一种电力负荷预测方法、电子设备、装置及可读存储介质与流程

1.本发明涉及电力系统技术领域，具体涉及一种电力负荷预测方法、电子设备、装置及可读存储介质。


背景技术：

2.近年来，随着我国经济水平的快速增长，电力行业不断发展壮大。电力负荷预测对于电力系统的安全运行和经济运行越来越重要。电力负荷预测的精度直接关系到电力系统的电力生成量是否准确。若电力负荷的预测值偏大，会使电力生产过量，造成能源浪费以及生产机器损耗；若电力负荷的预测值偏小，会使电力生产不足，影响人们的生活并对经济发展造成损失。
3.通常，电力负荷会受大量因素的影响，除日期类型、天气状况、气候等已知的影响因素外，还可能存在未知的影响因素，这使得电力负荷具有数据量大、非线性、不确定性、鲁棒性差等明显特征。目前的电力负荷预测方法中，研究人员通过对电力系统的历史数据进行聚类分析，筛选出电力负荷特性变化相似的历史数据，来对未来的电力负荷进行预测。
4.现在对历史数据进行聚类分析时，是依次考虑每个影响因素对电力负荷的影响，来对历史数据进行聚类分析。比如，假设存在影响因素a和影响因素b。现有的方法中，是首先考虑影响因素a对电力负荷的影响，将历史数据划分为多个大类，然后在每个大类下，继续考虑影响因素b对电力负荷的影响，继续进行分类。这样分类得到的历史数据的类别个数，与影响因素的个数成指数关系。这在历史数据较少的情况下，最终分类得到的每一类历史数据的数据量较少，不利于对电力负荷的预测模型进行训练，最终训练得到的预测模型精度不高，预测的电力负荷不准确。


技术实现要素：

5.有鉴于此，本发明实施方式提供了一种电力负荷预测方法、电子设备、电子装置及计算机可读存储介质，可以提高电力负荷预测的精度。
6.本发明一方面提供了一种电力负荷预测方法，所述方法包括：
7.在各个历史日的因素集合中，查找与待预测日的因素集合属于同一类别的目标因素集合，并将所述目标因素集合所在的历史日作为相似历史日，其中，任一天的因素集合包括各个负荷影响因素在该天的数据；
8.将所述相似历史日的负荷数据和所述待预测日的在预测时间点之前的负荷数据作为原始负荷序列，并分解所述原始负荷序列，得到多个负荷子序列；及
9.基于所述负荷子序列，以及与所述负荷子序列处于同一时间点的所述负荷影响因素的数据，预测所述待预测日的在所述预测时间点之后的电力负荷。
10.本发明另一方面还提供了一种电子装置，所述电子装置包括：
11.相似历史日确定模块，用于在各个历史日的因素集合中，查找与待预测日的因素集合属于同一类别的目标因素集合，并将所述目标因素集合所在的历史日作为相似历史
日，其中，任一日的因素集合包括各个负荷影响因素在该日的数据；
12.序列分解模块，用于将所述相似历史日的负荷数据和所述待预测日的在预测时间点之前的负荷数据作为原始负荷序列，并分解所述原始负荷序列，得到多个负荷子序列；及
13.预测模块，用于基于所述负荷子序列，以及与所述负荷子序列处于同一时间点的所述负荷影响因素的数据，预测所述待预测日的在所述预测时间点之后的负荷数据。
14.本发明另一方面还提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，实现如上所述的方法。
15.本发明另一方面还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序被处理器执行时，实现如上所述的方法。
16.在本技术的一些实施例中，将各个负荷影响因素在一天的数据作为因素集合，通过在历史日的因素集合中查找与待预测日的因素集合属于同一类别的目标因素集合，来确定相似历史日，这种分类方法将各个负荷影响因素作为整体，考虑所有负荷影响因素整体对电力负荷的影响，无需依次考虑各个负荷影响因素对电力负荷的影响，可以减少划分的类别。这在历史数据较少的情况下，可以保证与待预测日的因素集合属于同一类别的目标因素集合满足预测所需的数据量，提高预测准确性。
附图说明
17.通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
