一种电力负荷预测方法、智能终端及计算机可读存储介质

本发明涉及电力数据分析技术领域，尤其涉及一种电力负荷预测方法、智能终端及计算机可读存储介质。

背景技术：

由于电力能源不可储存，电力系统为了维持电网频率，保证发电量与用电量之间平衡的供需关系，因此必须提前对电力负荷进行预测，并根据预测结果制定发电计划。电力系统负荷预测的研究目的就是提高预测精度，在尽可能低的运行成本下提供安全可靠的电力供应。由于用户侧，也就是用电端，存在诸多用电因素，在日常发电过程中，必须保证一部分火电机组处于旋转备用状态。如果用户侧用电负荷突然减小，火电机组将进行甩负荷，极大地影响电网安全，并将造成了巨大的能源浪费。因此短期负荷预测是电力系统的一项重要任务，预测结果的精确度直接影响电力系统的稳定性，也影响到电网企业的运行成本和电网安全。

然而，由于气候变化、社会活动、居民生活习惯等诸多外部因素，使得电力负荷的预测具有高度的非线性和不可预测性，因此，精确的短期电力负荷预测一直是电力行业中的一个难题。因此，开发短期电力负荷高精度预测方法，对减少能源浪费、优化电力系统运行，具有十分重要的意义。

技术实现要素：

本发明的主要目的在于提供一种电力负荷预测方法、智能终端及计算机可读存储介质，旨在解决现有技术中短期用电预测精确度低的问题。

为实现上述目的，本发明提供一种电力负荷预测方法，所述电力负荷预测方法包括如下步骤：

获取待预测时间对应的预测特征数据，其中，所述预测特征数据包括气象数据和时间类型；

将所述预测特征数据输入已训练的分类模型并通过所述分类模型对所述待预测时间进行用电模式分类，得到所述待预测时间对应的预测用电模式；

将所述预测特征数据输入已训练的负荷预测模型并通过所述负荷预测模型对所述待预测时间进行用电负荷预测，得到所述待预测时间对应的初始用电负荷曲线预测用电负荷；

根据所述预测用电模式和所述初始用电负荷曲线预测用电负荷，确定所述待预测时间对应的预测用电负荷曲线。

可选地，所述的电力负荷预测方法，其中，所述分类模型包括基于随机森林算法训练得到的若干个分类决策树；所述分类决策树的训练过程具体包括：

获取预设的各个历史时间对应的历史负荷数据和历史特征数据；

对所述历史负荷数据进行聚类处理，生成目标聚类集合，其中，所述目标聚类集合包括若干个用电模式集合，所述用电模式集合包括对应同一用电模式的历史负荷数据；

针对每一个所述用电模式集合，根据该用电模式集合中各个历史负荷数据对应的历史时间，对所述历史特征数据进行标注，得到各个所述历史特征数据对应的用电模式；

针对每一个预设的决策树，选取所述历史特征数据中的训练特征数据输入该决策树并根据基尼指数对该决策树进行分裂，直至该决策树中各个节点的历史特征数据对应的用电模式相同，得到所述分类决策树。

可选地，所述的电力负荷预测方法，其中，所述对所述历史负荷数据进行聚类处理，生成目标聚类集合，具体包括：

根据当前的聚类个数，随机确定所述历史负荷数据中的初始聚类中心，其中，当初次进行聚类时，所述聚类个数为2；

根据预设的模糊c均值聚类算法和所述初始聚类中心，计算所述历史负荷数据对应的第k中间隶属度矩阵，其中，k为聚类次数；

当所述聚类个数小于预设的聚类个数阈值时，将所述聚类个数加一，并重复确定第k中间隶属度矩阵；

当所述聚类个数大于等于所述聚类个数阈值时，确定第一中间隶属度矩阵至第(k-1)中间隶属度矩阵中的目标隶属度矩阵，其中，k为所述聚类个数阈值；

根据所述目标隶属度矩阵和所述目标隶属度矩阵对应的聚类中心，对所述历史负荷数据进行聚类，得到目标聚类集合。

可选地，所述的电力负荷预测方法，其中，所述当所述聚类个数大于等于所述聚类个数阈值时，确定第一中间隶属度矩阵至第(k-1)中间隶属度矩阵中的目标隶属度矩阵，具体包括：

