负荷预测模型创建方法及装置、电力负荷预测方法及装置与流程

本申请涉及电力负荷检测
技术领域：
，具体而言，本申请涉及一种负荷预测模型创建方法及装置、电力负荷预测方法及装置。
背景技术：
：负荷预测是根据系统的运行特征、增容决策、自然条件与社会影响等诸多因数，在满足一定精度要求的条件下，确定未来某特定时刻的负荷数据，其中负荷是指电力需求量(功率)或用电量。电力负荷预测是电力系统经济调度中的一项重要内容，是能量管理系统(ems)的一个重要模块，准确的负荷预测，可以经济合理地安排电网内部发电机组的启停，保持电网运行的安全稳定性，减少不必要的旋转储备容量，合理安排机组检修计划，保障社会的正常生产和生活，有效地降低发电成本，提高经济效益和社会效益。随着电力市场的发展，负荷预测的重要性日益显现，并且对负荷预测精度的要求越来越高。传统的电力负荷预测方法主要分为经典预测方法和现代预测方法，目前常用的电力负荷预测方法对线性问题的拟合效果控制起来比较复杂，得出的预测结果往往准确度不高；某些算法模型建立起来需要消耗较长的时间，对计算机的性能要求也很严苛，且经常会出现过拟合的现象。技术实现要素：本申请针对现有方式的缺点，提出一种负荷预测模型创建方法及装置、电力负荷预测方法及装置，用以解决现有技术存在的算法复杂、易出现过拟合且预测结果精度不高的技术问题。第一方面，本申请实施例提供了一种负荷预测模型创建方法，包括：获取历史电力负荷特征数据和对应的历史条件数据；确定历史电力负荷特征数据和历史条件数据的分布特征；根据分布特征，建立至少一种初始预测模型；初始预测模型包括历史电力负荷特征数据和历史条件数据之间的关联关系；根据历史电力负荷特征数据和历史条件数据，确定每种初始预测模型是否满足预设的误差条件；根据满足误差条件的初始预测模型，确定出电力负荷预测模型。第二方面，本申请实施例提供了一种负荷预测模型创建装置，包括：数据获取模块，用于获取历史电力负荷特征数据和对应的历史条件数据；第一模型确定模块，用于确定历史电力负荷特征数据和历史条件数据的分布特征；根据分布特征，建立至少一种初始预测模型；初始预测模型包括历史电力负荷特征数据和历史条件数据之间的关联关系；第二模型确定模块，用于根据历史电力负荷特征数据和历史条件数据，确定每种初始预测模型是否满足预设的误差条件；根据满足误差条件的初始预测模型，确定出电力负荷预测模型。第三方面，本申请实施例提供了一种负荷预测模型创建设备，包括：存储器和处理器，存储器存储有计算机程序，该计算机程序由处理器执行以实现本申请实施例第一方面提供的负荷预测模型创建方法。第四方面，本申请实施例提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现本申请实施例第一方面提供的负荷预测模型创建方法。第五方面，本申请实施例提供了一种电力负荷预测方法，包括：获取条件数据；根据本申请实施例第一方面提供的负荷预测模型创建方法创建出的电力负荷预测模型，对条件数据对应的电力负荷数据进行预测。第六方面，本申请实施例提供了一种电力负荷预测装置，包括：数据获取模块，用于获取条件数据；预测模块，用于根据本申请实施例第一方面提供的负荷预测模型创建装置创建出的电力负荷预测模型，对条件数据对应的电力负荷数据进行预测。第七方面，本申请实施例提供了一种电力负荷预测设备，包括：存储器和处理器，存储器存储有计算机程序，该计算机程序由处理器执行以实现本申请实施例第五方面提供的电力负荷预测方法。第八方面，本申请实施例提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现本申请实施例第五方面提供的电力负荷预测方法。本申请实施例提供的技术方案，至少具有如下有益效果：1)本申请实施例通过确定历史电力负荷特征数据和对应的历史条件数据的分布特征，基于该分布即可建立相应的初始预测模型，在初始预测模型的基础上，进而通过判断初始预测模型是否满足预设的误差条件即可确定出所需的电力负荷预测模型，而不需要对历史数据进行大量的拟合计算或训练，大大简化了算法，适用于大多数的计算机，并提高了建模的效率；2)由于无需进行拟合计算，同时也有效避免了现有技术中存在的过拟合现象，也避免了过拟合现象对模型精度的影响，使得所创建的电力负荷预测模型的结构简单且拟合效果较好，有利于实现对未来的电力负荷的精确预测。本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。附图说明本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为本申请实施例提供的一种负荷预测模型创建方法的流程示意图；图2为本申请实施例提供的本申请实施例提供的负荷预测模型创建方法的一种可选实施方式的展开流程示意图；图3为本申请实施例的一个示例中某园区7月份的电力负荷变化曲线图；图4为本申请实施例的另一个示例中某园区的电力负荷的数据分布图；图5为本申请经实施例提供的负荷预测模型创建方法创建出的一种电力负荷预测模型的拟合曲线效果示意图；图6为本申请经实施例提供的负荷预测模型创建方法创建出的另一种电力负荷预测模型的拟合曲线效果示意图；图7为本申请实施例提供的一种电力负荷预测方法的流程示意图；图8为本申请实施例提供的另一种电力负荷预测方法的流程示意图；图9为本申请实施例提供的一种负荷预测模型创建装置的结构框架示意图；图10为本申请实施例提供的一种电力负荷预测装置的结构框架示意图；图11为本申请实施例提供的另一种电力负荷预测装置的结构框架示意图；图12为本申请实施例提供的一种负荷预测模型创建设备的结构框架示意图；图13为本申请实施例提供的一种电力负荷预测设备的结构框架示意图。