电网负荷预测方法、装置、计算机设备和存储介质与流程

本申请涉及电力供应
技术领域：
，特别是涉及一种电网负荷预测方法、装置、计算机设备和存储介质。
背景技术：
电网负荷预测是根据系统的运行特性、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或用电量。电力负荷预测是电力部门的重要工作之一，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。目前的传统技术中，电网短期负荷预测已经存在很多种算法，常见的包括：时间序列、神经网络、支持向量机、多元线性回归等算法，还有可能存在遗传算法、粒子群优化来做短期负荷预测的。但这些算法都只能针对片面的数据，也就是只能针对某一特定的数据进行预测。传统的预测算法所用到的数据不够全面，数据覆盖率低，进一步的导致预测的准确率低。技术实现要素：基于此，有必要针对上述技术问题，提供一种能够提高数据覆盖率进一步提升预测准确率的电网负荷预测方法、装置、计算机设备和存储介质。一种电网负荷预测方法，所述方法包括：获取电网的历史数据；获取所述历史数据中的异常值，并对所述异常值进行修复；根据日期特征模型，选取待预测日的相似日；根据所述相似日的历史数据建立预测模型；根据所述预测模型生成待预测日的预测电网负荷。在其中一个实施例中，所述获取所述历史数据中的异常值，并对所述异常值进行修复包括：所述历史数据包括：历史电网负荷数据以及历史气象数据；获取历史电网负荷数据以及历史气象数据；获取所述历史电网负荷数据中的电网负荷异常值，并对所述电网负荷异常值进行修复；获取所述历史气象数据中的气象异常值，并对所述气象异常值进行修复。在其中一个实施例中，所述对所述异常值进行修复包括：获取历史数据每一日中不同种类的异常值个数占相应日期相应种类数据总个数的比例；若所述比例大于预设比例，则利用历年相应日期的相应数据与相应日期前一天的相应数据的均值，修复所述异常值；若所述比例小于等于预设比例，则获取与相应日期相似度最高的三个日期的相应数据，并计算三个日期相应数据的均值，修复所述异常值。在其中一个实施例中，所述修复所述异常值之后还包括：判断是否还存在异常值，若存在，则利用线性插值法再次进行修复。在其中一个实施例中，所述日期特征模型包括：气象特征、时间特征、气象特征对应的映射值以及时间特征对应的映射值；所述气象特征包括：最高温度、最低温度以及湿度；所述时间特征包括：日期特征以及日期差值。在其中一个实施例中，所述选取待预测日的相似日包括：对所述待预测日进行分类；若待预测日为节假日，则根据节假日的相似日选取规则选取相似日；若待预测日为非节假日，则根据非节假日的相似日选取规则选取相似日。在其中一个实施例中，所述预测模型包括：支持向量回归模型、查分自回归移动平均模型、季节指数平滑模型、指数平滑的线性回归模型、指数平滑的支持向量回归模型、广义加法模型、模糊逻辑回归模型、相似日的时间序列回归模型、相似日的时间序列分解二重组合模型以及加权组合模型中的至少一种。在其中一个实施例中，所述根据所述预测模型生成待预测日的预测电网负荷包括：根据多种所述预测模型生成相应预测模型的初始预测电网负荷；对多种预测模型的初始预测电网负荷进行加权平均，得到最终预测电网负荷。在其中一个实施例中，所述根据所述预测模型生成待预测日的预测电网负荷之后还包括：获取待预测日的实际电网负荷；根据所述预测电网负荷和实际电力电网负荷，计算预测误差；根据所述预测误差，计算相应预测模型的准确度参数。一种电网负荷预测装置，所述装置包括：获取模块，用于获取电网的历史数据；数据修复模块，用于获取所述历史数据中的异常值，并对所述异常值进行修复；相似日选取模块，用于根据日期特征模型，选取待预测日的相似日；模型建立模块，用于根据所述相似日的历史数据建立预测模型；预测模块，用于根据所述预测模型生成待预测日的预测电网负荷。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，所述处理器执行所述计算机程序时实现上述任一种所述方法的步骤。一种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上述任一种所述的方法的步骤。