CN116562398B - 电力负荷预测模型训练方法、预测方法、电子设备和介质 - Google Patents

电力负荷预测模型训练方法、预测方法、电子设备和介质 Download PDF

Info

Publication number
CN116562398B
CN116562398B CN202310842668.XA CN202310842668A CN116562398B CN 116562398 B CN116562398 B CN 116562398B CN 202310842668 A CN202310842668 A CN 202310842668A CN 116562398 B CN116562398 B CN 116562398B
Authority
CN
China
Prior art keywords
power load
data
model
prediction
historical
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.)
Active
Application number
CN202310842668.XA
Other languages
English (en)
Other versions
CN116562398A (zh
Inventor
杨博斐
段再超
孙伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing East Environment Energy Technology Co ltd
Original Assignee
Beijing East Environment Energy Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing East Environment Energy Technology Co ltd filed Critical Beijing East Environment Energy Technology Co ltd
Priority to CN202310842668.XA priority Critical patent/CN116562398B/zh
Publication of CN116562398A publication Critical patent/CN116562398A/zh
Application granted granted Critical
Publication of CN116562398B publication Critical patent/CN116562398B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请提供电力负荷预测模型训练方法、预测方法、电子设备和介质，模型训练方法包括：获取历史电力负荷数据和历史气象数据；其中，历史气象数据和历史电力负荷数据时序对应；在训练过程中，基于第一电力负荷预测子模型，针对特征相似度维度学习历史气象数据之间的特征相似度关系和时序对应的历史电力负荷数据的结果相似度关系；基于第二电力负荷预测子模型，针对基准负荷值维度，学习历史电力负荷数据与基准负荷值的第一计算关系；基于第三电力负荷预测子模型，针对负荷增长率维度，学习历史电力负荷数据与负荷时序增长率的第二计算关系；基于数据融合模块学习历史电力负荷数据与每一电力负荷预测子模型的融合权重的对应关系。

