电力负荷预测方法、装置、计算机设备和存储介质与流程

本申请涉及电力技术领域，特别是涉及一种电力负荷预测方法、装置、计算机设备和存储介质。

背景技术：

随着电力技术的日益发展，电力能源在当前社会的应用越来越广泛，在电力系统对于电力负荷预测的工作中，负荷预测的准确率高低，对电力企业实现能源节约以及经济效益提高方面有着重大作用。

当下正处于能源紧张和短缺的情形下，电网的最大电力负荷量日渐增加，系统负荷峰谷差进一步加大，由于大量用电负荷均具有可调度潜力，所以目前部分地区已经开始实行电力需求侧管理，而电力需求侧管理是指电力行业(供应侧)采取行政、经济、技术措施，鼓励用户(需求侧)采用各种有效的节能技术改变需求方式，在保持能源服务水平的情况下，降低能源消费和用电负荷，从而取得明显的经济效益和社会效益，但这将会导致传统电力负荷预测的精确度大大下降。

传统的电力负荷预测方法大多是通过对过往数据进行基于经验的算法比对，但实际上，电力负荷存在着多种影响因素，其本身就具有一定的随机性，各地区的电网分布情况以及气候状况等多种因素都会直接影响负荷变化，因此，现有的电力负荷预测方法，仅基于少量的历史数据进行分析的预测的结果，精确度较低。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够提高电力负荷预测精确度的电力负荷预测方法、装置、计算机设备和存储介质。