上述电网负荷预测方法、装置、计算机设备和存储介质，通过获取电网历史数据，并对历史数据中的异常值进行修复。再利用日期特征模型选取待预测日的相似日，根据相似日的历史数据建立多种预测模型。利用多种预测模型对待预测日进行预测，得到待预测日的预测电网负荷。多种预测模型能够提高数据的覆盖率，进一步的提升电网负荷预测的准确率。附图说明图1为一个实施例中电网负荷预测方法的流程示意图；图2为一个实施例中修复异常值的方法的流程示意图；图3为一个实施例中评价预测模型的方法的流程示意图；图4为各专用变压器用户在非节假日预测的日均相对误差箱线图；图5为各专用变压器用户在节假日预测的日均相对误差箱线图；图6为一个实施例中电网负荷预测装置的结构框图；图7为一个实施例中数据修复模块的结构框图；图8为一个实施例中计算机设备的内部结构图。附图标记：获取模块100、数据修复模块200、计算单元210、修复单元220、相似日选取模块300、模型建立模块400、预测模块500、评估模块600。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。不同用户在不同时期、不同时间段负荷的变化规律均不相同，这样就需要提供尽可能多的预测模型，从而适应不同时期、不同时间段或不同用户的预测需求。预测人员可以选择的预测模型也是多种多样的，最终选取哪一种预测模型，需要预测人员在工作时间中，通过大量的积累，逐渐的找到适用于用户的预测模型。通过经验积累是一件工作量很大的事情，并且随着时间的推移，负荷变化的规律也在不断的发生变化，预测人员又需要重新寻找合适的预测模型。有由于数学模型是理想抽象的，负荷的变化规律很难用单一的数学模型进行描述。本实施例所使用的模型考虑了负荷变化规律的多种情况，能够有效应对负荷变化规律的突变，同时对负荷变化规律变化不大的对象，任能够取得很好的预测效果。城市电网系统的主要任务是为各类用户提供经济可靠和高质量的电能，应随时满足用户的负荷需求量与负荷特性的要求。为此，在电量系统规划设计、运行管理和电力市场交易中，必须对负荷需求量的变化与负荷特性有一个准确的预测。短期负荷预测是指从电力负荷自身的变化情况以及经济、气象等因素的影响规律出发，通过对历史数据的分析和研究，探索事物之间的内在联系和发展规律，以未来的经济、气象等因素的发展趋势为依据，对短期内的电力需求做出预先的估计和推测。本实施例采用一种新思路，可以应对多种场景，这些场景包括：长期假日引起的误差、受经济影响导致的用电规律的变化等等。实现的原理就是分别建立多个模型，根据预测日的特征信息，使用模型选择算法，得出预测日每天最优的模型组合。在一个实施例中，如图1所示，提供了一种电网负荷预测方法，包括以下步骤：步骤s102，获取电网的历史数据。具体地，历史数据包括：历史电网负荷数据以及历史气象数据。其中历史气象数据包括：日最高气温、日最低气温以及日相对湿度等。步骤s104，获取历史数据中的异常值，并对异常值进行修复。具体地，我国各级电力调度中心，电网负荷数据的采集系统大多为scada系统。在电网负荷数据的采集过程中，记录、转换、传输等任意环节出现的随机干扰都可能使得电网负荷数据出现错误。另外，一些特殊事件(如切负荷停电，线路负荷检修停电，大事件、大用户的冲击、拉闸限电等)也会引起电网负荷数据的反常变化。对历史电网负荷数据的修复是短期负荷预测的首要环节，如果这些异常情况得不到有效地识别和修正，而直接进行负荷预测，则必然会给预测结果带来很大的误差。此外，由于异常数据的影响，隐藏了负荷的真正变化规律，不利于负荷预测过程中模型的建立。因此，在负荷预测前，必须进行电网负荷数据的修复，去伪存真，以凸显负荷的变化规律。在其中一个实施例中，获取历史电网负荷数据以及历史气象数据；获取历史电网负荷数据中的电网负荷异常值，并对电网负荷异常值进行修复；获取历史气象数据中的气象异常值，并对气象异常值进行修复。更具体地，如果出现连续几个电网负荷值相同，则认为相应电网负荷值为异常值。如果某一时刻电网负荷值小于等于零，则认为当前电网负荷值为异常值。如果某一时刻电网负荷值小于预设阈值，则认为当前电网负荷值为异常值。对异常值进行修复。更具体地，利用概率统计的方法获取历史电网负荷数据中的电网负荷异常值，概率统计方法适用于处理单属性数据，一般处理过程是先设定属性数据服从某种分布，再给定一个置信概率，并确定一个置信门限，凡超过此门限的误差，就认为它不属于随机误差范围，将其视为异常值。