一种短时电力负荷预测的方法及装置与流程

本发明涉及数据分析领域，特别是涉及一种短时电力负荷预测的方法及装置。

背景技术：

由于电不能直接储存的特点，当今社会在进行供电时都是随时发电随时使用的状态。但是由于在日常生活中，人们使用电量总体是波动的，是存在波峰波谷的，但是人们的用电状况可以进行预测，以此使得电力公司可以准确的进行供电。

短期电力负荷预测对电力系统的运行和规划具有重要的经济意义，准确的电力负荷预测有助于电力公司做出合理的发电计划，可以有效减少电力公司的运营成本。

在现有技术中，通常是使用人工神经网络结合最小二乘法来对电力负荷进行预测。在具体操作中需要根据电力公司的历史电力负荷数据，预先建立相应的预测模型，之后再根据输入的实时电力负荷数据对后续一段时间内的电力负荷数据进行预测。

但是在现有技术中，普遍存在预测精度不高的情况，这会增加电力公司的运营成本。

技术实现要素：

本发明的目的是提供一种短时电力负荷预测的方法，可以准确对电力系统中的电力负荷进行预测；本发明的另一目的在于提供一种短时电力负荷预测的装置，可以准确对电力系统中的电力负荷进行预测。

为解决上述技术问题，本发明提供一种短时电力负荷预测的方法，所述方法包括：

获取历史电力数据；

调用预先建立的预测模型，根据所述历史电力数据计算出电力负荷预测数据，所述预测模型为综合分位回归和鲁棒极限学习机，并利用psogsa优化后所建立的预测模型；所述预测模型为通过预先获取的训练数据集训练得到的预测模型。

可选的，所述的历史电力数据为历史电力负荷数据。

可选的，所述预测模型具体为：

其中yt为所述预测模型的输出值，qt为t时刻所述预测模型在τ分位下的输出值，为所述分位回归的影响参数，为所述鲁棒极限学习机的影响参数；相应的，训练所述预测模型时所用的损失函数为：

其中c是惩罚系数，β是所述鲁棒极限学习机中隐含层与输出层之间的权值，yt是训练所述预测模型时所使用的训练数据中t时刻的电力负荷值，ρτ为检验函数。

可选的，所述训练数据集具体为：

将预先获取的历史电力数据进行归一化处理，以生成归一化的样本数据集；

通过自相关分析，提取所述归一化的样本数据集中各变量间的自相关系数；

根据所述自相关系数和预先设定的选取规则，从所述归一化的样本数据集中选取可用的样本变量数据，以构成的所述训练数据集。

本发明还提供了一种短时电力负荷预测的装置，所述装置包括：

获取模块：用于获取历史电力数据；

调用模块：用于调用预先建立的预测模型，根据所述历史电力数据计算出电力负荷预测数据，所述预测模型为综合分位回归模型和鲁棒极限学习机，并利用psogsa优化后所建立的预测模型；所述预测模型为通过预先获取的训练数据集训练得到的预测模型。

可选的，所述获取模块具体用于：

获取历史电力数据，其中历史电力数据为历史电力负荷数据。

可选的，所述调用模块具体用于：

调用预先建立的预测模型，根据所述历史电力负荷数据计算出电力负荷预测数据，所述预测模型具体为：

其中yt为所述预测模型的输出值，qt为t时刻所述预测模型在τ分位下的输出值，为所述分位回归的影响参数，为所述鲁棒极限学习机的影响参数；相应的，训练所述预测模型时所用的损失函数为：

其中c是惩罚系数，β是所述鲁棒极限学习机中隐含层与输出层之间的权值，yt是训练所述预测模型时所使用的训练数据中t时刻的电力负荷值，ρτ为检验函数。

可选的，所述调用模块具体用于：

调用预先建立的预测模型，根据所述历史电力数据计算出电力负荷预测数据，所述预测模型为通过预先获取的训练数据集训练得到的预测模型，所述训练数据集具体为将预先获取的历史电力数据进行归一化处理，以生成归一化的样本数据集；通过自相关分析，提取所述归一化的样本数据集中各变量间的自相关系数；根据所述自相关系数和预先设定的选取规则，从所述归一化的样本数据集中选取可用的样本变量数据，以构成的所述训练数据集。

