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：

随着经济的快速发展，社会对电力资源的需求也产生了持续的增长。由于电能难以大规模的存储，因此电力负荷预测对于供电企业制定发电与调度计划有重要意义。近年来，电网和电力负荷的规模快速增加，对短期电力负荷预测(short-termloadforecasting，stlf)的准确性和预测模型的稳定性提出了更高的要求。

目前，可以通过构建预测模型实现对短期电力负荷的预测，其中，预测模型可以为模糊逻辑模型(fuzzylogicsystem)、支持向量机模型(supportvectormachine,svm)、人工神经网络模型(artificialneuralnetwork,ann)和循环神经网络模型(recurrentneuralnetworks,rnn)等，通过预测模型实现对电力负荷预测。

但是，上述通过构建神经网络预测模型对电力负荷进行预测，存在预测准确度低的问题。

技术实现要素：

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

第一方面，提供一种电力负荷预测方法，该方法包括：

获取历史电力负荷数据；

根据预设的多个时间段将历史电力负荷数据划分为多个负荷数据集；

根据各负荷数据集的时间段确定对应的目标负荷预测模型；

将各负荷数据集输入至对应的目标负荷预测模型中，得到时间段的电力负荷预测结果。

在本实施例中，由于不同时间段的电力负荷数据存在较大的差异，为了针对性的进行各个时间段的电力负荷预测，通过构建各个时间段对应的目标负荷预测模型进行电力负荷的预测，提高了各个时间段电力负荷预测结果的准确性。

在其中一个实施例中，上述目标负荷预测模型包括至少两个类型的预测模型。

在本实施例中，目标负荷预测模型采用组合模型，可以更好的应对电力负荷的在不同时间段的周期性变化波动和多因素的影响，具有较强的实用性。

在其中一个实施例中，上述目标负荷预测模型的构建方法，包括：

确定多个预设时间段，获取各预设时间段的样本负荷数据集；

根据各预设时间段的样本负荷数据集对初始负荷预测模型进行训练，得到各预设时间段对应的目标负荷预测模型。

在本实施例中，针对性的进行各个时间段的初始电力负荷预测模型的训练，得到各个时间段的目标负荷预测模型，分时间段的预测模型可以提高了各个时间段电力负荷预测结果的准确性。

在其中一个实施例中，上述根据各预设时间段的样本负荷数据集对初始负荷预测模型进行训练，得到各预设时间段对应的目标负荷预测模型，包括：

针对每个预设时间段的样本负荷数据集，将样本负荷数据集划分为第一子时间段对应的第一样本负荷数据和第二子时间段对应的第二样本负荷数据；

将第一样本负荷数据输入到初始负荷预测模型得到预测结果；

根据预测结果和第二样本负荷数据，调整初始负荷预测模型的参数，得到目标负荷预测模型。

在本实施例中，虚拟预测中预测时间段的数据是已知的，可以检验预测模型的准确性，从而提高真实预测的精度。

在其中一个实施例中，上述初始负荷预测模型包括至少两个类型的预测模型，该方法还包括：

针对每个预设时间段的初始负荷预测模型输出的预测结果，计算预测结果和第二样本负荷数据的残差平方和；

根据残差平方和和预设的优化目标函数，确定调整参数之后的初始负荷预测模型的权重，得到目标负荷预测模型。

在本实施例中，计算机设备通过设定优化目标函数、以及计算预测结果和第二样本负荷数据的残差平方和，可以优化求解得到初始负荷预测模型中各个模型的最优权重，从而得到目标负荷预测模型，经过优化求解的目标负荷预测模型的输出结果更为准确。

在其中一个实施例中，上述确定多个预设时间段，获取各预设时间段的样本负荷数据集，包括：

获取各预设时间段的原始负荷数据集；

对原始负荷数据集进行数据预处理，得到各预设时间段的样本负荷数据集；

数据预处理包括数据特征提取、数据缺失值处理、数据归一化处理、数值化处理、以及数据特征与电力负荷关联度分析中的至少一个。

在本实施例中，对原始负荷数据集分别进行数据特征提取、数据缺失值处理、数据归一化处理、数值化处理、以及数据特征与电力负荷关联度分析，得到标准化处理下的负荷预测模型的输入数据，从而得到的负荷预测模型的输出结果更为准确。