Description

电力负荷预测模型训练方法、预测方法、电子设备和介质
技术领域
本发明涉及电力负荷技术领域，具体涉及电力负荷预测模型训练方法、预测方法、电子设备和介质。
背景技术
随着电力行业逐渐走向市场，电力负荷预测的准确度越来越受到关注，它直接影响到投资、网络布局和运行的合理性，提高负荷预测的准确度对电力系统的经济、安全运行有着重要的意义；随着经济社会的迅速发展，人们对能源的需求不断增加。因此电力供应方面必须做好充分的准备，才能满足人们的需求。而电力负荷预测就成为电力系统规划、调度和运营等方面的重要内容之一。
现有技术中通常采用单一预测模型对中长期电力负荷预测；例如，可以采用基于参数模型的中长期电力负荷预测方法，该方法通过常规算法找到负荷与其他因素的关联关系进行预测；或者，可以采用基于参数模型的中长期电力负荷预测方法：该方法使用灰度预测技术或神经网络构建复杂的网络模型对中长期电力负荷进行预测。
但是，上述方法在进行预测时，通常仅考虑电力负荷与单一维度的变量的映射关系，未考虑多种维度的变量在对电力负荷预测的影响，存在预测不够准确的问题。
因此，目前亟需提出一种电力负荷预测模型训练方法、预测方法、电子设备和介质，以解决相关技术中存在的未考虑多种维度的变量在对电力负荷预测的影响，预测不够准确的技术问题。
发明内容
本申请实施例提供一种电力负荷预测模型训练方法、预测方法、电子设备和介质，以解决相关技术中存在的问题。
根据本申请的第一方面，提供一种电力负荷预测模型训练方法，所述电力负荷预测模型用于对中长期电力负荷进行预测，包括从不同维度进行电力预测的三个电力负荷预测子模型和数据融合模块；其中，第一电力负荷预测子模型用于基于特征相似度维度进行预测得到第一子预测结果，第二电力负荷预测子模型用于基于基准负荷值维度进行预测得到第二子预测结果，第三电力负荷预测子模型用于基于负荷增长率维度进行预测得到第三子预测结果；所述电力负荷预测模型的训练方法包括：获取历史电力负荷数据和历史气象数据；其中，所述历史气象数据和所述历史电力负荷数据时序对应；在训练过程中，基于所述第一电力负荷预测子模型，针对特征相似度维度学习所述历史气象数据之间的特征相似度关系和时序对应的历史电力负荷数据的结果相似度关系；基于所述第二电力负荷预测子模型，针对基准负荷值维度，学习历史电力负荷数据与基准负荷值的第一计算关系；基于所述第三电力负荷预测子模型，针对负荷增长率维度，学习历史电力负荷数据与负荷时序增长率的第二计算关系；基于所述数据融合模块学习所述历史气象数据和历史电力负荷数据分别与第一电力负荷预测子模型、第二电力负荷预测子模型和第三电力负荷预测子模型的融合权重的对应关系。
可选地，所述电力负荷预测模型包括数据特征提取模块，所述数据特征提取模块用于提取电力负荷预测模型的输入数据与所述历史气象数据的相似度特征，所述电力负荷预测模型的训练方法还包括：在训练过程中，提取电力负荷预测模型的输入数据与所述历史气象数据的第一相似度特征；基于所述第一相似度特征学习所述第一相似度特征与所述融合权重的映射关系，其中，所述第一相似度特征与所述第一电力负荷预测子模型的融合权重呈正相关。
可选地，所述数据特征提取模块还用于提取电力负荷预测模型的输入数据的第一时序增长率和不同年份下与所述输入数据时间对应的历史电力负荷数据的第二时序增长率的第二相似度特征，所述电力负荷预测模型的训练方法还包括：在训练过程中，提取电力负荷预测模型的输入数据的第一时序增长率和不同年份下与所述输入数据时间对应的历史电力负荷数据的第二时序增长率的第二相似度特征；基于所述第二相似度特征学习所述第二相似度特征与所述融合权重的映射关系，其中，所述第二相似度特征与所述第三电力负荷预测子模型的融合权重呈正相关。
可选地，所述数据融合模块还包括数据特征提取单元，所述数据特征提取单元用于提取电力负荷预测模型的输入数据的时间属性信息和气象变化信息，所述基于所述数据融合模块学习所述历史电力负荷数据与所述融合权重的对应关系包括：在训练过程中，基于所述数据特征提取单元提取所述输入数据中的时间属性信息和气象变化信息；其中，所述时间属性信息包括所述历史电力负荷数据和所述历史气象数据所处的年、月、日、时刻信息；基于所述时间属性信息确定输入数据包含的季节信息和节假日信息；在训练过程中，学习所述季节信息和节假日信息和所述气象变化信息与所述融合权重的映射关系；其中，所述气象变化信息与所述第一电力负荷预测子模型的融合权重呈正相关。
可选地，所述电力负荷预测模型还包括子预测结果验证模块，所述子预测结果验证模块用于分别对第一电力负荷预测子模型、第二电力负荷预测子模型和第三电力负荷预测子模型的子预测结果进行验证，所述基于所述数据融合模块学习所述历史气象数据和历史电力负荷数据分别与第一电力负荷预测子模型、第二电力负荷预测子模型和第三电力负荷预测子模型的融合权重的对应关系包括：在训练过程中，基于所述子预测结果验证模块对训练过程中的第一电力负荷预测子模型、第二电力负荷预测子模型和第三电力负荷预测子模型的预测过程进行验证；基于所述子预测结果验证模块的验证结果调整所述融合权重；学习第一电力负荷预测子模型、第二电力负荷预测子模型和第三电力负荷预测子模型的输入数据、所述验证结果和所述融合权重的对应关系，其中，第一电力负荷预测子模型、第二电力负荷预测子模型和第三电力负荷预测子模型的所述验证结果与所述融合权重呈正相关。
根据本申请的第二方面，提供一种电力负荷预测方法，所述电力负荷预测方法包括：获取历史电力负荷数据、历史气象数据和待进行电力负荷预测的预测气象数据；将所述预测气象数据输入至预先训练好的电力负荷预测模型中，基于第一电力负荷预测子模型，针对特征相似度维度获取所述预测气象数据与所述历史气象数据之间的特征相似度关系和结果相似度关系，基于所述特征相似度关系和结果相似度关系得到第一电力负荷子预测结果；基于第二电力负荷预测子模型，针对基准负荷值维度，获取预测气象数据与基准负荷值的第一计算关系，基于所述第一计算关系得到第二电力负荷子预测结果；基于第三电力负荷预测子模型，针对负荷增长率维度，获取历史电力负荷数据与负荷时序增长率的第二计算关系，基于所述第二计算关系得到第三电力负荷子预测结果；基于数据融合模块确定待预测气象数据对应的融合权重；基于所述融合权重对所述第一电力负荷子预测结果、第二电力负荷子预测结果和第三电力负荷子预测结果进行融合，得到电力负荷预测结果。
可选地，所述电力负荷预测方法还包括：提取电力负荷预测模型的预测气象数据与所述历史气象数据和所述历史电力负荷数据的第一相似度特征；基于所述第一相似度特征调整所述融合权重。
可选地，所述电力负荷预测方法还包括：提取所述预测气象数据中的时间属性信息和气象变化信息；其中，所述时间属性信息包括所述历史电力负荷数据和所述历史气象数据所处的年、月、日、时刻信息；基于所述时间属性信息确定预测气象数据包含的季节信息和节假日信息；基于所述季节信息和节假日信息和所述气象变化信息调整所述融合权重。
根据本申请的第三方面，提供一种电子设备，所述电子设备包括：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计算机程序，所述计算机程序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如上述中任意一项所述的电力负荷预测模型训练方法或如上述中任意一项所述的电力负荷预测方法。
根据本申请的第四方面，提供一种计算机可读的存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行如上述中任意一项所述的电力负荷预测模型训练方法或如上述中任意一项所述的电力负荷预测方法。
本申请实施例提供一种电力负荷预测模型训练方法，所述电力负荷预测模型用于对中长期电力负荷进行预测，包括从不同维度进行电力预测的三个电力负荷预测子模型和数据融合模块；其中，第一电力负荷预测子模型用于基于特征相似度维度进行预测得到第一子预测结果，第二电力负荷预测子模型用于基于基准负荷值维度进行预测得到第二子预测结果，第三电力负荷预测子模型用于基于负荷增长率维度进行预测得到第三子预测结果；所述电力负荷预测模型的训练方法包括：获取历史电力负荷数据和历史气象数据；其中，所述历史气象数据和所述历史电力负荷数据时序对应；在训练过程中，基于所述第一电力负荷预测子模型，针对特征相似度维度学习所述历史气象数据之间的特征相似度关系和时序对应的历史电力负荷数据的结果相似度关系；基于所述第二电力负荷预测子模型，针对基准负荷值维度，学习历史电力负荷数据与基准负荷值的第一计算关系；基于所述第三电力负荷预测子模型，针对负荷增长率维度，学习历史电力负荷数据与负荷时序增长率的第二计算关系；基于所述数据融合模块学习所述历史气象数据和历史电力负荷数据与每一所述电力负荷预测子模型的融合权重的对应关系；本申请的上述技术方案，在构建模型和训练模型时考虑电力负荷的季节性变化特点、周期性变化特点、随机性变化特点等影响因素，从第一电力负荷预测子模型的特征相似度维度、第二电力负荷预测子模型的基准值维度和第三电力负荷预测子模型的负荷增长率维度对未来负荷进行了预测，相较于现有技术中采用单一预测模型对中长期电力负荷预测的方法，考虑了电力负荷预测的多个方面，降低了预测误差，提高了负荷预测的准确度；另一方面，通过数据融合模块学习电力负荷数据、历史气象数据和每一所述电力负荷预测子模型的融合权重，使得在进行预测时针对输入的数据样本内的不同属性适应性的确定对应的融合权重。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本申请实施例的一种可选的电力负荷预测模型训练方法的硬件环境的示意图；