本发明所提供的一种短时电力负荷预测的方法，可以通过综合分位回归和鲁棒极限学习机，并利用psogsa优化后所建立的混合预测模型来对电力负荷进行预测，分位回归利用历史电力数据影响因素的多个分位数来得到未来某时刻电力负荷预测数据的条件分布的相应的分位数方程，相较传统的最小二乘法而言，分位回归中输入的电力数据的随机扰动不需要做任何分布上的假定，就可以详细的描述预测负荷值的统计分布，使得整个预测模型具有很强的稳健性；而鲁棒极限学习机在继承极限学习机高泛化性能的同时，该模型对异常负荷值的鲁棒性更强，将上述两种方法结合在一起形成的混合模型可以准确的对电力负荷进行预测；本发明还提供了一种短时电力负荷预测的装置，同样具有上述有益效果，在此不再进行赘述。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例所提供的一种短时电力负荷预测方法的流程图；

图2为本发明实施例所提供的一种短时电力负荷预测方法中预测模型的训练流程图；

图3输入的异常值为10个时预测模型输出的数据分布图；

图4输入的异常值为20个时预测模型输出的数据分布图；

图5输入的异常值为50个时预测模型输出的数据分布图；

图6输入的异常值为80个时预测模型输出的数据分布图；

图7为自相关系数分布图；

图8为mae指标随候选数据个数变化的趋势图；

图9为mape指标随候选数据个数变化的趋势图；

图10为rmse指标随候选数据个数变化的趋势图；

图11为本发明实施例提供的一种短时电力负荷预测装置的结构框图。

具体实施方式

本发明的核心是提供一种短时电力负荷预测的方法。在现有技术中，通常是使用人工神经网络结合最小二乘法来对电力负荷进行预测。在具体操作中需要根据电力公司的历史电力数据，预先建立相应的预测模型，之后再根据输入的实时电力负荷数据对后续一段时间内的电力负荷数据进行预测。作为估计回归系数最基础的方法，最小二乘法描述了自变量x对因变量y的均值影响，但是最小二乘法对于预测模型中输入的电力数据的随机扰动需要提前做出分布假定，例如预先假定所述随机扰动为均值分布、正态分布等等。但是在实际生活当中，上述假设通常是不能满足的，数据经常会出现尖峰，厚尾以及存在显著的异方差等情况，此时使用最小二乘法预测出来的电力负荷数据往往存在较大误差。

而本发明所提供的一种短时电力负荷预测的方法，可以通过综合分位回归和鲁棒极限学习机，并利用psogsa优化后所建立的混合预测模型来对电力负荷进行预测，分位回归利用历史电力数据影响因素的多个分位数来得到未来某时刻电力负荷预测数据的条件分布的相应的分位数方程，相较传统的最小二乘法而言，分位回归中输入的电力数据的随机扰动不需要做任何分布上的假定，就可以详细的描述预测负荷值的统计分布，使得整个预测模型具有很强的稳健性；而鲁棒极限学习机在继承极限学习机高泛化性能的同时，该模型对异常负荷值的鲁棒性更强，将上述两种方法结合在一起形成的混合模型可以准确的对电力负荷进行预测。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1，图1为本发明实施例所提供的第一种短时电力负荷预测方法的流程图，该方法包括：

s101：获取历史电力数据。

在本步骤中，会先获取历史电力数据，其中有关具体获取数据的过程可以是操作人员手动输入，也可以是自动将当前的电力数据导入下述的预测模型，当然还可以选择其他获取数据的方法，在此不做具体限定。

其中，所述电力数据为历史电力负荷数据，可能也会考虑实时电价数据，详细内容将在下述实施例中做详细说明。

s102：调用预先建立的预测模型，根据历史电力数据计算出电力负荷预测数据。

在本发明实施例中，所述预测模型为综合分位回归和鲁棒极限学习机，并利用psogsa优化后所建立的预测模型；所述预测模型为通过预先获取的训练数据集训练得到的预测模型，所述训练数据集为根据历史电力数据得到的所述训练数据集。

