下，确定调整差异满足相似条件；在调整差异的数值大于预设差异阈值的情况下，确定调整差异不满足相似条件。又如，调整差异作为K-S检验的经验统计量，基于统计量给出p-value，判断p-value是否大于等于所设置的差异阈值(经常设置为0.05)，若大于等于差异阈值则确定调整差异满足相似条件；若小于等于差异阈值，则确定调整差异不满足相似条件。在调整差异满足相似条件时，结束调整训练样本的分布幅值和分布形状。在调整差异不满足相似条件时，继续调整训练样本的分布幅值和分布形状，直至调整差异满足相似条件。

示例性的，检测训练样本的负荷取值分布百分比，以及历史负荷的负荷取值分布百分比。将二者之间的各取值分布百分比之间的最大差值确定为调整差异。

示例性的，调整训练样本的分布幅值和分布形状，具体可以是在训练样本中在各负荷数值上叠加固定幅值和/或采用固定系数与负荷数值相乘，固定幅值和固定系数可以任意设置，采用多组调整方式得到每个调整方式对应的调整差异，并采用网格搜索的方法选择合适的调整方式。需要说明的是，通过第一时间段内的负荷分布，整体调节训练样本中全部负荷的形式，由于第一时间段的负荷是真实采集的正确数据，从而可以确保训练样本中第六时间段的负荷是基于第五时间段的负荷的正确预测输出。

通过对训练样本进行幅值和分布形状进行调整，并根据调整差异选择是否完成调整，可以提高调整精度，从而增加训练样本的代表性，相应提高负荷预测模型针对改变后的数据分布的预测准确性。

可选的，所述获取所述调整后的训练样本的分布与所述历史负荷的分布之间的调整差异，包括：获取所述历史负荷中与当前时间最近的时间段的负荷；获取所述调整后的训练样本中全部负荷的分布与所述最近的时间段的负荷的分布之间的调整差异。

实际上，针对负荷预测模型来说，只需要增加数据分布改变的训练数据，相应的，训练样本中的负荷的分布只需要覆盖有第一时间段的负荷中与当前时间最近的负荷的分布即可。示例性的，历史负荷中与当前时间最近的时间段的负荷可以是第四时间段的负荷。

通过将调整差异，确定为训练样本中全部负荷的分布与最近的时间段的负荷的分布之间的调整差异，兼顾增加样本的代表性，从而提高负荷预测模型的泛化能力，同时还可以减少冗余调整数据，提高样本调整效率，实现精准数据增强，从而快速提高负荷预测模型的泛化能力。

根据本公开的技术方案，通过在负荷预测之前对输入的历史负荷的分布检测是否发生变化，从而确定是否对负荷预测模型进行优化，可以实时提高模型的预测准确性，提高负荷预测准确性，加快预测准确性提高的速度。

图5是根据本公开实施例公开的一种负荷预测方法的场景图。具体方法如下：

S501，实时获取负荷数据。

实时获取电网端母线负荷数据，例如，拉取电网端15min点位数据如每小时拉取一次。

S502，根据获取的负荷数据，并进行划分，得到以天级别形成的数据组。

将拉去的数据在每天凌晨形成以天为粒度的数据组。

S503，检测数据组是否为近7天的数据；如果是则执行S506；否则执行S504。

将历史的数据组形成两个时间段，近期的数据为一组(如近期一周也就是7个数据组)作为第四时间段的负荷数据，剩下的数据作为另外一组作为第三时间段的负荷数据。

S504，获取第三时间段的负荷数据。

S505，计算第三时间段的负荷取值分布百分比。

S506，获取第四时间段的负荷数据。

S507，计算第四时间段的负荷取值分布百分比。

计算第三时间段与第四时间段各自内部的负荷取值分布百分比，并对负荷取值分布百分比进行排序，逐一累加得到如图3所示的示意图。

S508，计算最大差值，确定为分布差异。

S509，根据分布差异，检测数据分布是否变化；如果是执行S511；否则执行S510。

选取图中分布曲线之间的最大差值作为K-S检验的经验统计量，基于统计量给出p-value，判断p-value是否大于等于所设置的阈值(经常设置为0.05)，若小于阈值则存在数据分布发生了变化。