图2是根据本申请实施例的一种可选的电力负荷预测模型训练方法的流程示意图；
图3是根据是本申请实施例的一种可选地电力负荷预测方法的流程示意图；
图4是根据本申请实施例的一种可选的电子设备的结构框图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式，在各图中相同的标号表示结构相同或结构相似但功能相同的部件。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
在以下的描述中，将描述本发明的多个不同的方面，然而对于本领域内的普通技术人员而言，可以仅仅利用本发明的一些或者全部结构或者流程来实施本发明。为了解释的明确性而言，阐述了特定的数目、配置和顺序，但是很明显，在没有这些特定细节的情况下也可以实施本发明。在其他情况下，为了不混淆本发明，对于一些众所周知的特征将不再进行详细阐述。
电力负荷具有如下类型的负荷：基础负荷、峰值负荷、尖峰负荷等；其中，基础负荷是指对电力需求非常稳定的负荷，通常是一些工业生产设备、公共设施等，它们需要持续且基本不变的电力供应；峰值负荷是指一段时间内瞬时负荷需求达到最高峰的那部分电力负荷，通常出现在用电高峰期，例如早上和晚上的用电高峰期；非常规负荷是指如太阳能、风能、等待备用的水力发电等能源来源，以及一些非传统电力用途如电动汽车充电所需的负荷。
电力负荷具有如下特点：一、季节性变化：电力系统的负荷具有明显的季节性变化特点。随气温变化，夏季用电高峰期一般在下午和晚上，冬季用电高峰出现在早晚，而春秋季则需要考虑节假日、学校开学等因素对用电量的影响。二、周期性变化：电力系统的负荷具有周期性变化，一般呈现日周期和周周期两种。其中，日周期的负荷变化跟随人们的生活和工作规律，周周期则与人们的生活习惯和商业经济活动有关；三、随机性变化：电力系统的负荷也受到某些突发因素的影响，如自然灾害、社会事件等，造成突发性负荷变化。这类变化难以准确预测，但对电力系统的稳定运行具有重要影响。四、峰谷差异：电力系统的负荷呈现明显的峰谷差异特点。中午、下午和晚上是用电峰值时段，而清晨和深夜则为用电低谷时段，负荷的变化差异较大，这对电力系统的安全稳定运行具有一定的挑战。五、分布不均：电力系统负荷的分布不均也是一个重要的特点。城市、工商业用电负荷分布比较集中，而农村地区用电负荷分布较为分散。
基于此，采用单一预测模型对中长期电力负荷预测进行预测的方法，通常只考虑在中长期的时间尺度下电力负荷随时间的平均变化关系，没有充分考虑电力负荷的上述特点，在进行预测时预测结果不够精确。
为解决上述问题，根据本申请的第一方面，提供一种电力负荷预测模型训练方法；该电力负荷预测模型训练方法可以应用于如图1所示的由终端102和服务器104所构成的硬件环境中。
图1是根据本申请实施例的一种可选的电力负荷预测模型训练方法的硬件环境的示意图；如图1所示，服务器104通过网络与终端102进行连接，可用于为终端或终端上安装的客户端提供服务，可在服务器上或独立于服务器设置数据库，用于为服务器104提供数据存储服务，还可以用于处理云服务，上述网络包括但不限于：广域网、城域网或局域网，终端102并不限定于PC、手机、平板电脑等。本申请实施例的电力负荷预测模型训练方法可以由服务器104来执行，也可以由终端102来执行，还可以是由服务器104和终端102共同执行。其中，终端102执行本申请实施例的电力负荷预测模型训练方法也可以是由安装在其上的客户端来执行。
以由终端102和/或服务器104来执行本实施例中的电力负荷预测模型训练方法为例，所述电力负荷预测模型用于对中长期电力负荷进行预测，包括从不同维度进行电力预测的三个电力负荷预测子模型和数据融合模块；其中，第一电力负荷预测子模型用于基于特征相似度维度进行预测得到第一子预测结果，第二电力负荷预测子模型用于基于基准负荷值维度进行预测得到第二子预测结果，第三电力负荷预测子模型用于基于负荷增长率维度进行预测得到第三子预测结果；图2是根据本申请实施例的一种可选的电力负荷预测模型训练方法的流程示意图，如图2所示，所述电力负荷预测模型训练方法包括：
S302.获取历史电力负荷数据和历史气象数据；其中，所述历史气象数据和所述历史电力负荷数据时序对应。
在本实施例中，所述历史电力负荷数据和历史气象数据可以为由测量设备记录的历史时长内的电力负荷数据和气象数据，示例性的，所述历史时长为最近1年、2年、3年……N年，N为正整数。
在本实施例中，为了后续对模型进行训练构建数据集，作为示例性的实施例，在获取历史电力负荷数据和历史气象数据后，按照时间顺序对时序对应的所述历史电力负荷数据和所述历史气象数据进行排序。
在排序完成后，遍历所有数据，进行异常值判断；示例性的，将历史电力负荷数据和历史气象数据中超出合理电力负荷范围的数据记为异常值，并替换为空值；示例性的，所述合理电力负荷范围为明显超出平均历史电力负荷数据值的历史电力负荷数据。例如，将超出平均历史电力负荷数据值的30%的历史电力负荷数据记为异常值。
在替换后进行缺失值检索，并使用最近邻数据拟合插补法进行填充，即，以欧几里得距离判定距离，使用缺失值时间点最近n个点的均值进行填充，为后续步骤提供数据基础。
为了便于对模型进行训练，示例性的，在进行填充后，进行特征衍生步骤，对时间特征拆分年、月、日、时刻；对时间特征下的时刻特征拆分为96个时刻；依照时间特征转换工作日、休息日特征；并计算同时刻后一日比前一日的比值，即增长率，并通过归一化对数据统一量纲，以在后续的模型训练的过程提升模型的收敛速度、模型的精度、防止模型过拟合，提高模型的泛化能力。
示例性的，在执行上述步骤后，基于上述特征衍生后的数据构建数据集。
S304.在训练过程中，基于所述第一电力负荷预测子模型，针对特征相似度维度学习所述历史气象数据之间的特征相似度关系和时序对应的历史电力负荷数据的结果相似度关系。
根据如上所述的电力负荷的诸多特点，针对上述季节性变化的特点，通常季节变化伴随着气象数据的变化；一方面，夏季用电高峰期一般在温度、湿度较高的下午和晚上，冬季用电高峰出现在温度、湿度较低早晚，另一方面，春夏秋冬则需要考虑节假日、学校开学等因素对用电量的影响，而通常节假日、学校开学等因素具有特定的气象数据和电力负荷数据；例如，一年内元旦、春节、清明节、劳动节、端午节等节假日在分别具有特定的气象数据和电力负荷数据，而不同年份下的相同的节假日具有相似的气象数据和电力数据。例如，一年内，学校放假、开学等寒暑假通常具有固定的寒暑假时段，该时段下分别具有特定的气象数据和电力负荷数据，而不同年份下的相同的寒暑假时段具有相似的气象数据和电力数据。
并且，同一地区的气候变化状况通常较为固定，不同年份下夏季和冬季的以季度为时间长度的气象数据具有相似的周期性变化和气象数据数值，相似的气象数据数值又对应有相似的电力负荷；例如，同一地区的2022年6月份至9月份的气象数据与2021年6月份至9月份的气象数据相似，且电力负荷也相似，2022年12月份至2023年3月的气象数据与2021年12月份至2022年3月的气象数据相似，且电力负荷也相似。
针对电力负荷的上述在特征相似度维度上的变化，在本申请中，基于所述第一电力负荷预测子模型，针对特征相似度维度学习所述历史气象数据之间的特征相似度关系和时序对应的历史电力负荷数据的结果相似度关系。
具体的，所述第一电力负荷预测子模型的输入为历史电力负荷数据和历史气象数据，其中，所述历史电力负荷数据和所述历史气象数据时序对应；在训练过程中，针对特征相似度维度学习所述历史气象数据之间的特征相似度关系和时序对应的历史电力负荷数据的结果相似度关系；例如，在训练过程中，不断调整模型参数，使得特征相似度较高的历史气象数据且对应的结果相似度较高电力负荷数据所对应的采用第一电力负荷预测子模型进行预测得到的预测结果尽可能相似或使得特征相似度较低的历史气象数据且对应的结果相似度较低的电力负荷数据所对应的采用第一电力负荷预测子模型进行预测得到的预测结果尽可能不相似。
作为示例性的实施例，所述第一电力负荷预测子模型的输入可以为[历史气象数据1，历史电力负荷数据1]、[历史气象数据2，历史电力负荷数据2,]、[历史气象数据3，历史电力负荷数据4]……[历史气象数据N，历史电力负荷数据N]的N组时序排列的数据序列，其中，N为正整数。其中，所述历史气象数据可以包括温度、湿度、风速、天气等气象数据至少之一。
其中，所述第一电力负荷预测子模型可以为KNNImputer插补模型；在本实施例中，所述KNNImputer插补模型用于以欧氏距离为基准，寻找n个最近时刻加权平均，预测未来多天负荷；基于此，在训练过程中，以欧氏距离为基准，不断调整n的参数，使得特征相似度关系相似的历史气象数据对应的数据获取模块数据的结果相似度尽可能相似或使得特征相似度关系不相似的历史气象数据对应的数据获取模块数据的结果相似度尽可能不相似。