一种电力负荷预测方法，所述方法包括：

采集初始电力负荷数据；

对所述初始电力负荷数据进行数据预处理，生成待测试电力负荷数据；

获取利用仿真模拟得到的需求响应量的预测值；

获取可用预测模型；所述可用预测模型根据预测算法训练得到；

将所述待测试电力负荷数据输入所述可用预测模型中，生成常规负荷预测值；

将所述需求响应量的预测值和所述常规负荷预测值进行叠加，得到电力负荷预测结果。

在其中一个实施例中，所述预测算法包括最小二乘支持向量机和极简爆炸烟花算法；训练所述可用预测模型的方式，包括：

获取气象数据，并根据所述气象数据建立训练样本集和测试样本集；

利用所述训练样本集，对所述最小二乘支持向量机进行训练；

采用所述极简爆炸烟花算法，对所述最小二乘支持向量机对应的参数设置进行寻优，生成初始预测模型；

利用所述测试样本集测试所述初始预测模型的精确度，确定最小二乘支持向量机的可用参数，得到所述可用预测模型。

在其中一个实施例中，所述获取利用仿真模拟得到的需求响应量的预测值，包括：

获取待进行负荷预测地区的环境数据；

根据所述环境数据设定需求响应仿真模型参数；

利用所述需求响应仿真模型参数进行仿真模拟，生成需求响应量的预测值。

在其中一个实施例中，所述对所述初始电力负荷数据进行数据预处理，生成待测试电力负荷数据，包括：

将所述初始电力负荷数据存储至云端服务器；

采用滑动平均窗口法，补全所述初始电力负荷数据的缺失数据；

采用数值数据的归一化处理方法，对补全后的所述初始电力负荷数据进行归一化处理，生成待测试电力负荷数据。

在其中一个实施例中，利用所述训练样本集，对所述最小二乘支持向量机进行训练，包括：

获取所述最小二乘支持向量机对应的第一参数；所述第一参数为根据核函数技术进行选择得到的核函数类别；

利用所述训练样本集对所述第一参数进行训练，生成训练后的第一参数。

在其中一个实施例中，所述采用所述极简爆炸烟花算法，对所述最小二乘支持向量机对应的参数设置进行寻优，生成初始预测模型，包括：

获取所述最小二乘支持向量机对应的第二参数；所述第二参数包括核参数和惩罚因子；

利用所述极简爆炸烟花算法，根据预设的迭代优化次数对所述第二参数进行迭代优化训练，获得训练后的第二参数；

根据所述训练后的第一参数及第二参数，得到初始预测模型

在其中一个实施例中，所述利用所述测试样本集测试所述初始预测模型的精确度，确定最小二乘支持向量机的可用参数，得到所述可用预测模型，包括：

将所述测试样本集输入所述初始预测模型，获取初始预测结果；

将所述初始预测结果与预设精度要求进行比对；

获取符合所述预设精度要求的初始预测结果对应的最小二乘支持向量机的可用参数；所述可用参数包括第一可用参数和第二可用参数；

根据所述第一可用参数和所述第二可用参数，得到可用预测模型。

一种电力负荷预测装置，所述装置包括：

采集模块，用于采集初始电力负荷数据；

数据预处理模块，用于对所述初始电力负荷数据进行数据预处理，生成待测试电力负荷数据；

第一获取模块，用于获取利用仿真模拟得到的需求响应量的预测值；

第二获取模块，用于获取可用预测模型；所述可用预测模型根据预测算法训练得到；

常规负荷预测值生成模块，用于将待测试电力负荷数据输入所述可用预测模型中，生成常规负荷预测值；

预测结果生成模块，将所述需求响应量的预测值和所述常规负荷预测值进行叠加，得到电力负荷预测结果。

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以下步骤：

采集初始电力负荷数据；

对所述初始电力负荷数据进行数据预处理，生成待测试电力负荷数据；

获取利用仿真模拟得到的需求响应量的预测值；

获取可用预测模型；所述可用预测模型根据预测算法训练得到；

将所述待测试电力负荷数据输入所述可用预测模型中，生成常规负荷预测值；

将所述需求响应量的预测值和所述常规负荷预测值进行叠加，得到电力负荷预测结果。

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以下步骤：

采集初始电力负荷数据；

对所述初始电力负荷数据进行数据预处理，生成待测试电力负荷数据；

获取利用仿真模拟得到的需求响应量的预测值；

获取可用预测模型；所述可用预测模型根据预测算法训练得到；

将所述待测试电力负荷数据输入所述可用预测模型中，生成常规负荷预测值；

将所述需求响应量的预测值和所述常规负荷预测值进行叠加，得到电力负荷预测结果。

上述电力负荷预测方法、装置、计算机设备和存储介质，服务器通过采集初始电力负荷数据，并对初始电力负荷数据进行数据预处理，生成待测试电力负荷数据。通过获取根据预测算法训练得到可用预测模型，并将待测试电力负荷数据输入可用预测模型中，生成常规负荷预测值，提高了常规负荷预测值的预测精度。通过仿真模拟得到需求响应量的合理预测值，考虑到不同用户需求，并将需求响应量的预测值和常规负荷预测值进行叠加，得到电力负荷预测结果，实现了针对不同用户需求的电力负荷预测，同时利用预测算法训练得到的可用预测模型也进一步提高了电力负荷预测的精确度。

附图说明

图1为一个实施例中电力负荷预测方法的应用场景图；

图2为一个实施例中电力负荷预测方法的流程示意图；

图3为一个实施例中需求响应仿真模型的模拟效果图；

图4为一个实施例中训练可用预测模型的流程示意图；

图5为一个实施例中电力负荷预测装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

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。

本申请提供的电力负荷预测方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104通过网络进行通信。服务器104从终端102采集初始电力负荷数据，并对初始电力负荷数据进行数据预处理，生成待测试电力负荷数据。服务器104获取利用仿真模拟得到的需求响应量的预测值，并获取可用预测模型，其中，可用预测模型根据预测算法训练得到。服务器104通过将待测试电力负荷数据输入可用预测模型中，生成常规负荷预测值，并将需求响应量的预测值和常规负荷预测值进行叠加，得到电力负荷预测结果，可发送给终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑和平板电脑等，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种电力负荷预测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