具体实施方式下面详细描述本申请，本申请实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的部件或具有相同或类似功能的部件。此外，如果已知技术的详细描述对于示出的本申请的特征是不必要的，则将其省略。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。本
技术领域：
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。本
技术领域：
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。基于同一发明构思，本申请实施例提供了一种负荷预测模型创建方法，如图1所示，该负荷预测模型创建方法包括：s101，获取历史电力负荷特征数据和对应的历史条件数据。可选地，获取历史电力负荷数据，判断历史电力负荷数据中是否存在异常数据；若历史电力负荷数据中存在异常数据，则对历史电力负荷数据进行预处理，得到历史电力负荷特征数据；若历史电力负荷数据中不存在异常数据，则将历史电力负荷数据作为历史电力负荷特征数据。s102，确定历史电力负荷特征数据和历史条件数据的分布特征。s103，根据分布特征，建立至少一种初始预测模型；初始预测模型包括历史电力负荷特征数据和历史条件数据之间的关联关系。可选地，根据分布特征，确定符合关联关系的函数类型；根据历史电力负荷数据，确定至少一组符合函数类型对应的函数参数；将至少一组函数参数对应的函数分别作为至少一种初始预测模型。s104，根据历史电力负荷特征数据和历史条件数据，确定每种初始预测模型是否满足预设的误差条件。可选地，将每个历史条件数据输入至少一种初始预测模型中；对于每个历史条件数据，根据至少一种初始预测模型对历史条件数据对应的电力负荷进行预测，得到至少一个历史电力负荷预测数据；将每个历史条件数据对应的至少一个历史电力负荷预测数据分别与同一历史条件数据对应的历史电力负荷特征数据进行对比，确定每个历史电力负荷预测数据的误差；判断每个历史电力负荷预测数据的误差是否小于预设的第一误差阈值。s105，根据满足误差条件的初始预测模型，确定出电力负荷预测模型。可选地，将满足误差条件次数最多的一种初始预测模型作为电力负荷预测模型。可选地，在小于第一误差阈值的历史电力负荷预测数据对应的初始预测模型中，确定每种初始预测模型的出现次数；将出现次数最多的一种初始预测模型作为电力负荷预测模型。下面参照图2，对本申请实施例提供的负荷预测模型创建方法的一种可选的实施方式的展开流程进行介绍：s201，获取历史电力负荷数据和对应的历史条件数据，判断历史电力负荷数据中是否存在异常数据；若是，则执行s202，若否，则执行s203。可选地，异常数据包括0值和突变值中的至少一种，0值表示对应位置的数据缺失，当所获取的历史电力负荷数据中出现0值时，表示所获取的历史电力负荷数据出现了中断；突变值表示对应位置的数据与邻近数据差别较大，通常一个园区的电力一般不会出现大的变化，因此当所获取的历史电力负荷数据中出现突变值时，表示所获取的历史电力数据出现了异常；上述中断和异常现象会影响所创建的负荷预测模型的准确性。可选地，在获取历史电力负荷数据和对应的历史条件数据之前可以预先设定数据采集步长，在获取历史电力负荷数据和对应的历史条件数据时，根据该数据采集步长采集历史电力负荷数据和对应的历史条件数据。本申请实施例可根据实际需求对数据采集步长进行设置或调整，使得获取的历史电力负荷数据和对应的历史条件数据的数量和密集程度能够符合不同用户的建模要求。可选地，通过scada(supervisorycontrolanddataacquisition，数据采集与监视控制系统)获取上述历史电力负荷数据和对应的历史条件数据。可选地，电力负荷可受到至少一种环境条件的影响，例如时间、风速(或光照)、温度、气压等。在一个示例中，当通过步骤s201获取的历史条件数据包括m组数据，每组中包括n种环境条件的数据时，该历史条件数据可以表示为一个m行n列的条件数据矩阵x，其中m和n均为正整数。s202，对历史电力负荷数据进行预处理，得到历史电力负荷特征数据，然后执行s204。可选地，对历史电力负荷数据进行预处理包括对0值和/或突变值的预处理，具体地，将0值和/或突变值所在的数据位置均视为数据缺失，采用随机森林的方式对0值和/或突变值该数据位置进行数据填充，使填充后的历史电力负荷数据基于预先设定的数据采集步长连续且无异常。