S306.基于所述第二电力负荷预测子模型，针对基准负荷值维度，学习历史电力负荷数据与基准负荷值的第一计算关系。
如上所述，电力负荷具有基础负荷，基础负荷是指对电力需求非常稳定的负荷，通常是一些工业生产设备、公共设施等，它们需要持续且基本不变的电力供应；而峰值负荷和尖峰负荷以基础负荷为基准上下浮动；在本申请实施例中，为了针对上述基础负荷维度进行预测得到预测结果，本申请基于第二电力负荷预测子模型学习所述历史电力负荷数据与负荷基准值的第一计算关系。
具体的，在本实施例中，所述第二电力负荷预测子模型可以为移动平均模型，所述移动平均模型以平均值为负荷基准值，从基准值维度出发，以最近m天数据为数据周期，依次对各个时刻的负荷进行滚动求均值；示例性的，所述m为正整数，所述学习历史电力负荷数据与基准负荷值的第一计算关系为，不断调整m的取值，使得采用当前输入数据预测得到的未来多天负荷更趋近于历史数据中的已知的当前输入数据的未来多天负荷的平均值。
S308基于所述第三电力负荷预测子模型，针对负荷增长率维度，学习历史电力负荷数据与负荷时序增长率的第二计算关系；
电力负荷的季节性变化、周期性变化、随机性变化、峰谷差异和分布不均等特点通常都伴随有负荷数据的时序增长率的关系；例如，季节性变化、周期性变化通常是长时间尺度下的电力负荷数据的时序增长率的变化，而随机性变化、峰谷差异和分布不均电力等特点通常是短时间尺度下的电力负荷数据的时序增长率的变化；在本申请中，为了在进行中长期负荷预测时考虑上述两方面时间尺度下时序增长率变化对电力负荷预测的影响，使得预测结果更为准确，在本实施例中，基于所述第三电力负荷预测子模型，针对负荷增长率维度，学习历史电力负荷数据与负荷时序增长率的第二计算关系。
具体的，所述第三电力负荷预测子模型的输入可以为具有时序序列的历史电力负荷数据和历史气象数据，所述第三负荷预测子模型用于提取上述时序序列的历史电力负荷数据和历史气象数据的时序增长率变化，且用于根据所述时序增长率变化进一步的计算得到基于负荷增长率维度的电力负荷预测结果。
作为可能的实现方式，所述第三电力负荷预测子模型可以为并行的LSTM模型与同比转换模型；具体的，在训练过程中，输入数据后，循环通过LSTM预测模型预测出未来各个时刻的增长率变化，之后使用同比转换模型，取临近k个月的增长率和与输入数据的去年同期k个月增长率做比值，与去年同期（相同月份）的增长率相乘，得到各个时刻增长率变化，最终与LSTM模型的预测增长率变化求均方根，计算出未来多天负荷；在训练的过程中，基于第三电力负荷预测子模型学习所述历史电力负荷数据的时序增长率的第二计算关系为：调节参数k，直至找到最优的k的取值，使得计算出未来多天负荷符合已知的历史电力负荷数据。
S310.基于所述数据融合模块学习所述历史气象数据和历史电力负荷数据与每一所述电力负荷预测子模型的融合权重的对应关系。
在本申请中，为了在进行电力预测时考虑上述电力负荷的特点中的一个或多个，基于所述数据融合模块学习所述历史气象数据和历史电力负荷数据与每一所述电力负荷预测子模型的融合权重的对应关系。
作为一种可能的实现方式，可以学习历史气象数据所表征的气候变化状况，针对气候变化明显的例如四季分明的地区的历史气象数据增大所述第一电力负荷预测子模型在进行融合时的第一融合权重W1，此时第二电力负荷预测子模型的第二融合权重W2和第三电力负荷预测子模型的第三融合权重W3相应减小，以使得电力负荷预测模型在预测时更关注于特征相似度维度；在该基础上，作为可能的实现方式，可以同时增大第三电力负荷预测子模型在进行融合时的融合权重；针对气候变化不明显的气候温和的地区的历史气象数据减小所述第一电力负荷预测子模型在进行融合时的第一融合权重W1。
作为另一种可能的实现方式，可以学习当前输入的历史气象数据和与所述历史气象数据时序对应的历史电力负荷数据与数据集中的全部的历史气象数据和历史气象数据的相似程度，并根据所述相似程度调整所述融合权重；在当前输入的历史气象数据样本与数据集内的历史气象数据内的相似程度大于预设值时，增大所述第一电力负荷预测子模型在进行融合时的第一融合权重W1，此时第二电力负荷预测子模型的第二融合权重W2和第三电力负荷预测子模型的第三融合权重W3相应减小，以使得电力负荷预测模型在预测时更关注于特征相似度维度。
作为另一种可能的实现方式，可以学习当前输入的历史气象数据样本内含有的夏冬季节数据的占比，并根据所述占比调整所述融合权重；针对包含的夏冬季节数据的占比较多的历史气象数据样本，增大所述第一预测子模型和第三预测子模型的融合权重，此时第二预测子模型的融合权重适应性减小；以使得后续采用预测模型进行预测时更关注特征相似度维度以及负荷增长率维度。
本申请的上述技术方案，在构建模型和训练模型时考虑电力负荷的季节性变化特点、周期性变化特点、随机性变化特点等影响因素，从第一电力负荷预测子模型的特征相似度维度、第二电力负荷预测子模型的基准值维度和第三电力负荷预测子模型的负荷增长率维度对未来负荷进行了预测，相较于现有技术中采用单一预测模型对中长期电力负荷预测的方法，考虑了电力负荷预测的多个方面，降低了预测误差，提高了负荷预测的准确度；另一方面，通过数据融合模块学习电力负荷数据、历史气象数据和每一所述电力负荷预测子模型的融合权重，使得在进行预测时针对输入的数据样本内的不同属性适应性的确定对应的融合权重。
作为示例性的实施例，所述电力负荷预测模型包括数据特征提取模块，所述数据特征提取模块用于提取电力负荷预测模型的输入数据与所述历史气象数据的相似度特征，所述电力负荷预测模型的训练方法还包括：在训练过程中，提取电力负荷预测模型的输入数据与所述历史气象数据的第一相似度特征；基于所述第一相似度特征学习所述第一相似度特征与所述融合权重的映射关系，其中，所述第一相似度特征与所述第一电力负荷预测子模型的融合权重呈正相关。
作为示例性的实施例，电力负荷预测模型包括数据特征提取模块，所述数据特征提取模块用于提取电力负荷预测模型的输入数据与所述历史气象数据的相似度特征，所述电力负荷预测模型的训练方法还包括：在训练过程中，提取电力负荷预测模型的输入数据与所述历史气象数据的第一相似度特征；基于所述第一相似度特征学习所述第一相似度特征与所述融合权重的映射关系，其中，所述第一相似度特征与所述第一电力负荷预测子模型的融合权重呈正相关。
在本实施例中，示例性的，数据特征提取单元用于提取模型的输入数据与历史电力负荷数据和历史气象数据的相似度；例如，针对输入数据，可以采用欧氏距离对输入数据与历史电力负荷数据和历史气象数据的相似度进行判断，从而得到所述第一相似度特征；具体的，在训练过程中，提取电力负荷预测模型的输入数据与所述历史气象数据的第一相似度特征；基于所述第一相似度特征学习所述第一相似度特征与所述融合权重的映射关系，其中，所述第一相似度特征与所述第一电力负荷预测子模型的融合权重呈正相关；例如，在模型的输入数据与历史电力负荷数据和历史气象数据的相似度较大时，认为采用第一电力负荷预测子模型得到的预测结果更为准确，在训练过程中调整模型参数，增大所述第一电力负荷预测子模型在进行融合时的第一融合权重W1，此时第二电力负荷预测子模型的第二融合权重W2和第三电力负荷预测子模型的第三融合权重W3相应减小，以使得电力负荷预测模型在预测时更关注特征相似度维度，而减小对负荷增长率维度和基准负荷值维度的关注。在模型的输入数据与历史电力负荷数据和历史气象数据的相似度较小时，减小所述第一电力负荷预测子模型在进行融合时的第一融合权重W1，此时第二电力负荷预测子模型的第二融合权重W2和第三电力负荷预测子模型的第三融合权重W3相应增大，以使得电力负荷预测模型在预测时更不关注特征相似度维度，而增加对负荷增长率维度和基准负荷值维度的关注。
作为示例性的实施例，所述数据特征提取模块还用于提取电力负荷预测模型的输入数据的第一时序增长率和不同年份下与所述输入数据时间对应的历史电力负荷数据的第二时序增长率的第二相似度特征，所述电力负荷预测模型的训练方法还包括：在训练过程中，提取电力负荷预测模型的输入数据的第一时序增长率和不同年份下与所述输入数据时间对应的历史电力负荷数据的第二时序增长率的第二相似度特征；基于所述第二相似度特征学习所述第二相似度特征与所述融合权重的映射关系，其中，所述第二相似度特征与所述第三电力负荷预测子模型的融合权重呈正相关。
在本实施例中，示例性的，数据特征提取单元还用于提取电力负荷预测模型的输入数据的第一时序增长率和不同年份下与所述输入数据时间对应的历史电力负荷数据的第二时序增长率的第二相似度特征；其中，所述时序增长率可以为将经由各个时刻拆分，并按日期排序后的输入数据后一时刻的电力负荷数值与前一时刻的电力负荷数值的比值，可以通过计算模型的输入数据的第一时序增长率和具体的不同年份下与所述输入数据时序对应的历史电力负荷数据的第二时序增长率的比值确定所述第二相似度特征；
