电网负荷预测模型的训练方法及装置与流程

1.本技术涉及电网技术领域，尤其涉及一种电网负荷预测模型的训练方法及装置。


背景技术：

2.电网企业制定合理的调度计划是保障电网安全经济运行的重要一环。其中，准确的负荷预测可辅助电网制定最优的调度计划，有效地降低发电成本，提高经济效益和社会效益。对发售电公司而言，中长期负荷预测可辅助企业提前预判未来月度、季度及年度的社会用电量、最大负荷及最小负荷的可能走向，对电力现货市场形势进行预判，从而辅助制定中长期交易策略。
3.因此，如何准确有效地预测全网中长期负荷，对电网企业和售电企业都具有重要意义。


技术实现要素：

4.本技术提出一种电网负荷预测模型的训练方法及装置。
5.本技术一方面实施例提出了一种电网负荷预测模型的训练方法，包括：
6.获取历史负荷数据，其中，历史负荷数据包括过去预设时长内各时刻点的负荷数据；
7.在任一时刻点的负荷数据缺失的情况下，对所述任一时刻点的负荷数据进行补齐；
8.基于补齐后的各时刻点负荷数据，确定各日期的负荷数据；
9.在任一日期的负荷数据存在缺失的情况下，根据日期类型及年电力负荷增长率，对所述任一日期的负荷数据进行补齐；
10.根据补齐后各日期的负荷数据，确定各月的负荷数据；
11.根据所述各月的负荷数据，确定每个训练月对应的输入数据；
12.将每个训练月对应的输入数据，输入至初始核支持向量回归(support vector regression，svr)预测模型中进行求解训练，以得到核svr模型。
13.本技术另一方面实施例提出了一种电网负荷预测模型的训练装置，包括：
14.第一获取模块，用于获取历史负荷数据，其中，历史负荷数据包括过去预设时长内各时刻点的负荷数据；
15.第一补齐模块，用于在任一时刻点的负荷数据缺失的情况下，对所述任一时刻点的负荷数据进行补齐；
16.第一确定模块，用于基于补齐后的各时刻点的负荷数据，确定各日期的负荷数据；
17.第二补齐模块，用于在任一日期的负荷数据存在缺失的情况下，根据日期类型及年电力负荷增长率，对所述任一日期的负荷数据进行补齐；
18.第二确定模块，用于根据补齐后各日期的负荷数据，确定各月的负荷数据；
19.第三确定模块，用于根据所述各月的负荷数据，确定每个训练月对应的输入数据；
20.训练模块，用于将每个训练月对应的输入数据，输入至初始核支持向量回归svr预测模型中进行求解训练，以得到核svr模型。
21.本技术另一方面实施例提出了一种计算机设备，包括处理器和存储器；
22.其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如上述一方面实施例所述的电网负荷预测模型的训练方法。
23.本技术另一方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述一方面实施例所述的电网负荷预测模型的训练方法。
24.本技术实施例的电网负荷预测模型的训练方法及装置，通过基于各时刻点的历史负荷数据，构造了输入数据，训练得到核svr模型，同时对缺失时刻点的负荷数据进行补齐，并利用年用电负荷增长率对缺失日期的负荷数据进行补齐，并且训练得到的核svr模型可以适合应用于具有强非线性的中长期用电负荷的预测，从而能够提升中长期电负荷预测的精度。
25.本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
26.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
27.图1为本技术实施例所提供的一种电网负荷预测模型的训练方法的流程示意图；
28.图2为本技术实施例提供的另一种电网负荷预测模型的训练方法的流程示意图；
29.图3为本技术实施例提供的基于插值法及核svr算法的负荷预测方法过程示意图；
30.图4为本技术实施例提供的一种高斯核svr模型训练预测过程图；
31.图5为本技术实施例提供的一种电网负荷预测模型的训练装置的结构示意图
具体实施方式
32.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