通过随机森林的方式对数据进行填充的具体方法为现有技术，基于随机森林得到的历史电力负荷特征数据无需归一化和离散化处理，此处不再赘述。通过上述预处理，可消除历史电力负荷数据中的异常数据，提高历史电力负荷数据的真实性和准确性，有助于提高建模精度。s203，将历史电力负荷数据作为历史电力负荷特征数据。此种情况下，无需对历史电力负荷数据进行预处理，直接将获取到的电力负荷数据作为历史电力负荷特征数据。在一个示例中，当所获取的历史电力负荷数据包括与上述m组环境条件数据分别对应的m个电力负荷数据时，对应地，通过步骤s202或s203的历史电力负荷特征数据可以表示为1行m列或1列m行的特征数据矩阵y。s204，确定历史电力负荷特征数据和历史条件数据的分布特征。可选地，对该历史电力负荷特征数据和历史条件数据进行可视化处理，形成负荷变化曲线图，根据该负荷曲线图中呈现的负荷变化趋势确定历史电力负荷特征数据和历史条件数据的分布特征。在一个示例中，表1示出了所获取的某园区7月份的历史电力负荷特征数据和历史条件数据。表1由表1可以看出，该示例中所获取的历史条件数据仅涉及一种历史条件即历史时间条件，该历史时间条件数据(见表1第二列)可根据第一列实际日期分别对应设置，例如，将7月1日至7月30日对应的历史时间条件数据分别设置为0至29，每个历史时间条件数据对应一个时间点，还可以分别设置为1至30或步长相等的其它数值。在一个示例中，可将表1第二列中的各历史时间条件数据按照日期顺序依次排列，形成30行1列的条件数据矩阵x，将表1第三列中的各历史电力负荷特征数据按照与该条件数据矩阵x对应的顺序排列，形成30行1列的特征数据矩阵y。对表1所示的某园区7月份的历史电力负荷特征数据(见表1第三列)和历史时间条件数据进行可视化处理，可得到如图3所示的某园区7月份的电力负荷变化曲线图，图3中的横坐标表示时间条件数据，纵坐标表示电力负荷特征数据；由该电力负荷变化曲线图可以看出，7月份的电力负荷随时间的变化呈现线性增长的趋势，局部时间由于是周末，增长速度有所下降，由此可确定出7月份的历史电力负荷数据和历史时间条件数据为线性分布。可选地，对于时间、风速、温度、气压等条件，还可以直接将原始的风速、温度、气压等数据作为对应的条件数据，从而确定分布特征。在另一个示例中，表2示出了所获取的某园区的历史电力负荷特征数据和历史条件数据。表2历史温度条件数据(℃)历史电力负荷特征数据(kwh)-3.4459.84-2.9428.16-2.1413.6404030.3387.242.2375.363.2364.363.8354.245.23455.8336.647.5329.168.3322.569.9316.8410.231210.6308.0412.1304.9612.9302.7613.3301.4414.530116.4301.4417.3302.7617.9304.9619.2308.0320.431221.2316.8422.2322.5622.9329.1624.5336.6425.334525.7354.2427.5364.3628.1375.3629387.2430400由表2可以看出，该示例中所获取的历史条件数据仅涉及一种历史条件即历史温度条件，对应的历史温度条件数据见表2第一列。在一个示例中，可将表2第二列中的各历史温度条件数据按照表2所示的顺序依次排列，形成55行1列的条件数据矩阵x，将表2第二列中的各历史电力负荷特征数据按照与该条件数据矩阵x对应的顺序排列，形成55行1列的特征数据矩阵y。对表2所示的历史电力负荷特征数据(表2第二列)和历史温度条件数据(表2第一列)进行可视化处理，可得到如图4所示的表2所示电力负荷特征数据的数据分布图，图4中的横坐标表示温度条件数据，纵坐标表示电力负荷特征数据；由该数据分布图可以看出，电力负荷随温度的变化呈抛物线形态分布。s205，根据确定出的分布特征，确定符合该分布特征对应的历史电力负荷特征数据和历史条件数据之间的关联关系的函数类型。在一个示例中，根据图3可确定出表1所示的某园区7月份的历史电力负荷特征数据和历史时间条件数据为线性分布，则可确定出符合该线性分布对应的历史电力负荷数据和历史时间条件数据之间的关联关系的函数类型为线性函数，可表示为：y＝a·x+b表达式(1)若历史条件数据包括多种条件，则通过可视化处理后确定出的函数类型可以是如下函数：y＝a·x1+b·x2+c·x3+…+z表达式(2)在表达式(2)中，x1、x2和x3均为自变量，x1表示第一种条件的历史条件数据，x2表示第二种条件的历史条件数据，x3表示第三种条件的历史条件数据。在另一个示例中，根据图4可确定出表2所示的某园区的历史电力负荷特征数据和历史温度条件数据为抛物线分布，则可确定出符合该抛物线分布对应的历史电力负荷数据和历史温度条件数据之间的关联关系的函数类型为二次函数，可表示为：y＝a·x2+b·x+c表达式(3)本申请实施例可通过可视化的数据处理方式来确定历史数据的分布特征以及对应的函数类型，避免了对历史数据的复杂拟合或训练过程，有效地简化了算法，使算法更易于实现。