S510，不优化负荷预测模型。

S511，网格搜索方式调整训练样本的负荷分布。

对于数据发生了分布变化的情况，在不优化模型的情况下预测精度将会下降。这种情况下，需要引入数据增强的算法提高模型的检测能力。

针对上述发生分布变化的现象，对模型的训练样本进行数据增强，针对原始的训练样本开展幅度叠加工作(包括两种方式，固定幅度叠加与固定系数相乘)，通过网格搜索的方式选择合适的增强方式，使得调整后的训练样本分布与历史负荷的分布一致，具体是与历史负荷中第四时间段的分布一致。

S512，调整后的训练样本分布是否与第四时间段的分布一致。

S513，将一致分布的训练样本继续训练负荷预测模型，并上线优化后的负荷预测模型。

对于调整了分布变化的模型训练样本，重新基于之前的训练方式训练模型并部署到线上。

根据本公开的技术方案，通过检测分布变化结合调整训练样本分布的模式提高了模型的泛化能力，对于新能源发电量增加带来的预测影响降到了最低，对于电力调度有着正向作用，能够最大化的利用可持续能源。

根据本公开的实施例，图6是本公开实施例中的负荷预测装置的结构图，本公开实施例适用于根据历史时间采集的负荷和未来时间的预测的影响负荷的关联数据，预测未来时间的负荷的情况。该装置采用软件和/或硬件实现，并具体配置于具备一定数据运算能力的电子设备中。

如图6所示的一种负荷预测装置600，包括：待处理数据获取模块601、负荷分布检测模块602、预测方式确定模块603和负荷预测模块604。其中，

待处理数据获取模块601，用于获取历史负荷和预测关联数据；

负荷分布检测模块602，用于检测所述历史负荷的分布是否发生变化，得到检测结果；

预测方式确定模块603，用于获取与所述检测结果对应的预测方式；

负荷预测模块604，用于根据与所述检测结果对应的预测方式，对所述历史负荷和所述预测关联数据进行处理得到预测负荷，所述历史负荷为第一时间段的负荷，所述预测关联数据为第二时间段的关联数据，所述第一时间段早于所述第二时间段，所述预测负荷为第二时间段的负荷。

根据本公开的技术方案，通过在历史负荷的分布发生变化时，可以动态检测相应的预测方式，使得预测方式适配当前数据分布，提高预测精度，同时在预测时基于输入数据进行预测方式的选择，可以实时调整到最佳预测方式进行预测，提高预测调整的实时性，此外，历史电荷的分布和历史的关联数据息息相关，根据历史电荷的分布，选择适配的预测方式，可以使得预测方式考虑到关联数据的历史分布，进一步提高预测精度。

进一步的，所述预测方式确定模块603，包括：模型优化判断单元，用于根据检测结果，判断是否对负荷预测模型进行优化；样本调整单元，用于在判断结果为优化模型的情况下，根据所述历史负荷的分布，对训练样本进行调整；模型调整单元，用于采用调整后的训练样本对所述负荷预测模型进行优化；模型应用单元，用于将所述优化后的负荷预测模型确定为与所述检测结果对应的预测方式。

进一步的，所述样本调整单元，包括：分布调整子单元，用于对所述训练样本的分布幅值和分布形状进行调整；调整差异检测子单元，用于获取所述调整后的训练样本的分布与所述历史负荷的分布之间的调整差异；调整完成判断子单元，用于在所述调整差异满足相似条件的情况下，结束调整；循环调整子单元，用于在所述调整差异不满足相似条件的情况下，继续对所述训练样本的分布幅值和分布形状进行调整。

