一种区分待预测日的城市电网短期负荷预测方法及系统与流程

本发明涉及大数据技术领域，尤其涉及一种区分待预测日的城市电网短期负荷预测方法及系统。

背景技术：

城市电网短期负荷预测目前已经有很多种做法。常见的算法包括时间序列、神经网络、多元线性回归、以及使用小波分析方法的多种算法的组合，甚至还有结合遗传算法、粒子群优化来做短期负荷预测的。这些做法都是针对片面的数据，能够取得不错的效果，然而影响电力系统负荷的因素较多，单一预测模型各有自身的局限，使得许多信息不能充分有限地利用，预测精度也不能让人满意。

技术实现要素：

为解决上述技术问题，本发明提供一种区分待预测日的城市电网短期负荷预测方法及系统。

本发明提供的一种区分待预测日的城市电网短期负荷预测方法，所述方法包括：

获取每一专变用户的电力负荷数据和气象数据，所述电力负荷数据包括历史日期预设时间点和所述历史日期预设时间点的电力负荷，所述气象数据包括历史日期以及所述历史日期的气象特征，所述气象特征包括日最高气温、日最低气温和日相对湿度；

根据待预测日在预设历史日期中选择相似日；

建立模型，利用所述模型根据相似日预设时间点、相似日预设时间点的电力负荷、相似日对应的日最高气温、日最低气温和日相对湿度，计算待预测日预设时间点的电力负荷。

进一步地，所述根据待预测日在预设历史日期中选择相似日具体包括：

判断所述待预测日的类型，所述待预测日的类型包括正常日和法定节假日；

当待预测日的类型为正常日时，识别出星期负荷模式和待预测日星期类型；

根据所述星期负荷模式和所述待预测日星期类型，在第一预设历史日期中选择所述待预测日的相似日。

进一步地，所述方法包括：

当待预测日的类型为法定节假日时，在第二预设历史日期中选取多个与待预测日同一类型节假日为相似日集合；

判断每一与待预测日同一类型节假日的工作模式是否为休假负荷模式；

根据每一与待预测日同一类型节假日的工作模式，确定待预测日的工作模式；

当确定待预测日的工作模式为休假负荷模式时，选择工作模式为休假负荷模式的同一类型节假日作为相似日；

当确定待预测日的工作模式不为休假负荷模式时，识别出星期负荷模式和待预测日星期类型；根据所述星期负荷模式和所述待预测日星期类型，在第一预设历史日期中选择所述待预测日的相似日。

进一步地，所述判断每一与待预测日同一类型节假日的工作模式是否为休假负荷模式具体包括：

当每一与待预测日同一类型节假日的工作模式均为休假负荷模式，确定待预测日的工作模式为休假负荷模式；

当每一与待预测日同一类型节假日的工作模式并非均为休假负荷模式，根据上一年度与待预测日同一类型节假日的电力负荷平均值和每一与待预测日同一类型节假日的电力负荷平均值的最大值进行比较，确定待预测日的工作模式是否为休假负荷模式。

进一步地，所述根据待预测日在预设历史日期中选择相似日还包括：

将电力负荷数据小于等于0或者小于第一预设负荷阈值确定为第二伪数据；

将电力负荷数据与上一预设时间点或者下一预设时间点的电力负荷数据差值绝对值大于第二预设负荷阈值，则确定所述电力负荷数据为异常数据；

将所述电力负荷数据中的伪数据和异常数据置为缺失值，对所述缺失值进行填充。

进一步地，所述根据待预测日在预设历史日期中选择相似日还包括：

按照预设月份将一年划分成四季；

将第m个季节和第k个气象特征的时间序列标记为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，所述m＝1,2,3,4；所述k＝1,2,3；所述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(qtmk[3])和四分之一分位数(qtmk[1])确定各气象特征在不同季节的异常阈值，所述异常阈值upqtmk＝qtmk[3]+1.5*(qtmk[3]-qtmk[1])，所述异常阈值下限downqtmk＝max(min(qtk),qtmk[1]-1.5*(qtmk[3]-qtmk[1]))；所述min(qtk)为第k个气象特征的最小值；