s206，根据历史电力负荷特征数据和历史条件数据，确定至少一组与上述函数类型对应的函数参数。可选地，根据历史电力负荷特征数据和历史条件数据的数值大小，确定与上述函数类型对应的函数参数的取值范围，在该取值范围内随机生成至少一组该函数参数，以提高生成的函数参数与历史电力负荷特征数据的匹配度，从而可使基于该函数参数确定出的电力负荷预测模型的准确性更高。若在该取值范围内随机生成了p组函数参数，每组中包括q个参数，则生成的函数参数可表示为一个p行q列的矩阵a，其中p和q均为正整数。在一个示例中，可根据表1所示的历史电力负荷数据和历史时间条件数据的数值大小确定表达式(1)中的斜率a和截距b的取值范围；具体地，根据表1中的任意一行或两行的数据确定出b的基础取值，根据实际需求在该基础取值的两端各取一个边界值，两个边界值即可形成b的取值范围，进而根据b的取值范围以及表1中任意一行(历史时间条件数据为0的一行除外)的数据确定出a的取值范围；同理，也可以先确定出a的取值范围，再根据a的取值范围确定出b的取值范围。在确定斜率a和截距b的取值范围时，选取表1中的不同的一行或两行数据，可得到不同的a和b的取值范围，不同的取值范围对应不同的建模准确度和建模效率，在实际操作中，可根据实际情况选取相应的数据以基于该数据确定a和b的取值范围，使最终达到的建模准确度和建模效率满足实际的需求。具体地，将表1中第一行的历史时间条件数据作为自变量、历史电力负荷特征数据作为因变量输入表达式(1)所示的线性函数中，可得到截距b的一个基础取值为42156126，根据实际需求可在该基础取值的基础上加100可得到一个上限值42156226，在该基础取值的基础上减100可得到一个下限值42156026，则根据表1确定出的截距b的取值范围为[42156026,42156226]。进一步地，将表1中的最后一行的历史时间条件数据、历史电力负荷特征数据(表1中最大的电力负荷值)以及b的下限值均代入表达式(1)所示的线性函数中，可得到斜率a的上限值为38007.9；将表1中的最后一行的历史时间条件数据、历史电力负荷特征数据(表1中最大的电力负荷值)以及b的上限值均代入表达式(1)所示的线性函数中，可得到斜率a的下限值为38000.9，则根据表1确定出的斜率a的取值范围为[38000.9,38007.9]。在斜率a和截距b的取值范围内可随机生成了p组a和b的值，则生成的函数参数可表示为一个p行2列的参数矩阵a。在另一个示例中，可根据表2所示的历史电力负荷特征数据和历史温度条件数据的数值大小确定表达式(3)中的参数a、b和c的取值范围；具体地，根据表2中的任意三行数据可确定出参数a、b和c的基础取值，根据实际需求在该a、b和c的基础取值的两端各取一个边界值，可形成a、b和c的取值范围。例如，将历史温度条件数据0作为自变量代入表达式(3)所示的二次函数中，此时y的值在403，且y＝c，由此可将c的基础取值确定为403或取整为400，以400为例，根据实际需求在该基础取值的基础上加10可得到一个上限值410，在该基础取值的基础上减10可得到一个上限值390，则根据表2确定出的表达式(3)中的参数c的取值范围为[390,410]，步长为1；进一步地，将表2中的以下三组数据分别代入表达式(3)：(0，403)、(14.5，301)和(30，400)，可求出a的基础取值0.447以及b的基础取值-13.5，根据实际需求确定出上下边界值后，可得到参数a的取值范围为[0.437，0.457]，步长为0.001，参数b的取值范围为[-14，-13]，步长为0.1。在表达式(3)的参数a、b和c的取值范围内可随机生成了p组a、b和c的值，则生成的函数参数可表示为一个p行3列的参数矩阵a。s207，将至少一组函数参数对应的函数分别作为至少一种初始预测模型。在一个示例中，将一个p行2列的参数矩阵a中各行的参数分别代入上述表达式(1)，得到的p个函数可分别作为p个初始预测模型，该p个初始预测模型可表示为：y＝a[j][1]x+a[j][2]，j∈[1,p]表达式(4)在表达式(4)中，a[j][1]表示上述p行2列的参数矩阵a中的第j行第1列的矩阵元素，对应表达式(1)中的斜率a；a[j][2]表示上述p行2列的参数矩阵a中的第j行第2列的矩阵元素，对应表达式(1)中的斜率b。在另一个示例中，将一个p行q列的参数矩阵a中各行的参数和一个m行n列的条件矩阵x分别代入上述表达式(2)中，得到的p个函数可分别作为p个初始预测模型，该p个初始预测模型可表示为：y＝a[j][1]·x[i][1]+a[j][2]·x[i][2]+a[j][3]·x[i][3]+…+a[j][q]，j∈[1,p]，i∈[1,m]表达式(5)在表达式(5)中，a[j][1]表示上述p行q列的参数矩阵a中的第j行第1列的矩阵元素，对应表达式(2)中的参数a；a[j][2]表示上述p行q列的参数矩阵a中的第j行第2列的矩阵元素，对应表达式(2)中的参数b，a[j][3]表示上述p行q列的参数矩阵a中的第j行第3列的矩阵元素，对应表达式(2)中的参数c，省略部分依次类推；a[j][q]表示上述p行q列的参数矩阵a中的第j行第q列的矩阵元素，对应表达式(2)中的参数z。