在训练过程中，提取电力负荷预测模型的输入数据的第一时序增长率和不同年份下与所述输入数据时间对应的历史电力负荷数据的第二时序增长率的第二相似度特征；基于所述第二相似度特征学习所述第二相似度特征与所述融合权重的映射关系，其中，所述第二相似度特征与所述第三电力负荷预测子模型的融合权重呈正相关；其中，所述时间对应为月份、日期对应；例如，在模型的输入数据与历史电力负荷数据和第二相似度特征较大时，认为采用第三电力负荷预测子模型得到的预测结果更为准确，在训练过程中调整模型参数，增大所述第三电力负荷预测子模型在进行融合时的第三融合权重W3，此时第一电力负荷预测子模型的第一融合权重W1和第二电力负荷预测子模型的第二融合权重W2相应减小，以使得电力负荷预测模型在预测时更关注负荷增长率维度，而减小对特征相似度维度和基准负荷值维度的关注。在模型的输入数据与历史电力负荷数据和第二相似度特征较小时，减小所述第三电力负荷预测子模型在进行融合时的第三融合权重W3，此时第二电力负荷预测子模型的第二融合权重W2和第一电力负荷预测子模型的第一融合权重W1相应增大，以使得电力负荷预测模型在预测时更不关注负荷增长率维度，而增加对特征相似度维度和基准负荷值维度的关注。
作为示例性的实施例，所述数据融合模块还包括数据特征提取单元，所述数据特征提取单元用于提取电力负荷预测模型的输入数据的时间属性信息和气象变化信息，所述基于所述数据融合模块学习所述历史电力负荷数据与所述融合权重的对应关系包括：在训练过程中，基于所述数据特征提取单元提取所述输入数据中的时间属性信息和气象变化信息；其中，所述时间属性信息包括所述历史电力负荷数据和所述历史气象数据所处的年、月、日、时刻信息；基于所述时间属性信息确定输入数据包含的季节信息和节假日信息；在训练过程中，学习所述季节信息和节假日信息和所述气象变化信息与所述融合权重的映射关系；其中，所述气象变化信息与所述第一电力负荷预测子模型的融合权重呈正相关。
在本实施例中，在提取所述时间属性信息后，即可得到当前输入的历史气象数据中属于春夏秋冬季节的季节历史气象数据、属于节假日的节假日气象数据以及属于工作日的工作日气象数据；其中，作为可能的实现方式，所述时间属性信息可以由数据特征提取模块直接读取特征衍生结果得到；在得到上述类型的数据后，基于所述时间属性信息提取历史气象数据的气象变化状况；示例性的，所述气象变化状况至少包括温度变化状况、湿度变化状况等。
在训练过程中，学习所述时间属性信息和所述气象变化状况与所述融合权重的映射关系；示例性的，针对气候变化不明显的区域，上述季节历史气象数据、属于节假日的节假日气象数据以及属于工作日的工作日气象数据的特征相似度大，针对上述类型的数据对模型进行训练，在训练过程中调整模型参数，减小所述第一电力负荷预测子模型在进行融合时的第一融合权重W1，此时第二电力负荷预测子模型的第二融合权重W2和第三电力负荷预测子模型的第三融合权重W3相应增大，以使得电力负荷预测模型在预测时更关注特征相似度维度，而减小对基准负荷值维度和负荷增长率维度的关注。
示例性的，针对气候变化不明显的气候较为稳定的地区，上述季节历史气象数据的特征相似度小，针对上述类型的数据对模型进行训练，在训练过程中调整模型参数，增大所述第一电力负荷预测子模型在进行融合时的第一融合权重W1，此时第二电力负荷预测子模型的第二融合权重W2和第三电力负荷预测子模型的第三融合权重W3相应减小，以使得电力负荷预测模型在预测时更关注特征相似度维度，而不关注于基准负荷值维度和负荷增长率维度。
示例性的，针对气候变化明显的四季分明的地区，在气候发生明显变化时通常会导致电力负荷明显增加或明显降低；此时针对上述类型的数据对模型进行训练，在训练过程中调整模型参数，增大所述第一电力负荷预测子模型在进行融合时的第一融合权重W1，同时增大所述第三电力负荷预测子模型在进行融合时的第三融合权重W3，此时第二电力负荷预测子模型的第二融合权重W2相应减小，以使得电力负荷预测模型在预测时更关注特征相似度维度和负荷增长率维度，而不关注于基准负荷值维度。
作为示例性的实施例，所述电力负荷预测模型还包括子预测结果验证模块，所述子预测结果验证模块用于对每一所述电力负荷预测子模型的子预测结果进行验证，所述基于所述数据融合模块学习每一所述电力负荷预测子模型的融合权重包括：在训练过程中，基于所述子预测结果验证模块对训练过程中的采用每一所述电力负荷预测子模型的预测过程进行验证；基于所述子预测结果验证模块的验证结果调整所述融合权重；学习每一子模型的输入数据、所述验证结果和所述融合权重的对应关系，其中，每一子模型的所述验证结果与所述融合权重呈正相关。
在采用电力负荷预测模型对电力负荷进行预测的过程中，由于每一电力负荷预测子模型关注的输入数据的特征不同，每一电力负荷预测子模型的预测结果也不同；基于此，所述电力负荷预测模型还包括子预测结果验证模块，所述子预测结果验证模块用于对每一所述电力负荷预测子模型的子预测结果进行验证，所述基于所述数据融合模块学习每一所述电力负荷预测子模型的融合权重包括：在训练过程中，基于所述子预测结果验证模块对训练过程中的采用每一所述电力负荷预测子模型的预测过程进行验证；基于所述子预测结果验证模块的验证结果调整所述融合权重；学习每一子模型的输入数据、所述验证结果和所述融合权重的对应关系。
作为可能的实现方式，所述子预测结果验证模块设置有包含预测负荷的阈值P_MAX和P_MIN，分别对应预测负荷的最大值和最小值；其中，所述P_MAX和P_MIN可以根据历史电力负荷数据确定，例如，P_MAX可以为历史电力负荷数据的平均值的1.1倍，所述和P_MIN可以为历史电力负荷数据平均值的0.9倍；在模型训练的每一轮预测中，判断每一子预测模型的预测结果是否处于[0.9P_MIN,1.1P_MAX]的阈值区间内；针对未处于阈值区间的子预测模型的预测结果采用丢弃或替代的方式进行处理；示例性的，将处于[0.8P_MIN，0.9P_MIN)或(1.1P_MAX,1.2P_MAX）的替代区间内的子预测模型的预测结果采用替代的方式进行处理，将未处于所述替代区间内的子预测模型的预测结果进行丢弃。
示例性的，针对处理方式为丢弃的预测结果，表征着处理方式为丢弃的电力负荷预测子模型的预测偏差过大，因此针对其对应的预测结果和融合权重也随之丢弃；若所有电力负荷预测子模型的预测结果的处理方式均为丢弃时，将预测结果采用相同的1/3的权重进行加权求和。
示例性的，可以在训练过程中学习每一子模型的输入数据、所述验证结果和所述融合权重的对应关系；具体的，在每一轮进行训练时，将输入数据、验证结果和融合权重进行记录，在多轮训练后即可得到输入数据、验证结果和融合权重所对应的映射关系。
根据本申请的第二方面，提供一种电力负荷预测方法；图3是根据是本申请实施例的一种可选地电力负荷预测方法的流程示意图，如图3所示，所述预测方法包括：
S402.获取历史电力负荷数据、历史气象数据和待进行电力负荷预测的预测气象数据；
在本实施例中，所述历史电力负荷数据和历史气象数据可以为由测量设备记录的历史时长内的电力负荷数据和气象数据，也可以经过预测得到的历史时长内的电力负荷数据和气象数据。
所述预测气象数据可以为由历史气象数据采用预测模型预测得到的预设未来时长内的气象数据，也可以为由气象预报网站下载的预设未来时长内的气象数据；作为示例性的实施例，所述预设未来时长为未来1年、2年、3年……N年，N为正整数。
作为示例性的实施例，在获取预测气象数据，按照时间顺序对所述预测气象数据进行排序。
示例性的，在对所述气象数据进行排序后，进行特征衍生，对时间特征拆分年、月、日、时刻；依照时间特征转换工作日、休息日特征；具体的，对时间特征下的时刻特征拆分为96个时刻。
S404.将所述预测气象数据输入至预先训练好的电力负荷预测模型中，基于第一电力负荷预测子模型，针对特征相似度维度获取所述预测气象数据与所述历史气象数据之间的特征相似度关系和结果相似度关系，基于所述特征相似度关系和结果相似度关系得到第一电力负荷子预测结果；
根据的电力负荷的诸多特点中的季节性变化的特点，通常季节变化伴随着气象数据的变化；一方面，夏季用电高峰期一般在温度、湿度较高的下午和晚上，冬季用电高峰出现在温度、湿度较低早晚，另一方面，春夏秋冬则需要考虑节假日、学校开学等因素对用电量的影响，而通常节假日、学校开学等因素具有特定的气象数据和电力负荷数据；例如，一年内元旦、春节、清明节、劳动节、端午节等节假日在分别具有特定的气象数据和电力负荷数据，而不同年份下的相同的节假日具有相似的气象数据和电力数据。例如，一年内，学校放假、开学等寒暑假通常具有固定的寒暑假时段，该时段下分别具有特定的气象数据和电力负荷数据，而不同年份下的相同的寒暑假时段具有相似的气象数据和电力数据。
并且，同一地区的气候变化状况通常较为固定，不同年份下夏季和冬季的以季度为时间长度的气象数据具有相似的周期性变化和气象数据数值，相似的气象数据数值又对应有相似的电力负荷；例如，同一地区的2022年6月份的气象数据与2021年6月份的气象数据相似，且电力负荷也相似，2022年12月份的气象数据与2021年12月份的气象数据相似，且电力负荷也相似。