在其中一个实施例中，上述方法还包括：

获取测试负荷数据集；

根据预设的多个时间段将测试负荷数据集划分为多个测试子集；

根据测试子集的时间段确定对应的目标负荷预测模型；

将测试子集输入至对应的目标负荷预测模型中，得到测试结果；

计算各时间段的测试结果与实际电力负荷数据的平均绝对百分比误差，和/或，最大绝对百分比误差；

根据平均绝对百分比误差，和/或，最大绝对百分比误差，确定负荷预测模型的预测准确率。

在本实施例中，计算机设备通过测试负荷数据集对目标负荷预测模型进行测试，并基于测试结果确定负荷预测模型的预测准确率，进一步地，还可以基于预测准确率再次优化目标负荷预测模型，使得得到的电力负荷预测结果更为准确。

第二方面，提供一种电力负荷预测装置，该装置包括：

获取模块，用于获取历史电力负荷数据；

划分模块，用于根据预设的多个时间段将历史电力负荷数据划分为多个负荷数据集；

确定模块，用于根据各负荷数据集的时间段确定对应的目标负荷预测模型；

预测模块，用于将各负荷数据集输入至对应的目标负荷预测模型中，得到时间段的电力负荷预测结果。

第三方面，提供一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现上述第一方面任一所述的电力负荷预测方法。

第四方面，提供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上述第一方面任一所述的电力负荷预测方法。

上述电力负荷预测方法、装置、计算机设备和存储介质，计算机设备通过获取历史电力负荷数据，根据预设的多个时间段将历史电力负荷数据划分为多个负荷数据集，根据各负荷数据集的时间段确定对应的目标负荷预测模型，将各负荷数据集输入至对应的目标负荷预测模型中，得到时间段的电力负荷预测结果。在本方案中，由于不同时间段的电力负荷数据存在较大的差异，为了针对性的进行各个时间段的电力负荷预测，通过构建各个时间段对应的目标负荷预测模型进行电力负荷的预测，相比传统算法模型，分时间段的预测模型可以更好的应对电力负荷的在不同时间段的周期性变化波动和多因素的影响，具有较强的实用性，且提高了各个时间段电力负荷预测结果的准确性。

附图说明

图1为一个实施例中计算机设备的内部结构图；

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为一个实施例中电力负荷预测方法的流程示意图；

图4为一个实施例中电力负荷预测方法的流程示意图；

图5为一个实施例中电力负荷预测方法的流程示意图；

图6为一个实施例中电力负荷预测方法的流程示意图；

图7为一个实施例中电力负荷预测方法的流程示意图；

图8为一个实施例中电力负荷预测方法的流程示意图；

图9为一个实施例中电力负荷预测装置的结构框图；

图10为一个实施例中电力负荷预测装置的结构框图；

图11为一个实施例中电力负荷预测装置的结构框图；

图12为一个实施例中电力负荷预测装置的结构框图。

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。

首先，在具体介绍本公开实施例的技术方案之前，先对本公开实施例基于的技术背景进行介绍。随着经济的快速发展，社会对电力资源的需求也产生了持续的增长。由于电能难以大规模的存储，因此电力负荷预测对于供电企业制定发电与调度计划有重要意义。近年来，电网和电力负荷的规模快速增加，对短期电力负荷预测(short-termloadforecasting，stlf)的准确性和预测模型的稳定性提出了更高的要求。

精准的短期电力负荷预测，能够让电力企业及时掌握用电需求，合理的安排发电系统的生产和运营计划，在满足社会需求的同时，减少不必要的电能浪费，降低发电成本，提高社会经济效益；同时，由于电力与经济发展的关联性，通过及时、快速、准确的预测未来用电趋势，能够有效的为各类政策决策提供重要的数据支撑。电力负荷由于受到经济、气象、时间、区域等诸多因素的影响，在进行预测时难以综合各种因素，因此短期电力负荷预测的精度不易提高。在短期负荷预测的场景下，提高短期电力负荷预测的准确性，以及提高达短期电力负荷预测的预测效率，成为目前亟待解决的难题。另外，需要说明的是，本方案在短期电路负荷预测的背景下，以一天作为分割对象，将一天分割为多个时间段，例如，以小时、分钟、秒数作为分割依据，针对于各个时间段的数据，基于虚拟预测算法进行多个预测模型的加权组合模型的训练，以得到目标短期负荷预测模型，由于各个时间段对应各自的目标短期负荷预测模，从而可以提高各个时间段的短期负荷预测结果的准确性以及下述实施例介绍的具体技术方案，申请人在确定改进切入点、以及改进方案的过程中均付出了大量的创造性劳动。