在表达式(5)中，x[i][1]表示上述m行n列的条件矩阵x中的第i行第1列的矩阵元素，对应表达式(2)中的自变量x1；x[i][2]表示上述m行n列的条件矩阵x中的第i行第2列的矩阵元素，对应表达式(2)中的自变量x2，x[i][3]表示上述m行n列的条件矩阵x中的第i行第3列的矩阵元素，对应表达式(2)中的自变量x3，省略部分依次类推。在另一个示例中，将一个p行3列的参数矩阵a中各行的参数分别代入上述表达式(3)，得到的p个函数可分别作为p个初始预测模型，该p个初始预测模型可表示为：y＝a[j][1]x2+a[j][2]x+a[j][3]，j∈[1,p]表达式(6)在表达式(6)中，a[j][1]表示上述p行3列的参数矩阵a中的第j行第1列的矩阵元素，对应表达式(3)中的参数a；a[j][2]表示上述p行3列的参数矩阵a中的第j行第2列的矩阵元素，对应表达式(3)中的参数b；a[j][3]表示上述p行3列的参数矩阵a中的第j行第3列的矩阵元素，对应表达式(3)中的参数c。s208，将每个历史条件数据输入至少一种初始预测模型中，对于每个历史条件数据，根据至少一种初始预测模型对历史条件数据对应的电力负荷进行预测，得到至少一个历史电力负荷预测数据。在一个示例中，将表1中第二列的每个历史时间条件数据输入表达式(4)所示的p个初始预测模型中，对于每个历史时间条件数据，通过表达式(4)所示的p个初始预测模型的计算，可得到对应的p个历史电力负荷预测数据，对于表1中第二列的30个历史时间条件数据，共可得到30×p个历史电力负荷预测数据。在另一个示例中，表2中第一列的每个历史温度条件数据输入表达式(6)所示的p个初始预测模型中，对于每个历史温度条件数据，通过表达示(6)所示的p个初始预测模型的计算，可得到对应的p个历史电力负荷预测数据，对于表2中第一列的55个历史温度条件数据，共可得到55×p个历史电力负荷预测数据。s209，将每个历史条件数据对应的至少一个历史电力负荷预测数据分别与同一历史条件数据对应的历史电力负荷特征数据进行对比，确定每个历史电力负荷预测数据的误差。在一个示例中，将表1中第二列的每个历史时间条件数据对应的p个历史电力负荷预测数据分别与该历史时间条件数据对应的第三列的历史电力负荷特征数据进行对比，确定每个历史电力负荷预测数据的误差。具体地，将前面所述的30行1列的条件数据矩阵x中的每一个条件数据x[i]对应的p个历史电力负荷预测数据，分别与前面所述的30行1列的特征数据矩阵y中的对应的一个负荷数据y[i]进行对比，进行循环误差验证，从而确定出每个历史电力负荷预测数据的误差，该误差可表示为：|y[i]-(a[j][1]×x[i]+a[j][2])|，其中，(a[j][1]×x[i]+a[j][2])表示参数矩阵a中第j组参数对应的初始预测模型预测出的历史电力负荷预测数据，i∈[1,30]。在另一个示例中，将表2中第一列的每个历史温度条件数据对应的p个历史电力负荷预测数据分别与该历史温度条件数据对应的第二列的历史电力负荷特征数据进行对比，确定每个历史电力负荷预测数据的误差。具体地，将前面所述的55行1列的条件数据矩阵x中的每一个条件数据x[i]对应的p个历史电力负荷预测数据，分别与前面所述的55行1列的特征数据矩阵y中的对应的一个负荷数据y[i]进行对比，进行循环误差验证，从而确定出每个历史电力负荷预测数据的误差，该误差可表示为：|y[i]-(a[j][1]x[i]2+a[j][2]x[i]+a[j][3])|，其中，(a[j][1]x[i]2+a[j][2]x[i]+a[j][3])表示参数矩阵a中第j组参数对应的初始预测模型预测出的历史电力负荷预测数据，i∈[1,55]。s210，判断每个历史电力负荷预测数据的误差是否小于预设的第一误差阈值；若是，则执行s211，若否，则结束本流程。在一个示例中，判断是否满足如下表达式：在另一个示例中，判断是否满足如下表达式：在又一个示例中，判断是否满足如下表达式：在表达式(7)至表达式(9)中，表示预设的第一误差阈值，可根据实际需求设定，例如可设置为0.5。通过步骤s208-s210，可实现对各初始预测模型的循环验证，有利于确定初始预测模型的精度并筛选出满足精度要求的初始预测模型。s211，在小于第一误差阈值的历史电力负荷预测数据对应的初始预测模型中，确定每种初始预测模型的出现次数，将出现次数最多的一种初始预测模型作为电力负荷预测模型。可选地，将小于第一误差阈值的历史电力负荷预测数据对应的各个函数参数的数值作为结果集，确定出每个数值在该结果集中出现的次数，将在该结果集中出现的次数最多的一组函数参数的数值作为目标参数，将目标参数代入相应的函数中，将代入目标参数后的函数作为电力负荷模型。在一个示例中，将基于表达式(7)确定出的目标参数a目标和b目标代入表达式(1)中，将得到的如下函数作为电力负荷预测模型：y＝a目标·x+b目标表达式(10)若根据表达式(7)确定出的a和b的结果集中，出现次数最多的a和b的数值分别为38004.4和42156126，则代入表达式(1)后得到的电力负荷模型为：y＝38004.4·x+42156126表达式(11)采用表达式(11)对表1中的历史时间条件数据和历史电力负荷特征数据进行拟合后的拟合曲线效果图如图5所示，图5中的横坐标表示时间条件数据，纵坐标表示电力负荷特征数据。