将umki与upqtmk和downqrmk进行对比，如果umki＞upqtmk或umki＜updownqtmk，则将umki视为异常数据；

将所述异常数据置为缺失值，对所述缺失值进行填充。

本发明提供的一种区分待预测日的城市电网短期负荷预测系统，所述系统包括：

获取模块，用于获取每一专变用户的电力负荷数据和气象数据，所述电力负荷数据包括历史日期预设时间点和所述历史日期预设时间点的电力负荷，所述气象数据包括历史日期以及所述历史日期的气象特征，所述气象特征包括日最高气温、日最低气温和日相对湿度；

选择模块，用于根据待预测日在预设历史日期中选择相似日；

计算模块，用于建立模型，利用所述模型根据相似日预设时间点、相似日预设时间点的电力负荷、相似日对应的日最高气温、日最低气温和日相对湿度，计算待预测日预设时间点的电力负荷。

进一步地，所述选择模块包括：

第一判断单元，用于判断所述待预测日的类型，所述待预测日的类型包括正常日和法定节假日；

识别单元，用于当待预测日的类型为正常日时，识别出星期负荷模式和待预测日星期类型；

第一选择单元，用于根据所述星期负荷模式和所述待预测日星期类型，在第一预设历史日期中选择所述待预测日的相似日。

进一步地，所述选择模块还包括：

第二选择单元，用于当待预测日的类型为法定节假日时，在第二预设历史日期中选取多个与待预测日同一类型节假日为相似日集合；

第二判断单元，用于判断每一与待预测日同一类型节假日的工作模式是否为休假负荷模式；

确定单元，用于根据每一与待预测日同一类型节假日的工作模式，确定待预测日的工作模式；

第三选择单元，用于当确定待预测日的工作模式为休假负荷模式时，选择工作模式为休假负荷模式的同一类型节假日作为相似日；

第四选择单元，用于当确定待预测日的工作模式不为休假负荷模式时，识别出星期负荷模式和待预测日星期类型；根据所述星期负荷模式和所述待预测日星期类型，在第一预设历史日期中选择所述待预测日的相似日。

进一步地，所述第二判断单元具体用于：

当每一与待预测日同一类型节假日的工作模式均为休假负荷模式，确定待预测日的工作模式为休假负荷模式；

当每一与待预测日同一类型节假日的工作模式并非均为休假负荷模式，根据上一年度与待预测日同一类型节假日的电力负荷平均值和每一与待预测日同一类型节假日的电力负荷平均值的最大值进行比较，确定待预测日的工作模式是否为休假负荷模式。

实施本发明，具有如下有益效果：

本发明通过获取专变用户的电力负荷数据和气象数据，对待预测日进行分类，基于上述专变的电力负荷数据、气象数据以及分类，计算待预测日预设时间点的电力负荷，解决了现有技术导致的单一预测模型有局限，预测精度不够的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的区分待预测日的城市电网短期负荷预测方法的流程图。

图2是本发明实施例提供的根据待预测日在预设历史日期中选择相似日方法的流程图。

图3是本发明实施例提供的建立模型计算待预测日预设时间点的电力负荷方法的流程图。

图4是本发明实施例提供的区分待预测日的城市电网短期负荷预测系统的结构图。

具体实施方式

本专利核心内容为对待预测日进行分类，基于分类和历史电力负荷数据结合模型计算待预测日电力负荷，以下结合附图和实施例对该方法具体实施方式做进一步说明。

下面将详细描述本发明提供的区分待预测日的城市电网短期负荷预测方法及系统的实施例。

如图1所示，本发明提供一种区分待预测日的城市电网短期负荷预测方法，所述方法包括：

步骤s11、获取每一专变用户的电力负荷数据和气象数据。

需要说明的是，这里每一专变用户是指一个变压器，变压器的电力负荷随着每天的时间呈现波峰波谷的特性。电力系统记录了每一变压器的历史上每一时间点的数据，本实施例中电力负荷数据只取历史日期预设时间点的电力负荷，这里的历史日期指有上述记录开始的日期，预设时间点在本实施例取96个，每个整点为1个预设时间点，以整点为基础，每十五分钟取1个，每个整点后面会有3个预设时间点，因此获取的电力负荷数据中包括每个历史日期96个预设时间点以及上述每个历史日期96个预设时间点的电力负荷。