对于电网负荷数据而言，其本质是利用小概率事件发生的思想来识别某时刻与前几天同一时刻相比异常的负荷数据。li＝(si1,si2,sit....si96)t＝1,2,...96lt＝(s1t,s2t,sit....snt)i＝1,2,...n其中，li为历史电网负荷数据中第i日的96个时点的电网负荷数据，sit为第i日第t时刻的负荷值，lt为第t时刻的历史负荷数据，n为给定的样本个数。在其中一个实施例中，将t时刻的负荷数据正态标准化，得到：其中，ut为t时刻负荷的均值，σt为t时刻负荷的标准差，sit为第i日第t时刻的负荷值。则将作为异常值指标，其中θ的值为2。也就是将电网负荷值在[(-θ*σt)+ut,θ*σt+ut]区间内的负荷值作为正常值，否则作为异常值，对异常值进行修复。更具体的，利用相邻负荷级比的方法获取历史电网负荷数据中的电网负荷异常值，即利用相邻电网负荷数据的比值来识别某时刻与其相邻电网负荷数据之间是否存在跳跃性。首先计算第i日当前t时刻与前一时刻的负荷比，计算公式为：其中，sit为第i日第t时刻的负荷值，rit为第i日当前t时刻与前一时刻的负荷比。其次计算历史电网负荷数据中，每一个时刻与前一时刻的比值rt＝(r1t,r2t....rnt)，其中n为历史电网负荷样本个数，具体的可以以历史电网负荷数据中的每一天作为一个样本。其次，根据rt的四分之三分位数的比值qrt[3]和四分之一分位数的比值qrt[1]确定各个时点相邻负荷比的阈值。uprt＝qrt[3]+1.5*(qrt[3]-qrt[1])downrt＝max(0,qrt[1]-1.5*(qrt[3]-qrt[1]))其中，uprt为阈值上限；downrt为阈值下限。将rt中每一时刻的比值与阈值上限和阈值下限进行比较。将大于阈值上限的比值所对应的时刻的电网负荷值作为异常值；将小于阈值下限所对应的时刻的电网负荷值作为异常值。对异常值进行修复。更具体的，获取历史气象数据中的气象异常值，历史气象数据包括：日最高气温、日最低气温以及日相对湿度等。对一年四季进行划分。根据气象部分的划分方法将3～5月划分为春季，6～8月划分为夏季，9～11月划分为秋季，12月～来年2月划分为冬季。按照季节将数据分成4个部分，对每一季节的数据利用四分位差的方式来识别异常值。首先，将第m个季节第k个气象特征(日最高气温、日最低气温和日相对湿度)的时间序列记为qtmk＝(umk1,umk2....umki)，其中umki为第m个季节第k个气象特征第i日的气象特征值，这里的m＝1,2,3,4；其中m＝1代表春季；m＝2代表夏季；m＝3代表秋季；m＝4代表冬季。k＝1,2,3；其中k＝1代表日最高气温；k＝2代表日最低气温；k＝3代表日相对湿度。i＝1，2,...n,n为第m个季节第k个气象特征的历史数据个数。计算qtmk的四分之三分位数的气象特征qtmk[3]和四分之一分位数的气象特征qtmk[1]，并确定各个特征在不同季节的异常阈值。upqtmk＝qtmk[3]+1.5*(qtmk[3]-qtmk[1])downqtmk＝max(min(qt),qtmk[1]-1.5*(qtmk[3]-qtmk[1]))其中，upqtmk为相应季节的阈值上限；downqrmk为相应季节的阈值下限；min(qtk)为相应季节相应气象特征的最小值。将每一季节每一气象特征值与相应阈值上限和阈值下限进行比较。若气象特征值大于阈值上限，则将相应气象特征值作为异常值；若气象特征值小于阈值下限，则将相应气象特征值作为异常值。对异常值进行修复。步骤s106，根据日期特征模型，选取待预测日的相似日。具体地，影响短期负荷的主要因素有气象因素和时间特性因素，其中，气象因素包括最高温度、最低温度、湿度等；时间特性分为日分类和日期差。日期特征模型包括：气象特征、时间特征、气象特征对应的映射值以及时间特征对应的映射值；气象特征包括：最高温度、最低温度以及湿度；时间特征包括：日期特征以及日期差值。日期特征模型详见表1，表1为日期特征模型。表1特征量名称特征描述映射值特征量名称特征描述映射值日分类正常日0日期差昨天0.98日分类国庆前1天3.4日期差..................