s202，服务器从终端采集初始电力负荷数据。

具体地，服务器通过使用智能采集终端对初始电力负荷数据进行采集，其中，智能采集终端可高频采集当前接入电网的负荷点的实时有功功率，并具有wifi通信模块和4g通信模块，可将所采集的初始电力负荷数据实时上传至云端服务器。

s204，服务器对初始电力负荷数据进行数据预处理，生成待测试电力负荷数据。

具体地，服务器通过将初始电力负荷数据存储至云端服务器，并对初始电力负荷数据进行清洗、补缺以及归一化等预处理，生成待测试电力负荷数据。通过采用滑动平均窗口法，补全初始电力负荷数据的缺失数据，并采用数值数据的归一化处理方法，对补全后的初始电力负荷数据进行归一化处理，生成待测试电力负荷数据。

其中，一段时间序列数据的第i个位置数据为缺失数据，则取其前后窗口大小k个数据的平均值作为插补数据，插补数据的计算公式如下：

其中，其中pi为插补数据，k一般取3。

初始电力负荷数据的归一化处理公式如下：

其中，pmin为样本数据的最大值，pmax为样本数据的最小值，p^*为对样本数据进行归一化的结果。

s206，服务器获取利用仿真模拟得到的需求响应量的预测值。

具体地，服务器通过获取待进行负荷预测地区的环境数据，并根据环境数据设定需求响应仿真模型参数，利用需求响应仿真模型参数进行仿真模拟，生成需求响应量的预测值。其中，需求响应仿真模型关键参数包括：各外部影响因素对响应负荷的影响机制种类数量、实际响应负荷产生影响的连续时刻数、各种影响机制的影响权重等。

进一步地，需求响应仿真模型应用到需求响应效果的线性时变模型，如下所示：

bi(w(t-i))＝bi,0+bi,1β1(w(t-i))

+…+bi,jβj(w(t-i))

+…+bi,pβp(w(t-i))

其中，pr(t)为随机误差部分负荷，bi(w(t－i))pdr(t－i)为t－i时刻各外部影响因素对t－i时刻的响应计划负荷影响后，对t时刻实际响应负荷产生的影响，而bi(w(t－i))为该部分负荷占t－i时刻响应计划负荷的百分比。w(t－i)为在t－i时刻对用户响应产生影响的外部影响因素向量，βj(w(t－i))为w的函数，代表t－i时刻各外部影响因素以第j种机制影响t－i时刻的实际响应负荷。

可依据不同地区的需求响应特性可以设置不同的模型参数，为使模型界接近实际情况，可采用以下的模型参数设置：

nb＝3，p＝1，b0,0＝0.5，b0,1＝0.02，b1,0＝0.15，b1,1＝0.01，b2,0＝0.05，b2,1＝0.01。

进一步地，需求响应仿真模型的模拟效果图如图3所示，图3中为基于模型的实际需求量在不同时刻的电力负荷量数据的分布趋势，以及计划需求量在相应时刻的电力负荷量数据的分布趋势。

s208，服务器获取可用预测模型，可用预测模型根据预测算法训练得到。

其中，预测算法包括最小二乘支持向量机和极简爆炸烟花算法，可通过根据预测算法可训练得到预测模型。最小二乘支持向量机的参数包括第一参数和第二参数，第一参数表示根据核函数技术进行选择得到的核函数类别，第二参数为核参数和惩罚因子。

服务器通过获取气象数据，并根据气象数据建立训练样本集和测试样本集。其中，气象数据包括日最高气温、日最低气温、日平均气温、日相对湿度以及日降雨量，根据气象数据建立的训练样本集和测试样本集各占80％和20％，模型的输入表示如下：