还需要说明的是，气象数据包括历史日期以及所述历史日期对应的气象特征，所述气象特征包括日最高气温、日最低气温和日相对湿度。

步骤s12、根据待预测日在预设历史日期中选择相似日。

具体实现步骤s12的方法在其他实施例中进行说明。

步骤s13、建立模型，利用所述模型根据相似日预设时间点、相似日预设时间点的电力负荷、相似日对应的日最高气温、日最低气温和日相对湿度，计算待预测日预设时间点的电力负荷。

具体实现步骤s13的方法在其他实施例中进行说明。

进一步地，所述步骤s12之前还包括：

将连续预设个数的电力负荷数据相同确定为第一伪数据；

将电力负荷数据小于等于0或者小于第一预设负荷阈值确定为第二伪数据；

将电力负荷数据与上一预设时间点或者下一预设时间点的电力负荷数据差值绝对值大于第二预设负荷阈值，则确定所述电力负荷数据为异常数据；

将所述电力负荷数据中的伪数据和异常数据置为缺失值，对所述缺失值进行填充。

需要说明的是，确定某些数据为第一伪数据、第二伪数据和异常数据，将上述数据置位缺失值，然后进行填充，目的是为了将传输过程中出现问题的数据清除掉，然后填充进来合理的数据，使得后面进行预测的数据基础是准确的。

第一种情况，对于每日电力负荷缺失值个数占比大于50％的样本而言，采用曲线置换法，即利用历年相同日期和该缺失样本前一天的电力负荷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。

第二种情况，对于每日电力负荷缺失值个数占比小于等于50％的样本而言，采用相似日均值填补法，即基于电力负荷形状相似性度量(具体内容见附录10.8)的查找方法寻找与该缺失样本最相似的三天历史负荷数据，计算出它们在各时点的均值，将其用于相应缺失时点的填补。需要注意的是，当最相似的这三天历史负荷在待填补位置的数据均缺失，则该样本填补后还有缺失值存在，此时，需要转入第三种情况进行缺失值填补。

第三种情况，在第二种情况填补后还有缺失的情况下，采用线性插值法进行填补，其整个过程如下：

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，则其前后负荷点的数据是已知的，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：

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：

进一步地，所述步骤s12之前还包括：

按照预设月份将一年划分成四季；

将第m个季节和第k个气象特征的时间序列标记为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，所述m＝1,2,3,4；所述k＝1,2,3；所述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(qtmk[3])和四分之一分位数(qtmk[1])确定各气象特征在不同季节的异常阈值，所述异常阈值upqtmk＝qtmk[3]+1.5*(qtmk[3]-qtmk[1])，所述异常阈值下限downqtmk＝max(min(qtk),qtmk[1]-1.5*(qtmk[3]-qtmk[1]))；所述min(qtk)为第k个气象特征的最小值；

将umki与upqtmk和downqrmk进行对比，如果umki＞upqtmk或umki＜updownqtmk，则将umki视为异常数据；

将所述异常数据置为缺失值，对所述缺失值进行填充。

将原始的第k个气象特征作为一个完整的时间序列，采用线性插值的方法进行填补，其过程与历史电力负荷数据的线性插值填补法相同。

如图2所示，本发明提供一种根据待预测日在预设历史日期中选择相似日方法，所述方法包括：

步骤s21、判断待预测日的类型，所述待预测日的类型包括正常日和法定节假日。

需要说明的是，这里将日的类型分为正常日和法定节假日，因此我们可以把未来的日期和所述未来的日期的类型都预设在系统里，只要不出现国家调整节假日的情况，系统可以依据带预测日的日期就判断出待预测日的类型，例如待预测日为2019.10.1，系统可以判断该待预测日为法定节假日；即使出现国家通知更改法定节假日，系统里面对应修改即可。