针对所述第一中间隶属度矩阵至所述第(k-1)中间隶属度矩阵中的每一个中间隶属度矩阵，计算该中间隶属度矩阵对应的聚类有效性指标；

根据所述聚类有效性指标，确定第一中间隶属度矩阵至所述第(k-1)中间隶属度矩阵中的目标聚类集合。

可选地，所述的电力负荷预测方法，其中，所述负荷预测模型包括若干个负荷预测子模型，所述负荷预测子模型与所述用电模式一一对应。

可选地，所述的电力负荷预测方法，其中，所述历史负荷数据包括每一个所述历史时间对应的历史负荷曲线，所述历史负荷曲线包括历史负荷特征值；所述负荷预测子模型的训练过程包括具体包括：

针对每一个预设的初始模型，将训练曲线数据输入该初始模型中所述历史特征数据中该初始模型对应的训练特征数据并通过该初始模型对所述训练曲线数据历史特征数据进行分类，得到各个所述训练曲线数据历史特征数据对应的训练负荷特征值，其中，所述训练曲线数据为所述历史特征数据中与该初始模型对应的数据；

根据所述训练负荷特征值和所述历史特征数据对应的历史负荷特征值，对该初始模型进行参数优化，直至该初始模型收敛，得到损失负荷预测子模型。

可选地，所述的电力负荷预测方法，其中，所述初始用电负荷曲线预测用电负荷包括每个负荷预测子模型对应的候选预估用电负荷曲线；所述将所述预测特征数据输入已训练的负荷预测模型并通过所述负荷预测模型对所述待预测时间进行用电负荷预测，得到所述待预测时间对应的初始用电负荷曲线预测用电负荷，具体包括：

针对每一个所述负荷预测子模型，将所述预测特征数据输入该负荷预测子模型，得到所述预测特征数据对应的预测负荷特征值；

根据该负荷预测子模型对应的用电模式集合和所述预测负荷特征值，计算该负荷预测子模型对应的候选用电负荷曲线预估用电负荷。

可选地，所述的电力负荷预测方法，其中，所述预测用电模式包括每一个所述分类决策树对所述预测特征数据分类得到的该待预测时间对应的预估用电模式；所述根据所述预测用电模式和所述初始用电负荷曲线预测用电负荷，确定所述待预测时间对应的预测用电负荷曲线，具体包括：

根据所有的所述预估用电模式，计算各个用电模式对应的模式占比值；

针对每一个所述用电模式，根据该用电模式对应的模式占比值，对该用电模式对应的候选用电负荷曲线预测负荷曲线进行加权求和，得到该待预测时间对应的预测用电负荷曲线。

此外，为实现上述目的，本发明还提供一种智能终端，其中，所述智能终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电力负荷预测程序，所述电力负荷预测程序被所述处理器执行时实现如上所述的电力负荷预测方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有电力负荷预测程序，所述电力负荷预测程序被处理器执行时实现如上所述的电力负荷预测方法的步骤。

本发明将用电的预测分为模式预测和负荷预测，先获取待预测时间对应的待预测特征数据，待预测特征数据包括气象数据和时间类型，然后根据预测特征数据确定其对应的预测用电模式，同时根据预测特征数据预测其对应的初始用电负荷曲线，然后根据预测用电模式，对预测用电负荷进行调整，从而得到待预测时间对应的用电负荷曲线。由于本发明在常规的负荷预测基础上增加了对用电模式的预测，并且在用电模式的基础上对负荷预测的结果进行调整，因此预测结果更为准确。

附图说明

图1是本发明电力负荷预测方法提供的较佳实施例的流程图；

图2为本发明智能终端的较佳实施例的运行环境示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明较佳实施例所述的电力负荷预测方法，该电力负荷预测方法可通过智能终端执行，所述智能终端包括智能电视、智能手机等终端。如图1所述，所述电力负荷预测方法包括以下步骤：

步骤s100，获取待预测时间对应的预测特征数据，其中，所述预测特征数据包括气象数据和时间类型。

具体地，先获取待预测时间所对应的预测特征数据，本实施例中，预测特征数据是指根据与用电负荷相关的特征的数据，例如气象数据和时间类型。以气象数据为例，天气炎热时，家家户户需要电扇和空调，因此用电负荷会相较于正常气温情况下要增加。本实施例中的气象数据包括温度、风力、湿度等。时间类型是指待预测时间与用电负荷相关的时间特征，例如深夜用电负荷与白天用电负荷肯定存在差异，工作日、周末和节假日的用电负荷也存在一定的差异。