其中，pi,j为j天前第i时刻的负荷量，j＝1,2,3,…,n，wi,k为气象数据，k为气象数据类型个数，一般场景下具体参数可取n＝4，k＝5。

具体地，通过利用训练样本集，对最小二乘支持向量机进行训练，并采用极简爆炸烟花算法，对最小二乘支持向量机对应的参数设置进行寻优，生成初始预测模型。

进一步地，通过利用训练样本集，对最小二乘支持向量机的第一参数，即根据核函数技术进行选择得到的核函数类别，进行训练。其中，通过采用核函数技术可以将低维空间线性不可分的模式通过非线性映射到高维特征空间实现线性可分，核函数一般选择高斯核函数，具体表示如下：

k(x,xi)＝exp(-||x-xi||²/2σ²)。

其中，通过获取最小二乘支持向量机的第二参数，即核参数和惩罚因子，采用极简爆炸烟花算法，根据预设的迭代优化次数，对第二参数，即核参数和惩罚因子进行迭代优化训练，获得训练后的第二参数。

极简烟花爆炸算法是烟花算法的简化版本，具有更简单的代码，更高的运行效率，优化效果较传统烟花算法更明显。

极简爆炸烟花算法的改进之处主要有以下两点：

1)极简爆炸烟花算法的爆炸过程一次仅有一个烟花发生爆炸；

2)烟花的爆炸半径将采用以下公式计算

其中，ca,cr是算法常数，ca>1,cr<1，通常采用以下设定值ca＝1.2,cr＝0.9；xi表示第i次迭代中爆炸产生的火花和烟花的集合，f(xi)为烟花xi的适应度函数minf(xi)表示xi.集合中适应度函数最小值。

极简爆炸烟花算法中的烟花的位置信息(x,y)表征最小二乘支持向量机的参数：核参数σ²以及惩罚因子c，通过设置最大迭代优化次数，其优化全局最优解即为最小二乘支持向量机的最优预测参数。

具体地，服务器利用测试样本集测试初始预测模型的精确度，确定最小二乘支持向量机的可用参数，得到可用预测模型。

进一步地，服务器通过将测试样本集输入初始预测模型中，并获取初始预测结果，将初始预测结果和预设精度要求进行比对，判断初始预测结果是否符合预设精度要求，获取符合预精确要求的初始预测结果对应的最小二乘支持向量机的可用参数，包括第一可用参数和第二可用参数，即可用核函数类别、可用核参数和可用惩罚因子，并根据可用核函数类别、可用核参数和可用惩罚因子，得到可用预测模型。

s210，服务器将待测试电力负荷数据输入可用预测模型中，生成常规负荷预测值。

具体地，服务器通过将待测试电力负荷数据输入可用预测模型后，利用可用预测模型对待测试电力负荷数据进行预测，获得常规负荷预测值。其中，常规负荷预测值表示根据待测试电力负荷数据得到的常规预测值，但并未结合实际需求响应量，所体现的电力负荷预测结果不够准确。

s212，服务器将需求响应量的预测值和常规负荷预测值进行叠加，得到电力负荷预测结果。

具体地，服务器通过预设更新周期，在预设更新周期内，定时计算需求响应量的预测值，并将对应时间段内的常规负荷预测值与需求响应量的预测值进行叠加，实现滚动预测，得到对应时间段的电力负荷预测结果。

其中，考虑到更新周期内，电力负荷数据属于不断更新的状态，可根据更新的电力负荷数据和历史电力负荷数据进行结合，并根据结合后的电力负荷数据构建新的训练样本集，进一步可更新预测模型，提高预测的精确度。

上述电力负荷预测方法中，服务器通过采集初始电力负荷数据，并对初始电力负荷数据进行数据预处理，生成待测试电力负荷数据。通过获取根据预测算法训练得到可用预测模型，并将待测试电力负荷数据输入可用预测模型中，生成常规负荷预测值，提高了常规负荷预测值的预测精度。通过仿真模拟得到需求响应量的合理预测值，考虑到不同用户需求，并将需求响应量的预测值和常规负荷预测值进行叠加，得到电力负荷预测结果，实现了针对不同用户需求的电力负荷预测，同时利用预测算法训练得到的可用预测模型也进一步提高了电力负荷预测的精确度。