日分类国庆3.5日最高气温364.5日分类春节前1～2天4.5日最高气温353.5日分类春节5日最高气温341.6日分类春节后1～2天4.4............................日分类其他小长假前1天1.5日最低温度304日分类其他小长假当天1.9............................日分类其他小长假后1天1.4其他因素..................短期负荷预测是电力系统安全经济运行的基础，相似日选取的准确与否直接影响到短期负荷预测算法的精度。根据日分类来确定相似日的搜索范围，即我们选取与待预测日的日分类相同的数据作为相似日的备选集。对待预测日进行分类；若待预测日为节假日，则根据节假日的相似日选取规则选取相似日；若待预测日为非节假日，则根据非节假日的相似日选取规则选取相似日。更具体的，根据非节假日的相似日选取规则选取相似日，以待预测日前200天作为数据来源进行说明。我们可以根据待预测日前200天(不包含节假日)同一星期类型平均日负荷模式进行划分。例如：可以将一周的7天分为工作日(星期一到星期五)和休息日(星期六和星期天)2种类型；也可以将一周分为星期一、星期二到星期五、星期六、星期天4种类型；还可以将一周分为星期一、星期二到星期四、星期五、星期六、星期天5种类型；还可以将一周的7天每天都看作一种类型，共有7种类型。首先确定样本集，为保证日类型赋值跨度的稳定性，一般选择离待预测日最近的200天的历史负荷，此外，根据历史负荷的日分类特征，将200天中的节假日和节假日加班、调休日剔除，其剩余日作为样本集。根据之前划分的星期类型计算每一星期类型的负荷均值，以将一周的7天每天都看作一种类型进行说明。将一天分为96个时点。计算同一星期类型同一时点的负荷平均值，得到星期一至星期天7条时点负荷曲线，并进一步计算出每条时点负荷曲线的平均值，从而得到星期一至星期天的7个负荷水平值wli,其中wli表示第i个星期类型的负荷水平值，i＝1,2...7；其中i＝1代表星期一的负荷水平值；i＝2代表星期二的负荷水平值；i＝3代表星期三的负荷水平值；i＝4代表星期四的负荷水平值；i＝5代表星期五的负荷水平值；i＝6代表星期六的负荷水平值；i＝7代表星期天的负荷水平值。在7个星期类型的负荷水平值中选取最小值wlmin以及最大值wlmax，并通过最小值和最大值计算极差wlr。并采用离差标准化法将7个负荷水平值转化为[0,1]的区间内的值swli。在其中一个实施例中，离差标准化法的公式为：其中，wli表示第i个星期类型的负荷水平值；wlmin为负荷水平值最小值；wlmax为负荷水平值最大值。设定阈值wlthres＝0.1*wlmin。当wlr<wlthres时，表明星期一至星期天之间的负荷水平基本相同，则将所有星期类型视为同一种模式，赋予相同的星期类型值即可，也即将样本集内所有日期都作为待预测日的相似日；当wlr≥wlthres时，表明星期一至星期日之间的负荷水平差异明显，则利用等刻度的方法将[0,1]区间划分为7个刻度范围，即[0,0.14]、(0.14，0.29]、(0.29,0.43]、(0.43,0.57]、(0.57,0.71]、(0.71,0.86]和(0.86,1]7个区间，并将落入同一个区间的swli赋予相同的星期类型值，不同区间的星期类型值不同。将与待预测日的星期类型在同一区间的日期作为待预测日的相似日。更具体的，根据节假日的相似日选取规则选取相似日。对于节假日及节假日左右几天的影响比较大，如果不考虑，必然会对预测结果产生较大的影响，从而产生较大的预测误差。利用休假模式识别法选取节假日的相似日：将同一节假日的日类型作为相似日备选集n0；计算样本n0中每个样本前两周周末负荷的总体平均值tmli和样本自身的负荷平均值mli；如果mli<tmli，则说明n0中的样本都进入负荷的休假模式状态；否则，负荷进入正常日负荷模式状态，并统计进入休假模式的样本个数n1；待预测日休假模式识别。如果n0＝n1，则待预测日为休假模式负荷，且使用n0作为建模样本集，也即作为待预测日的相似日；否则，以最近一次节假日是否进入休假模式来确定待预测日的负荷模式状态；将最近一次节假日的平均负荷与上述休假模式平均负荷的最大值进行比较，如果前者小于等于后者，则认为最近一次节假日进入休假模式，且待预测日也即将进入休假模式，否则待预测日与正常日的负荷模式更接近，即选择正常日负荷预测方法对其未来96个时点负荷进行预测。