一种用电负荷数据预测方法、装置、设备及可读存储介质与流程

本技术涉及数据预测领域，更具体地说，涉及一种用电负荷数据预测方法、装置、设备及可读存储介质。

背景技术：

1、随着信息化时代的建设，物联网技术与人们的生活息息相关。物联网的发展遍及各地区各行业战略性产业链，这些重要行业领域有能源电力行业，运输交通行业与智能医疗行业和服务行业等。目前多种方式正在改善各种形式物联感知系统，能源电力正着手于智能感知平台的开发，协助行业的发展，多家企业正致力于物联感知技术的革新。

2、地区的用电负荷数据是能源电力行业进行数据处理时必不可少的一种数据。现有的用电负荷数据预测方法是先通过对地区的原始用电负荷数据以及与原始用电负荷数据相关的影响因子数据进行数据标注，得到标注数据，然后通过传统的机器学习对标注数据进行训练得到预测模型，从而预测出该地区的用电负荷数据。然而该方法需要对大量无标注的数据一一进行人工标注，需要耗费大量的时间成本，当需要预测多个地区的用电负荷数据时，预测效率较低。

技术实现思路

1、本技术实施例提供了一种用电负荷数据预测方法、装置、设备及可读存储介质，能够提高用电负荷数据的预测效率。

2、有鉴于此，本技术实施例提供了一种用电负荷数据预测方法，包括：

3、将所述待预测用电特征数据输入负荷数据预测模型中，得到所述预设时间段内的目标用电负荷数据；其中，所述负荷数据预测模型是根据源域数据训练得到的，所述源域数据为已标注数据，所述源域数据为所述目标用电负荷数据所属领域的关联领域中的用电负荷数据。

4、可选地，在所述获取预设时间段内的待预测用电特征数据之前，所述方法还包括：

5、从所述源域数据中确定待训练源域数据；

6、通过迁移学习和经验模态分解的方式确定待训练源域数据对应的影响因子权重；

7、根据所述待训练源域数据和所述影响因子权重对回归模型进行训练，得到所述负荷数据预测模型。

8、可选地，所述通过迁移学习和经验模态分解的方式确定待训练源域数据对应的影响因子权重，包括：

9、将所述待训练源域数据输入经验模态分解模型中，得到第一本征模式函数曲线；

10、通过迁移学习从所述源域数据中确定出待补充源域数据，其中所述待补充源域数据与目标域数据的相似度大于第一预设阈值，所述目标域数据包括所述目标用电负荷数据所属领域中的用电负荷数据和影响因子数据；

11、将所述待补充负荷数据输入经验模态分解模型中，得到第二本征模式函数曲线；

12、将所述第一本征模式函数曲线和所述第二本征模式函数曲线融合，得到目标曲线；

13、根据所述目标曲线和皮尔逊相关系数计算出所述影响因子权重。

14、可选地，所述源域数据包括源域负荷数据和源域影响因子数据，所述源域负荷数据包括多个源域负荷子数据，所述源域影响因子数据包括多个源域影响因子子数据，所述从所述源域数据中确定待训练源域数据，包括：

15、根据第一时间段的源域负荷子数据、第二时间段的源域子负荷数据以及第三时间段的源域负荷子数据计算第一时间段的用电负荷变化量，直至计算出在源域数据采集周期内的每个时间段的用电负荷变化量，其中，所述第二时间段为所述第一时间段之前的时间段，所述第三时间段为所述第一时间段之后的时间段，所述源域数据采集周期至少包括所述第一时间段、第二时间段和第三时间段；

16、根据每个时间段的用电负荷变化量计算出用电负荷变化量均值；

17、根据所述第一时间段的用电负荷变化量和所述用电负荷变化量均值计算出所述第一时间段的负荷突变值，直至计算出每个时间段的源域负荷子数据对应的负荷突变值；

18、将大于预设阈值的负荷突变值对应的源域负荷子数据和源域影响因子子数据从所述源域数据中剔除，得到待训练源域数据。

19、可选地，在所述根据所述待训练源域数据和所述影响因子权重对回归模型进行训练，得到负荷数据预测模型之后，所述方法还包括：

20、获取待测试用电特征数据，所述待测试用电特征数据为所述目标用电负荷数据所属领域中的用电特征数据；

21、将所述待测试用电特征数据输入负荷数据预测模型中，得到预测用电负荷数据；

22、根据所述预测用电负荷数据与实际用电负荷数据计算出平均绝对百分误差，所述实际用电负荷数据与所述待测试用电特征数据对应；

23、根据所述平均绝对百分误差确定所述负荷数据预测模型的模型性能。

24、本技术实施例还提供了一种用电负荷数据预测装置，包括：

25、获取单元，用于获取预设时间段内的待预测用电特征数据；

26、预测单元，用于将所述待预测用电特征数据输入负荷数据预测模型中，得到所述预设时间段内的目标用电负荷数据；其中，所述负荷数据预测模型是根据源域数据训练得到的，所述源域数据为已标注数据，所述源域数据为所述目标用电负荷数据所属领域的关联领域中的用电负荷数据。

27、可选地，所述装置还包括：

28、确定单元，用于从所述源域数据中确定待训练源域数据；

29、所述确定单元，还用于通过迁移学习和经验模态分解的方式确定待训练源域数据对应的影响因子权重；

30、训练单元，用于根据所述待训练源域数据和所述影响因子权重对回归模型进行训练，得到负荷数据预测模型。

31、可选地，所述确定单元，具体用于：

32、将所述待训练源域数据输入经验模态分解模型中，得到第一本征模式函数曲线；

33、通过迁移学习从所述源域数据中确定出待补充源域数据，其中所述待补充源域数据与目标域数据的相似度大于第一预设阈值，所述目标域数据包括所述目标用电负荷数据所属领域中的用电负荷数据和影响因子数据；

34、将所述待补充源域数据输入经验模态分解模型中，得到第二本征模式函数曲线；

35、将所述第一本征模式函数曲线和所述第二本征模式函数曲线融合，得到目标曲线；

36、根据所述目标曲线和皮尔逊相关系数计算出所述影响因子权重。

37、本技术实施例还提供了一种计算机设备，包括：存储器、处理器以及总线系统；

38、其中，所述存储器用于存储程序；

39、所述处理器用于执行所述存储器中的程序，以实现上述所述的任意一种用电负荷数据预测方法；

40、所述总线系统用于连接所述存储器以及所述处理器，以使所述存储器以及所述处理器进行通信。

41、本技术实施例还提供了一种计算机可读存储介质，存储有指令，当其在计算机上运行时，使得计算机执行如上述所述的任意一种用电负荷数据预测方法。

42、本技术实施例提供了一种用电负荷数据预测方法，包括：获取预设时间段内的待预测用电特征数据；将所述待预测用电特征数据输入负荷数据预测模型中，得到所述预设时间段内的目标用电负荷数据；其中，所述负荷数据预测模型是根据源域数据训练得到的，所述源域数据为已标注数据，所述源域数据为所述目标用电负荷数据所属领域的关联领域中的用电负荷数据。可见，本技术由于用于预测目标用电负荷数据的负荷数据模型是根据源域数据得到的，也即可以根据目标用电负荷数据所属领域的关联领域中的已标注数据作为训练数据来训练出负荷数据模型，所以在训练时无需对目标用电负荷数据所属领域中的无标注数据进行人工标注，从而大大节省了预测时的时间成本，提高了用电负荷数据的预测效率。