在一个实施例中，如图4所示，预测算法包括最小二乘支持向量机和极简爆炸烟花算法，提供了一种训练可用预测模型的方式，具体包括以下s402至s408的步骤，包括：

s402，服务器获取气象数据，并根据气象数据建立训练样本集和测试样本集。

具体地，气象数据包括日最高气温、日最低气温、日平均气温、日相对湿度以及日降雨量，根据气象数据建立的训练样本集和测试样本集各占80％和20％，模型的输入表示如下：

其中，pi,j为j天前第i时刻的负荷量，j＝1,2,3,…,n，wi,k为气象数据，k为气象数据类型个数，一般场景下具体参数可取n＝4，k＝5。

s404，服务器利用训练样本集，对最小二乘支持向量机进行训练。

s406，服务器采用极简爆炸烟花算法，对最小二乘支持向量机对应的参数设置进行寻优，生成初始预测模型。

具体地，通过利用训练样本集，对最小二乘支持向量机的第一参数，即根据核函数技术进行选择得到的核函数类别，进行训练。其中，通过采用核函数技术可以将低维空间线性不可分的模式通过非线性映射到高维特征空间实现线性可分，核函数一般选择高斯核函数，具体表示如下：

k(x,xi)＝exp(-||x-xi||²/2σ²)

其中，通过获取最小二乘支持向量机的第二参数，即核参数和惩罚因子，采用极简爆炸烟花算法，根据预设的迭代优化次数，对第二参数，即核参数和惩罚因子进行迭代优化训练，获得训练后的第二参数。

极简烟花爆炸算法是烟花算法的简化版本，具有更简单的代码，更高的运行效率，优化效果较传统烟花算法更明显。

极简爆炸烟花算法的改进之处主要有以下两点：

1)极简爆炸烟花算法的爆炸过程一次仅有一个烟花发生爆炸；

2)烟花的爆炸半径将采用以下公式计算

其中，ca,cr是算法常数，ca>1,cr<1，通常采用以下设定值ca＝1.2,cr＝0.9；xi表示第i次迭代中爆炸产生的火花和烟花的集合，f(xi)为烟花xi的适应度函数minf(xi)表示xi.集合中适应度函数最小值。

极简爆炸烟花算法中的烟花的位置信息(x,y)表征最小二乘支持向量机的参数：核参数σ²以及惩罚因子c，通过设置最大迭代优化次数，其优化全局最优解即为最小二乘支持向量机的最优预测参数。

s408，服务器利用测试样本集测试初始预测模型的精确度，确定最小二乘支持向量机的可用参数，得到可用预测模型。

具体地，服务器通过将测试样本集输入初始预测模型中，并获取初始预测结果，将初始预测结果和预设精度要求进行比对，判断初始预测结果是否符合预设精度要求，获取符合预精确要求的初始预测结果对应的最小二乘支持向量机的可用参数，包括第一可用参数和第二可用参数，即可用核函数类别、可用核参数和可用惩罚因子，并根据可用核函数类别、可用核参数和可用惩罚因子，得到可用预测模型。

上述训练可用预测模型的方式中，采用最小二乘支持向量机和极简爆炸烟花算法，训练得到可用预测模型，由于最小二乘支持向量机具有训练速度快，可并行训练挖掘，预测精度较高的特点，极简爆炸烟花算法的运行效率较高，且针对最小二乘支持向量机的参数进行迭代寻优效果更明显，因此，根据上述两种预测算法进行训练得到的可用预测模型，具有较高的预测精度和运行效率。

在一个实施例中，提供了一种获取利用仿真模拟得到的需求响应量的预测值，包括：

获取待进行负荷预测地区的环境数据；根据环境数据设定需求响应仿真模型参数；利用需求响应仿真模型参数进行仿真模拟，生成需求响应量的预测值。

具体地，服务器通过获取待进行负荷预测地区的环境数据，并根据环境数据设定需求响应仿真模型参数，利用需求响应仿真模型参数进行仿真模拟，生成需求响应量的预测值。其中，需求响应仿真模型关键参数包括：各外部影响因素对响应负荷的影响机制种类数量、实际响应负荷产生影响的连续时刻数、各种影响机制的影响权重等。