利用节日分类法选取节假日的相似日：春节及前后。使用待预测日前两天的历史负荷作为建模样本集，也即作为待预测日的相似日；国庆及国庆前。若国庆前为工作日，则采用最近同种星期类型和其前面一天作为建模样本，也即作为待预测日的相似日；否则，选用靠近预测日最近的历史样本作为建模样本，也即作为待预测日的相似日；其它小长假。小长假当天从历年小长假当天中选择最靠近预测日的样本作为建模样本，也即作为待预测日的相似日；小长假前后从其同一日类型的样本中挑选最靠近预测日的样本为建模样本，也即作为待预测日的相似日。步骤s108，根据相似日的历史数据建立预测模型。具体地，短期负荷预测是电力系统领域一个传统的研究问题，预测的技术方法是负荷预测的核心问题，而预测精度是检验预测方法可行性的重要指标。对预测方法的研究和探索，一直以来都是关注的一个热点，各种预测方法层出不穷。由于短期负荷是一个面板数据，同一专变在同一时点负荷具有相似性，同一天前后时点负荷具有时间上的延续性，为此，我们将从时间序列角度和非时间序列角度选用相应的数学模型对短期负荷进行预测。预测模型包括：支持向量回归模型、查分自回归移动平均模型、季节指数平滑模型、指数平滑的线性回归模型、指数平滑的支持向量回归模型、广义加法模型、模糊逻辑回归模型、相似日的时间序列回归模型、相似日的时间序列分解二重组合模型以及加权组合模型中的至少一种。上述模型均能用于非节假日的相似日，而节假日的相似日能使用的模型为：支持向量回归模型、查分自回归移动平均模型、季节指数平滑模型、指数平滑的线性回归模型、指数平滑的支持向量回归模型以及基于相似日的时间序列回归模型。表2为负荷预测模型描述。表2注：√表示该模型在节假日和正常日预测时均被使用在其中一个实施例中，支持向量回归模型的建模过程：按照时点建模，将相似日中第m+1天第t时刻负荷作为输出变量，第m天第t和t-1时刻负荷作为输出变量，进而得到每个时点的支持向量回归模型参数估计值，并用离待预测日最近的相应负荷值作为模型输入值，即可预测出待预测日各时点的负荷值。在其中一个实施例中，查分自回归移动平均模型和季节指数平滑模型的建模过程：将相似日中同一时点看作一个时间序列，对每一个时点建立相应的查分自回归移动平均模型或季节指数平滑模型，并向前一步预测，进而可得到待预测日各时点的负荷值。在其中一个实施例中，指数平滑的线性回归模型的建模过程：首先，按天将相似日的负荷连接成一个时间序列，并利用季节指数平滑模型进行向前一步预测，得到待预测日第1个时点的负荷值；其次，将相似日中第m天第t时刻负荷作为输出变量，第m天第t-1时刻负荷作为输入变量，并用线性回归模型估计出二者之间的线性关系；最后，将预测出的第1个时点负荷值作为线性模型的输入值，进而预测出第2个时点的负荷值，依次类推，可得到预测日各时点的负荷值。在其中一个实施例中，指数平滑的支持向量回归模型的建模过程：首先，按天将相似日的负荷连接成一个时间序列，并利用季节指数平滑模型进行向前一步预测，得到待预测日第1个时点的负荷值；其次，将相似日中第m+1天第t时刻负荷作为输出变量，第m+1天第t-1时刻和第m天第t时刻负荷作为输入变量，并用svm回归模型估计出二者之间的非线性关系；最后，将预测出的第1个时点负荷值和预测日前一天第2个时点的负荷值作为支持向量回归模型的输入变量，进而预测出第2个时点的负荷值，依次类推，可得到预测日各时点的负荷值。在其中一个实施例中，广义加法模型和模糊逻辑回归模型的建模过程：将相似日中的日最高温度、日最低温度和湿度作为输入变量，每个时点的负荷作为输出变量，进而得到广义加法(模糊逻辑回归)模型的参数估计值，将待预测日的日最高温度、日最低温度和湿度作为模型输入值，则可得到各个时点的负荷预测值。在其中一个实施例中，相似日的时间序列回归模型的建模过程：将相似日样本集中最靠近预测日的那天作为参考组，选择与参考组最相似的日负荷曲线，然后根据负荷相似程度排序，选择最相似的负荷作为建模样本，将其按照每天的时间顺序构建成一个时间序列，建立相似日的时间序列回归模型，并向前预测一天96个时点的负荷值。