本发明涉及数据处理,特别涉及一种能源站负荷分布的预测方法、装置、介质及设备。
背景技术:
1、随着经济的持续发展,能源生产和消费模式正在发生重大转变,能源产业肩负着提高能源效率、保障能源安全、促进新能源消纳和推动环境保护等新使命。
2、为了满足经济增长的需求,各种能源站的建设在不断增加,在能源站使用后,为了保证能源站可靠、稳定的运行,通常会对能源站的负荷情况进行预测。
3、然而现有的负荷预测方法存在预测结果不准确的问题,无法准确的预测出未来一段时间内能源站的负荷分布情况。
技术实现思路
1、有鉴于此,本发明提供了一种能源站负荷分布的预测方法、装置、介质及设备,主要目的在于解决目前存在的无法准确的预测出未来一段时间内能源站的负荷分布问题。
2、为解决上述问题,本技术提供一种能源站负荷分布的预测方法,包括:
3、获取若干历史负荷数据以及各历史负荷数据对应的历史时间;
4、基于各历史时间获取与各历史时间对应的样本时间特征;
5、对各历史负荷数据进行特征计算处理,获得与各历史负荷数据对应的、包含若干目标特征种类的目标样本特征数据集;
6、基于各历史负荷数据对应的目标特征数据集、各历史时间的样本时间特征、以及待预测时间段内各目标时间的目标时间特征,对各目标时间进行负荷数据预测,获得与各目标时间对应的预测负荷数据;
7、利用分位数回归预测方式对各所述预测负荷数据,进行分位数预测,获得待预测时间段内各目标分位数对应的目标负荷值,以获得负荷分布的预测结果。
8、可选的,所述对各历史负荷数据进行特征计算处理,获得与各历史负荷数据对应的、包含若干目标特征种类的目标样本特征数据集,具体包括:
9、基于预定特征类型以及若干时间范围,确定各特征类型下、不同时间范围所对应的不同特征种类,以获得若干初始特征种类;
10、基于各所述初始特征种类对各历史负荷数据进行特征计算处理,获得各初始特征种类下、与各历史负荷数据对应的初始样本特征数据;
11、基于各所述初始样本特征数据,利用特征对抗验证的特征筛选方式,从各所述初始特征种类中筛选获得若干第一特征种类;
12、基于各第一特征种类所对应的各初始样本特征数据,利用特征重要性的特征筛选方式进行筛选,以从各第一特征种类中筛选获得目标特征种类;
13、将各所述目标特征种类所对应的各初始样本特征数据作为目标样本特征数据,以构建获得与各历史负荷数据对应的目标样本特征数据集。
14、可选的,所述基于各所述初始样本特征数据,利用特征对抗验证的特征筛选方式,从各所述初始特征种类中筛选获得筛选若干第一特征种类,具体包括:
15、对各历史负荷数据所对应的初始样本特征数据进行划分,获得训练集和测试集,并为所述训练集和所述测试集中的初始样本特征配置对应的标签;
16、将所述训练集中和所述测试集进行数据合并,并基于合并后的初始样本特征数据以及各初始特征数据所对应的标签进行分类模型训练,获得当前分类模型;
17、基于所述当前分类模型计算获得当前auc值,并将所述当前auc值与预定auc阈值进行比较;
18、在所述当前auc值大于所述auc阈值的情况下,计算各初始特征种类对应的特征重要性,并删除特征重要性最高的初始特征种类所对应的各初始样本特征,并重新进行分类模型训练,直至基于重新训练获得的分类模型的当前auc值小于所述预定的auc阈值,将未被删除的各初始特征种类作为第一特征种类。
19、可选的,所述基于各第一特征种类所对应的各初始样本特征数据,利用特征重要性的特征筛选方式,从各第一特征种类中筛选获得目标特征种类,具体包括:
20、针对同一第一特征种类对应的各初始样本特征数据以及各初始样本特征数据对应的历史负荷数据,分别进行树模型训练,获得与各第一特征种类对应的原始特征重要性;
21、针对同一第一特征种类对应的各初始样本特征数据,将各初始样本特征数据与历史负荷数据的对应关系进行打乱处理,获得对应关系打乱后的各历史负荷数据以及各初始样本特征数据;
22、基于对应关系打乱后的各历史负荷数据以及各初始样本特征数据,进行树模型训练,获得与各第一特征种类对应的当前特征重要性;
23、基于同一第一特征种类对应的所述原始特征重要性和所述当前特征重要性,确定各第一特征种类的目标特征重要性;
24、基于各第一特征种类对应的目标特征重要性对各第一特征种类进行筛选,获得若干目标特征种类;
25、可选的,所述特征类型包括:统计特征、滞后特征以及差分特征;
26、所述统计特征包括:方差、最大值、最小值、平均值;
27、所述时间特征包括:节日特征、假日特征。
28、可选的,所述基于各历史负荷数据对应的目标特征数据集、各历史时间的样本时间特征、以及待预测时间段内各目标时间的目标时间特征,对各目标时间进行负荷数据预测,获得与各目标时间对应的预测负荷数据,具体包括:
29、基于各历史负荷数据对应的目标特征数据集以及各历史时间的样本时间特征,对初始点预测模型进行训练,获得目标点预测模型;
30、基于各目标时间的目标时间特征,利用所述目标点预测模型预测获得与各目标时间对应的预测负荷数据。
31、可选的,所述利用分位数回归预测方式对各所述预测负荷数据,进行分位数预测,获得待预测时间段内各目标分位数对应的负荷值,以获得负荷分布的预测结果,具体包括:
32、基于各历史负荷数据确定若干目标分位数对应的样本负荷值;
33、基于各所述历史负荷数据以及各目标分位数对应的样本负荷值,对初始分位数回归预测模型进行训练,获得目标分位数回归预测模型;
34、基于目标分位数回归预测模型对各所述预测负荷数据,进行分位数回归预测,获得各目标分位数对应的目标负荷值,以获得负荷分布的预测结果。
35、为解决上述问题,本技术提供一种能源站负荷分布的预测装置,包括:
36、历史数据获取模块,用于获取若干历史负荷数据以及各历史负荷数据对应的历史时间;
37、第一特征获取模块,用于基于各历史时间点位获取与各历史时间对应的样本时间特征;
38、第二特征获取模块,用于对各历史负荷数据进行特征计算处理,获得与各历史负荷数据对应的、包含若干目标特征种类的目标样本特征数据集;
39、第一预测模块,用于基于各历史负荷数据对应的目标特征数据集、各历史时间的样本时间特征、以及待预测时间段内各目标时间的目标时间特征,对各目标时间进行负荷数据预测,获得与各目标时间对应的预测负荷数据;
40、第二预测模块,用于利用分位数回归预测方式对各所述预测负荷数据,进行分位数预测,获得待预测时间段内各目标分位数对应的目标负荷值,以获得负荷分布的预测结果。
41、为解决上述问题,本技术提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述能源站负荷分布的预测方法的步骤。
42、为解决上述问题,本技术提供一种电子设备,至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器在执行所述存储器上的计算机程序时实现上述任一项所述能源站负荷分布的预测方法的步骤。
43、本技术中能源站的负荷分布预测方法、装置、介质及设备,通过利用历史负荷数据提取获得特征数据,然后根据特征数据能够准确的预测获得未来时间段内各时间点所对应的负荷数据,后续就可以根据各负荷数据精准的预测获得该未来时间段内各分位数所对应的负荷值,从而实现了对该未来时间段内负荷分布情况的预测,解决了现有技术中能源站负荷分布预测结果不准确的问题,为后续基于预测结果合理、准确的策略申报提供了保障。
44、上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。