33.下面参考附图描述本技术实施例的电网负荷预测模型的训练方法及装置。
34.图1为本技术实施例提供的一种电网负荷预测模型的训练方法的流程示意图。
35.本技术实施例的电网负荷预测模型的训练方法，可由本技术实施例提供的电网负荷预测模型的训练装置执行，该装置可配置于计算机设备中，通过基于各时刻点的历史负荷数据，构造了输入数据，训练得到核svr模型，同时对缺失时刻点的负荷数据进行补齐，并利用年用电负荷增长率对缺失日期的负荷数据进行补齐，并且训练得到的核svr模型可以适合应用于具有强非线性的中长期用电负荷预测，以提升中长期电负荷预测的精度。
36.如图1所示，该电网负荷预测模型的训练方法可包括：
37.步骤101，获取历史负荷数据，其中，历史负荷数据包括过去预设时长内各时刻点
的负荷数据。
38.本技术中，可以通过解析市场披露信息中的负荷数据，以获取历史负荷数据。其中，历史负荷数据可以包括过去预设时长内各时刻点的负荷数据。
39.本技术中的时刻点可以是指96时刻点，其中，96时刻点是指将每天的时间按照15分钟一个点分、可以分割96个点。或者，也可以按照其他方式划分时刻点，比如，按照每30分钟一个点分，或者45分钟一个点分等。本技术对时刻点的划分不作限定。
40.步骤102，在任一时刻点的负荷数据缺失的情况下，对任一时刻点的负荷数据进行补齐。
41.在实际应用中，可能会存在某时刻点的负荷数据缺失的情况。因此，本技术中，可先判断各时刻点的负荷数据是否存在缺失。在任一时刻点的负荷数据缺失的情况下，对任一时刻点的负荷数据进行补齐。
42.在对任一时刻点的负荷数据进行补齐时，可以根据与任一时刻点相邻的已知时刻点的负荷数据，对任一时刻点的负荷数据进行补齐。这里与任一时刻点相邻的已知时刻点的负荷数据，可以是任一时刻点前面或后面或者前后的已知时刻点的负荷数据。从而，丰富了缺失负荷数据的补齐方式。
43.比如，某日期的0点的负荷数据缺失，可以根据该日期的0点15分的负荷数据和0点30分的负荷数据，对缺失的0点的负荷数据进行补齐。或者，也可以根据该日期前一天第11点45分的负荷数据和该日期的0点15分的负荷数据，对缺失的0点的负荷数据进行补齐。
44.本技术中，已知时刻点的负荷数据的数量，也可以根据需要确定，本技术对此不作限定。
45.在对任一时刻点的负荷数据补齐时，可以将相邻的已知时刻点的负荷数据的平均值，任一时刻点的负荷数据。或者，也可以采用二次插值的方式，计算任一时刻点的负荷数据。
46.其中，二次插值的公式如下公式(1)所示：
47.l(x)＝l0(x)y0+l1(x)y1+l2(x)y2ꢀꢀꢀ
(1)
[0048][0049]
其中，(x0,y0)、(x1,y1)、(x2,y2)分别代表已知点，即不缺失的负荷数据。
[0050]
步骤103，基于补齐后的各时刻点的负荷数据，确定各日期的负荷数据。
[0051]
本技术中，可以基于补齐后的各时刻点的负荷数据，和各时刻点所属的日期，确定每个日期包含的各时刻点的负荷数据。之后，根据每个日期包含的各时刻点的负荷数据，确定每个日期的负荷数据。
[0052]
比如，可以将每个日期包含的各时刻点的负荷数据的最大值，作为每个日期的最大负荷；可以将每个日期包含的各时刻点的负荷数据的最小值，作为每个日期的最小负荷；若是96个时刻点，可以将每个日期包含的各时刻点的负荷数据之和除以4，作为每个日期的用电量。
[0053]
步骤104，在任一日期的负荷数据存在缺失的情况下，根据日期类型及年电力负荷增长率，对任一日期的负荷数据进行补齐。
[0054]
在实际应用中，可能会存在某天的负荷数据缺失的情况。本技术中，在任一日期的
负荷数据存在缺失的情况下，根据日期类型及年电力负荷增长率，对任一日期的负荷数据进行补齐。其中，日期类型可以是根据现货交易规则及负荷特性确定的，比如可以将日期分为节假日、工作日、周六及周日4种类型。
[0055]
本技术中，可以根据日期类型，将与任一日期所属月份同类型的日期负荷数据的均值作为任一日期的负荷数据。比如，某月份第3个周日的负荷数据缺失，可以将该月份中第1个周日的负荷数据、第2个周日的负荷数据和第4个周日的负荷数据的均值，作为第3个周日的负荷数据。
[0056]