针对电力负荷的上述在特征相似度维度上的变化，在本申请中，所述第一电力负荷预测子模型用于提取不同时间下的所述历史气象预测数据对应的电力负荷与历史实测气象数据对应的电力负荷的相似度特征和/或不同时间下的不同的所述历史气象预测数据对应的电力负荷的相似度特征，并基于相似度特征进行预测，得到预测结果。
作为示例性的实施例，所述第一电力负荷预测子模型可以为KNNImputer插补模型，可以为孪生神经网络模型，还可以为其他可以实现特征相似度度量的模型。
例如，以所述第一电力负荷预测子模型为KNNImputer插补模型进行举例，对上述技术方案进行说明：
在本实施例中，所述KNNImputer插补模型用于以欧氏距离为基准，以n天为预测时间尺度，在历史气象数据中寻找与当前输入的预测气象数据的特征相似度满足预设相似度的历史气象数据；在寻找到所述历史气象数据时，将所述历史气象数据中的一个直接作为所述预测气象数据所对应的历史气象数据或将历史气象数据中的多个取平均作为所述预测气象数据所对应的历史气象数据。
具体的，所述第一电力负荷预测子模型的输入为经过特征衍生后的预测气象数据，所述预测气象数据在经过特征衍生之后，在某一具体的年月日下有96个时刻的衍生气象数据；针对上述每一时刻的衍生气象数据，在历史气象数据中寻找与当前输入的预测气象数据的每一衍生气象数据特征相似度满足预设相似度的历史气象数据；在寻找到所述历史气象数据时，将所述历史气象数据对应的一个历史电力负荷数据直接作为所述预测气象数据所对应的预测负荷数据或将历史气象数据中的多个历史电力负荷数据取平均作为所述预测气象数据所对应的预测负荷数据，直至找到所有的预测气象数据对应的数据。
S406.基于第二电力负荷预测子模型，针对基准负荷值维度，获取预测气象数据与基准负荷值的第一计算关系，基于所述第一计算关系得到第二电力负荷子预测结果；
具体的，在本实施例中，所述第二电力负荷预测子模型可以为移动平均模型，所述移动平均模型以平均值为负荷基准值，从基准值维度出发，以最近m天数据为数据周期，依次对各个时刻的负荷进行滚动求均值，预测未来多天负荷；示例性的，所述m为正整数。
在电力负荷的预测过程中，所述第二电力负荷预测子模型所起的作用为第一电力负荷预测子模型和第三电力负荷预测子模型提供基准。
S408.基于第三电力负荷预测子模型，针对负荷增长率维度，获取历史电力负荷数据与负荷时序增长率的第二计算关系，基于所述第二计算关系得到第三电力负荷子预测结果；
所述第三负荷预测子模型用于提取预测气象数据的时序增长率变化，且用于根据所述时序增长率变化进一步的计算得到基于负荷增长率维度的电力负荷预测结果。
作为可能的实现方式，所述第三电力负荷预测子模型可以为并行的LSTM模型与同比转换模型；在该子模型中，循环通过LSTM预测模型预测出未来各个时刻的增长率变化，之后使用同比转换模型，取临近k个月的增长率与去年同期k个月增长率做比值，与去年同期（相同月份）的增长率相乘，得到各个时刻增长率变化，最终与LSTM模型的预测增长率变化求均方根，计算出未来多天负荷。
S410.基于数据融合模块确定待预测气象数据对应的融合权重；
S412基于所述融合权重对所述第一电力负荷子预测结果、第二电力负荷子预测结果和第三电力负荷子预测结果进行融合，得到电力负荷预测结果。
作为示例性的实施例，所述电力负荷预测方法还包括：提取电力负荷预测模型的预测气象数据与所述历史气象数据和所述历史电力负荷数据的第一相似度特征；基于所述第一相似度特征调整所述融合权重。
作为示例性的实施例，所述电力负荷预测方法还包括：提取所述预测气象数据中的时间属性信息和气象变化信息；其中，所述时间属性信息包括所述历史电力负荷数据和所述历史气象数据所处的年、月、日、时刻信息；基于所述时间属性信息确定预测气象数据包含的季节信息和节假日信息；基于所述季节信息和节假日信息和所述气象变化信息调整所述融合权重。
作为示例性的实施例，所述数据融合模块还包括数据特征提取单元，所述数据特征提取单元用于提取所述电力负荷数据中的时间属性信息，所述预测方法还包括：提取所述预测气象数据中的时间属性信息；其中，所述时间属性信息包括预测气象数据所处的年、月、日、时刻，所处的季节信息和所处的日期的节假日信息；基于所述时间属性信息确定所述时间属性信息与所述融合权重的映射关系。
作为示例性的实施例，所述电力负荷预测模型还包括子预测结果验证模块，所述子预测结果验证模块用于对每一所述电力负荷预测子模型的子预测结果进行验证，所述基于所述数据融合模块学习每一所述电力负荷预测子模型的融合权重包括：在预测过程中，基于所述子预测结果验证模块对训练过程中的采用每一所述电力负荷预测子模型的预测过程进行验证，得到验证结果；基于每一子模型的输入数据、所述验证结果和所述融合权重的对应关系确定所述融合权重。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的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存储介质（如ROM（Read-Only Memory，只读存储器）/RAM(Random Access Memory，随机存取存储器)、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本申请各个实施例所述的方法。
根据本申请的第三方面，提供一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信，所述存储器，用于存储计算机程序；所述处理器，用于通过运行所述存储器上所存储的所述计算机程序来执行如上述任一项所述的实施例中的方法。
图4是根据本申请实施例的一种可选的电子设备的结构框图，如图4所示，包括处理器502、通信接口504、存储器506和通信总线508，其中，处理器502、通信接口504和存储器506通过通信总线508完成相互间的通信，其中，
存储器506，用于存储计算机程序；
处理器502，用于执行存储器506上所存放的计算机程序时，实现如下步骤：
获取历史电力负荷数据和历史气象数据；其中，所述历史气象数据和所述历史电力负荷数据时序对应；
在训练过程中，基于所述第一电力负荷预测子模型，针对特征相似度维度学习所述历史气象数据之间的特征相似度关系和时序对应的历史电力负荷数据的结果相似度关系；
基于所述第二电力负荷预测子模型，针对基准负荷值维度，学习历史电力负荷数据与基准负荷值的第一计算关系；
基于所述第三电力负荷预测子模型，针对负荷增长率维度，学习历史电力负荷数据与负荷时序增长率的第二计算关系；
基于所述数据融合模块学习所述历史气象数据和历史电力负荷数据与每一所述电力负荷预测子模型的融合权重的对应关系。
可选地，在本实施例中，上述的通信总线可以是PCI (Peripheral ComponentInterconnect，外设部件互连标准)总线、或EISA (Extended Industry StandardArchitecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM，也可以包括非易失性存储器(non-volatile memory)，例如，至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，可以包含但不限于：CPU (Central ProcessingUnit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP (DigitalSignal Processing，数字信号处理器)、ASIC (Application Specific IntegratedCircuit，专用集成电路)、FPGA (Field－Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
本领域普通技术人员可以理解，图4所示的结构仅为示意，实施上述实施例中任意一项所述的方法的设备可以是终端设备，该终端设备可以是智能手机（如Android手机、IOS手机等）、平板电脑、掌上电脑以及移动互联网设备（Mobile Internet Devices，MID）、PAD等终端设备。图4其并不对上述电子装置的结构造成限定。例如，终端设备还可包括比图4中所示更多或者更少的组件（如网络接口、显示装置等），或者具有与图4所示的不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、ROM、RAM、磁盘或光盘等。
作为示例性的实施例，本申请还提供一种计算机可读的存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行本实施例中任意一项所述的方法步骤。
可选地，在本实施例中，上述存储介质可以用于执行本申请实施例的方法步骤的程序代码。
可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：
获取历史电力负荷数据和历史气象数据；其中，所述历史气象数据和所述历史电力负荷数据时序对应；
在训练过程中，基于所述第一电力负荷预测子模型，针对特征相似度维度学习所述历史气象数据之间的特征相似度关系和时序对应的历史电力负荷数据的结果相似度关系；