18.图1示出了本技术的一个实施例提供的电力负荷预测方法的流程示意图；
19.图2示出了本技术的一个实施例提供的电子装置的模块示意图；
20.图3示出了本技术的一个实施例提供的电子设备的示意图。
具体实施方式
21.为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
22.请参阅图1，为本技术的一个实施例提供的电力负荷预测方法的流程示意图。电力负荷预测方法可应用于对电力系统进行调度控制的电子设备中。电子设备包括但不限于电脑、控制器、服务器等。电力负荷预测方法包括如下步骤：
23.步骤s11，在各个历史日的因素集合中，查找与待预测日的因素集合属于同一类别的目标因素集合，并将目标因素集合所在的历史日作为相似历史日，其中，任一天的因素集合包括各个负荷影响因素在该天的数据。
24.在本实施例中，负荷影响因素包括温度、湿度、相对气压、风速、降水量、辐射强度、节假日、季节。负荷影响因素的变化，会对电力负荷产生影响。比如，温度的升高或降低，会增加人们对降温设备或升温设备的使用需求量，从而导致电力负荷的增加；光照强度的变
化会影响人们对照明设备的使用需求量，从而对电力负荷产生影响；降水量、湿度、相对气压和风速的变化会影响人们的活动频率，从而对电力负荷产生影响。
25.可以理解的是，负荷影响因素可以根据实际情况进行选择，上述所列举的负荷影响因素并不构成对本技术的限制。本技术以负荷影响因素包括温度、湿度、相对气压、风速、降水量、辐射强度、节假日、季节为例进行说明。
26.在一些实施例中，在上述负荷影响因素中，对于具体的某一天来说，节假日和季节可以是一个确定的值，即该天是否为节假日以及该天所在的季节，但温度、湿度、相对气压、风速、降水量、辐射强度在一天当中可以是不断变化的。鉴于此，针对数据在一天当中不断变换的负荷影响因素，可以在每天每间隔预设时段(比如15分钟)获取一次负荷影响因素的数据，然后对每天的数据求平均，并将得到的平均值作为负荷影响因素在该天的数据。
27.此处，需要说明的是，对于每个历史日来说，由于这些历史日已经过去，负荷影响因素的数据可以是已知的。但对于预测日来说，可能预测日当天还未完全过去，使得负荷影响因素在预测日当天未来时间段的数据无法获取到。鉴于此，针对负荷影响因素在预测日当天未来时间段的数据可以采用预测的方法得到。比如通过天气预报，可以得到预测日当天未来时间段内各个时间点温度、降水量等。
28.基于以上描述，在一些实施例中，一个因素集合可以表示如下：
29.xa＝{x1,x2,...,xn}
30.其中，x表示第a天的因素集合，x1～xn表示第1至n个负荷影响因素在第a天的数据，即对这些负荷影响因素在第a天中各个时间点的数据取平均后得到的平均值。
31.在一些实施例中，在各个历史日的因素集合中，查找与待预测日的因素集合属于同一类别的目标因素集合之前，可以对历史日的因素集合进行聚类分析，以将历史日的因素集合划分为多个因素集合类，进而可以在多个因素集合类中，确定待预测日的因素集合所属的目标因素集合类，并将目标因素集合类中的因素集合作为目标因素集合。
32.此处，对历史日的因素集合进行聚类分析时，可以将每个因素集合里的所有负荷影响因素作为一个整体进行聚类分析，即可以只考虑在所有负荷影响因素的整体作用下对电力负荷的影响，可以无需考虑单个负荷影响因素对电力负荷的影响。一个因素集合类可以包括多个(至少1个)因素集合。对于同一个因素集合类中的不同因素集合来说，这些因素集合可以对电力负荷具有相同或相似的影响。
33.相应的，在查找待预测日的因素集合所属的目标因素集合类时，可以将待预测日的因素集合内的所有负荷影响因素作为整体，考虑在这些负荷影响因素的整体作用下对电力负荷的影响。同时，将待预测日的因素集合划分到对电力负荷具有相似影响的因素集合类中。比如，假设待预测日的因素集合可以使电力负荷沿特性曲线1变化，因素集合类a中的因素集合可以使电力负荷沿特性曲线1变化，因素集合类b中的因素集合可以使电力负荷沿特性曲线2变化。那么可以将待预测日的因素集合划分到因素集合类a中。因素集合类a中的因素集合即为与待预测日的因素集合属于同一类别的目标因素集合。