步骤s22、当待预测日的类型为正常日时，识别出星期负荷模式和待预测日星期类型。

具体地，计算同一星期类型所有预设时间点电力负荷平均值，得到七种星期类型的wli，其中wli表示第i种星期类型的电力负荷平均值，所述i＝1,2……7；

需要说明的是，七种星期类型包括星期一至星期日等七种，因为每周内不同的日期对于同一专变用户的电力负荷完全不一样，也可能部分日期相近或者相同。

获取wli的最小值wlmin、最大值wlmax、极差值wlmax-wlmin，根据计算公式计算每一星期类型的区间swli，设定星期负荷模式水平阈值wlthres＝0.1*wlmin；

当wlr＜wlthres时，识别出星期一至星期日为同一星期类型，即星期负荷模式为同一星期类型；

当wlr≥wlthres时，利用等刻度的方法将【0,1】区间划分为7个刻度范围，所述7个刻度范围包括【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，将落入同一区间的swli赋予相同星期类型值，根据不同星期类型值，识别出星期负荷模式；

需要说明的是，当wlr≥wlthres时，表明每种星期类型的电力负荷差异明显；假设通过计算，所有星期类型值总共有4种，星期一、星期二为第一星期类型，星期三、星期四、星期五为第二星期类型，星期六为第三星期类型，星期日为第四星期类型；上述每天归属星期类型构成了星期负荷模式。

步骤s23、根据所述星期负荷模式和所述待预测日星期类型，在第一预设历史日期中选择所述待预测日的相似日。

具体地，选择离待预测日最近的预设天数并剔除法定节假日作为星期负荷模式样本集；

在本实施例中，第一预设历史日期选择离待预测日最近的预设天数，一般选择最近的预设天数为200天，会将法定节假日剔除掉，上述第一预设历史日期指的就是离待预测日最近的200天。

需要说明的是，在步骤s22中已经说明，一种情况，识别出星期负荷模式为同一星期类型，无论待预测日为星期一至星期天任意一天，均选择星期负荷模式样本集中所有日期作为待预测日的相似日；另一种情况，根据星期负荷模式，在所述星期负荷模式样本集中选择与待预测日具有相同星期类型值的日期作为待预测日的相似日，假定星期负荷模式中星期一、星期二为第一星期类型，星期三、星期四、星期五为第二星期类型，星期六为第三星期类型，星期日为第四星期类型，当待预测日类型为星期三，则选择所述星期负荷模式样本集中所有星期三、星期四和星期五均为待预测日的相似日。

步骤s24、当待预测日的类型为法定节假日时，在第二预设历史日期中选取多个与待预测日同一类型节假日为相似日集合。

需要说明的是，第二预设历史日期是从历史日期中选择出来的，可以选择历史日期的全部，也可以选择5年；假定待预测日为国庆节时，在第二预设历史日期中选取所有的国庆节为相似日集合，所述相似日集合用n0来表示。

步骤s25、判断每一与待预测日同一类型节假日的工作模式是否为休假负荷模式。

具体地，第i年的同一类型的节假日电力负荷平均值mli，所述第i年同一类型的节假日的前两周周末的电力负荷平均值tmli；如果mli<tmli，则第i年的同一类型的节假日的工作模式为休假负荷模式；当mli<＝tmli，则第i年的同一类型的节假日的工作模式不是休假负荷模式。

步骤s26、根据每一与待预测日同一类型节假日的工作模式，确定待预测日的工作模式。

具体地，当每一与待预测日同一类型节假日的工作模式均为休假负荷模式时，则确定待预测日的工作模式为休假负荷模式；当每一与待预测日同一类型节假日的工作模式并非均为休假负荷模式时，则确定待预测日的工作模式等同于上一年度与待预测日同一类型节假日的工作模式。