基于所述第二电力负荷预测子模型，针对基准负荷值维度，学习历史电力负荷数据与基准负荷值的第一计算关系；
基于所述第三电力负荷预测子模型，针对负荷增长率维度，学习历史电力负荷数据与负荷时序增长率的第二计算关系；
基于所述数据融合模块学习所述历史气象数据和历史电力负荷数据与每一所述电力负荷预测子模型的融合权重的对应关系。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例中对此不再赘述。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的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，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请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存储介质中，包括若干指令用以使得一台或多台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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，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中所提供的方案的目的。
另外，在本申请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。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种电力负荷预测模型训练方法，其特征在于，所述电力负荷预测模型用于对中长期电力负荷进行预测，包括从不同维度进行电力预测的三个电力负荷预测子模型和数据融合模块；其中，第一电力负荷预测子模型用于基于特征相似度维度进行预测得到第一子预测结果，第二电力负荷预测子模型用于基于基准负荷值维度进行预测得到第二子预测结果，第三电力负荷预测子模型用于基于负荷增长率维度进行预测得到第三子预测结果；所述电力负荷预测模型的训练方法包括：
获取历史电力负荷数据和历史气象数据；其中，所述历史气象数据和所述历史电力负荷数据时序对应；
在训练过程中，基于所述第一电力负荷预测子模型，针对特征相似度维度学习所述历史气象数据之间的特征相似度关系和时序对应的历史电力负荷数据的结果相似度关系；
基于所述第二电力负荷预测子模型，针对基准负荷值维度，学习历史电力负荷数据与基准负荷值的第一计算关系；
基于所述第三电力负荷预测子模型，针对负荷增长率维度，学习历史电力负荷数据与负荷时序增长率的第二计算关系；
基于所述数据融合模块学习所述历史气象数据和历史电力负荷数据分别与第一电力负荷预测子模型、第二电力负荷预测子模型和第三电力负荷预测子模型的融合权重的对应关系。
2.如权利要求1所述的电力负荷预测模型训练方法，其特征在于，所述电力负荷预测模型包括数据特征提取模块，所述数据特征提取模块用于提取电力负荷预测模型的输入数据与所述历史气象数据的相似度特征，所述电力负荷预测模型的训练方法还包括：
在训练过程中，提取电力负荷预测模型的输入数据与所述历史气象数据的第一相似度特征；
基于所述第一相似度特征学习所述第一相似度特征与所述融合权重的映射关系，其中，所述第一相似度特征与所述第一电力负荷预测子模型的融合权重呈正相关。
3.如权利要求2所述的电力负荷预测模型训练方法，其特征在于，所述数据特征提取模块还用于提取电力负荷预测模型的输入数据的第一时序增长率和不同年份下与所述输入数据时间对应的历史电力负荷数据的第二时序增长率的第二相似度特征，所述电力负荷预测模型的训练方法还包括：
在训练过程中，提取电力负荷预测模型的输入数据的第一时序增长率和不同年份下与所述输入数据时间对应的历史电力负荷数据的第二时序增长率的第二相似度特征；
基于所述第二相似度特征学习所述第二相似度特征与所述融合权重的映射关系，其中，所述第二相似度特征与所述第三电力负荷预测子模型的融合权重呈正相关。
4.如权利要求1所述的电力负荷预测模型训练方法，其特征在于，所述数据融合模块还包括数据特征提取单元，所述数据特征提取单元用于提取电力负荷预测模型的输入数据的时间属性信息和气象变化信息，所述基于所述数据融合模块学习所述历史电力负荷数据与所述融合权重的对应关系包括：
在训练过程中，基于所述数据特征提取单元提取所述输入数据中的时间属性信息和气象变化信息；其中，所述时间属性信息包括所述历史电力负荷数据和所述历史气象数据所处的年、月、日、时刻信息；
基于所述时间属性信息确定输入数据包含的季节信息和节假日信息；
在训练过程中，学习所述季节信息和节假日信息和所述气象变化信息与所述融合权重的映射关系；其中，所述气象变化信息与所述第一电力负荷预测子模型的融合权重呈正相关。
5.如权利要求1-4任意一项所述的电力负荷预测模型训练方法，其特征在于，所述电力负荷预测模型还包括子预测结果验证模块，所述子预测结果验证模块用于分别对第一电力负荷预测子模型、第二电力负荷预测子模型和第三电力负荷预测子模型的子预测结果进行验证，所述基于所述数据融合模块学习所述历史气象数据和历史电力负荷数据分别与第一电力负荷预测子模型、第二电力负荷预测子模型和第三电力负荷预测子模型的融合权重的对应关系包括：
在训练过程中，基于所述子预测结果验证模块对训练过程中的第一电力负荷预测子模型、第二电力负荷预测子模型和第三电力负荷预测子模型的预测过程进行验证；
基于所述子预测结果验证模块的验证结果调整所述融合权重；
学习第一电力负荷预测子模型、第二电力负荷预测子模型和第三电力负荷预测子模型的输入数据、所述验证结果和所述融合权重的对应关系，其中，第一电力负荷预测子模型、第二电力负荷预测子模型和第三电力负荷预测子模型的所述验证结果与所述融合权重呈正相关。
6.一种电力负荷预测方法，其特征在于，所述电力负荷预测方法包括：
获取历史电力负荷数据、历史气象数据和待进行电力负荷预测的预测气象数据；
将所述预测气象数据输入至预先训练好的电力负荷预测模型中，基于第一电力负荷预测子模型，针对特征相似度维度获取所述预测气象数据与所述历史气象数据之间的特征相似度关系和结果相似度关系，基于所述特征相似度关系和结果相似度关系得到第一电力负荷子预测结果；
基于第二电力负荷预测子模型，针对基准负荷值维度，获取预测气象数据与基准负荷值的第一计算关系，基于所述第一计算关系得到第二电力负荷子预测结果；
基于第三电力负荷预测子模型，针对负荷增长率维度，获取历史电力负荷数据与负荷时序增长率的第二计算关系，基于所述第二计算关系得到第三电力负荷子预测结果；
基于数据融合模块确定待预测气象数据对应的融合权重；
基于所述融合权重对所述第一电力负荷子预测结果、第二电力负荷子预测结果和第三电力负荷子预测结果进行融合，得到电力负荷预测结果。
7.如权利要求6所述的电力负荷预测方法，其特征在于，所述电力负荷预测方法还包括：
提取电力负荷预测模型的预测气象数据与所述历史气象数据和所述历史电力负荷数据的第一相似度特征；
基于所述第一相似度特征调整所述融合权重。
8.如权利要求6或7所述的电力负荷预测方法，其特征在于，所述电力负荷预测方法还包括：
提取所述预测气象数据中的时间属性信息和气象变化信息；其中，所述时间属性信息包括所述历史电力负荷数据和所述历史气象数据所处的年、月、日、时刻信息；
基于所述时间属性信息确定预测气象数据包含的季节信息和节假日信息；
基于所述季节信息和节假日信息和所述气象变化信息调整所述融合权重。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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如权利要求1至5中任意一项所述的电力负荷预测模型训练方法或如权利要求6至8中任意一项所述的电力负荷预测方法。
10.一种计算机可读的存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行如权利要求1至5中任意一项所述的电力负荷预测模型训练方法或如权利要求6至8中任意一项所述的电力负荷预测方法。
CN202310842668.XA 2023-07-11 2023-07-11 电力负荷预测模型训练方法、预测方法、电子设备和介质 Active CN116562398B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310842668.XA CN116562398B (zh) 2023-07-11 2023-07-11 电力负荷预测模型训练方法、预测方法、电子设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310842668.XA CN116562398B (zh) 2023-07-11 2023-07-11 电力负荷预测模型训练方法、预测方法、电子设备和介质