上述获取利用仿真模拟得到的需求响应量的预测值的步骤，考虑到不同用户的需求响应特性，并结合了根据待进度符合预测地区的环境数据设置的仿真模型参数，利用需求响应仿真模型参数进行仿真模拟，生成需求响应量的预测值，可进一步提高需求响应量预测值的精确程度。

在一个实施例中，提供了一种对初始电力负荷数据进行数据预处理，生成待测试电力负荷数据的步骤，包括：

将初始电力负荷数据存储至云端服务器；采用滑动平均窗口法，补全初始电力负荷数据的缺失数据；采用数值数据的归一化处理方法，对补全后的初始电力负荷数据进行归一化处理，生成待测试电力负荷数据。

具体地，服务器通过将初始电力负荷数据存储至云端服务器，并对初始电力负荷数据进行清洗、补缺以及归一化等预处理，生成待测试电力负荷数据。通过采用滑动平均窗口法，补全初始电力负荷数据的缺失数据，并采用数值数据的归一化处理方法，对补全后的初始电力负荷数据进行归一化处理，生成待测试电力负荷数据。

其中，一段时间序列数据的第i个位置数据为缺失数据，则取其前后窗口大小k个数据的平均值作为插补数据，插补数据的计算公式如下：

其中，其中pi为插补数据，k一般取3。

初始电力负荷数据的归一化处理公式如下：

其中，pmin为样本数据的最大值，pmax为样本数据的最小值，p^*为对样本数据进行归一化的结果。

上述步骤中，通过采用滑动平均窗口法，补全初始电力负荷数据的缺失数据，并采用数值数据的归一化处理方法，对补全后的初始电力负荷数据进行归一化处理，生成待测试电力负荷数据，可避免电力负荷数据缺失的情况，为后续进行电力负荷预测提供完整的电力负荷数据基础，提高了工作效率。

在一个实施例中，提供了一种利用训练样本集，对最小二乘支持向量机进行训练的步骤，包括：

获取最小二乘支持向量机对应的第一参数；第一参数为根据核函数技术进行选择得到的核函数类别；利用训练样本集对第一参数进行训练，生成训练后的第一参数。

具体地，通过利用训练样本集，对最小二乘支持向量机的第一参数，即根据核函数技术进行选择得到的核函数类别，进行训练，生成训练后的第一参数。其中，通过采用核函数技术可以将低维空间线性不可分的模式通过非线性映射到高维特征空间实现线性可分，核函数一般选择高斯核函数。

上述步骤中，通过利用训练样本集，对最小二乘支持向量机的第一参数进行训练，生成训练后的第一参数，采用最小二乘支持向量机的预测算法，基于该预测算法的原有特点，提高了预测模型的训练速度，以及应用预测模型进行电力负荷预测的准确度。

在一个实施例中，提供了一种采用极简爆炸烟花算法，对最小二乘支持向量机对应的参数设置进行寻优，生成初始预测模型的步骤，包括：

获取最小二乘支持向量机对应的第二参数；第二参数包括核参数和惩罚因子；利用极简爆炸烟花算法，根据预设的迭代优化次数对第二参数进行迭代优化训练，获得训练后的第二参数；根据训练后的第一参数及第二参数，得到初始预测模型。

具体地，通过获取最小二乘支持向量机的第二参数，即核参数和惩罚因子，采用极简爆炸烟花算法，根据预设的迭代优化次数，对第二参数，即核参数和惩罚因子进行迭代优化训练，获得训练后的第二参数。极简爆炸烟花算法中的烟花的位置信息(x,y)表征最小二乘支持向量机的参数：核参数σ²以及惩罚因子c，通过设置最大迭代优化次数，其优化全局最优解即为最小二乘支持向量机的最优预测参数。