若任一日期所属月份同类型的日期负荷数据均缺失，可以根据过去同期同类型的负荷均数据和年电力负荷增长率，确定任一日期的负荷数据。比如，某节日的负荷数据缺失，可以根据去年同期同类型的负荷数据的均值结合年电力负荷增长率，确定该节日的负荷数据。
[0057]
本技术中，根据过去同期同类型的负荷数据均值和年电力负荷增长率，确定任一日期的负荷数据计算方法，可以如下公式(2)所示：
[0058]y*
＝(c+1)*y
ꢀꢀꢀ
(2)
[0059]
其中，y
*
、c、y分别代表待补齐日期的负荷数据、年电力负荷增长率、去年同期同类型负荷均值。
[0060]
步骤105，根据补齐后各日期的负荷数据，确定各月的负荷数据。
[0061]
本技术中，可以基于补齐后的各日期的负荷数据，和各日期所属的月份，确定每月包含的各日期的负荷数据。之后，根据每月包含的各日期的负荷数据，确定每月的负荷数据。
[0062]
比如，可以将每月包含的各日期的负荷数据的最大值，作为每月的最大负荷；可以将每月包含的各日期的负荷数据的最小值，作为每月的最小负荷；可以将每月包含的各日期的用电量之和，作为每月的用电量。
[0063]
步骤106，根据各月的负荷数据，确定每个训练月对应的输入数据。
[0064]
在确定各月的负荷数据后，可以根据各月的负荷数据，确定每个训练月对应的输入数据。
[0065]
本技术中，每个训练月对应的输入数据可以包括过去预设数量月份的各负荷数据及训练月份。比如预设数量月份为12个，可以构造13维输入数据，训练月份为某年的3月份，可以将该3月份过去12个月的负荷数据和3月份，作为该3月份对应的输入数据。
[0066]
需要说明的是，预设数量可以根据需要确定，本技术对此不作限定。
[0067]
步骤107，将每个训练月对应的输入数据，输入至初始核svr预测模型中进行求解训练，以得到核svr模型。
[0068]
本技术中，可以将每个训练月对应的输入数据，输入至初始核svr预测模型中进行求解训练，并寻找最优，得到最优的核svr模型。
[0069]
其中，核svr模型中选择核函数可以为高斯径向基函数，函数公式为k(x,x
′
)＝exp(-||x-x
′
||2/σ2)。
[0070]
在实现时，svr模型可以为ε-svr，数据集t＝{(x1,y1),
…
,(xn,yn)}∈(rn×
y)1，其中，xi∈rn表示第i个样本的输入向量，即特征因子向量，yi∈y＝r,i＝1，
…
,l，表示第i个样本的负荷值，ε-svr模型的本质是一个凸二次规划问题：
[0071][0072][0073][0074]
上述公式中k(xi,xj)即为高斯径向基函数，精度ε和惩罚参数c为模型超参数，需进行寻优确定最优解。本技术中，可以采用五折交叉验证法进行模型参数寻优，通过梯度下降法求解上述凸二次规划问题。
[0075]
本技术中，可以利用各月对应的最大负荷、或者最小负荷、或者用电量，分别训练得到用于预测月最大负荷、月最小负荷及月用电量的核svr模型。由此，可以利用核svr模型预测月最大负荷、最小负荷或用电量，或者年最大负荷、最小负荷或用电量。
[0076]
本技术实施例的电网负荷预测模型的训练方法，通过基于各时刻点的历史负荷数据，构造了输入数据，训练得到核svr模型，同时对缺失时刻点的负荷数据进行补齐，并利用年用电负荷增长率对缺失日期的负荷数据进行补齐，并且训练得到的核svr模型可以适合应用于具有强非线性的中长期用电负荷的预测，从而可以提升中长期电负荷预测的精度。
[0077]
图2为本技术实施例提供的另一种电网负荷预测模型的训练方法的流程示意图。
[0078]
如图2所示，该电网负荷预测模型的训练方法包括：
[0079]
步骤201，获取历史负荷数据，其中，历史负荷数据包括过去预设时长内各时刻点的负荷数据。
[0080]
步骤202，在任一时刻点的负荷数据缺失的情况下，对任一时刻点的负荷数据进行补齐。
[0081]
步骤203，基于补齐后的各时刻点的负荷数据，确定各日期的负荷数据。
[0082]
步骤204，在任一日期的负荷数据存在缺失的情况下，根据日期类型及年电力负荷增长率，对任一日期的负荷数据进行补齐。
[0083]
步骤205，根据补齐后各日期的负荷数据，确定各月的负荷数据。