需要说明的是，每一与待预测日同一类型节假日的工作模式并非均为休假负荷模式时，也就是说历年的该节假日有时候为休假负荷模式，有时候并不是休假负荷模式，需要根据最近一个年度与待预测日同一类型节假日来推断待预测日的工作模式；例如待预测日为2018年国庆节，用于参照的有2013年国庆节到2017年国庆节，2013年国庆节到2017年国庆节有的工作模式为休假负荷模式，有的并不是休假负荷模式，这里需要借助2017年的工作模式来确定2018年的工作模式。

计算每一与待预测日同一类型节假日的电力负荷平均值，比较上一年度与待预测日同一类型节假日的电力负荷平均值和每一与待预测日同一类型节假日的电力负荷平均值的最大值，当上一年度与待预测日同一类型节假日的电力负荷平均值小于每一与待预测日同一类型节假日的电力负荷平均值的最大值，则待预测日的工作模式为休假负荷模式；当上一年度与待预测日同一类型节假日的电力负荷平均值大于等于每一与待预测日同一类型节假日的电力负荷平均值的最大值，则待预测日工作模式不是休假负荷模式，当待预测日工作模式不是休假负荷模式时，执行步骤s22、s23。

如图3所示，本发明实施例提供了建立模型计算待预测日预设时间点对应的电力负荷方法，所述方法包括：

步骤s31、建立模型；

建立模型包括：支持向量回归模型、差分自回归移动平均模型、季节指数平滑模型、基于指数平滑的线性回归模型、基于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、基于相似日的时间序列回归模型和基于相似日的时间序列分解二重组合模型。

步骤s32、利用所述模型根据相似日预设时间点、相似日预设时间点对应的电力负荷、相似日对应的日最高气温、日最低气温和日相对湿度，计算待预测日预设时间点的电力负荷。

支持向量回归模型建立和计算过程包括：按照预设时间点建模，将相似日中第m+1天预设时间点第t时刻电力负荷作为输出变量，第m天预设时间点第t和t-1时刻电力负荷作为输出变量，进而得到每个预设时间点的支持向量回归模型参数评估值，并用离待预测日最近的相应电力负荷作为模型输入值，计算得到待预测日各预设时间点的电力负荷；

差分自回归移动平均模型建立和计算过程包括：将相似日中同一预设时间点作为一个时间序列，对每一预设时间点建立相应的差分自回归移动平均模型，计算得到待预测日预设时间点的电力负荷；

季节指数平滑模型建立和计算过程包括：将相似日中同一预设时间点作为一个时间序列，对每一预设时间点建立相应的季节指数平滑模型，计算得到待预测日预设时间点的电力负荷；

基于指数平滑的线性回归模型建立和计算过程包括：按天将相似日的电力负荷连接成一个时间序列，计算得到待预测日第一个预设时间点的电力负荷；将相似日中第m天预设时间点第t时刻作为输出变量，第m天预设时间点第t-1时刻的电力负荷作为输入变量，并用线性回归模型估计出所述输出变量和所述输入变量的线性关系；以所述待预测日第一个预设时间点的电力负荷作为线性模型的输入值，预测出第二预设时间点的电力负荷，依次类推预测得到待预测日各预设时间点的电力负荷；

基于指数平滑的支持向量回归模型建立和计算过程包括：按天将相似日的电力负荷连接成一个时间序列，利用基于指数平滑的支持向量回归模型进行向前一步预测，得到待预测日第一预设时间点的电力负荷；将相似日中第m+1天预设时间点第t时刻的电力负荷作为输出变量，第m+1天预设时间点第t-1时刻和第m天第t时刻的电力负荷作为输入变量，并用支持向量回归模型估计出所述输出变量和所述输入变量之间的非线性关系；将预测出的待预测日第一个预设时间点的电力负荷和待预测日前一天第二个预设时间点的电力负荷作为支持向量回归模型的输入变量，计算得到待预测日第二个预设时间点的电力负荷；

