模型训练方法、电力负荷预测方法、装置、设备及介质与流程

本发明涉及电力负荷预测，特别涉及模型训练方法、电力负荷预测方法、装置、设备及介质。

背景技术：

1、准确的负荷预测是安排电力生产调度、提高电力系统自动化运行水平的重要决策依据。

2、当前，传统的电力负荷预测方法通常是利用电力负荷预测模型对所有负荷特征进行统一预测，但这种方法忽略了多特征之间的复杂耦合关系，难以达到最佳的预测效果。并且，负荷特征也会根据用户性质的不同有较大差别，例如用户性质不同作业时间段可能不同，此外，传统预测方法还忽略了电力负荷数据中的周期性规律、区域性规律，例如电力负荷在晚间、周末、节假日等时间较为突出，在工业区、商业区、住宅区的电力负荷数据也是不相同的。

3、综上，如何提高电力负荷预测模型的预测精度是目前有待解决的问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种电力负荷预测模型训练方法、装置、设备及介质，能够提高电力负荷预测模型的预测精度。其具体方案如下：

2、第一方面，本技术公开了一种电力负荷预测模型训练方法，包括：

3、根据预设相似日筛选规则从多个历史日中筛选出与待预测日相似度最高的若干个相似日；

4、利用各所述相似日的历史特征数据和历史电力负荷构建初始样本集，并根据粒群划分技术对所述初始样本集进行划分，以统计各个粒群的样本数量；

5、基于所述样本数量和预设样本总量对各所述粒群中的多类样本和少类样本分别进行过采样和欠采样，以得到采样后的多类样本集和少类样本集；

6、基于所述多类样本集和所述少类样本集以及所述待预测日的目标特征数据和实测电力负荷构建训练数据集，并利用所述训练数据集对电力负荷预测模型进行训练，以得到训练后电力负荷预测模型。