其中，鲁棒极限学习机是一种前馈神经网络的算法，基于鲁棒极限学习机所建立的预测模型通常具有输入层，隐藏层和输出层，其中隐藏层通常具有多个。在确定所述预测模型中的具体参数时，需要先对所述预测模型进行训练，而训练所用的数据通常是预先存储的用于训练预测模型的历史电力负荷数据。

对于给定的n个训练数据集其中，对于第i个训练数据集，xi＝[xi1,xi2,…,xin]为输入向量，yi为相应的期望输出值。此时，对于包含个隐含层，激励函数为g(x)的鲁棒极限学习机的数学模型可以表示为：

其中，激励函数g(x)的形式可以有多种，例如sigmoid、cos、threshold等等，在此不做具体限定，本发明实施例中所使用的激励函数为sigmoid函数：g(x)＝1/(1+e^-x)。

上述鲁棒极限学习机的数学模型中，wi＝[wi1,wi1,…,w1n]^t为连接隐含层中第i个神经元和输入层之间的权值；为上述第i个神经元的偏差；βi＝[βi1,βi2,…,βin]^t为连接所述第i个神经元和输出层之间的权值。

上述鲁棒极限学习机的数学模型可以用矩阵的形式来进行表达：

hβ＝y

其中：

上式中，h为隐含层的输出矩阵。

为了方便理解，在本实施例接下来的叙述中，将在一维情况下进行详细说明。上述输出权值的求解是要保证损失函数取得最小值，所述损失函数如下：

其中，γ为调节系数，用于权衡训练误差和输出权值。

而在本发明中，是将分位回归与上述鲁棒极限学习机结合在一起，所提供的预测模型为：

其中，yt为所述预测模型的输出值，qt为t时刻所述预测模型在τ分位下的输出值，υ是线性分位回归模型的参数向量，ut＝xt＝(lt,pt)^t是上述线性分位回归模型的影响因子，为所述分位回归的影响参数；h(xt)是上述h矩阵在只考虑一个样本集合时候的情况，即在一维时所能出现的情况，为所述鲁棒极限学习机的影响参数。

相应的，训练所述预测模型时所用的损失函数为：

其中c是惩罚系数，β是所述鲁棒极限学习机中隐含层与输出层之间的权值，yt是训练所述预测模型时所使用的训练数据中t时刻的电力负荷值，ρτ为检验函数。在本发明实施例中，是通过最小化上述损失函数来得出最优的参数，其中检验函数ρτ定义如下：

其中qτ(xt)是在一维情况时，上述预测模型所输出的电力负荷预测数据。

在确定出上述损失函数之后，构建拉格朗日函数去解决上述损失函数的优化问题，即：

其中，λ∈rⁿ是拉格朗日向量乘子，μ＝2n/||y||1，μ是惩罚系数。

利用上式对参数{βτ,υτ}求偏导为零的函数的最优解，具体过程如下：

其中，

在求得上述参数{βτ,υτ}之后，就得到了经过训练的预测模型，在输入s101中的电力数据来计算得出本发明实施例中的电力负荷预测数据。

有关混合粒子群算法(psogsa)的详细内容，将在下述事实例中做详细描述。

本发明所提供的一种短时电力负荷预测的方法，可以通过综合分位回归和鲁棒极限学习机，并利用psogsa优化后所建立的混合预测模型来对电力负荷进行预测，分位回归利用历史电力数据影响因素的多个分位数来得到未来某时刻电力负荷预测数据的条件分布的相应的分位数方程，相较传统的最小二乘法而言，分位回归中输入的电力数据的随机扰动不需要做任何分布上的假定，就可以详细的描述预测负荷值的统计分布，使得整个预测模型具有很强的稳健性；而鲁棒极限学习机在继承极限学习机高泛化性能的同时，该模型对异常负荷值的鲁棒性更强，将上述两种方法结合在一起形成的混合模型可以准确的对电力负荷进行预测。