可选地，可基于表达式(2)得到电力预测模型，其过程与上述基于表达式(1)得到电力预测模型的过程同理，在此不再赘述。在另一个示例中，将基于表达式(9)确定出的目标参数a目标、b目标和c目标代入表达式(3)中，将得到的如下函数作为电力负荷预测模型：y＝a目标·x2+b目标·x+c目标表达式(12)若根据表达式(9)确定出的a、b和c的结果集中，出现次数最多的a、b和c的数值分别为0.44、-13.2和400，则代入表达式(3)后得到的电力负荷模型为：y＝0.44·x2-13.2·x+400表达式(13)采用表达式(13)对表2中的历史温度条件数据和历史电力负荷特征数据进行拟合后的拟合曲线效果图如图6中的连续曲线所示，图6中的横坐标表示温度条件数据，纵坐标表示电力负荷特征数据。本申请实施例中的二次函数仅为非线性函数的一个示例，本领域技术人员可以理解，本申请实施例提供的技术方案还可适用于其它类型的非线性函数，原理与二次函数相似，此处不再一一介绍。本申请实施例在筛选出的满足精度要求的初始预测模型的基础上，通过确定满足精度要求的参数结果集，并在该结果集中筛选出满足精度要求次数最多的一组参数值，可进一步筛选出满足精度要求的概率最大的一种初始预测模型作为电力负荷预测模型，其方法简单，易于掌握，适用范围较广，同时可保证电力负荷预测模型的精度。应用本申请实施例提供的负荷预测模型创建方法，至少可以实现如下有益效果：1)本申请实施例通过确定历史电力负荷特征数据和对应的历史条件数据的分布特征，基于该分布即可建立相应的初始预测模型，在初始预测模型的基础上，进而通过判断初始预测模型是否满足预设的误差条件即可确定出所需的电力负荷预测模型，而不需要对历史数据进行大量的拟合计算或训练，大大简化了算法，适用于大多数的计算机，并提高了建模的效率。2)本申请实施例可通过判断初始预测模型满足预设的误差条件的次数将线性问题转化为概率问题，从至少一种初始预测模型中确定出满足误差条件的概率最大的模型作为所需的电力负荷预测模型，而并未进行复杂的拟合计算，从而有效地避免了现有技术中存在的过拟合现象，也避免了过拟合现象对模型精度的影响。3)本申请实施例基于历史电力负荷特征数据和对应的历史条件数据的分布特征，可快速且精确地确定出与之匹配的函数类型，通过对历史电力负荷特征数据和对应的历史条件数据的具体数值进行合理的分析和预估，可确定出较为精确的该函数类型对应的函数参数，从而可使基于该函数类型和函数参数所确定出的初始预测模型更加精确，在该初始预测模型的基础上筛选出的电力负荷预测模型结构简单且拟合效果理想。基于同一发明构思，本申请实施提供了一种电力负荷预测方法，如图7所示，该电力负荷预测方法包括：s701，获取目标条件数据。目标条件数据可根据实际需求选取，例如，针对表1所示的7月份的相关数据，目标条件数据可以是表1所属年份的7月31日对应的时间条件数据30，针对表2所示的相关数据，目标条件数据可以是表1所示的温度条件数据之外的其它温度条件数据，如40℃。s702，根据本申请实施例提供的负荷预测模型创建方法创建出的电力负荷预测模型，对目标条件数据对应的电力负荷数据进行预测。在一个示例中，可根据表达式(11)所示的电力负荷预测模型，对上述7月31日对应的时间条件数据30对应的电力负荷数据进行预测；具体地，将时间条件数据30作为自变量x输入上述表达式(8)，可得到对应的电力负荷预测数据为43296258kwh(kilowatt-hour，千瓦时)。在另一个示例中，可根据表达式(13)所示的电力负荷预测模型，对温度条件数据40℃对应的电力负荷数据进行预测；具体地，将该温度条件数据40℃作为自变量代入上述表达式(13)，可得到对应的电力负荷预测数据为576kwh。可选地，如图8所示，本申请实施例提供的电力负荷预测方法，在包括步骤s701-s702的基础上，还包括步骤s703-s706：s703，获取目标条件数据对应的实测电力负荷数据。具体地，当实际条件已达到目标条件时，可获取到目标条件数据对应的实测电力负荷数据；以表1中各数据所属的年份为例，当实际日期已达到7月31日时，可获取测得的7月31日的实测电力负荷数据为43309012kwh。可选地，获取至少一种目标条件数据，例如时间、风速(或光照)、温度、气压等至少一种条件的相关数据。s704，将预测出的电力负荷数据与实测电力负荷数据进行对比，确定预测出的电力负荷数据的误差。以上述7月31日的电力负荷预测为例，将通过表达式(11)所示的电力负荷预测模型得出的7月31日的电力负荷预测数据43296258kwh，与7月31日的实测电力负荷数据43309012kwh进行对比，确定出7月31日的电力负荷预测数据的误差。可选地，当获取了多种目标条件数据时，可预测出对应的多种电力负荷数据，通过标准离差检验预测出的多种电力负荷数据与对应的多种实测电力负荷数据进行对比检验，确定预测出的多种电力负荷数据的误差率。