此外，本实施例中的待预测时间以日为单位，也就是预测某一天的用电负荷，但在实际应用中，待预测时间可以根据实际需求进行更为详细或粗狂的划分，例如待预测时间为某一天的某一个小时，或者某一周的用电负荷。

步骤s200，将所述预测特征数据输入已训练的分类模型并通过所述分类模型对所述待预测时间进行用电模式分类，得到所述待预测时间对应的预测用电模式。

具体地，将所述预测特征数据输入已训练的分类模型，本实施例中所采用的分类模型为有监督学习的分类，分类模型计算预测特征数据为预设的用电模式的概率值，从而得到预测用电模式。在本实施例的第一种得到预测用电模式的方式中，直接将概率值最大的用电模式作为预测用电模式。

进一步地，本实施例中，所述分类模型包括基于随机森林算法训练得到的若干个分类决策树；分类决策树是在随机森林算法基础上对决策树进行训练得到的，本实施例中得到分类决策树的过程为：

a10、获取预设的各个历史时间对应的历史负荷数据和历史特征数据。

具体地，获取预设的各个历史时间对应的历史负荷数据，由于本实施例以日为待预测时间的单位，因此，训练时获取的历史负荷数据也是以日为单位，设为x＝{x1,x2,…,xn}，n表示数据集包含的总天数。进一步地，在本实施例中，每一个历史时间，也就是每一天的历史负荷数据包括该天的历史负荷曲线归一化的值进行表示，历史负荷曲线为xi＝{xi1,xi2,…,xim}，m表示一天的负荷采样点，然后将历史负荷曲线中的每一个采样点对应的负荷值除以历史负荷曲线中的最大值，实现对历史负荷曲线的归一化，得到历史负荷数据。

历史特征数据为获取的历史时间对应的气象数据和时间类型，历史特征数据的集合表示为y＝{y1,y2,…,yn}，其中，n表示数据集包含的总天数，每一个历史时间对应的历史特征数据可表示为yi＝{yi1,yi2,…,yin,yin+1,yin+2,yin+3}，前n个值为气象特征数据，后三个值为本实施例中的时间类型的编码结果，本实施例中的编码结果采用one-hot编码方式，时间类型仅以工作日、周末、节假日三种时间类型三种时间类型，但在应用时，还可包括周一到周日、上午、下午等时间类型。例如工作日为[0,0,1]，周末为[0,1,0]，节假日为[1,0,0]。

本实施例收集了a市共697天的负荷数据和特征数据。本实施例中的负荷曲线中的采样周期，也就是采样点之间的间隔为1小时，因此每一个负荷数据中包括24个归一化的负荷值，对这些负荷值进行归一化，从而得到负荷数据。特征数据包括气象数据和时间类型，气象数据包括最大风速、最小风速、最大温度、最小温度和表面平均气压5个特征。负荷数据x的维度为24×730，特征数据y的维度为8×730。

为评估本实施例中采用的预测方法的准确性，本实施例中，以7:3的方式，随机选择486天(486/697约为0.7)的负荷数据作为历史负荷数据及其对应的特征数据作为历史特征数据。剩下的211天作为待预测时间，其对应的负荷数据和特征数据作为评估本实施例采用的方法准确性的测试负荷数据和测试特征数据。

a20、对所述历史负荷数据进行聚类处理，生成目标聚类集合，其中，所述目标聚类集合包括若干个用电模式集合，所述用电模式集合包括对应同一用电模式的历史负荷数据。

具体地，通过对历史负荷数据进行聚类处理，生成目标聚类集合，所述目标聚类集合中包括有若干个用电模式集合。在本实施例中，聚类处理的方式可采用有监督、半监督的聚类算法，也可采用无监督的聚类算法。例如k-means聚类、均值偏移聚类算法、层次聚类。