34.在一些实施例中，上述对历史日的因素集合进行聚类分析时，可以基于k-means聚类算法将历史日的因素集合划分为多类。具体来说，可以按照预先设置的因素集合类的个数(即聚类数目)，对历史日的因素集合进行聚类分析。根据常规的聚类原理可知，在聚类分析时，相同类别之间的数据距离越近越好，同时，不同类别之间的数据距离越远越好。因素
集合类的个数设置是否合适，会直接影响聚类效果。在本技术中，可以为因素集合类设置多个候选个数，然后通过calinski_harabasz指标(又称为ch指标)计算每个候选个数对应的聚类分数。聚类分数越高，表示对应的候选个数越合适。聚类分数最高的候选个数，可以作为预先设置的因素集合类的个数。其中，通过calinski_harabasz指标计算聚类分数为常规技术，此处不赘述。
35.在一些实施例中，上述对历史日的因素集合进行聚类分析，可以包括：
36.在历史日的因素集合中，随机选择多个因素集合分别作为聚类中心；
37.对于未作为聚类中心的因素集合，根据该些因素集合到各个聚类中心的欧式距离，来对历史日的因素集合进行聚类分析。
38.此处，假设聚类中心的集合为c＝{c1，c2，...，ck}，c1～ck表示在历史日的因素集合中选择出的k个因素集合，每个聚类中心作为一个因素集合类的中心。
39.在一些实施例中，针对在历史日的因素集合中未作为聚类中心的因素集合，可以基于表达式(1)计算每个因素集合到各个聚类中心的欧式距离：
[0040][0041]
其中，l
ij
表示第i个因素集合到第j个聚类中心的欧式距离；x
it
表示第i个因素集合的第t个负荷影响因素；c
jt
表示第j个聚类中心的第t个负荷影响因素。此处，假设第1个因素集合与上述聚类中心c1～ck的欧式距离中，第1个因素集合与聚类中心c2的欧式距离最小，那么第1个因素集合划分到以聚类中心c2为中心的因素集合类。按照这样的方法，可以将历史日的因素集合划分为多个因素集合类。
[0042]
在完成上述类别划分后，可以按照表达式(2)，计算每个因素集合类中的因素集合的均值，并将计算得到的均值更新相应因素集合类的聚类中心。
[0043][0044]
其中，c
l
表示第l个聚类中心，|c
l
|表示第l个因素集合类中的因素集合个数，xi表示第l个因素集合类中的第i个因素集合。
[0045]
重复执行上述表达式(1)和表达式(2)对应的步骤，直至每个因素集合类的聚类中心位置保持不变。在一些实施例中，可以基于表达式(3)计算的平方误差函数e收敛于定值(最小值)时，表示因素集合类的聚类中心位置保持不变。
[0046][0047]
基于上述表达式(1)至表达式(3)，可以将历史日的因素集合划分为多个因素集合类。
[0048]
基于划分好的因素集合类，在一些实施例中，上述在多个因素集合类中，确定待预测日的因素集合所属的目标因素集合类，可以包括：
[0049]
分别计算待预测日的因素集合与各个因素集合类之间的欧式距离，并将与待预测日的因素集合具有最小欧式距离的因素集合类，作为待预测日的因素集合所属的目标因素集合类。
[0050]
其中，欧式距离的计算可参见上述表达式(1)，此处不赘述。
[0051]
基于上述划分因素集合类的过程，可以理解的是，每个因素集合类中的因素集合可以是连续天的多个因素集合，也可以是不连续天的多个因素集合，或者一个因素集合类还可以仅包括一个因素集合。比如，假设因素集合类a包括2020年3月1号、2020年3月3号、2020年3月8号、2020年3月12号的因素集合；因素集合类b包括2020年3月5号、2020年3月6号、2020年3月7号的因素集合。又假设待预测日的因素集合所属的目标因素集合类为因素集合类a，那么与待预测日的因素集合属于同一类别的目标因素集合为2020年3月1号、2020年3月3号、2020年3月8号、2020年3月12号的因素集合。同时，2020年3月1号、2020年3月3号、2020年3月8号、2020年3月12号为待预测日的相似历史日。