上述步骤中，通过利用极简爆炸烟花算法，根据预设的迭代优化次数对第二参数进行迭代优化训练，获得训练后的第二参数；根据训练后的第一参数及第二参数，得到初始预测模型。基于极简爆炸烟花算法优化效果明显的特点，可使得到的训练后的第二参数，更符合要求，所得到的初始预测模型的预测精度进一步提高。

在一个实施例中，提供了一种利用测试样本集测试初始预测模型的精确度，确定最小二乘支持向量机的可用参数，得到可用预测模型的步骤，包括：

将测试样本集输入初始预测模型，获取初始预测结果；将初始预测结果与预设精度要求进行比对；获取符合预设精度要求的初始预测结果对应的最小二乘支持向量机的可用参数；可用参数包括第一可用参数和第二可用参数；根据第一可用参数和第二可用参数，得到可用预测模型。

具体地，服务器通过将测试样本集输入初始预测模型中，并获取初始预测结果，将初始预测结果和预设精度要求进行比对，判断初始预测结果是否符合预设精度要求，获取符合预精确要求的初始预测结果对应的最小二乘支持向量机的可用参数，包括第一可用参数和第二可用参数，即可用核函数类别、可用核参数和可用惩罚因子，并根据可用核函数类别、可用核参数和可用惩罚因子，得到可用预测模型。

上述步骤中，通过将预设精度要求和根据初始预测模型得到的初始预测结果进行比对，获得符合预设精度要求的初始预测结果对应的最小二乘支持向量机的可用参数，得到可用预测模型，进一步提高了预测模型对于电力负荷预测的精确度。

应该理解的是，虽然图2和图4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2和图4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5所示，提供了一种电力负荷预测装置，包括：采集模块502、数据预处理模块504、第一获取模块506、第二获取模块508、常规负荷预测值生产模块510以及预测结果生产模块512，其中：

采集模块502，用于采集初始电力负荷数据。

数据预处理模块504，用于对初始电力负荷数据进行数据预处理，生成待测试电力负荷数据。

第一获取模块506，用于获取利用仿真模拟得到的需求响应量的预测值。

第二获取模块508，用于获取可用预测模型；可用预测模型根据预测算法训练得到。

常规负荷预测值生成模块510，用于将待测试电力负荷数据输入可用预测模型中，生成常规负荷预测值。

预测结果生成模块512，将需求响应量的预测值和常规负荷预测值进行叠加，得到电力负荷预测结果。

上述电力负荷预测装置中，服务器通过采集初始电力负荷数据，并对初始电力负荷数据进行数据预处理，生成待测试电力负荷数据。通过获取根据预测算法训练得到可用预测模型，并将待测试电力负荷数据输入可用预测模型中，生成常规负荷预测值，提高了常规负荷预测值的预测精度。通过仿真模拟得到需求响应量的合理预测值，考虑到不同用户需求，并将需求响应量的预测值和常规负荷预测值进行叠加，得到电力负荷预测结果，实现了针对不同用户需求的电力负荷预测，同时利用预测算法训练得到的可用预测模型也进一步提高了电力负荷预测的精确度。

在一个实施例中，提供了一种电力负荷预测装置，还包括可用预测模型训练模块，用于：

获取气象数据，并根据气象数据建立训练样本集和测试样本集；利用训练样本集，对最小二乘支持向量机进行训练；采用极简爆炸烟花算法，对最小二乘支持向量机对应的参数设置进行寻优，生成初始预测模型；利用测试样本集测试初始预测模型的精确度，确定最小二乘支持向量机的可用参数，得到可用预测模型。

上述电力负荷预测装置中，采用最小二乘支持向量机和极简爆炸烟花算法，训练得到可用预测模型，由于最小二乘支持向量机具有训练速度快，可并行训练挖掘，预测精度较高的特点，极简爆炸烟花算法的运行效率较高，且针对最小二乘支持向量机的参数进行迭代寻优效果更明显，因此，根据上述两种预测算法进行训练得到的可用预测模型，具有较高的预测精度和运行效率。