在其中一个实施例中，相似日的时间序列分解二重组合模型的建模过程：首先，将相似日样本集中最靠近预测日的那天作为参考组，选择与参考组最相似的日负荷曲线，然后根据负荷相似程度排序，选择最相似的负荷作为建模样本；其次，将其按照每天的时间顺序构建成一个时间序列，再将该时间序列分解为季节部分、趋势部分和残差部分；再其次，将最小的趋势部分数值加上季节部分做为时间序列回归模型的建模数据，将余下的趋势部分和残差部分作为相似日的时间序列分解二重组合模型的建模数据；最后，将二者向前预测一天的负荷值相加便得到待预测日的负荷预测值。步骤s110，根据预测模型生成待预测日的预测电网负荷。具体的，可以根据某一种预测模型进行预测得到待预测日的预测电网负荷。也可以根据多种预测模型生成相应预测模型的初始预测电网负荷；对多种预测模型的初始预测电网负荷进行加权平均，得到最终预测电网负荷。上述多种预测模型从不同的角度对电网负荷进行了模拟，其预测模型各有特点，在一定的条件下均能达到预测要求，但多于成千上万的用户而言，单一的预测模型的泛化能力较弱。将上述各种预测模型得到的初始预测电网负荷进行加权，得到最终预测电网负荷。将采取滚动的方式对未来7天每天96个时点电网负荷进行预测，即利用上述方法对未来第1天的电网负荷进行预测，得到该天的电网负荷预测结果；在预测未来第2天的电网负荷时，将未来第1天的预测结果视为历史电网负荷，重复采用上述的预测算法对该天进行预测；依次类推，得到未来7天的电网负荷预测值。上述电网负荷预测方法，通过获取电网历史数据，并对历史数据中的异常值进行修复。再利用日期特征模型选取待预测日的相似日，根据相似日的历史数据建立多种预测模型。利用多种预测模型对待预测日进行预测，得到待预测日的预测电网负荷。多种预测模型能够提高数据的覆盖率，进一步的提升电网负荷预测的准确率。在一个实施例中，如图2所示，提供了一种修复异常值的方法，包括以下步骤：步骤s202，获取历史数据每一日中不同种类的异常值个数占相应日期相应种类数据总个数的比例。步骤s204，若比例大于预设比例，则利用历年相应日期的相应数据与相应日期前一天的相应数据的均值，修复异常值。具体地，优选的预设比例为50％。对于每日异常值个数大于50％的样本而言，采用曲线置换法，即利用历年相同日期和相应日期前一天的相应数据在各点时刻的均值进行填补。此外，如果经过曲线置换填补后，其整条记录全部缺失，则使用离该记录最近的完全样本进行填补。步骤s206，若比例小于等于预设比例，则获取与相应日期相似度最高的三个日期的相应数据，并计算三个日期相应数据的均值，修复异常值。具体地，对于每日异常值个数小于等于50％的样本而言，采用相似日均值填补法，即基于数据形状相似性度量的查找方法寻找与该缺失样本最相似的三天历史数据，计算出它们在各时点的均值，将其用于相应缺失时点的修复。修复异常值之后，判断是否还存在异常值，若存在，则利用线性插值法再次进行修复。在其中一个实施例中，利用线性插值法再次进行修复：对于首末位数据缺失情况，将采取离首末位最近的非缺失值进行填充。对于中间数据缺失情况，如果是单个数据缺失，则其前后点的数据是已知的，可使用行插值法来补齐相应数据，即用该时刻前后的负荷值均值来填补，将其称为行插值法，则有：其中skt为缺失点的数据；sk(t-1)为缺失点后一点的数据；sk(t+1)为缺失点前一点的数据。对于连续多个数据缺失而言，由于通讯、计算机死机或其他原因造成中间连续多个数据缺失，可利用缺失数据点两端的数据，采用行插值法得到缺失数据1/2中心点的数据，由这点分别和左右两端点的数据再次利用行均值法取得1/4和3/4的数据点，重复使用，即可补齐所有的数据。考虑到缺失数据个数的奇偶性，算法表示如下：设原始序列：其中为缺失数据，若i为奇数，则有：若i为偶数，则有：上述修复异常值的方法，能够对历史数据进行准确的修复，能够减小由于数据确实导致的误差，并且能够使预测模型的选用更加的精准，进一步的使电网负荷预测的更加准确。在一个实施例中，如图3所示，提供了一种评价预测模型的方法，包括以下步骤：步骤s302，获取待预测日的实际电网负荷。步骤s304，根据预测电网负荷和实际电力电网负荷，计算预测误差。具体地，由于负荷预测是一种对未来负荷的估算，因此，它与客观实际之间就存在着一定的差距，这个差距就是误差。产生负荷预测误差的原因很多，主要包括以下几个方面：原始资料误差。各项资料并不能保证都是准确可靠的；特殊事件造成误差。