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。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1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、通信接口、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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。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。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1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。

下面将通过实施例并结合附图具体地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。需要说明的是，本申请图2-图8实施例提供的电力负荷预测方法，其执行主体为计算机设备，也可以是电力负荷预测装置，该电力负荷预测装置可以通过软件、硬件或者软硬件结合的方式成为计算机设备的部分或全部。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。

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，涉及的是计算机设备通过获取历史电力负荷数据，根据预设的多个时间段将历史电力负荷数据划分为多个负荷数据集，根据各负荷数据集的时间段确定对应的目标负荷预测模型，将各负荷数据集输入至对应的目标负荷预测模型中，得到时间段的电力负荷预测结果的过程，包括以下步骤：

s201、获取历史电力负荷数据。

其中，电力负荷数据包括电力负荷、气象数据、以及日期数据等。例如，气象数据可以包括温度、湿度、降水量等；日期数据可以包括月份、星期、时刻等。

在本实施例中，计算机设备获取过去一段时间内的历史电力负荷数据，其中电力负荷可以从电力第三方平台获取；气象数据可以从气象第三方平台获取；日期数据可以基于世界时间数据库获取。可选地，计算机设备在获取到历史电力负荷数据之后，可以对历史电力负荷数据进行数据预处理，示例地，将离散型的数据量化处理，例如，通过独热编码对日期数据进行量化处理；或者，还可以对数据进行归一化数据，即将所有数据的数据精度以及取值范围处理至同一个数据精度或数值范围下，本实施例对此不做限定。

s202、根据预设的多个时间段将历史电力负荷数据划分为多个负荷数据集。

其中，预设的多个时间段是根据目标负荷预测模型所对应的时间段确定的。例如，目标负荷预测模型包括8点-9点的模型a，9点到10点的模型b、15点到16点的模型c，那么预设时间段就可以包括8点-9点、9点到10点、以及15点到16点。

在本实施例中，根据预设的时间段，将获取到的历史电力负荷数据进行负荷数据集的划分，即，按照上述例子来说明，经过划分，得到8点-9点这个时间段对应的负荷数据集、9点到10点这个时间段对应的负荷数据集、以及15点到16点这个时间段对应的负荷数据集。可选地，不属于任意一个预设时间段的历史电力负荷数据可以忽略，本实施例对此不做限定。

s203、根据各负荷数据集的时间段确定对应的目标负荷预测模型。

其中，目标负荷预测模型为各个时间段对应的预测模型。即，计算机设备以时间段为依据，分别构建了各个时间段所对应的负荷预测模型。

在本实施例中，计算机设备得到各个时间段的负荷数据集之后，按照各个负荷预测模型所对应的时间段、以及各个负荷数据集所对应的时间段，确定各个负荷数据集所对应的目标负荷预测模型。可选地，计算机设备可以通过遍历匹配的方式，确定与各个负荷数据集所对应的时间段所匹配的目标负荷预测模型，本实施例对此不做限定。

s204、将各负荷数据集输入至对应的目标负荷预测模型中，得到时间段的电力负荷预测结果。

在本实施例中，计算机设备确定各个负荷数据集所对应的目标负荷预测模型之后，将各个负荷数据集作为模型输入，输入至对应的目标负荷预测模型中，得到各个时间段对应的负荷预测结果。其中，负荷预测结果与负荷数据集中的数据相对应，即负荷预测结果同样也包括电力负荷的预测结果、气象数据的预测结果、以及日期数据的预测结果等，本实施例对此不做限定。

上述电力负荷预测方法中，计算机设备通过获取历史电力负荷数据，根据预设的多个时间段将历史电力负荷数据划分为多个负荷数据集，根据各负荷数据集的时间段确定对应的目标负荷预测模型，将各负荷数据集输入至对应的目标负荷预测模型中，得到时间段的电力负荷预测结果。在本方案中，由于不同时间段的电力负荷数据存在较大的差异，为了针对性的进行各个时间段的电力负荷预测，通过构建各个时间段对应的目标负荷预测模型进行电力负荷的预测，相比传统算法模型，分时间段的预测模型可以更好的应对电力负荷的在不同时间段的周期性变化波动和多因素的影响，具有较强的实用性，且提高了各个时间段电力负荷预测结果的准确性。