进一步地，本实施例在聚类过程采用改进的模糊c均值聚类算法作为对历史负荷数据进行聚类处理的方式，具体过程如下：

b10、根据当前的聚类个数，随机确定所述历史负荷数据中的初始聚类中心。

具体地，在进行聚类之前，先获取当前的聚类个数，聚类个数随着聚类次数的增加而增加，本实施例中当初次进行聚类时，所述聚类个数为2，也就是说初次聚类个数c＝2。随机从历史负荷数据集中选择c个样本作为初始聚类中心θj，其中，j∈[1，c]。

b20、根据预设的模糊c均值聚类算法和所述初始聚类中心，对所述历史负荷数据进行聚类，得到当前的聚类个数对应的第k聚类集合。

具体地，模糊c均值聚类(fuzzyc-means，fcm)算法，是一种引入模糊力量的聚类算法，通过计算一个样本属于某一类的概率作为隶属度来将样本进行分类，fcm通过最小化目标函数和预设的约束条件来实现聚类。此过程为：

对第(r-1)聚类中心和第(r-1)隶属度矩阵进行更新，得到第r聚类中心和第r初始隶属度矩阵，其中，更新过程为：

根据所述第(r-1)隶属度矩阵，计算所述第(r-1)聚类中心对应的体量，其中，(r-1)为迭代次数，当初次迭代时，第一聚类中心为初次聚类中心，第一初始隶属度矩阵为以随机数构建所述历史负荷数据对应的隶属度矩阵；

根据预设的聚类中心更新公式，更新所述第(r-1)聚类中心，得到第r聚类中心，并根据预设的隶属度值更新公式，更新所述第(r-1)隶属度矩阵，得到第r初始隶属度矩阵；

当确定所述第r初始隶属度矩阵符合预设的约束条件时，将所述第r初始隶属度矩阵作为第k中间隶属度矩阵并输出；

当确定所述第r初始隶属度矩阵不符合所述约束条件时，迭代对所述第r聚类中心和所述第r初始隶属度矩阵进行更新。

在本实施例中，以(r-1)为1为例进行描述，在根据聚类个数c确定了若干个初始聚类中心后，以随机数构建第一初始隶属度矩阵un×c＝{uij},i＝1,...,n,j＝1,...,c，其中，uij为第i个历史负荷数据对第j个聚类中心的隶属度值，随机数为[0,1]区间的随机数，n为所有历史时间对应历史负荷数据的数据量。根据隶属度矩阵中的各个历史负荷数据与初始聚类中心之间的隶属度值，可计算每一个第一聚类中心对应的体量，体量的计算公式为

由于初始聚类中心是随机选择，且第一隶属度值为随机分配得到的，与真实情况差距较大，因此需要对初始聚类中心进行更新，得到第二聚类中心，其中，聚类中心更新公式为q为预设的模糊度值。同时，根据体量可评估根据第一初始隶属度矩阵中的隶属度值的可靠性，因此可根据计算得到的体量，对第一隶属度值进行更新，得到第二隶属度值，隶属度值更新公式为其中dtw(xi,θj)是动态时间规整距离。

在得到第二初始隶属度矩阵后，判第二初始隶属度矩阵是否满足预设的约束规则。若满足，则将第二初始隶属度矩阵作为第k中间隶属度矩阵并输出；若不满足，则继续更新隶属度值和聚类中心，直至第r初始隶属度矩阵满足所述约束规则，并将第r初始隶属度矩阵作为第k中间隶属度矩阵并输出。

进一步地，本实施例中所采用的约束条件为或者r≥r，其中，ε为预设的迭代误差阈值，r为迭代次数阈值。

b30、当所述聚类个数小于预设的聚类个数阈值时，将所述聚类个数加一，并重复确定第k中间隶属度矩阵。

具体地，预先设定一个聚类个数阈值k，当所述聚类个数小于预设的聚类个数阈值时，将所述聚类个数加一，以当前的聚类个数为2为例，加一后的聚类个数为3，然后以聚类个数为3重新在历史负荷数据中确认初始聚类中心，并计算聚类个数为3时对应的第二中间隶属度矩阵。

b40、当所述聚类个数大于等于所述聚类个数阈值时，确定第一中间隶属度矩阵至第(k-1)中间隶属度矩阵中的目标隶属度矩阵。

具体地，当所述聚类个数大于等于所述聚类个数阈值时，则从聚类个数为2迭代增加到聚类个数为k这一过程中的所有第k中间隶属度矩阵中确认目标隶属度矩阵。由于每增加一次聚类个数，都会输出一个中间隶属度矩阵，每一个中间隶属度矩阵肯定存在差异，因此在其中选择计算最为准确的中间隶属度矩阵，即目标隶属度矩阵。在本实施例中，k为10，因此得到了第一隶属度矩阵到第九隶属度矩阵。