比如突然的气候变化，重大政治活动；数学模型。预测数学模型大多只包括所研究现象的某些主要因素，对于错综复杂的电力系统负荷来说，这样的模型只是一种简单化了的负荷状况反映，与实际负荷间存在差距。预测方法多种多样，因此，如何选择一个合适的预测模型，就成为一个很重要的问题，通常，我们将这一步称为模型评估。一般选用负荷的预测值与实际值之间的相对误差来评估模型的预测能力。在其中一个实施例中预测误差的计算公式为：其中，ei为第i日的预测误差，和sit分别为第i日t时刻预测电网负荷和实际电网负荷。步骤s306，根据预测误差，计算相应预测模型的准确度参数。根据上述方法，模拟对各专用变压器用户进行多天负荷虚拟预测，表3为专用变压器短期负荷预测样本区间情况统计表。表3如图4以及图5所示，图4为各专用变压器用户在非节假日预测的日均相对误差箱线图；图5为各专用变压器用户在节假日预测的日均相对误差箱线图。从图4中正常日的预测结果可以看出：第一，除了专用变压器1，其余专用变压器用户多天预测中有一半天数的日均相对误差在10％左右，处于一个较稳定水平；第二，对于专用变压器3、专用变压器5和专用变压器6用户来说，有近205天(共275天)的日均相对误差大约在18％以下，其它专用变压器用户预测天数中的75％天日均相对误差大约在23％以下；第三，各专用变压器用户的箱线图上有少数的日均相对误差较大值，这可能是由于外部环境因素的突发调整或重大改变导致，如：加班、重大活动、台风等。由此可见，文中提出的短期负荷预测方法在各专用变压器用户上都取得了很好的预测效果。从图5中节假日的预测结果可以看出：各专用变压器用户的日均相对误差总体水平相差较大，这与各专用变压器用户的节假日负荷变化规律有关，在数据探索中发现，专用变压器2的历年同一节假日负荷规律性最强，而专用变压器1的历年同一节假日负荷基本上没有任何规律，杂乱无章，可能需要借助专用变压器用户自己输入一些外部变量进行进一步的分析预测。此外，虽然各专用变压器用户节假日的日均相对误差比正常日的日均相对误差稍大，但其预测结果仍有很强的参考意义。表4为各专用变压器用户的部分预测结果。表4根据上述电网负荷预测方法，能够基于用电大客户历史负荷数据及用电量数据，构建用于大客户短期(未来7天)的负荷预测模型。并输出相应预测结果。预测成果可以通过可视化的方式采用web页面进行呈现，规建部门、生产运行部门等业务部门均可通过web页面查看到我市各区域配变的负载率、负荷特点，基于时间的演变及未来的发展变化趋势。数据也可以导出为excel用于配网建设规划或技术改造规划工作中。应该理解的是，虽然图1-3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，图1-3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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。在一个实施例中，如图6所示，提供了一种电网负荷预测装置的结构框图，包括：获取模块100、数据修复模块200、相似日选取模块300、模型建立模块400和预测模块500，其中：获取模块100，用于获取电网的历史数据。数据修复模块200，用于获取历史数据中的异常值，并对异常值进行修复。相似日选取模块300，用于根据日期特征模型，选取待预测日的相似日。模型建立模块400，用于根据相似日的历史数据建立预测模型。预测模块500，用于根据预测模型生成待预测日的预测电网负荷。数据修复模块200，还用于获取历史电网负荷数据中的电网负荷异常值，并对电网负荷异常值进行修复；获取历史气象数据中的气象异常值，并对气象异常值进行修复。在一个实施例中，如图7所示，提供了一种数据修复模块的结构框图，其中，数据修复模块200包括：计算单元210以及修复单元220。计算单元210，用于获取历史数据每一日中不同种类的异常值个数占相应日期相应种类数据总个数的比例；修复单元220，用于若比例大于预设比例，则利用历年相应日期的相应数据与相应日期前一天的相应数据的均值，修复异常值；还用于若比例小于等于预设比例，则获取与相应日期相似度最高的三个日期的相应数据，并计算三个日期相应数据的均值，修复异常值。