可选地，在其中一个实施例中，上述目标负荷预测模型包括至少两个类型的预测模型。

在本实施例中，各个时间段的目标负荷预测模型可以为组合模型，可选地，目标负荷预测模型可以为两个模型加权的组合模型，也可以为三个或者多个模型加权的组合模型。示例地，综合考虑现有预测模型的性能以及优势，两个模型的加权组合模型，可以为支持向量机(supportvectormachies，svm)和树形传递优化技术(tree-basedpipelineoptimisationtechnique，tpot)的加权组合模型。其中，svm是把训练数据非线性地映射到高维的特征空间中，在这个平面中寻找到一个超平面使得正例和反例间的隔离边缘被最大化，具有较强的泛化能力。tpot利用遗传算法进行特征选择和模型选择，通过探索数千个可能的管道寻找最佳的数据管道，实现机器学习的自动化。tpot可自动完成特征选择、特征预处理、特征构建等，同时也可以进行模型的选择和参数的调优。在搜索完成后，它还提供获得最佳性能时的具体管道的内容，方便开发人员修改调优。

在本实施例中，目标负荷预测模型采用组合模型，相较于传统的单一模型，组合预测模型可以更好的应对电力负荷的在不同时间段的周期性变化波动和多因素的影响，具有较强的实用性，提高了各个时间段电力负荷预测结果的准确性。

计算机设备需要针对各个时间段，构建各个时间段对应的目标负荷预测模型。在一个实施例中，如图3所示，上述目标负荷预测模型的构建方法，包括：

s301、确定多个预设时间段，获取各预设时间段的样本负荷数据集。

其中，预设时间段可以基于实际情况确定，例如，通过大量数据分析，确定8点-9点的数据变化量不大，则确定8点-9点为一个时间段；若8点-10点的数据变化量大，且在9点附近可作为一个数据变化的节点，那么可以将8点-9点、9点-10点分别作为两个时间段。可选地，时间段可以以小时为单位进行划分，也可以以分钟为单位进行划分，对于短期电力负荷，由于一天内的负荷具有波动性，可选地，本实施例中可以15分钟为划分单位，确定预设时间段。本实施例对时间段的划分、以及时间段的时长不做限定。在本实施例中，计算机设备根据确定的多个预设时间段，获取各个时间段对应的样本负荷数据集。类似的，样本负荷数据集包括电力负荷、气象数据、以及日期数据等。例如，气象数据可以包括温度、湿度、降水量等；日期数据可以包括月份、星期、时刻等。

s302、根据各预设时间段的样本负荷数据集对初始负荷预测模型进行训练，得到各预设时间段对应的目标负荷预测模型。

其中，由于不用时间段的数据波动较大，因此不同时间段的初始负荷预测模型具有不同的精度。在本实施例中，计算机设备根据各个时间段的样本负荷数据集对初始负荷预测模型进行训练，确定各个时间段的初始负荷预测模型的精度，得到个时间段对应的目标负荷预测模型。可选地，在负荷预测模型为多个不同类型模型的加权组合模型的情况下，不同时间段的负荷预测模型中各个模型的权重也不同。

在本实施例中，针对性的进行各个时间段的初始电力负荷预测模型的训练，得到各个时间段的目标负荷预测模型，分时间段的预测模型可以更好的应对电力负荷的在不同时间段的周期性变化波动和多因素的影响，提高了各个时间段电力负荷预测结果的准确性。

可选地，计算机设备在训练各个时间段的初始负荷预测模型时，在一个实施例中，如图4所示，上述根据各预设时间段的样本负荷数据集对初始负荷预测模型进行训练，得到各预设时间段对应的目标负荷预测模型，包括：

s401、针对每个预设时间段的样本负荷数据集，将样本负荷数据集划分为第一子时间段对应的第一样本负荷数据和第二子时间段对应的第二样本负荷数据。

在本实施例中，单纯追求尽可能高的拟合精度，并不一定能保证较高的预测精度。因此，本实施例采用虚拟预测的方法，权衡目标负荷预测模型的拟合精度和预测精度。其中，虚拟预测指的是以历史时间段中比较靠后的时间段为假定的预测对象，选取效果好的模型和参数应用于对未来时间段的预测，较好的权衡了拟合精度和预测精度。

