本申请涉及计算机,尤其涉及一种负荷预测方法、装置、设备及存储介质。
背景技术:
1、作为生产生活的重要支撑,电力系统可以向各行业、各领域提供用电服务,是现代化社会运转的基础设施之一。
2、然而,随着人口的增长和经济的发展,电力负荷的增加给电力系统带来了巨大的挑战,需要十分复杂的管理和运营方式才能使电力系统的供电保持可靠和稳定,否则,过度或不足的供电会导致电网时常发生故障,影响供电效率。
技术实现思路
1、本申请实施例提供了一种负荷预测方法、装置、设备及存储介质,以不需要采取复杂的管理和运营方式也能够保持电力系统的可靠性和稳定性,有助于避免电网故障,提高供电效率。
2、第一方面,本申请实施例提供了一种负荷预测方法,包括:
3、获取数据集,所述数据集包括电力系统的历史负荷数据,以及待预测时间的节假日特征、季节性因素特征和数值天气;
4、对所述数据集进行预处理得到预处理数据集,并将所述预处理数据集划分为训练集和预测集;
5、基于所述训练集训练初始预测模型,得到训练好的负荷预测模型,所述训练好的负荷预测模型包括轻量级梯度提升树lightgbm模型和自回归移动平均arma模型;
6、基于所述训练好的负荷预测模型对所述预测集进行预测,得到所述待预测时间的预测负荷数据。
7、可选地,所述初始预测模型包括初始lightgbm模型,所述lightgbm模型通过如下步骤训练:
8、以所述训练集中待预测时间的节假日特征、季节性因素特征和数值天气作为所述初始lightgbm模型的输入,并以所述待预测时间的预测负荷数据作为所述初始lightgbm模型的输出,对所述初始lightgbm模型进行训练,训练结束得到所述lightgbm模型。
9、可选地,所述初始预测模型包括初始arma模型,所述arma模型通过如下步骤训练:
10、以所述训练集中的历史负荷数据作为所述初始arma模型的输入,并以所述待预测时间的预测负荷数据作为所述初始arma模型的输出,对所述初始arma模型进行训练,训练结束得到所述arma模型。
11、可选地,所述基于所述训练好的负荷预测模型对所述预测集进行预测,得到所述待预测时间的预测负荷数据,包括:
12、分别利用所述lightgbm模型和所述arma模型对所述预测集进行预测,得到所述lightgbm模型对应的预测结果和所述arma模型对应的预测结果;
13、对所述lightgbm模型对应的预测结果和所述arma模型对应的预测结果进行加权平均,得到所述预测负荷数据。
14、可选地,所述方法还包括:
15、获取所述待预测时间的实际负荷数据;
16、基于所述预测负荷数据和所述实际负荷数据,确定所述负荷预测模型的误差数据;所述误差数据为所述待预测时间中的任一时刻的负荷预测偏差率、日负荷的预测偏差率均方根、日平均负荷的预测准确率和月平均日负荷的预测准确率。
17、可选地,通过如下公式计算所述误差数据:
18、
19、
20、ad=(1-rmse)×100%
21、
22、其中,ei为所述待预测时间中第i时刻的负荷预测偏差率,li,f为所述第i时刻的预测负荷数据,li为所述第i时刻的实际负荷数据,rmse为所述日负荷的预测偏差率均方根,n为待预测时间中时刻的总数量,ad为所述日平均负荷的预测准确率,am为月平均日负荷的预测准确率,ad,r为第r天的日平均负荷的预测准确率,k为用于评估月平均日负荷的预测准确率的总天数。
23、可选地,所述对所述数据集进行预处理得到预处理数据集,包括:
24、基于所述数据集中任一时间段所包括的多个不同时刻分别对应的数据,确定所述任一时间段的数据的缺失率;
25、当所述任一时间段的数据的缺失率小于缺失率阈值,对所述任一时间段的数据进行填充,得到第一数据集;
26、当所述任一时间段的数据的缺失率大于缺失率阈值,从所述数据集中删除所述任一时间段的数据,得到第一数据集;