s705，判断预测出的电力负荷数据的误差是否大于预设的第二误差阈值；若是，则执行s706，若否则结束本流程。在一个示例中，判断7月31日的电力负荷预测数据43296258kwh和实测电力负荷数据43309012kwh是否满足如下表达式：其中，表示预设的第二误差阈值，该第二误差阈值可根据实际需求设定，第二误差阈值可以与第一误差阈值相同或不同。可选地，当获取了多种目标条件数据时，判断预测出的电力负荷数据的误差率是否大于预设的误差率阈值，若是则执行s706，若否则结束本流程。该误差率阈值可根据实际需求设定，例如可设置为0.029％。s706，对所使用的电力负荷预测模型进行修正以上述7月31日的电力负荷预测为例，若7月31日的电力负荷预测数据43296258kwh和实测电力负荷数据43309012kwh满足表达式(14)，则对所使用的表达式(11)所示的电力负荷预测模型进行修正。可选的一种修正方式如下：重新执行s201获取更多的历史电力负荷数据和对应的历史条件数据，具体地，可将数据采集步长调小，以更小的数据采集步长采集相应的历史电力负荷数据和对应的历史条件数据；以表1为例，若将表1中的数据采集步长由一天调整为20小时或10小时，在7月1日至7月30日的时间段内，可得到更多的历史电力负荷数据和历史时间条件数据，从而更精确的反映电力负荷随之时间的变化趋势。在另一个示例中，对表达式(13)所示的电力负荷预测模型的修正与对表达式(11)的修正原理相同，此处不再赘述。应用本申请实施例提供的电力负荷预测方法，至少可以实现如下有益效果：1)由于本申请实施例提供的负荷预测模型创建方法创建出的电力负荷预测模型结构简单且拟合效果较好，基于该模型对目标条件数据对应的电力负荷数据进行预测，可快速得到预测结果并保证预测结果的准确度，从而满足用户对精度的要求。2)本申请实施例提供的电力负荷预测方法可通过实际的电力负荷数据对所使用的电力负荷模型进行实时验证，并根据验证结果实现对不满足要求的电力负荷模型的实时修正，使电力负荷模型因得到不断更新，从而提高基于电力负荷模型进行预测的准确度。基于同一发明构思，本申请实施例提供了一种负荷预测模型创建装置，可执行前面所述的方法实施例中提供的负荷预测模型创建方法，如图9所示，该负荷预测模型创建装置900包括：数据获取模块901、第一模型确定模块902以及第二模型确定模块903。数据获取模块901用于：获取历史电力负荷特征数据和对应的历史条件数据。第一模型确定模块902用于：确定历史电力负荷特征数据和历史条件数据的分布特征；根据分布特征，建立至少一种初始预测模型；初始预测模型包括历史电力负荷特征数据和历史条件数据之间的关联关系。第二模型确定模块903用于：根据历史电力负荷特征数据和历史条件数据，确定每种初始预测模型是否满足预设的误差条件；根据满足误差条件的初始预测模型，确定出电力负荷预测模型。可选地，数据获取模块901具体用于：获取历史电力负荷数据，判断历史电力负荷数据中是否存在异常数据；若历史电力负荷数据中存在异常数据，则对历史电力负荷数据进行预处理，得到历史电力负荷特征数据；若历史电力负荷数据中不存在异常数据，则将历史电力负荷数据作为历史电力负荷特征数据。可选地，第一模型确定模块902具体用于：根据分布特征，确定符合关联关系的函数类型；根据历史电力负荷数据，确定至少一组符合函数类型对应的函数参数；将至少一组函数参数对应的函数分别作为至少一种初始预测模型。可选地，第二模型确定模块903具体用于：将每个历史条件数据输入至少一种初始预测模型中；对于每个历史条件数据，根据至少一种初始预测模型对历史条件数据对应的电力负荷进行预测，得到至少一个历史电力负荷预测数据；将每个历史条件数据对应的至少一个历史电力负荷预测数据分别与同一历史条件数据对应的历史电力负荷特征数据进行对比，确定每个历史电力负荷预测数据的误差；判断每个历史电力负荷预测数据的误差是否小于预设的第一误差阈值。可选地，第二模型确定模块903具体用于将满足误差条件次数最多的一种初始预测模型作为电力负荷预测模型。可选地，第二模型确定模块903具体用于：在小于第一误差阈值的历史电力负荷预测数据对应的初始预测模型中，确定每种初始预测模型的出现次数；将出现次数最多的一种初始预测模型作为电力负荷预测模型。基于同一发明构思，本申请实施例还提供了一种电力负荷预测装置，可执行前面所述的方法实施例中提供的电力负荷预测方法，如图10所示，该电力负荷预测装置1000包括：数据获取模块1001和预测模块1002。数据获取模块1001，用于获取条件数据。预测模块1002用于：根据本申请实施例提供的负荷预测模型创建装置创建出的电力负荷预测模型，对条件数据对应的电力负荷数据进行预测。可选地，如图11所示，本申请实施例提供的电力负荷预测装置还包括修正模块1003。修正模块1003用于：获取条件数据对应的实际电力负荷数据；将预测出的电力负荷数据与实际电力负荷数据进行对比，确定预测出的电力负荷数据的误差；当预测出的电力负荷数据的误差大于预设的第二误差阈值时，对电力负荷预测模型进行修正。