其中，第一子时间段对应的第一样本负荷数据可以作为虚拟预测数据，第二子时间段对应的第二样本负荷数据可以作为虚拟预测的实际结果。

在本实施例中，假设每天时间段数为t，对于获取到的样本负荷数据集yt,t∈[1,t]，需要对未来t≤t≤t+n时间段进行预测。引入虚拟预测时间段，将样本负荷数据集按照时间顺序分为2个子集，分别为h＝{yt|t∈[1,t-m]}的第一样本负荷数据和v＝{yt|t∈[t-m-1,t]}的第二样本负荷数据。

s402、将第一样本负荷数据输入到初始负荷预测模型得到预测结果。

在本实施例中，首先进行历史模拟，分析集合h中的数据并进行建模，选择达到一定拟合精度的初始负荷预测模型a，利用初始负荷预测模型a对t-m-1≤t≤t时间段作出虚拟预测，得到预测结果。

s403、根据预测结果和第二样本负荷数据，调整初始负荷预测模型的参数，得到目标负荷预测模型。

在本实施例中，根据预测结果和集合v，也即第二样本负荷数据，调整初始负荷预测模型a的参数，使虚拟预测的结果尽可能地接近集合v中的数据，最后利用调整后的初始负荷预测模型a及其优化参数，对未来t≤t≤t+n时间段做出真正的预测。

在本实施例中，虚拟预测中预测时间段的数据是已知的，可以检验预测模型的准确性，从而提高真实预测的精度。

在负荷预测模型为多个模型的加权组合模型的情况下，计算机设备需要确定各个时间段的初始负荷预测模型中各个模型的权重值。在一个实施例中，如图5所示，上述初始负荷预测模型包括至少两个类型的预测模型，该方法还包括：

s501、针对每个预设时间段的初始负荷预测模型输出的预测结果，计算预测结果和第二样本负荷数据的残差平方和。

在本实施例中，示例地，假定每天时间段数为t，历史上第n日第t时间段的实际负荷为ln,t(n＝c-1,c-2,...；t＝1,2,...,t),c为当前日。假定使用m种模型进行负荷预测，第t时间段第i个模型的权重为wi,t；第i种的预测结果为li′,c+f,t(i＝1,2,...,m；t＝1,2,...,t)，f为待预测天数。

对历史上近期n天的虚拟测试样本集进行虚拟测试，设其中第i种模型对第n日的虚拟预测结果为l′i,n,t(i＝1,2,...,m；t＝1,2,...,t；n＝c-1,c-1,...,n＝c-n)。

其中，

在本实施例中，利用t时间段初始负荷预测模型进行虚拟预测的预测结果，确定预测结果和第二样本负荷数据的残差平方和zt，其计算公式如下：

s502、根据残差平方和和预设的优化目标函数，确定调整参数之后的初始负荷预测模型的权重，得到目标负荷预测模型。

在本实施例中，预设的优化目标函数可以为残差平方和最小的优化函数，即优化目标函数可以表述为：

wi,t≥0,i＝1,2,...,m

在本实施例中，通过残差平方和代入至上述优化目标函数中，将通过非线性规范方法求解这个优化问题，最终可以确定调整参数之后的初始负荷预测模型中各个模型的最优权重，从而得到目标负荷预测模型。

在本实施例中，计算机设备通过设定优化目标函数、以及计算预测结果和第二样本负荷数据的残差平方和，可以优化求解得到初始负荷预测模型中各个模型的最优权重，从而得到目标负荷预测模型，经过优化求解的目标负荷预测模型的输出结果更为准确。

计算机设备在获取到原始负荷数据集之后，无论是进行负荷预测模型的训练，还是进行电力负荷的预测，均需要对原始负荷数据集进行数据预处理。在一个实施例中，如图6所示，上述确定多个预设时间段，获取各预设时间段的样本负荷数据集，包括：

s601、获取各预设时间段的原始负荷数据集。

在本实施例中，类似地，计算机设备获取的原始负荷数据集包括电力负荷、气象数据、以及日期数据等。例如，气象数据可以包括温度、湿度、降水量等；日期数据可以包括月份、星期、时刻等。