进一步的，所述负荷分布检测模块602，包括：历史负荷划分单元，用于对所述历史负荷进行划分，得到第三时间段的负荷和第四时间段的负荷，所述第一时间段包括所述第三时间段和所述第四时间段；分布差异检测单元，用于检测所述第三时间段的负荷和所述第四时间段的负荷之间的分布差异；分布变化检测单元，用于根据所述分布差异，检测所述历史负荷的分布是否发生变化。

进一步的，所述分布差异检测单元，包括：第一取值分布检测子单元，用于检测所述第三时间段的负荷取值分布百分比；第二取值分布检测子单元，用于检测所述第四时间段的负荷取值分布百分比；最大差值检测子单元，用于计算所述第三时间段的负荷取值分布百分比和所述第四时间段的负荷取值分布百分比之间的最大差值，确定为所述第三时间段的负荷和所述第四时间段的负荷之间的分布差异。

进一步的，所述调整差异检测子单元，用于：获取所述历史负荷中与当前时间最近的时间段的负荷；获取所述调整后的训练样本中全部负荷的分布与所述最近的时间段的负荷的分布之间的调整差异。

进一步的，所述负荷预测装置，还包括：电力调度模块，用于根据所述预测负荷，在所述第二时间段进行电网系统的电力调度。

上述负荷预测装置可执行本公开任意实施例所提供的负荷预测方法，具备执行负荷预测方法相应的功能模块和有益效果。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性区域图。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/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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。

计算单元701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。计算单元701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计算单元、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。计算单元701执行上文所描述的各个方法和处理，例如负荷预测方法或负荷预测方法。例如，在一些实施例中，负荷预测方法或负荷预测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的负荷预测方法或负荷预测方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行负荷预测方法或负荷预测方法。

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、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准对象(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(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。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或区域图中所规定的功能/操作被实施。程序代码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。

在本公开的上下文中，机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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，可以在计算机上实施此处描述的系统和技术，该计算机具有：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计算机。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。

计算机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。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。

云计算(cloud computing)，指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用和存储设备等，并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。

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，本发公开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，只要能够实现本公开提供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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种负荷预测方法，包括：

获取历史负荷和预测关联数据；

检测所述历史负荷的分布是否发生变化，得到检测结果；

获取与所述检测结果对应的预测方式；

根据与所述检测结果对应的预测方式，对所述历史负荷和所述预测关联数据进行处理得到预测负荷，所述历史负荷为第一时间段的负荷，所述预测关联数据为第二时间段的关联数据，所述第一时间段早于所述第二时间段，所述预测负荷为第二时间段的负荷。