本申请实施例提供的负荷预测模型创建装置900和电力负荷预测装置1000，与前面所述的方法实施例具有相同的发明构思及相同的有益效果，该负荷预测模型创建装置900和电力负荷预测装置1000中未详细示出的内容可参照前面所述的方法实施例，在此不再赘述。基于同一发明构思，本申请实施例提供了一种负荷预测模型创建设备，如图12所示，该负荷预测模型创建设备1200包括：存储器1201和处理器1202。存储器1201上存储有计算机程序，该计算机程序由处理器1202执行以实现本申请实施例所提供的负荷预测模型创建方法。基于同一发明构思，本申请实施例还提供了一种电力负荷预测设备，如图13所示，该电力负荷预测设备1300包括：存储器1301和处理器1302。存储器1301上存储有计算机程序，该计算机程序由处理器1302执行以实现本申请实施例所提供的电力负荷预测方法。可选地，本申请实施例的负荷预测模型创建设备1200与电力负荷预测设备1300可以是同一个设备或设置在同一系统中。本申请实施例中的存储器可以是rom(read-onlymemory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，可以是ram(randomaccessmemory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是eeprom(electricallyerasableprogrammablereadonlymemory，电可擦可编程只读存储器)、cd-rom(compactdiscread-onlymemory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的处理器可以是cpu(centralprocessingunit，中央处理器)、通用处理器、dsp(digitalsignalprocessor，数据信号处理器)、asic(applicationspecificintegratedcircuit，专用集成电路)、fpga(field－programmablegatearray，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp和微处理器的组合等。本
技术领域：
技术人员可以理解，本申请实施例提供的负荷预测模型创建设备1200或电力负荷预测设备1300可以为所需的目的而专门设计和制造，或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序，这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备(例如，计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中。本申请实施例提供的负荷预测模型创建设备1200和电力负荷预测设备1300，与前面所述的各实施例具有相同的发明构思及相同的有益效果，该负荷预测模型创建设备1200或电力负荷预测设备1300中未详细示出的内容可参照前面所述的各实施例，在此不再赘述。基于同一发明构思，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本申请实施例所提供的负荷预测模型创建方法。基于同一发明构思，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本申请实施例所提供的电力负荷预测方法。可选地，本申请实施例提供的计算机可读存储介质中的计算机程序，被处理器执行时既可以实现本申请实施例所提供的负荷预测模型创建方法，也可以实现本申请实施例所提供的电力负荷预测方法。本申请实施例中的计算机可读介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、cd-rom、和磁光盘)、rom、ram、eprom(erasableprogrammableread-onlymemory，可擦写可编程只读存储器)、eeprom、闪存、磁性卡片或光线卡片。也就是，可读介质包括由设备(例如，计算机)以能够读的形式存储或传输信息的任何介质。本申请实施例提供的计算机可读存储介质，与前面所述的各实施例具有相同的发明构思及相同的有益效果，该计算机可读存储介质中未详细示出的内容可参照前面所述的各实施例，在此不再赘述。本
技术领域：
技术人员可以理解，本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。应该理解的是，虽然附图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，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。以上所述仅是本申请的部分实施方式，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。当前第1页12