7、可选的，所述根据预设相似日筛选规则从多个历史日中筛选出与待预测日相似度最高的若干个相似日，包括：

8、基于星期类型确定出多个历史日与待预测日之间的星期因子相似度；

9、基于日期间隔确定出多个所述历史日与所述待预测日之间的时间因子相似度；

10、基于气象特征类型确定出多个所述历史日与所述待预测日之间的气象因子相似度；

11、利用所述星期因子相似度、所述时间因子相似度和所述气象因子相似度确定出多个所述历史日与所述待预测日之间的综合相似度；

12、基于所述综合相似度从大到小的顺序选取预设数量个历史日作为与待预测日相似度最高的相似日。

13、可选的，所述基于气象特征类型确定出多个所述历史日与所述待预测日之间的气象因子相似度，包括：

14、基于所述待预测日的气象特征类型构建预测日气象特征向量，并将所述预测日气象特征向量作为参考序列；

15、基于多个所述历史日的气象特征类型分别构建对应的历史日气象特征向量，并将各所述历史日气象特征向量作为各比较序列；

16、确定所述参考序列和各所述比较序列之间的关联系数，并基于所述关联系数和灰色关联度分析方法确定出灰色关联度值；

17、将所述灰色关联度值作为多个所述历史日与所述待预测日之间的气象因子相似度。

18、可选的，所述利用所述星期因子相似度、所述时间因子相似度和所述气象因子相似度确定出多个所述历史日与所述待预测日之间的综合相似度，包括：

19、基于权重系数对所述星期因子相似度、所述时间因子相似度和所述气象因子相似度进行加权处理，得到加权结果；

20、将所述加权结果作为多个所述历史日与所述待预测日之间的综合相似度。

21、可选的，所述利用各所述相似日的历史特征数据和历史电力负荷构建初始样本集之后，还包括：

22、基于所述初始样本集确定出对应的主曲线，并计算所述初始样本集中各样本点到所述主曲线之间的投影距离；

23、基于所述初始样本集中所述投影距离满足预设距离关系的样本点构建新样本集；

24、相应的，所述根据粒群划分技术对所述初始样本集进行划分，以统计各个粒群的样本数量，包括：

25、根据粒群划分技术对所述新样本集进行划分，以统计各个粒群的样本数量。

26、可选的，所述电力负荷预测模型基于lightgbm模型构建。

27、可选的，所述利用所述训练数据集对电力负荷预测模型进行训练，以得到训练后电力负荷预测模型的过程中，还包括：

28、基于所述训练数据集中各训练样本的一阶导数和二阶导数构建目标函数，并在所述目标函数取得最小值时，得到训练后电力负荷预测模型。

29、第二方面，本技术公开了一种电力负荷预测方法，基于前述公开的电力负荷预测模型训练方法训练得到的训练后电力负荷预测模型，包括：

30、获取待预测的目标日的当前气象特征数据以及获取与所述目标日对应的历史相似日的历史气象特征数据；所述历史相似日为多个历史日中与所述目标日相似度最高的若干个相似日；

31、将所述当前气象特征数据和所述历史气象特征数据输入至所述训练后电力负荷预测模型，以得到所述训练后电力负荷预测模型输出的所述目标日的电力负荷预测值。

32、第三方面，本技术公开了一种电力负荷预测模型训练装置，包括：

33、相似日确定模块，用于根据预设相似日筛选规则从多个历史日中筛选出与待预测日相似度最高的若干个相似日；

34、粒群划分模块，用于利用各所述相似日的历史特征数据和历史电力负荷构建初始样本集，并根据粒群划分技术对所述初始样本集进行划分，以统计各个粒群的样本数量；

35、数据采样模块，用于基于所述样本数量和预设样本总量对各所述粒群中的多类样本和少类样本分别进行过采样和欠采样，以得到采样后的多类样本集和少类样本集；

36、模型训练模块，用于基于所述多类样本集和所述少类样本集以及所述待预测日的目标特征数据和实测电力负荷构建训练数据集，并利用所述训练数据集对电力负荷预测模型进行训练，以得到训练后电力负荷预测模型。

37、第四方面，本技术公开了一种电子设备，包括：

38、存储器，用于保存计算机程序；

39、处理器，用于执行所述计算机程序，以实现前述公开的电力负荷预测模型训练方法及电力负荷预测方法的步骤。

40、第五方面，本技术公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的电力负荷预测模型训练方法及电力负荷预测方法的步骤。

41、可见，本技术通过根据预设相似日筛选规则从多个历史日中筛选出与待预测日相似度最高的若干个相似日；利用各所述相似日的历史特征数据和历史电力负荷构建初始样本集，并根据粒群划分技术对所述初始样本集进行划分，以统计各个粒群的样本数量；基于所述样本数量和预设样本总量对各所述粒群中的多类样本和少类样本分别进行过采样和欠采样，以得到采样后的多类样本集和少类样本集；基于所述多类样本集和所述少类样本集以及所述待预测日的目标特征数据和实测电力负荷构建训练数据集，并利用所述训练数据集对电力负荷预测模型进行训练，以得到训练后电力负荷预测模型。由此可见，本技术首先根据预设相似日筛选规则可以从多个历史日中筛选出与待预测日相似度最高的若干个相似日，从而可以得到与待预测日更相似的样本数据。进一步的，利用各相似日的历史特征数据和历史电力负荷构建初始样本集，并采取粒群划分技术对初始样本集进行划分，并统计各个粒群的样本数量，粒群划分技术可以通过样本间的相似关系将样本形成信息块以降低样本间的复杂性。并且，为了避免样本数据集中多类样本和少类样本不均衡的问题，本技术还需基于样本数量和预设样本总量对各粒群中的多类样本和少类样本分别进行过采样和欠采样，以得到采样后的多类样本集和少类样本集，最后则可基于多类样本集和少类样本集以及待预测日的目标特征数据和实测电力负荷构建训练数据集。通过以上方案构建得到的训练数据集降低了特征数据间的耦合性和复杂性，且避免了样本数据不均衡的问题，因此通过利用上述训练数据集对电力负荷预测模型进行训练得到的训练后电力负荷预测模型可以实现更准确的预测效果，从而提高了模型的预测精度。