基于高性能异构计算的电力用户侧负荷处理方法、装置与流程

本发明属于负荷预测，具体涉及一种基于高性能异构计算的电力用户侧负荷处理方法、装置。

背景技术：

1、随着智能电网技术发展，对用户用电管控日益精细，以为用户提供更多增值服务。而具体实现中，用户侧负荷多种因素影响，例如气象因素包括气温、气压、湿度、光照、风速、风向、是否节假日、星期、季节等，应用场景复杂，对用户负荷的处理形成较大的挑战。

技术实现思路

1、有鉴于此，本发明旨在提供一种基于高性能异构计算的电力用户侧负荷处理方法、装置，通过多层、多维度的负荷预测模型，充分考虑基于时序的多种影响因素，提高负荷预测的准确性，满足当下对用户负荷处理的要求。

2、为了解决上述技术问题，本发明提供以下技术方案：

3、第一方面，本发明提供一种基于高性能异构计算的电力用户侧负荷处理方法，用于cpu-gpu异构计算平台，方法包括：

4、获取用户侧预设时间窗口的历史负荷数据；历史负荷数据至少包括基于时序的多个历史日期，以及各个历史日期对应的天气数据；

5、将历史日期输入到负荷预测模型中的prophet模型进行处理，得到第一负荷预测值；

6、将历史日期和对应的天气数据输入到负荷预测模型中的lstm模型进行处理，得到第二负荷预测值；

7、将第一负荷预测值和第二负荷预测值输入至负荷预测模型的预测层进行融合处理，得到用户侧的负荷预测值。

8、进一步的，prophet模型的训练步骤包括：

9、获取第一数据集；其中，第一数据集包括基于时序的多个历史日期，以及各个历史日期对应的用户侧负荷；

10、将第一数据集划分为第一训练集和第一验证集；其中，第一训练集中的至少部分历史日期晚于第一验证集合的历史日期；

11、将第一训练集输入至待训练的prophet模型进行趋势、季节和节假日维度的拟合；并通过第一验证集对prophet模型进行验证，得到prophet模型。

12、进一步的，lstm模型的训练步骤，包括：

13、获取第二数据集；第二数据集包括基于时序的多个历史日期，以及各个历史时期对应的天气数据和用户侧负荷；

14、将第二数据集划分为第二训练集和第二验证集；其中，第二训练集中的至少部分历史日期晚于第二验证集合的历史日期；

15、将第二训练集输入至待训练的lstm模型进行训练；并通过第二验证集对lstm模型进行验证，得到lstm模型。

16、进一步的，负荷预测模型为stacking集成模型，stacking集成模型包括第一层和第二层，第一层包括并列设置的prophet模型和lstm模型，第二层为预测层；stacking集成模型的训练步骤，包括：

17、获取第一数据集和第二数据集；执行对prophet模型和lstm模型进行训练的步骤；

18、将prophet模型和lstm模型在各个日期对应的负荷预测输入到预测层进行预测，并结合各个日期对应的实际负荷值对预测层进行验证，得到stacking集成模型。