[0052]
步骤s12，将相似历史日的负荷数据和待预测日的在预测时间点之前的负荷数据作为原始负荷序列，并分解原始负荷序列，得到多个负荷子序列。
[0053]
在一些实施例中，预测时间点为待预测日的当前时间。预测时间点之前的时间为已经过去的时间，预测时间点之后的时间为还未到达的时间，即未来的时间。比如预测时间点为待预测日的下午5点，那么下午5点之前的时间(比如下午4点)是已经过去的时间，下午5点之后的时间(比如晚上8点)是还未到达的时间。结合上述相关描述，可以理解的是，对于待预测日来说，在预测时间点之前的负荷数据以及负荷影响因素的数据是可以获取到的，而在预测时间点之后的负荷影响因素的数据是可以通过预测等方式得到的，但在预测时间点之后的负荷数据是无法获取到的。在本技术预测的负荷数据即为预测时间点之后的电力负荷数据。通过预测未来的电力负荷情况，可以对电力系统的运行进行控制，避免电力生产过量或电力生产不足。
[0054]
在一些实施例中，相似历史日的负荷数据和待预测日的在预测时间点之前的负荷数据，可以是按照预设采样频率获取得到的数据。
[0055]
在本实施例中，采样频率为15分钟/次，即每隔15分钟获取一次负荷数据，15分钟为采样周期。每次获取的负荷数据为当前采样周期内电力负荷的平均值。
[0056]
以本实施例为例，对于每个相似历史日来说，有96个负荷数据。对于待预测日来说，负荷数据的个数与预测时间点相关。在原始负荷序列中，这些负荷序列可以按照时间先后顺序进行排列。
[0057]
在一些实施例中，可以基于eemd(ensemble empirical mode decomposition，集合经验模态分解)算法，分解原始负荷序列。具体来说，可以将在时域不连续的原始负荷序列转换为在时域连续的原始负荷信号x(t)，通过分解原始负荷信号，来分解原始负荷序列。这个过程可以如下：
[0058]
基于设定的总体平均次数n，将具有标准正态分布的噪声信号ω(t)加入原始负荷信号x(t)后得到新信号x
′
(t)，如表达式(4)所示：
[0059]
xi′
(t)＝x(t)+ωi(t)，i＝1，2，...，n
ꢀꢀ
(4)
[0060]
其中，i表示第i次添加白噪声。
[0061]
将新信号x
′
(t)进行emd分解，得到各阶imf(intrinsic mode fuction，基本模态分量)分量。如表达式(5)所示：
[0062][0063]
其中，j表示第i次加入白噪声后分解得到的imf分量的数量，rj(t)表示分解后的
剩余分量，cj(t)表示imf分量。
[0064]
重复执行n次表达式(4)和(5)对应的步骤，每次加入强度相同序列不等的白噪声，最后得到的xi′
(t)如表达式(6)所示。
[0065][0066]
利用白噪声频谱的均值为零的原理，将上述各imf求均值得到最终的imf分量cj(t)，如表达式(7)所示
[0067][0068]
对imf分量cj(t)进行采样，可以得到对原始负荷序列进行分解后的负荷子序列。
[0069]
在本技术中，将原始负荷序列分解为多个子负荷序列，可以降低原始负荷序列的复杂度，提高电力负荷预测的准确性。
[0070]
在一些实施例中，考虑到分解得到的部分负荷子序列可能与原始负荷序列的相关性不大，为减少数据处理量，在分解原始负荷序列后，本技术的方法还可以包括：
[0071]
将每个负荷子序列分别与原始负荷序列进行相关性计算，得到各个负荷子序列与原始负荷序列之间的相关系数；
[0072]
剔除与原始负荷序列的相关系数小于相关系数阈值的无效负荷子序列，并将剔除无效负荷子序列后的负荷子序列，作为原始负荷序列的负荷子序列。
[0073]
在一些实施例中，上述将每个负荷子序列分别与原始负荷序列进行相关性计算，可以是将每个负荷子序列对应的imf分量cj(t)，与原始负荷信号x(t)进行相关性计算。
[0074]
具体来说，可以基于表达式(8)计算imf分量cj(t)与原始负荷信号y(t)的相关系数：
[0075][0076]