27、对所述第一数据集进行清洗和去重得到第二数据集;
28、对所述第二数据集进行异常值处理,得到所述预处理数据集。
29、第二方面,本申请实施例提供了一种负荷预测装置,包括:
30、获取模块,用于获取数据集,所述数据集包括电力系统的历史负荷数据,以及待预测时间的节假日特征、季节性因素特征和数值天气;
31、处理模块,用于对所述数据集进行预处理得到预处理数据集,并将所述预处理数据集划分为训练集和预测集;
32、训练模块,用于基于所述训练集训练初始预测模型,得到训练好的负荷预测模型,所述训练好的负荷预测模型包括轻量级梯度提升树lightgbm模型和自回归移动平均arma模型;
33、预测模块,用于基于所述训练好的负荷预测模型对所述预测集进行预测,得到所述待预测时间的预测负荷数据。
34、第三方面,本申请实施例提供了一种电子设备,所述设备包括:处理器、存储器、系统总线;
35、所述处理器以及所述存储器通过所述系统总线相连;
36、所述存储器用于存储程序,所述程序包括指令,所述指令当被所述处理器执行时使所述处理器执行上述负荷预测方法的任一实现方式。
37、第四方面,本申请实施例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中存储有指令,当所述指令在电子设备上运行时,使得所述电子设备执行上述负荷预测方法的任一实现方式。
38、从以上技术方案可以看出,本申请实施例具有以下优点:
39、在本申请实施例中,获取包括电力系统的历史负荷数据,以及待预测时间的节假日特征、季节性因素特征和数值天气的数据集之后,可以对该数据集进行预处理得到预处理数据集,并将预处理数据集划分为训练集和预测集。通过对数据集进行预处理,可以提高数据质量,这样利用预处理数据集划分出的训练集进行模型训练,有助于得到精度较高的负荷预测模型,从而获取到准确的负荷预测数据。接着,即可基于训练集训练初始预测模型,得到训练好的负荷预测模型,并基于训练好的负荷预测模型对预测集进行预测,得到待预测时间的预测负荷数据。由于上述训练好的负荷预测模型包括lightgbm模型和arma模型,因此,通过多模型进行预测,使模型具有多样性,可以进一步提高预测的准确性。如此一来,借助训练好的负荷预测模型可以准确、快速地预测出待预测时间的预测负荷数据,工作人员便可提前利用预测负荷数据对待预测时间的供电进行规划,不需要采取复杂的管理和运营方式也能够保持电力系统的可靠性和稳定性,有助于避免电网故障,提高供电效率。
1.一种负荷预测方法,其特征在于,包括:
2.根据权利要求1所述的负荷预测方法,其特征在于,所述初始预测模型包括初始lightgbm模型,所述lightgbm模型通过如下步骤训练:
3.根据权利要求1所述的负荷预测方法,其特征在于,所述初始预测模型包括初始arma模型,所述arma模型通过如下步骤训练:
4.根据权利要求1所述的负荷预测方法,其特征在于,所述基于所述训练好的负荷预测模型对所述预测集进行预测,得到所述待预测时间的预测负荷数据,包括:
5.根据权利要求1至4任一项所述的负荷预测方法,其特征在于,所述方法还包括:
6.根据权利要求5所述的负荷预测方法,其特征在于,通过如下公式计算所述误差数据:
7.根据权利要求1至4任一项所述的负荷预测方法,其特征在于,所述对所述数据集进行预处理得到预处理数据集,包括:
8.一种负荷预测装置,其特征在于,包括:
9.一种电子设备,其特征在于,所述设备包括:处理器、存储器、系统总线;
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在电子设备上运行时,使得所述电子设备执行权利要求1至6任一项所述的负荷预测方法。