在一个实施例中，提供了一种第一获取模块，还用于：

获取待进行负荷预测地区的环境数据；根据环境数据设定需求响应仿真模型参数；利用需求响应仿真模型参数进行仿真模拟，生成需求响应量的预测值。

上述第一获取模块，考虑到不同用户的需求响应特性，并结合了根据待进度符合预测地区的环境数据设置的仿真模型参数，利用需求响应仿真模型参数进行仿真模拟，生成需求响应量的预测值，可进一步提高需求响应量预测值的精确程度。

在一个实施例中，提供了一种数据预处理模块，还用于：

将初始电力负荷数据存储至云端服务器；采用滑动平均窗口法，补全初始电力负荷数据的缺失数据；采用数值数据的归一化处理方法，对补全后的初始电力负荷数据进行归一化处理，生成待测试电力负荷数据。

上述数据预处理模块，通过采用滑动平均窗口法，补全初始电力负荷数据的缺失数据，并采用数值数据的归一化处理方法，对补全后的初始电力负荷数据进行归一化处理，生成待测试电力负荷数据，可避免电力负荷数据缺失的情况，为后续进行电力负荷预测提供完整的电力负荷数据基础，提高了工作效率。

在一个实施例中，提供了一种可用预测模型训练模块，还包括训练单元，用于：

获取最小二乘支持向量机对应的第一参数；第一参数为根据核函数技术进行选择得到的核函数类别；利用训练样本集对第一参数进行训练，生成训练后的第一参数。

上述可用预测模型训练模块，通过利用训练样本集，对最小二乘支持向量机的第一参数进行训练，生成训练后的第一参数，采用最小二乘支持向量机的预测算法，基于该预测算法的原有特点，提高了预测模型的训练速度，以及应用预测模型进行电力负荷预测的准确度。

在一个实施例中，提供了一种可用预测模型训练模块，还包括寻优单元，用于：

获取最小二乘支持向量机对应的第二参数；第二参数包括核参数和惩罚因子；利用极简爆炸烟花算法，根据预设的迭代优化次数对第二参数进行迭代优化训练，获得训练后的第二参数；根据训练后的第一参数及第二参数，得到初始预测模型。

上述可用预测模型训练模块，通过利用极简爆炸烟花算法，根据预设的迭代优化次数对第二参数进行迭代优化训练，获得训练后的第二参数；根据训练后的第一参数及第二参数，得到初始预测模型。基于极简爆炸烟花算法优化效果明显的特点，可使得到的训练后的第二参数，更符合要求，所得到的初始预测模型的预测精度进一步提高。

在一个实施例中，提供了一种可用预测模型训练模块，还包括可用预测模型生成单元，用于：

将测试样本集输入初始预测模型，获取初始预测结果；将初始预测结果与预设精度要求进行比对；获取符合预设精度要求的初始预测结果对应的最小二乘支持向量机的可用参数；可用参数包括第一可用参数和第二可用参数；根据第一可用参数和第二可用参数，得到可用预测模型。

上述可用预测模型训练模块，通过将预设精度要求和根据初始预测模型得到的初始预测结果进行比对，获得符合预设精度要求的初始预测结果对应的最小二乘支持向量机的可用参数，得到可用预测模型，进一步提高了预测模型对于电力负荷预测的精确度。

关于电力负荷预测装置的具体限定可以参见上文中对于电力负荷预测方法的限定，在此不再赘述。上述电力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服务器，其内部结构图可以如图6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、网络接口和数据库。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、计算机程序和数据库。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。该计算机设备的数据库用于存储电力负荷数据。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力负荷预测方法。

本领域技术人员可以理解，图6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，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述各个方法实施例中的步骤。

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上述各个方法实施例中的步骤。

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。