修复单元220，还用于判断是否还存在异常值，若存在，则利用线性插值法再次进行修复。相似日选取模块300，还用于对待预测日进行分类；若待预测日为节假日，则根据节假日的相似日选取规则选取相似日；若待预测日为非节假日，则根据非节假日的相似日选取规则选取相似日。预测模块500，还用于根据多种预测模型生成相应预测模型的初始预测电网负荷；对多种预测模型的初始预测电网负荷进行加权平均，得到最终预测电网负荷。电网负荷预测装置还包括评估模块600；评估模块600，用于获取待预测日的实际电网负荷；根据预测电网负荷和实际电力电网负荷，计算预测误差；根据预测误差，计算相应预测模型的准确度参数。关于电网负荷预测装置的具体限定可以参见上文中对于电网负荷预测方法的限定，在此不再赘述。上述电网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终端，其内部结构图可以如图8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、网络接口、显示屏和输入装置。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、内存储器。该非易失性存储介质存储有操作系统和计算机程序。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电网负荷预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。本领域技术人员可以理解，图8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：获取电网的历史数据。获取历史数据中的异常值，并对异常值进行修复。根据日期特征模型，选取待预测日的相似日。根据相似日的历史数据建立预测模型。根据预测模型生成待预测日的预测电网负荷。在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取历史数据每一日中不同种类的异常值个数占相应日期相应种类数据总个数的比例。若比例大于预设比例，则利用历年相应日期的相应数据与相应日期前一天的相应数据的均值，修复异常值。若比例小于等于预设比例，则获取与相应日期相似度最高的三个日期的相应数据，并计算三个日期相应数据的均值，修复异常值。在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取待预测日的实际电网负荷。根据预测电网负荷和实际电力电网负荷，计算预测误差。根据预测误差，计算相应预测模型的准确度参数。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：获取电网的历史数据。获取历史数据中的异常值，并对异常值进行修复。根据日期特征模型，选取待预测日的相似日。根据相似日的历史数据建立预测模型。根据预测模型生成待预测日的预测电网负荷。在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取历史数据每一日中不同种类的异常值个数占相应日期相应种类数据总个数的比例。若比例大于预设比例，则利用历年相应日期的相应数据与相应日期前一天的相应数据的均值，修复异常值。若比例小于等于预设比例，则获取与相应日期相似度最高的三个日期的相应数据，并计算三个日期相应数据的均值，修复异常值。在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取待预测日的实际电网负荷。根据预测电网负荷和实际电力电网负荷，计算预测误差。根据预测误差，计算相应预测模型的准确度参数。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、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。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发明专利范围的限制。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，本申请专利的保护范围应以所附权利要求为准。当前第1页12