[0084]
步骤206，根据各月的负荷数据，确定每个训练月对应的输入数据。
[0085]
本技术中，步骤201-步骤206与上述步骤101-步骤106类似，故在此不再赘述。
[0086]
步骤207，根据各个训练月对应的过去预设数量月份的各负荷数据，确定各个训练月对应的过去同类月份中负荷数据的最大值和最小值。
[0087]
为了提高模型的准确性，在获取各月的负荷数据后，可以对训练数据进行归一化处理。
[0088]
本技术中，可以先确定用于训练的各个训练月及每个训练月对应的过去预设数量的月份，根据过去预设数量月份的各负荷数据，确定各个训练月对应的过去同类月份中负荷数据的最大值和最小值。
[0089]
表1为训练月与过去12个月的负荷，以及过去同类月份中负荷的最大值与最小值。
[0090]
表1
[0091][0092]
表1中，训练月为2021年5月、2021年6月、2021年7月，其中，负荷-1表示过去第1个月的负荷，负荷-2表示过去第2个月的负荷，
……
，负荷-2表示过去第12个月的负荷。
[0093]
以训练月2021年5月为例，那么与该训练月对应的负荷-1表示2021年4月的负荷，负荷-2表示2021年3月的负荷，负荷-3表示2021年2月的负荷，
……
，负荷-12为2020年5月的负荷。
[0094]
这里过去第1个月为同类月份，过去第2个月为同类月份，
……
，过去第12个月为同类月份。可见，负荷-1为对应的负荷中最小值为10，最大值为30，负荷-2对应的负荷中最小值为20，最大值为40等。
[0095]
步骤208，根据最大值和最小值，对各同类月份中每个过去月份的负荷数据进行归一化处理，以获取每个训练月对应的过去预设数量月份的各归一化后的负荷数据。
[0096]
在确定最大值和最小值之后，可以根据每种同类月份对应的最小值和最大值，对每种同类月份中每个过去月份的负荷数据进行归一化处理，以获取每个训练月对应的过去预设数量月份的各归一化后的负荷数据。
[0097]
比如，上述表1中，负荷-1为对应的负荷中最小值为10，最大值为30，可以根据10和30分别对负荷-1对应的负荷数据10、20、30进行归一化处理，同样地，对负荷-2对应的负荷数据，
……
，对负荷-12对应的负荷数据都进行归一化处理。
[0098]
本技术中，在对负荷数据进行归一化的同时，也需要对训练月进行归一化，比如上述表1中，训练月的最大值为5月，最小值为7月，可以根据训练月对应的最大值和最小值，对每个训练月进行归一化。
[0099]
步骤209，将每个训练月对应的过去预设数量月份的各归一化后的负荷数据，输入至初始核svr预测模型中进行求解训练，以得到核svr模型。
[0100]
本技术中，可以将每个归一化后的训练月及每个训练月对应的过去预设数量月份的各归一化后的负荷数，输入初始核svr预测模型中进行求解训练，以得到核svr模型。
[0101]
比如，训练月为2021年5月，那么可以将月份5月对应的归一化后的值以及过去12个月份归一化后的负荷数据，输入初始核svr预测模型中进行求解训练。
[0102]
步骤210，对待预测月对应的输入数据进行归一化处理，并将归一化处理后的输入数据输入核svr模型中，得到待预测月对应的负荷预测结果。
[0103]
在获取核svr模型后，可以利用核svr模型预测未来月份的负荷数据。本技术中，可以获取待预测月对应的输入数据，并对待预测月对应的输入数据进行归一化处理，将归一化处理后的输入数据输入核svr模型中，以得到待预测月对应的负荷预测结果。
[0104]
比如，待预测月为2021年8月，2021年8月对应的输入数据包括时间特征“8”，及2021年7月份的负荷、2021年6月份的负荷、2021年5月份的负荷、
……
、2020年7月份的负荷，并对时间特征“8”及对过去12个月的负荷进行归一化处理，之后将时间特征“8”归一化后的数据及过去12个月归一化后的负荷输入至核svr模型，以获取8月份对应的负荷预测结果。
[0105]
步骤211，根据各个训练月的负荷数据，确定最大负荷值和最小负荷值。
[0106]
本技术中，可以根据各训练月的负荷数据，确定各训练月负荷数据中的最大负荷值和最小负荷值。
[0107]