其中，rj为第j个imf分量与原始负荷信号y(t)的相关系数，也为第j个负荷子序列与原始负荷序列的相关系数；
[0077]
n为信号的采样点的数量。
[0078]
在一些实施例中，上述相关系数阈值可基于表达式(9)得到：
[0079][0080]
其中，th为相关系数阈值，n表示imf分量个数。
[0081]
若第j个负荷子序列与原始负荷序列的相关系数rj大于或等于相关系数阈值th，则保留该第j个负荷子序列；若第j个负荷子序列与原始负荷序列的相关系数rj小于相关系数阈值th，则剔除该第j个负荷子序列。
[0082]
剔除无效负荷子序列后，基于剩下的负荷子序列，可以执行步骤s13。
[0083]
步骤s13，基于负荷子序列，以及与负荷子序列处于同一时间点的负荷影响因素的数据，预测待预测日的在预测时间点之后的电力负荷。
[0084]
在一些实施例中，在采集负荷数据时，可以同时采集负荷影响因素的数据，得到各个采样时间点的负荷数据以及负荷影响因素的数据。
[0085]
在一些实施例中，预测待预测日的在预测时间点之后的负荷数据，包括：
[0086]
对于任一负荷子序列，将该负荷子序列以及与该负荷子序列处于同一时间点的负荷影响因素的数据，输入到该负荷子序列对应的预测模型中，预测得到以该负荷子序列为基准的负荷分量，其中，至少部分不同的负荷子序列对应不同的预测模型；
[0087]
将每个负荷子序列的负荷分量进行叠加重构，得到待预测日的在预测时间点之后的电力负荷。
[0088]
其中，每个负荷子序列对应的预测模型可以基于历史数据训练得到，训练过程与预测模型的使用过程类似，此处不赘述。
[0089]
在本实施例中，每个负荷子序列分别对应一个预测模型。根据每个负荷子序列的数据特点，各个预测模型可以具有不同的网络结构，以便于基于负荷子序列进行更好的预测，提高预测精度。
[0090]
在一些实施例中，预测模型可以是lstnet模型。lstnet模型可以由非线性神经网络和线性神经网络组成。其中，非线性神经网络可以包括cnn卷积层、rnn循环层、跳跃层；线性神经网络可以包括自回归线性层。cnn卷积层可以提取负荷数据之间的局部依赖关系，rnn循环层可以捕获负荷子序列的长期依赖关系。跳跃层可以利用负荷子序列具有周期性的特征，捕获超长期依赖模式，简化优化过程。
[0091]
在一些实施例中，还可以在非线性神经网络的基础上加入传统的自回归线性模型，使得非线性神经网络对于尺度违规变化的子负荷序列具有更强的鲁棒性。
[0092]
在一些实施例中个，将非线性神经网络与线性神经网络的结果进行重构叠加，可以得到负荷子序列对应的负荷分量。
[0093]
在一些实施例中，一个负荷子序列中可能存在较多数据，这在通过预测模型进行预测时，会存在计算量过大的问题。为解决该问题，对于任一负荷子序列，在将该负荷子序列以及与该负荷子序列处于同一时间点的负荷影响因素的数据，输入到该负荷子序列对应的预测模型中时，可以将该负荷子序列在预设时段内的目标负荷数据，以及与目标负荷数据处于同一时间点的负荷影响因素的数据，输入到该负荷子序列对应的预测模型中。
[0094]
具体来说，可以以预测时间点为基准，将预测时间点之前预设时段内的负荷子序列，以及与负荷序列处于同一时间点的负荷影响因素的数据，输入到预测模型中。在本实施例中，将负荷子序列中在预测时间点之前16个小时的目标负荷数据，以及与目标负荷数据处于相同时间点的负荷影响因素的数据输入到预测模型中。此处，需要说明的是，由于一个负荷子序列包括的负荷数据可能是不连续天的负荷数据，预设时段在时间上可以不是连续的。这种情况下，预设时段由多个子时段构成，多个时段在时间上可以是不完全连续的。举例来说，假设待检测日为2020年3月13日，检测时间点为2020年3月13日的上午8点，待检测日的相似历史日为2020年3月1号、2020年3月3号、2020年3月8号、2020年3月12号。那么检测时间点之前16个小时为2020年3月13日的0点至8点(8个小时)，以及2020年3月12日的16点至24点(8个小时)。按照15分钟/次的采样频率，则预设时段内，存在64个目标负荷数据，以及这64个目标负荷数据对应的负荷影响因素的数据。预测模型根据这64个目标负荷数据，以及这64个目标负荷数据对应的负荷影响因素的数据，预测检测时间点之后的负荷分量。这样，可以有效减少数据处理量，提高运算效率，降低预测模型运行时的硬件要求。