本实施例中，确定目标隶属度矩阵的方式为：

针对所述第一中间隶属度矩阵至所述第(k-1)中间隶属度矩阵中的每一个中间隶属度矩阵，计算该中间隶属度矩阵对应的聚类有效性指标；

根据所述聚类有效性指标，确定第一中间隶属度矩阵至所述第(k-1)中间隶属度矩阵中的目标聚类集合。

具体地，针对每一个聚类集合，计算其对应的聚类有效性指标(clustervalidityindex，cvi)，本实施例中，聚类有效性指标的计算公式为其中，c为聚类个数，为该中间隶属度矩阵的对应的聚类中心的动态时间规整距离的最小值。然后选择所有的cvi中最小值所对应的中间隶属度矩阵作为目标隶属度矩阵，将目标隶属度矩阵对应的聚类个数记为c*。本实施例中的c*＝5，即经过历史负荷数据训练得到的用电模式有五种。由于聚类中心θj是某一个天对应的历史负荷数据，本实施例中的历史负荷数据为24小时内每一个小时采点并归一化的负荷值，因此，聚类中心θj可标识为由24个数值组合的矢量。下表表1为基于历史负荷数据确定的5种用电模式的聚类中心，其中，每一列表示该用电模式对应的聚类中心。表2为历史负荷数据对应不同的用电模式的聚类中心的隶属度值。

表1

表2

b50、根据所述目标隶属度矩阵和所述目标隶属度矩阵对应的聚类中心，对所述历史负荷数据进行聚类，得到目标聚类集合。

具体地，根据目标隶属度矩阵和所述目标隶属度矩阵对应的聚类中心，对所述历史负荷数据进行去模糊化处理，针对每一个历史负荷数据，以该历史负荷数据对应的隶属度值中的最大值所对应的聚类中心为中心点，从而对各个历史负荷数据进行聚类，得到目标聚类集合。例如历史负荷数据对目标隶属度矩阵对应的聚类中心a、b、c、d和e的隶属度值分别为0.1、0.2、0.1、0.5和0.1，因此将该历史负荷数据a归为聚类中心d所在的类别。聚类结束时，每一个聚类中心对应的类别作为一个用电模式，从而得到c*个用电模式集合。

a30、针对每一个所述用电模式集合，根据该用电模式集合中各个历史负荷数据对应的历史时间，对所述历史特征数据进行标注，得到各个所述历史特征数据对应的用电模式。

具体地，针对每一个用电模式集合，例如用电模式集合a，对该用电模式集合a中的历史负荷数据对应的历史时间进行标注，例如为3月3日和3月5日，标注为用电模式为用电模式a，从而对每一个历史特征数据进行标注，得到各个所述历史特征数据对应的用电模式，也就是将3月3日和3月5日对应的历史特征数据标注为用电模式a。

a40、针对每一个预设的决策树，选取所述历史特征数据中的训练特征数据输入该决策树并根据基尼指数对该决策树进行分裂，直至该决策树中各个节点的历史特征数据对应的用电模式相同，得到所述分类决策树。

具体地，本实施例利用python的随机森林包构建一个随机森林模型，设置参数：n_trees＝200，即预先设定200个数量的决策树，其中，决策树的数量可根据实际需求进行调整。然后从所有的历史特征数据中随机、有放回地抽取多个训练特征数据，得到与决策树数量相同的训练特征数据集。每一个训练特征数据集用于训练一个决策树。本实施例中，每一个训练特征数据集包含400个训练特征数据。

对每一个决策树，从根节点开始向下分裂，每次分裂根据基尼指数选择最好的的特征进行分裂，直到所有的节点的训练特征数据都来源于同一类，即该节点的训练特征数据对应同一用电模式，停止分裂，得到分类决策树。