比如，训练月为2021年1月-7月，各训练月的负荷数据分别为45、50、40、35、55、60、75，那么最大负荷值为75，最小负荷值为40。
[0108]
步骤212，根据最大负荷值和最小负荷值，对负荷预测结果进行反归一化处理，以获取待预测月的负荷预测值。
[0109]
由于在进行预测时，对输入数据进行了归一化处理，因此，在获取模型预测结果后，需要对预测结果进行反归一化处理。
[0110]
本技术中，反归一化为根据各训练月的负荷分布，取其最大及最小负荷值，对svr预测模型的输入结果进行还原，具体公式为y＝y
max
+y
′
(y
max-y
min
)，其中，y
max
和y
min
表示训练月的最大负荷值和最小负荷值。
[0111]
本技术中，在确定最大负荷值和最小负荷值后，可以利用最大负荷值和最小负荷值，对模型预测的负荷预测结果进行反归一化处理，以获取待预测月的负荷预测值。由此，利用训练得到的核svr模型可以进行月负荷数据或者年负荷数据等中长期负荷数据的预测。
[0112]
本技术实施例中，通过将每个训练月对应的过去预设数量月份的各归一化后的负荷数据，输入至初始核svr预测模型中进行求解训练，以得到核svr模型，从而提高了模型的准确性，在预测时，对待预测月对应的输入数据进行归一化处理，并将归一化处理后的输入数据输入核svr模型中，得到待预测月对应的负荷预测结果，并对负荷预测结果进行反归一化处理，从而可以获取待预测月的负荷预测值。
[0113]
为了进一步说明上述实施例，下面结合图3进行说明。图3为本技术实施例提供的基于插值法及核svr算法的负荷预测方法过程示意图。
[0114]
如图3所示，导入现货市场披露文件，从市场披露文件中获取时刻点负荷数据，可以利用二次插值补缺对时刻点负荷预处理。之后，根据预处理后的时刻点负荷数据，确定天负荷数据，并对天负荷数据进行预处理，比如，可以利用分类、年电力负荷增长率补缺。
[0115]
在对天负荷数据预处理后，可以对月负荷进行特征构建，比如，构造13维特征，包括负荷特征及月份时间特征，其中，负荷特征可以是过去12个月的负荷。
[0116]
在构建特征后，归一化训练样本，在实现时，可以获取训练月样本，之后对训练样本归一化。之后，根据归一化训练样本，进行高斯核svr模型建立。
[0117]
在获取高斯核svr模型后，获取预测月样本，并对预测月样本归一化，将归一化后的预测月样本，输入高斯核svr模型进行预测，以获取预测值。之后，对预测值进反归一化，以获取预测月的预测值。
[0118]
为了进一步说明上述实施例，下面结合图4说明模型训练过程。图4为本技术实施例提供的一种高斯核svr模型训练预测过程图。
[0119]
如图4所示，设置高斯核svr寻优参数范围，利用归一化后的训练集对svr模型求解。其中，可以将所有训练样本分为两部分，4/5的训练集归一化后用于svr模型求解，将剩余1/5训练集作验证集。
[0120]
在求解出svr模型后，可以对验证集进行归一化，将归一化后的验证集输入svr模型进行预测，以获取验证集每个样本对应的预测结果，并对验证集对应的预测结果进行反归一化。之后，计算每套参数情况下，5个验证集上的平均准确率，并输出验证集上平均准确率最高的参数组合，根据平均准确率最高的参数组合，得到最优svr模型。
[0121]
在获取最优svr模型后，可以用于预测某月的预测值。在实现时，可以获取所有预测月样本，然后进行归一化，其中，归一化方法与图2实施例中的步骤206-步骤207记载的方法类似。之后，将归一化预测月样本输入最优svr模型，以获取预测月的预测结果，并对预测结果进行反归一化，以获取预测月的负荷预测值。
[0122]
需要说明的是，预测月样本即为上述实施例中所述的预测月对应的输入数据。
[0123]
为了实现上述实施例，本技术实施例还提出一种电网负荷预测模型的训练装置。图5为本技术实施例提供的一种电网负荷预测模型的训练装置的结构示意图。
[0124]
如图5所示，该电网负荷预测模型的训练装置500包括：
[0125]
第一获取模块510，用于获取历史负荷数据，其中，历史负荷数据包括过去预设时长内各时刻点的负荷数据；
[0126]