在对所述预测模型进行训练时，可以进一步的提高预测模型的训练速度以及提高所述预测模型的精度，具体的优化步骤请参照下述实施例。

请参考图2，图2为本发明实施例所提供的一种短时电力负荷预测方法中预测模型的训练流程图，该方法包括：

s201：获取历史电力数据。

本步骤与上述实施例中s101大体相同，详细情况请参照上述实施例，在此不再进行赘述。

在本发明实施例中，所述历史电力数据会包括有历史电力负荷数据，详细内容将在下述实施例中做详细说明。

s202：历史电力数据进行归一化处理，以生成归一化的样本数据集。

在本步骤中，会先对历史电力数据进行归一化，具体步骤如下：

对于所述历史电力数据，假定其中第i个样本集包括j个历史电力负荷数据，用l表示历史电力负荷数据，则得到的样本集为：

xi＝{l1,l2,l3...lj}；

对上述样本集进行归一化处理，需要使其中的数据分布在[0,1]，可以通过下式进行归一化：

其中，表示归一化后的历史电力负荷数据，lmax为上述样本集xi＝{l1,l2,l3...lj}中的最大值。此时可以得到所述归一化数据

在对数据进行归一化之后，使得输入的数据之间的差异得到了控制，同时还保持了数据独立的类别信息。在对数据归一化之后，可以提高上述发明实施例中的预测模型的计算速度和预测精度。

s203：通过自相关分析，提取归一化的样本数据集中各变量间的自相关系数。

在本步骤中，由于电力负荷数据是跟时间有关的数据，所以电力负荷数据可以按照时间的先后循序排列成时间序列样本集合xt，t是给定的时刻，是所述样本集合xt中数据的平均值。根据实际情况预先设置延迟时刻k，由于电力负荷数据呈现周期性，通常是以一周为单位进行循环，假如输入的电力负荷数据是每30分钟获取一次电力负荷数据，那么一周就能获取336个电力负荷数据，此时延迟时刻k可选为335。

在t和t-k时刻的电力负荷数据相关性定义如下：

通过上式计算得到的rk为自相关系数，rk的值在[-1,1]之间变换，若其值越接近1，则说明上述电力负荷数据之间的正相关性越强；若其值越接近-1，则说明上述电力负荷数据之间的负相关性越强；若越接近0，则代表着缺乏相关性。

s204：根据自相关系数和预先设定的选取规则，从归一化的样本数据集中选取可用的样本变量数据，以构成的训练数据集。

在本步骤中，会先根据上述延迟时刻的先后顺序对s203中计算得到的自相关系数进行排序，此时会得到包含多个波峰与波谷的自相关系数分布图，之后会根据所述自相关系数分布图选取相应的电力负荷数据，例如选取上述自相关系数分布图中最大波峰值所对应的延迟时刻的电力负荷数据以及该延迟时刻前面10个延迟时刻所对应的电力负荷数据作为可用的样本数据同样选取第二大和第三大的波峰值所对应的延迟时刻的电力负荷数据以及该延迟时刻前后各3个延迟时刻所对应的电力负荷数据作为可用的样本数据对于后续波峰，选取其延迟时刻以及前后各一个延迟时刻所对应的电力负荷数据作为可用的样本数据

将上述选取的可用的样本数据作为训练数据集vd＝{v1，v2.....，vb}。当然，除了上述选取相关性较大的电力负荷数据的方法之外，还可以通过其他的方法选取电力负荷数据，例如在选取每个波峰的峰值所对应的延迟时刻以及该延迟时刻前后各5个延迟时刻所对应的电力负荷数据，还可以通过其他的方式选取电力负荷数据，在此不做具体限定。

s205：根据训练数据集对预测模型进行训练。

根据所述训练数据集对预测模型进行训练的相关内容以在上述实施例中所详细说明，在此不再进行赘述。

s206：在训练过程中，利用psogsa算法对所述预测模型中的参数进行优化。

在本发明实施例中，对于预测模型中的参数，可以进一步的通过psogsa算法对预测模型中的参数进行优化。所述psogsa算法综合了粒子群算法(particleswarmoptimization，简称：pso)的社会认知能力和万有引力搜索法(gravitationalsearchalgorithm,简称：gsa)的局部搜索能力，所述psogsa算法具体步骤如下：

其中，vi(k)是第i个单元在进行第k次迭代时的速度，xi(k)是第i个单元在进行第k次迭代时的位置，c'1和c'2是在上述算法的迭代过程中的加速度的系数，r'1和r'2是在[0,1]之间的随机数，gbest是在第k次迭代中的最优解，w为权值函数。