Publications (2)

Publication Number Publication Date
CN116562398A CN116562398A (zh) 2023-08-08
CN116562398B true CN116562398B (zh) 2023-09-08

Family

ID=87486530

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310842668.XA Active CN116562398B (zh) 2023-07-11 2023-07-11 电力负荷预测模型训练方法、预测方法、电子设备和介质

Country Status (1)

Country Link
CN (1) CN116562398B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117909928B (zh) * 2024-03-19 2024-05-28 国网四川省电力公司成都供电公司 基于大数据分析的空调负荷预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115169723A (zh) * 2022-07-26 2022-10-11 华为数字能源技术有限公司 发电功率预测方法、负荷预测方法及模型训练方法
CN115545319A (zh) * 2022-10-13 2022-12-30 广西大学 一种基于气象相似日集的电网短期负荷预测方法
CN115882454A (zh) * 2023-02-09 2023-03-31 国网浙江省电力有限公司宁波供电公司 基于多元信息融合的源荷功率预测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128793A (zh) * 2021-05-19 2021-07-16 中国南方电网有限责任公司 一种基于多源数据融合的光伏功率组合预测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115169723A (zh) * 2022-07-26 2022-10-11 华为数字能源技术有限公司 发电功率预测方法、负荷预测方法及模型训练方法
CN115545319A (zh) * 2022-10-13 2022-12-30 广西大学 一种基于气象相似日集的电网短期负荷预测方法
CN115882454A (zh) * 2023-02-09 2023-03-31 国网浙江省电力有限公司宁波供电公司 基于多元信息融合的源荷功率预测方法及系统

Also Published As

Publication number Publication date
CN116562398A (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
CN110610280B (zh) 一种电力负荷短期预测方法、模型、装置及系统
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
Khotanzad et al. A neuro-fuzzy approach to short-term load forecasting in a price-sensitive environment
CN116562398B (zh) 电力负荷预测模型训练方法、预测方法、电子设备和介质
CN115333100B (zh) 屋顶光伏发电功率协同控制方法及系统
Sharma et al. A novel seasonal segmentation approach for day-ahead load forecasting
CN114372360A (zh) 用于电力负荷预测的方法、终端及存储介质
CN110210670A (zh) 一种基于电力系统短期负荷的预测方法
CN114943565A (zh) 基于智能算法的电力现货价格预测方法及装置
CN116826710A (zh) 基于负荷预测的削峰策略推荐方法、装置及存储介质
CN115222106A (zh) 一种自适应模型的用户日前负荷预测方法
CN113011680A (zh) 一种电力负荷预测方法及系统
CN113807589A (zh) 基于模型预测的运营商储能的滚动优化方法及装置
CN115065078A (zh) 微网环境下储能容量配置方法及系统
CN115186923A (zh) 光伏发电功率的预测方法、装置及电子设备
CN115796915A (zh) 一种面向电力交易市场的电价预测方法及系统
CN117407681B (zh) 一种基于向量聚类的时序数据预测模型建立方法
CN114140176A (zh) 一种负荷聚集平台的可调容量预测方法及装置
Alharbi et al. Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks
CN111697560B (zh) 一种基于lstm预测电力系统负荷的方法及系统
CN112598181A (zh) 负荷预测方法、装置、设备和存储介质
CN117200352A (zh) 一种基于云边融合的光伏发电调控方法及系统
CN116484998A (zh) 基于气象相似日的分布式光伏电站功率预测方法及系统
CN111368257B (zh) 煤改电负荷特性的分析预测方法及装置
CN111680818B (zh) 一种短期无功负荷预测方法和系统

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
GR01 Patent grant
GR01 Patent grant