19、进一步的，还包括：

20、获取用户侧的负荷预测值和对应的实际负荷值；

21、根据负荷预测值和实际负荷值的偏离状态，确定用户侧的负荷异常状态。

22、进一步的，获取用户侧预设时间窗口的历史负荷数据之后，方法包括：

23、将历史负荷数据进行数据预处理，数据预处理的方式包括但不限于数据清洗、数据归一化、特征提取和特征选择。

24、第二方面，本发明提供了一种基于高性能异构计算的电力用户侧负荷处理装置，用于cpu-gpu异构计算平台，装置包括：

25、历史数据获取模块，用于获取用户侧预设时间窗口的历史负荷数据；历史负荷数据至少包括基于时序的多个历史日期，以及各个历史日期对应的天气数据；

26、第一负荷预测模块，用于将历史日期输入到负荷预测模型中的prophet模型进行处理，得到第一负荷预测值；

27、第二负荷预测模块，用于将历史日期和对应的天气数据输入到负荷预测模型中的lstm模型进行处理，得到第二负荷预测值；

28、预测值获取模块，用于将第一负荷预测值和第二负荷预测值输入至负荷预测模型的预测层进行融合处理，得到用户侧的负荷预测值。

29、第三方面，本发明提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现第一方面方法的步骤。

30、第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面方法的步骤。

31、综上，本发明提供了一种基于高性能异构计算的电力用户侧负荷处理方法、装置，通过负荷预测模型实现对用户侧负荷预测，该负荷模型包括prophet模型、lstm模型和预测层；获取用户侧预设时间窗口的历史负荷数据，将历史日期输入到负荷预测模型中的prophet模型进行处理，得到第一负荷预测值，第一负荷预测值是基于时间趋势、季节和节假日对负荷的影响；将历史日期和对应的天气数据输入到负荷预测模型中的lstm模型进行处理，得到第二负荷预测值，第二负荷预测值是基于天气变化对负荷的影响；将第一负荷预测值和第二负荷预测值进行进一步融合，得到用户侧的负荷预测值。通过多层、多维度的负荷预测模型，充分考虑基于时序的多种影响因素，提高负荷预测的准确性。进一步地，通过cpu-gpu异构计算，发挥硬件加速优势，提高了电力用户侧负荷处理的效率。

技术特征：

1.一种基于高性能异构计算的电力用户侧负荷处理方法，其特征在于，用于cpu-gpu异构计算平台，所述方法包括：

2.根据权利要求1所述的基于高性能异构计算的电力用户侧负荷处理方法，其特征在于，所述prophet模型的训练步骤包括：

3.根据权利要求2所述的基于高性能异构计算的电力用户侧负荷处理方法，其特征在于，所述lstm模型的训练步骤，包括：

4.根据权利要求3所述的基于高性能异构计算的电力用户侧负荷处理方法，其特征在于，所述负荷预测模型为stacking集成模型，所述stacking集成模型包括第一层和第二层，所述第一层包括并列设置的prophet模型和lstm模型，所述第二层为预测层；所述stacking集成模型的训练步骤，包括：

5.根据权利要求1所述的基于高性能异构计算的电力用户侧负荷处理方法，其特征在于，还包括：

6.根据权利要求1所述的基于高性能异构计算的电力用户侧负荷处理方法，其特征在于，所述获取用户侧预设时间窗口的历史负荷数据之后，所述方法包括：

7.一种基于高性能异构计算的电力用户侧负荷处理装置，用于cpu-gpu异构计算平台，所述装置包括：

8.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的一种基于高性能异构计算的电力用户侧负荷处理方法的步骤。

9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的一种基于高性能异构计算的电力用户侧负荷处理方法的步骤。

技术总结
本发明提供了一种基于高性能异构计算的电力用户侧负荷处理方法、装置，属于负荷预测技术领域。包括获取用户侧预设时间窗口的历史负荷数据，将历史日期输入到负荷预测模型中的Prophet模型进行处理，得到表示基于时间趋势、季节和节假日对负荷的影响的第一负荷预测值；将历史日期和对应的天气数据输入到负荷预测模型中的LSTM模型进行处理，得到基于天气变化对负荷的影响的第二负荷预测值；将两个预测值进行进一步融合，得到用户侧的负荷预测值。通过多层、多维度的负荷预测模型，充分考虑基于时序的多种影响因素，提高负荷预测的准确性。进一步地，通过CPU‑GPU异构计算，发挥硬件加速优势，提高了电力用户侧负荷处理的效率。

技术研发人员：张殷,王俊波,李国伟,唐琪,熊仕斌,蒋维,罗容波,范心明,周克楠,李新,董镝,陈邦发,陈衍鹏,吴焯军,梁年柏,王云飞,李雷,王智娇,李兰茵,李浩
受保护的技术使用者：广东电网有限责任公司
技术研发日：
技术公布日：2024/1/15