步骤s300，将所述预测特征数据输入已训练的负荷预测模型并通过所述负荷预测模型对所述待预测时间进行用电负荷预测，得到所述待预测时间对应的初始用电负荷曲线。

具体地，将获取的预测特征数据输入已训练的负荷预测模型，负荷预测模型用于根据输入的预测特征数据计算该预测特征数据对应的初始用电负荷曲线。负荷预测模型训练前的初始模型优选为神经网络模型。

本实施例中，所述负荷预测模型包括若干个负荷预测子模型，所述负荷预测子模型与所述用电模式一一对应。也就是说，每一个用电模式对应一个负荷预测子模型。从而避免由于用电模式的差异，导致预测的准确性降低。在本实施例得到预测用电负荷的一种实现方式中，在获得预测用电模式后，将预测特征数据输入预测用电模式对应的负荷预测模型中，从而得到对应的初始用电负荷曲线。

在本实施例中，负荷预测模型的训练过程为：

针对每一个预设的初始模型，将训练曲线数据输入该初始模型中并通过该初始模型对所述训练曲线数据进行分类，得到各个所述历史特征数据对应的训练负荷特征值，其中，所述训练曲线数据为所述历史特征数据中与该初始模型对应的数据；

根据所述训练负荷特征值和所述历史特征数据对应的历史负荷特征值，对该初始模型进行参数优化，直至该初始模型收敛，得到负荷预测子模型。

具体地，本实施例中，预先设置与用电模式类型数量相等的神经网络模型，即五个，每一个神经网络模型包含5层，第一层为输入层，神经元数量等于8；中间3层为隐含层，每层包含10个神经元；最后一层为输出层，由两个神经元组成。其中，输入层的神经元数量由预测特征数据的类型的数量决定，即m+3。此外，还预先设定训练相关的参数学习率γ，批尺寸batch_size，训练目标最小误差ε。本实施例中学习率γ＝0.001，批尺寸batch_size＝64，训练目标最小误差ε＝1e-5；

针对每一个预设的神经网络模型，将该初始模型在所述历史特征数据中对应的训练曲线数据输入该初始模型，在本实施例的第一种实现方式中，直接根据该初始模型对应的用电模式，确定其对应的训练曲线数据，例如用电模式a，训练其对应的初始模型时，只将对应用电模式a的历史特征数据作为该初始模型对应的训练曲线数据。在本实施例的第二种实现方式中，是根据每一个历史特征数据对应的隶属度值确定该初始模型对应的训练曲线数据。例如某历史特征数据a，对应用电模式a的聚类中心的隶属度值为0.99，而历史特征数据b对应的隶属度值为0.1，则历史特征数据a较大概率被选择为该初始模型对应的训练曲线数据，而历史特征数据b则较低概率被选择为该初始模型对应的训练曲线数据。

初始模型对输入的训练曲线数据进行分类，得到其对应的训练负荷曲线。由于所述历史负荷数据包括每一个所述历史时间对应的历史负荷曲线，单独预测曲线难度较大，因此，本实施例中，将历史负荷特征值作为描述训练负荷曲线的值。历史负荷特征值是指可形容该历史负荷曲线的特征的数值，例如峰值、谷值、平均值等。本实施例以峰值和谷值两者作为历史负荷特征值为例进行描述。训练负荷特征值指对输入的训练特征数据分类后得到的负荷特征值。

然后基于预设的损失函数，根据训练负荷曲线和实际上输入的训练曲线数据对应的历史负荷数据之间的损失值，本实施例中的损失函数为计算峰值和谷值的均方根误差值的公式。然后根据损失值，采用随机梯度下降法对神经网络模型的参数进行优化，直至该神经网络模型收敛，得到负荷预测子模型。每一次迭代中，以上过程重复次，n为历史负荷数据的数量。本实施例中的收敛规则为损失值小于训练目标最小误差ε＝1e-5。

进一步地，在本实施例得到预测用电负荷的第二种实现方式中，所述预测用电负荷包括每个负荷预测子模型对应的预估用电负荷，得到预估用电负荷的过程为：

针对每一个所述负荷预测子模型，将所述预测特征数据输入该负荷预测子模型，得到所述预测特征数据对应的预测负荷特征值；

根据该负荷预测子模型对应的用电模式集合和所述预测负荷特征值，计算该负荷预测子模型对应的候选用电负荷曲线。

具体地，针对每一个所述负荷预测子模型，例如用电模式a对应的负荷预测子模型，将预测特征数据输入该负荷预测子模型，该预测负荷子模型对预测特征数据进行用电负荷预测，得到所述预测特征数据对应的预测负荷特征值。在本实施例中即待预测时间对应的预测峰值和预测谷值。