其中，电力负荷的变化主要取决于人们生产和生活的规律性，工作日相对休息日因生产经济活动用电负荷会显著提高，不同月份如夏冬季节因调温需求也会带来用电量的变化，因此短期电力负荷有明显的时间性和周期性，工作日和休息日有各自的相似性，不同周、同一星期类型日有其对应的相似性，不同月度和季节也有其相似性，因此时刻特征、星期类型日、月份等因素需作为重点考虑的特征数据。

气象因素对短期电力负荷有显著的影响，当天气剧烈变化时，将有大量的采暖降温负荷产生；当降雨量变化时，将对农机灌溉负荷产生重要的影响，因此气象数据如温度、湿度、降水量等指标已成为短期电力负荷预测中重要的特征数据。

s602、对原始负荷数据集进行数据预处理，得到各预设时间段的样本负荷数据集。

其中，数据预处理包括数据特征提取、数据缺失值处理、数据归一化处理、数值化处理、以及数据特征与电力负荷关联度分析中的至少一个。

在本实施例中，计算机设备需要对原始负荷数据集进行数据预处理，以标准化负荷预测模型的输入数据。

数据特征提取：数据特征提取的过程包括确定与电力负荷相关的因素。因为电力负荷受到各个因素的综合作用，除了考虑单个因素的作用外，还需考虑多日累积效应和多因素的综合效果。比如连续降雨和当日突然降雨对日负荷的影响会有显著差别，所以预测时间点相邻的累积因素也需要作为输入的特征数据。为此，针对预测一天后的负荷需求，在本实施例中选取了相应的特征数据，如表1所示。

表1短期电力负荷特征数据

数据缺失值处理：因为不同影响因素的采集周期不同，不同维度的数据有不同的时间粒度，例如，电力负荷数据每15分钟采集一次，每天可有96条采集数据，而气象数据，包括温度、湿度、降水，每小时记录一次，每天24条采集数据。为此需要将所有的指标统一到相同的时间尺度上，时间粒度大的指标向时间粒度小的指标自动补齐，该数据处理过程即为数据缺失值处理。示例地，计算机设备需要将电力负荷数据和气象数据按照时间对齐，因气象数据按小时获取，时间粒度大，故取最近时间距离点的值自动填充每15分钟的气象数据，即最终得到气象数据中，每小时的4条气象数据相同。

数据归一化处理：由于各个维度数据的量纲不同，因此需要把不同量纲的值统一到一个特定的区间，使各个指标可以有数值上的可比性，该数据处理过程即为数据归一化处理。可选地，在本实施例中，计算机设备采用最小-最大标准化方法来进行数据归一化。公式如下：

其中，x为输入数据，xmax、xmin分别为输入数据的最大、最小值，x′为归一化处理后的数据。

数值化处理：由于日期类型数据的离散性，故采用独热编码(one-hotencoding)进行预处理，对于星期日类型、时刻特征、月份分别采用7维、24维、12维独热编码，示例地，对于星期日类型数据，可设定初始的7维数据为[0000000]，星期一对应的数据为[1000000]，星期二对应的数据为[0100000]，星期三对应的数据为[0010000]；对于月份类型数据，可设定初始的12维数据为[00000000000000]，一月对应的数据为[10000000000000]，二月对应的数据为[01000000000000]，三月对应的数据为[00100000000000]，本实施例中，是按照从左到右进行离散数据的对应的维度数据的数值化处理，当然，可以从右到左进行离散数据的对应的维度数据的数值化处理，只要可以对离散型数据进行数值化标定，采用哪种规定本实施例对此不做限定。

数据特征与电力负荷关联度分析：电力负荷的影响因素较多，因此需要根据数据情况选择影响较大的特征用于训练和预测，从而减少冗余数据特征，降低模型复杂度，提高预测精度。本发明采用距离分析对各因素与电力负荷之间的关联做分析。距离分析是对变量之间的差异度进行度量，计算不同变量之间的广义距离，采用欧式距离，欧式距离的计算公式如下：