第一补齐模块520，用于在任一时刻点的负荷数据缺失的情况下，对所述任一时刻点的负荷数据进行补齐；
[0127]
第一确定模块530，用于基于补齐后的各时刻点的负荷数据，确定各日期的负荷数据；
[0128]
第二补齐模块540，用于在任一日期的负荷数据存在缺失的情况下，根据日期类型及年电力负荷增长率，对所述任一日期的负荷数据进行补齐；
[0129]
第二确定模块550，用于根据补齐后各日期的负荷数据，确定各月的负荷数据；
[0130]
第三确定模块560，用于根据所述各月的负荷数据，确定每个训练月对应的输入数据；
[0131]
训练模块570，用于将每个训练月对应的输入数据，输入至初始核支持向量回归svr预测模型中进行求解训练，以得到核svr模型。
[0132]
在本技术实施例一种可能的实现方式中，所述第一补齐模块520，用于：
[0133]
根据与所述任一时刻点相邻的已知时刻点的负荷数据，对所述任一时刻点的负荷数据进行补齐。
[0134]
在本技术实施例一种可能的实现方式中，所述第二补齐模块540，用于：
[0135]
根据现货交易规则及负荷特性，确定日期类型；
[0136]
根据日期类型及年电力负荷增长率，确定所述任一日期的负荷数据。
[0137]
在本技术实施例一种可能的实现方式中，所述第二补齐模块540，用于：
[0138]
根据日期类型，将与所述任一日期所属月份同类型的日期负荷数据的均值作为所述任一日期的负荷数据；
[0139]
若所述任一日期所属月份同类型的日期负荷数据均缺失，根据过去同期同类型的负荷均数据和年电力负荷增长率，确定所述任一日期的负荷数据。
[0140]
在本技术实施例一种可能的实现方式中，所述每个训练月对应的输入数据包括：训练月份及过去预设数量月份的各负荷数据。
[0141]
在本技术实施例一种可能的实现方式中，该装置还可以包括：
[0142]
第四确定模块，用于根据各个训练月对应的过去预设数量月份的各负荷数据，确定各个训练月对应的过去同类月份中负荷数据的最大值和最小值；
[0143]
第二获取模块，用于根据最大值和最小值，对各同类月份中每个过去月份的负荷数据进行归一化处理，以获取每个训练月对应的过去预设数量月份的各归一化后的负荷数据。
[0144]
在本技术实施例一种可能的实现方式中，该装置还可以包括：
[0145]
第三获取模块，用于获取待预测月对应的输入数据；
[0146]
预测模块，用于对待预测月对应的输入数据进行归一化处理，并将归一化处理后的输入数据输入核svr模型中，得到待预测月对应的负荷预测结果；
[0147]
第五确定模块，用于根据所述各个训练月的负荷数据，确定最大负荷值和最小负荷值；
[0148]
第四获取模块，用于根据最大负荷值和最小负荷值，对负荷预测结果进行反归一化处理，以获取所述待预测月的负荷预测值。
[0149]
需要说明的是，上述对电网负荷预测模型的训练方法实施例的解释说明，也适用于该实施例的电网负荷预测模型的训练装置，故在此不再赘述。
[0150]
本技术实施例的电网负荷预测模型的训练装置，通过基于各时刻点的历史负荷数据，构造了输入数据，训练得到核svr模型，同时对缺失时刻点的负荷数据进行补齐，并利用年用电负荷增长率对缺失日期的负荷数据进行补齐，并且训练得到的核svr模型可以适合应用于具有强非线性的中长期用电负荷的预测，从而能够提升中长期电负荷预测的精度。
[0151]
为了实现上述实施例，本技术实施例还提出一种计算机设备，包括处理器和存储器；
[0152]
其中，处理器通过读取存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如上述实施例所述的电网负荷预测模型的训练方法。
[0153]
为了实现上述实施例，本技术实施例还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例所述的电网负荷预测模型的训练方法。
[0154]
在本说明书的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0155]
尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。