广义加法模型建立和计算过程包括：将相似日的日最高温度、日最低温度和日相对湿度作为输入变量，每一预设时间点的电力负荷作为输出变量，计算得到广义加法模型的参数估计值，将待预测日的日最高温度、日最低温度和日相对湿度作为模型输入值，计算得到待预测日各个预设时间点的电力负荷；

模糊逻辑回归模型建立和计算过程包括：将相似日的日最高温度、日最低温度和日相对湿度作为输入变量，每一预设时间点的电力负荷作为输出变量，计算得到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、日最低温度和日相对湿度作为模型输入值，计算得到待预测日各个预设时间点的电力负荷；

基于相似日的时间序列回归模型建立和计算过程包括：将最接近待预测日的相似日作为参考对象，选择与参考对象最相似的日电力负荷曲线，然后根据电力负荷相似程度排序，选择最相似的电力负荷作为建模样本；按每天的时间顺序构建成一个时间序列，将该时间序列分解为季节部分、趋势部分和残差部分；将最小趋势部分数值加上季节部分作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二重组合的建模数据，将上述二者相加得到待预测日的电力负荷。

为了得到更为优化的结果，可以将上述各种模型的结果进行算术平均，计算得到待预测日预设时间点的电力负荷。

如图4所示，本发明提供一种区分待预测日的城市电网短期负荷预测系统，所述系统包括：

获取模块41，用于获取每一专变用户的电力负荷数据和气象数据，所述电力负荷数据包括历史日期预设时间点和所述历史日期预设时间点的电力负荷，所述气象数据包括历史日期以及所述历史日期的气象特征，所述气象特征包括日最高气温、日最低气温和日相对湿度；

选择模块42，用于根据待预测日在预设历史日期中选择相似日；

计算模块43，用于建立模型，利用所述模型根据相似日预设时间点、相似日预设时间点的电力负荷、相似日对应的日最高气温、日最低气温和日相对湿度，计算待预测日预设时间点的电力负荷。

进一步地，所述选择模块42包括：

第一判断单元，用于判断所述待预测日的类型，所述待预测日的类型包括正常日和法定节假日；

识别单元，用于当待预测日的类型为正常日时，识别出星期负荷模式和待预测日星期类型；

第一选择单元，用于根据所述星期负荷模式和所述待预测日星期类型，在第一预设历史日期中选择所述待预测日的相似日。

进一步地，所述选择模块42还包括：

第二选择单元，用于当待预测日的类型为法定节假日时，在第二预设历史日期中选取多个与待预测日同一类型节假日为相似日集合；

第二判断单元，用于判断每一与待预测日同一类型节假日的工作模式是否为休假负荷模式；

确定单元，用于根据每一与待预测日同一类型节假日的工作模式，确定待预测日的工作模式；

第三选择单元，用于当确定待预测日的工作模式为休假负荷模式时，选择工作模式为休假负荷模式的同一类型节假日作为相似日；

第四选择单元，用于当确定待预测日的工作模式不为休假负荷模式时，识别出星期负荷模式和待预测日星期类型；根据所述星期负荷模式和所述待预测日星期类型，在第一预设历史日期中选择所述待预测日的相似日。

进一步地，所述第二判断单元具体用于：

当每一与待预测日同一类型节假日的工作模式均为休假负荷模式，确定待预测日的工作模式为休假负荷模式；

当每一与待预测日同一类型节假日的工作模式并非均为休假负荷模式，根据上一年度与待预测日同一类型节假日的电力负荷平均值和每一与待预测日同一类型节假日的电力负荷平均值的最大值进行比较，确定待预测日的工作模式是否为休假负荷模式。

实施本发明，具有如下有益效果：

本发明通过获取专变用户的电力负荷数据和气象数据，对待预测日进行分类，基于上述专变的电力负荷数据、气象数据以及分类，计算待预测日预设时间点的电力负荷，解决了现有技术导致的单一预测模型有局限，预测精度不够的问题。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。