由于该负荷预测子模型对应的用电模式集合中的历史用电负荷之间是存在相同的用电走向和用电趋向，因此根据该用电模式集合和已得到的预测峰值和预测谷值，可计算该负荷预测子模型对应的候选用电负荷曲线。得到每一个所述负荷预测子模型对应的候选用电负荷曲线，从而得到了初始用电负荷曲线。

进一步地，在本实施例中，计算该负荷预测子模型对应的候选用电负荷曲线中的公式为其中，j＝1,2,...,c*，peakj表示第j个负荷预测子模型所得到的预测峰值，valleyj表示第j个负荷预测子模型所得到的预测谷值。

步骤s400，根据所述预测用电模式和所述初始用电负荷曲线预测用电负荷，确定所述待预测时间对应的预测用电负荷曲线。

具体地，在本实施例中，得到了预测用电模式和初始用电负荷曲线后，根据预测用电模式对初始用电负荷曲线进行调整，使用电负荷曲线的整体走向和趋势与预测用电模式中的历史负荷数据更为接近，从而得到待预测时间对应的预测用电负荷曲线。

进一步地，在本实施例中，所述预测用电模式包括每一个所述分类决策树对所述预测特征数据分类得到的该待预测时间对应的预估用电模式。先根据所有的所述预估用电模式，计算各个用电模式对应的模式占比值。例如待预测时间所对应的预测用电模式l为l＝{l1,l2,...,ln_trees}，其中ln_trees为第n个分类决策树对应的预估用电模式。统计预测用电模式中各个用电模式对应的模式占比值其中nj为第j个用电模式对应的模式占比值。在本实施例中，总共得到200个分类决策树的预估用电模式，5种用电模式对应的模式占比值分别为：0.3195,0.0589,0.4729,0.0076和0.1411。

针对每一个所述用电模式，根据该用电模式对应的模式占比值，对该用电模式对应的候选用电负荷曲线进行加权求和，得到该待预测时间对应的候选用电负荷曲线，计算公式为

本实施例以211天待预测时间为例，计算了预测得到的用电负荷曲线和真实的用电负荷曲线之间的平均绝对百分误差(meanabsolutepercentageerror，mape)，211天待预测时间对应的mape的平均值为3.1％。

进一步地，如图2所述，基于上述电力负荷预测方法，本发明还相应提供了一种智能终端，所述智能终端包括处理器10、存储器20及显示器30。图2仅示出了智能终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

所述存储器20在一些实施例中可以是所述智能终端的内部存储单元，例如智能终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述智能终端的外部存储设备，例如所述智能终端上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器20还可以既包括所述智能终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述智能终端的应用软件及各类数据，例如所述安装智能终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有电力负荷预测程序40，该电力负荷预测程序40可被处理器10所执行，从而实现本申请中电力负荷预测方法。

所述处理器10在一些实施例中可以是一中央处理器(centralprocessingunit,cpu)，微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述电力负荷预测方法等。

所述显示器30在一些实施例中可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organiclight-emittingdiode，有机发光二极管)触摸器等。所述显示器30用于显示在所述智能终端的信息以及用于显示可视化的用户界面。所述智能终端的部件10-30通过系统总线相互通信。

在一实施例中，当处理器10执行所述存储器20中电力负荷预测程序40时实现以下步骤：

获取待预测时间对应的预测特征数据，其中，所述预测特征数据包括气象数据和时间类型；

将所述预测特征数据输入已训练的分类模型并通过所述分类模型对所述待预测时间进行用电模式分类，得到所述待预测时间对应的预测用电模式；

将所述预测特征数据输入已训练的负荷预测模型并通过所述负荷预测模型对所述待预测时间进行用电负荷预测，得到所述待预测时间对应的初始用电负荷曲线预测用电负荷；

根据所述预测用电模式和所述初始用电负荷曲线预测用电负荷，确定所述待预测时间对应的预测用电负荷曲线。

本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有电力负荷预测程序，所述电力负荷预测程序被处理器执行时实现如上所述的电力负荷预测方法的步骤。

当然，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硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的计算机可读存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。