[0095]
在一些实施例中，预测模型预测的负荷分量为预测时间点之后预测时间段内多个
时间点的负荷分量。将每个预测模型输出的负荷分量构建叠加，可以得到预测时间段内多个时间点的电力负荷。
[0096]
本实施例中，预测的电力负荷为预测时间点之后4个小时内多个时间点的电力负荷。其中，相邻时间点的间隔可以是15分钟。这样，可以预测得到未来4个小时内16个时间点的电力负荷情况，便于提前对电力系统的发电量进行控制，防止电力生产过量或电力生产不足的情况。
[0097]
在本技术的一些实施例中，将各个负荷影响因素在一天的数据作为因素集合，通过在历史日的因素集合中查找与待预测日的因素集合属于同一类别的目标因素集合，来确定相似历史日，这种分类方法将各个负荷影响因素作为整体，考虑所有负荷影响因素整体对电力负荷的影响，无需依次考虑各个负荷影响因素对电力负荷的影响，可以减少划分的类别。这在历史数据较少的情况下，可以保证与待预测日的因素集合属于同一类别的目标因素集合满足预测所需的数据量，提高预测准确性。同时，在上述预测模型的训练阶段，按照本技术的方法来将历史数据划分为多个类，由于划分的类别较少，每个类别的数据较多，基于每个类别的历史数据进行预测模型训练时，训练数据较多，训练得到的预测模型精度更高，从而也提高了电力负荷预测的精度。
[0098]
另外，相比一些技术中的直接将原始负荷序列输入预测模型进行预测，本技术将原始负荷序列进行分解后，针对分解得到的每个负荷子序列，通过不同的预测模型来预测负荷分量，这在降低原始负荷序列复杂度的同时，可以根据每个负荷子序列的数据特点，通过不同网络结构的预测模型来预测负荷分量，也有利于提高预测精度。
[0099]
请参阅图2，为本技术的一个实施例提供的电子装置的模块示意图。电子装置包括：
[0100]
相似历史日确定模块，用于在各个历史日的因素集合中，查找与待预测日的因素集合属于同一类别的目标因素集合，并将目标因素集合所在的历史日作为相似历史日，其中，任一日的因素集合包括各个负荷影响因素在该日的数据；
[0101]
序列分解模块，用于将相似历史日的负荷数据和待预测日的在预测时间点之前的负荷数据作为原始负荷序列，并分解原始负荷序列，得到多个负荷子序列；及
[0102]
预测模块，用于基于负荷子序列，以及与负荷子序列处于同一时间点的负荷影响因素的数据，预测待预测日的在预测时间点之后的负荷数据。
[0103]
请参阅图3，为本技术的一个实施例提供的电子设备的示意图。电子设备包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，实现上述的电力负荷预测方法。
[0104]
其中，处理器可以为中央处理器(central processing unit，cpu)。处理器还可以为其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
[0105]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施方式中的方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能
应用以及数据处理，即实现上述方法实施方式中的方法。
[0106]
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0107]
本技术一个实施方式还提供一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序被处理器执行时，实现上述的电力负荷预测方法。
[0108]
虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。