其中，(xi，yi)为第i个数据特征在欧式坐标系下的坐标；n为数据特征的数量。

在本实施例中，对各数据特征采用欧式距离进行差异度分析，根据计算结果选择距离较短、关联度较大的数据特征用于后续模型训练和预测。

在本实施例中，对原始负荷数据集分别进行数据特征提取、数据缺失值处理、数据归一化处理、数值化处理、以及数据特征与电力负荷关联度分析，得到标准化处理下的负荷预测模型的输入数据，从而得到的负荷预测模型的输出结果更为准确。

在得到各个时间端的负荷预测模型之后，可选地，计算机设备还可以对各个时间段的负荷预测模型进行模型测试。在一个实施例中，如图7所示，上述方法还包括：

s701、获取测试负荷数据集。

在本实施例中，与上述201步骤类似的，本实施例中获取的是测试负荷数据集，该测试负荷数据集中同样包括电力负荷、气象数据、以及日期数据等。计算机设备可以从预设的存储空间中获取测试负荷数据集，或者，也可以从第三方平台中获取开源的测试负荷数据集。

s702、根据预设的多个时间段将测试负荷数据集划分为多个测试子集。

在本实施例中，与上述步骤202类似地，按照预设的多个时时间段，将测试负荷数据集划分为多个测试子集，本实施例不做赘述。

s703、根据测试子集的时间段确定对应的目标负荷预测模型。

在本实施例中，与上述步骤203类似地，根据测试子集的时间段、以及各个目标负荷预测模型的时间段，确定各个测试子集对应目标负荷预测模型，本实施例不做赘述。

s704、将测试子集输入至对应的目标负荷预测模型中，得到测试结果。

在本实施例中，与上述步骤204类似地，将各个测试子集输入至其对应的目标负荷预测模型中，得到测试结果，本实施例不做赘述。

s705、计算各时间段的测试结果与实际电力负荷数据的平均绝对百分比误差，和/或，最大绝对百分比误差。

在本实施例中，采用平均绝对百分比误差(meanabsolutepercenterror,mape)和/或最大绝对百分比误差(maxabsolutepercenterror,maxe)作为测试指标，对目标负荷预测模型的预测准确率进行计算。

可选地，mape和maxe的计算方法如下：

其中，xi是实际的电力负荷值，xi′是通过目标负荷预测模型输出的负荷测试值。

s706、根据平均绝对百分比误差，和/或，最大绝对百分比误差，确定负荷预测模型的预测准确率。

在本实施例中，根据mape、maxe的值，确定负荷预测模型的预测准确率，mape、maxe的值越小则表明负荷预测越准确。

在本实施例中，计算机设备通过测试负荷数据集对目标负荷预测模型进行测试，并基于测试结果确定负荷预测模型的预测准确率，进一步地，还可以基于预测准确率再次优化目标负荷预测模型，使得得到的电力负荷预测结果更为准确。