2.根据权利要求1所述的方法，其中，所述获取与所述检测结果对应的预测方式，包括：

根据所述检测结果，判断是否对负荷预测模型进行优化；

在判断结果为优化模型的情况下，根据所述历史负荷的分布，对训练样本进行调整；

采用调整后的训练样本对所述负荷预测模型进行优化；

将优化后的负荷预测模型确定为与所述检测结果对应的预测方式。

3.根据权利要求2所述的方法，其中，所述根据所述历史负荷的分布，对训练样本进行调整，包括：

对所述训练样本的分布幅值和分布形状进行调整；

获取所述调整后的训练样本的分布与所述历史负荷的分布之间的调整差异；

在所述调整差异满足相似条件的情况下，结束调整；

在所述调整差异不满足相似条件的情况下，继续对所述训练样本的分布幅值和分布形状进行调整。

4.根据权利要求1所述的方法，其中，所述检测所述历史负荷的分布是否发生变化，包括：

对所述历史负荷进行划分，得到第三时间段的负荷和第四时间段的负荷，所述第一时间段包括所述第三时间段和所述第四时间段；

检测所述第三时间段的负荷和所述第四时间段的负荷之间的分布差异；

根据所述分布差异，检测所述历史负荷的分布是否发生变化。

5.根据权利要求4所述的方法，其中，所述检测所述第三时间段的负荷和所述第四时间段的负荷之间的分布差异，包括：

检测所述第三时间段的负荷取值分布百分比；

检测所述第四时间段的负荷取值分布百分比；

计算所述第三时间段的负荷取值分布百分比和所述第四时间段的负荷取值分布百分比之间的最大差值，确定为所述第三时间段的负荷和所述第四时间段的负荷之间的分布差异。

6.根据权利要求3所述的方法，其中，所述获取所述调整后的训练样本的分布与所述历史负荷的分布之间的调整差异，包括：

获取所述历史负荷中与当前时间最近的时间段的负荷；

获取所述调整后的训练样本中全部负荷的分布与所述最近的时间段的负荷的分布之间的调整差异。

7.根据权利要求1所述的方法，还包括：

根据所述预测负荷，在所述第二时间段进行电网系统的电力调度。

8.一种负荷预测装置，包括：

待处理数据获取模块，用于获取历史负荷和预测关联数据；

负荷分布检测模块，用于检测所述历史负荷的分布是否发生变化，得到检测结果；

预测方式确定模块，用于获取与所述检测结果对应的预测方式；

负荷预测模块，用于根据与所述检测结果对应的预测方式，对所述历史负荷和所述预测关联数据进行处理得到预测负荷，所述历史负荷为第一时间段的负荷，所述预测关联数据为第二时间段的关联数据，所述第一时间段早于所述第二时间段，所述预测负荷为第二时间段的负荷。

9.根据权利要求8所述的装置，其中，所述预测方式确定模块，包括：

模型优化判断单元，用于根据所述检测结果，判断是否对负荷预测模型进行优化；

样本调整单元，用于在判断结果为优化模型的情况下，根据所述历史负荷的分布，对训练样本进行调整；

模型调整单元，用于采用调整后的训练样本对所述负荷预测模型进行优化；

模型应用单元，用于将优化后的负荷预测模型确定为与所述检测结果对应的预测方式。

10.根据权利要求9所述的装置，其中，所述样本调整单元，包括：

分布调整子单元，用于对所述训练样本的分布幅值和分布形状进行调整；

调整差异检测子单元，用于获取所述调整后的训练样本的分布与所述历史负荷的分布之间的调整差异；

调整完成判断子单元，用于在所述调整差异满足相似条件的情况下，结束调整；

循环调整子单元，用于在所述调整差异不满足相似条件的情况下，继续对所述训练样本的分布幅值和分布形状进行调整。

11.根据权利要求8所述的装置，其中，所述负荷分布检测模块，包括：

历史负荷划分单元，用于对所述历史负荷进行划分，得到第三时间段的负荷和第四时间段的负荷，所述第一时间段包括所述第三时间段和所述第四时间段；

分布差异检测单元，用于检测所述第三时间段的负荷和所述第四时间段的负荷之间的分布差异；

分布变化检测单元，用于根据所述分布差异，检测所述历史负荷的分布是否发生变化。

12.根据权利要求11所述的装置，其中，所述分布差异检测单元，包括：

第一取值分布检测子单元，用于检测所述第三时间段的负荷取值分布百分比；

第二取值分布检测子单元，用于检测所述第四时间段的负荷取值分布百分比；

最大差值检测子单元，用于计算所述第三时间段的负荷取值分布百分比和所述第四时间段的负荷取值分布百分比之间的最大差值，确定为所述第三时间段的负荷和所述第四时间段的负荷之间的分布差异。

13.根据权利要求10所述的装置，其中，所述调整差异检测子单元，用于：

获取所述历史负荷中与当前时间最近的时间段的负荷；

获取所述调整后的训练样本中全部负荷的分布与所述最近的时间段的负荷的分布之间的调整差异。

14.根据权利要求8所述的装置，还包括：

电力调度模块，用于根据所述预测负荷，在所述第二时间段进行电网系统的电力调度。

15.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的负荷预测方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的负荷预测方法。

17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的负荷预测方法。

Images