为了更好的说明上述方法，如图8所示，本实施例提供一种电力负荷预测方法，具体包括：

s101、获取各预设时间段的原始负荷数据集；

s102、对原始负荷数据集进行数据预处理，得到各预设时间段的样本负荷数据集；

s103、针对每个预设时间段的样本负荷数据集，将样本负荷数据集划分为第一子时间段对应的第一样本负荷数据和第二子时间段对应的第二样本负荷数据；

s104、将第一样本负荷数据输入到初始负荷预测模型得到预测结果；

s105、根据预测结果和第二样本负荷数据，调整初始负荷预测模型的参数，得到目标负荷预测模型；

s106、针对每个预设时间段的初始负荷预测模型输出的预测结果，计算预测结果和第二样本负荷数据的残差平方和；

s107、根据残差平方和和预设的优化目标函数，确定调整参数之后的初始负荷预测模型的权重，得到目标负荷预测模型；

s108、获取测试负荷数据集；

s109、根据预设的多个时间段将测试负荷数据集划分为多个测试子集；

s110、根据测试子集的时间段确定对应的目标负荷预测模型；

s111、将测试子集输入至对应的目标负荷预测模型中，得到测试结果；

s112、计算各时间段的测试结果与实际电力负荷数据的平均绝对百分比误差，和/或，最大绝对百分比误差；

s113、根据平均绝对百分比误差，和/或，最大绝对百分比误差，确定负荷预测模型的预测准确率；

s114、获取历史电力负荷数据；

s115、根据预设的多个时间段将历史电力负荷数据划分为多个负荷数据集；

s116、根据各负荷数据集的时间段确定对应的目标负荷预测模型；

s117、将各负荷数据集输入至对应的目标负荷预测模型中，得到时间段的电力负荷预测结果。

在本实施例中，由于不同时间段的电力负荷数据存在较大的差异，为了针对性的进行各个时间段的电力负荷预测，通过构建各个时间段对应的目标负荷预测模型进行电力负荷的预测，并且，本实施例中，在构建各时间段对应的目标负荷预测模型时，采用的是多种类型的预测模型的组合模型，相比传统算法和单一模型，分时间段的组合预测模型可以更好的应对电力负荷的在不同时间段的周期性变化波动和多因素的影响，具有较强的实用性，提高了各个时间段电力负荷预测结果的准确性。

上述实施例提供的电力负荷预测方法，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

应该理解的是，虽然图2-8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2-8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的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9所示，提供了一种电力负荷预测装置，包括：获取模块01、划分模块02、确定模块03和预测模块04，其中：

获取模块01，用于获取历史电力负荷数据；

划分模块02，用于根据预设的多个时间段将历史电力负荷数据划分为多个负荷数据集；

确定模块03，用于根据各负荷数据集的时间段确定对应的目标负荷预测模型；

预测模块04，用于将各负荷数据集输入至对应的目标负荷预测模型中，得到时间段的电力负荷预测结果。

在其中一个实施例中，上述目标负荷预测模型包括至少两个类型的预测模型。

在其中一个实施例中，如图10所示，上述电力负荷预测装置还包括构建模块05；

构建模块05，用于确定多个预设时间段，获取各预设时间段的样本负荷数据集；根据各预设时间段的样本负荷数据集对初始负荷预测模型进行训练，得到各预设时间段对应的目标负荷预测模型。

在其中一个实施例中，上述根构建模块05，用于针对每个预设时间段的样本负荷数据集，将样本负荷数据集划分为第一子时间段对应的第一样本负荷数据和第二子时间段对应的第二样本负荷数据；将第一样本负荷数据输入到初始负荷预测模型得到预测结果；根据预测结果和第二样本负荷数据，调整初始负荷预测模型的参数，得到目标负荷预测模型。

在其中一个实施例中，上述初始负荷预测模型包括至少两个类型的预测模型，如图11所示，上述电力负荷预测装置还包括调整模块06；

调整模块06，用于针对每个预设时间段的初始负荷预测模型输出的预测结果，计算预测结果和第二样本负荷数据的残差平方和；根据残差平方和和预设的优化目标函数，确定调整参数之后的初始负荷预测模型的权重，得到目标负荷预测模型。

在其中一个实施例中，上述划分模块02，用于获取各预设时间段的原始负荷数据集；对原始负荷数据集进行数据预处理，得到各预设时间段的样本负荷数据集；数据预处理包括数据特征提取、数据缺失值处理、数据归一化处理、数值化处理、以及数据特征与电力负荷关联度分析中的至少一个。

在其中一个实施例中，如图12所示，上述电力负荷预测装置还包括测试模块07；

测试模块07，用于获取测试负荷数据集；根据预设的多个时间段将测试负荷数据集划分为多个测试子集；根据测试子集的时间段确定对应的目标负荷预测模型；将测试子集输入至对应的目标负荷预测模型中，得到测试结果；计算各时间段的测试结果与实际电力负荷数据的平均绝对百分比误差，和/或，最大绝对百分比误差；根据平均绝对百分比误差，和/或，最大绝对百分比误差，确定负荷预测模型的预测准确率。

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，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：

获取历史电力负荷数据；

根据预设的多个时间段将历史电力负荷数据划分为多个负荷数据集；

根据各负荷数据集的时间段确定对应的目标负荷预测模型；

将各负荷数据集输入至对应的目标负荷预测模型中，得到时间段的电力负荷预测结果。

上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

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：

获取历史电力负荷数据；

根据预设的多个时间段将历史电力负荷数据划分为多个负荷数据集；

根据各负荷数据集的时间段确定对应的目标负荷预测模型；

将各负荷数据集输入至对应的目标负荷预测模型中，得到时间段的电力负荷预测结果。

上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-onlymemory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(randomaccessmemory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(staticrandomaccessmemory，sram)或动态随机存取存储器(dynamicrandomaccessmemory，dram)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。