在上式中，aci(k)是第i个单元在第k此迭代时的加速度，所述加速度可以通过下式进行计算：

其中，是单元i(i≠j)对单元j的引力，rj是分布在[0,1]之间的随机数，时在t时刻单元i与单元j之间的引力，其中maj为单元i的自重，mpj为单元j的自重，g(t)是在t时刻的重力常数，ε是一个数值很小的常数，rij(k)是单元i与单元j之间的欧氏距离，所述rij(k)可以通过下述式子进行计算：

g(t)＝g0×exp(-α×k/maxiter)；

rij(t)＝dis(xi(t),xi(t))；

其中α是衰减常数，g0是初始重力常数，maxiter是预先设置的最大迭代次数。

通过上述psogsa算法可以对预测模型中经过训练得到的参数进行进一步的优化。在优化过程中，需要先给出需要优化的参数的初始值，之后经过上述psogsa算法进行更新，直到达到最大迭代次数或者是达到要求的精度时，迭代停止，此时就得到了参数的最优值，此时预测模型为最优模型。

在本发明实施例中，可以通过对电力负荷数据进行归一化以及通过自相关分析选取相关性较大的电力负荷数据来提高模型的计算速度和预测精度。进一步的，本发明实施例中还可以通过psogsa算法对预测模型中的参数进行进一步优化，以此来提高所述预测模型计算出电力负荷预测数据的准确性。

在本发明实施例中，可以通过一个非线性函数对本发明实施例中的预测模型进行鲁棒性分析，所用的非线性函数如下：

在本发明实施例中，根据上述非线性函数，选取200个点作为训练数据对所述预测模型进行训练，其中每个训练数据的x都服从在[-10,10]之间的均匀分布。由于现在需要对预测模型的鲁棒性进行验证，需要对上述训练数据的y值进行[-1,1]之间的扰动；之后再取11001个点作为验证数据，用于验证预测模型所输出的数据是否准确，其中验证数据的x都服从在[-11,11]之间的均匀分布,y值为上述非线性函数的输出值。

有关预测模型的参数设置如下：

惩罚系数c＝2^30，分位数τ＝0.95，为保证预测可靠性，进行100次实验取平均值，预测模型的隐含层节点个数从5至80每递增5取一个值，输入的数据的异常值分别为10、20、50和80个。通过上述数据得到的预测模型输出的数据分布图如图3至图6所示，其中cqr-orelm为本发明实施例所提供的预测模型的输出值的曲线。当输入的异常值为10个时、预测模型的隐含层节点个数最优为25个；当输入的异常值为20个时、预测模型的隐含层节点个数最优为70个；当输入的异常值为50个时、预测模型的隐含层节点个数最优为75个；当输入的异常值为80个时、预测模型的隐含层节点个数最优为35个。从图3至图6可以看出，本发明实施例所提供的预测模型对于异常值的鲁棒性较强，随着输入数据的异常值的个数从10增加到80时，本发明实施例所提供的预测模型依旧能保持良好的预测性能。

对于上述预测模型，我们还可以进一步的通过下述3个误差指标：mae(平均绝对误差)、mape(平均值绝对百分误差)、rmse(均方根误差)在对本发明实施例所提供的预测模型进行评估，有关上述3个误差指标的计算公式如下：

其中，为t时刻的数据的真实值，为所述预测模型输出的数据在t时刻的计算值。有关计算结果参见下表：

通过上表同样可以看出，本发明实施例所提供的预测模型具有较好的鲁棒性，其中rmse误差指标值随着输入数据中异常值的增加而呈现增长的趋势，说明异常值对模型的精度有影响，但是变化幅度不大，也进一步验证了模型具有较强的鲁棒性，即预测模型在异常值的干扰下仍然能够保持较高的预测精度。

上述在对预测模型鲁棒性的验证过程中，所出现的具体数据仅仅是对本发明起到说明的作用，仅为了可以更加方便的理解本发明，而不是对本发明实施例做具体的限定，上述出现的数值均可以有其他的替代方案，在此不做具体限定。

除了仅通过电力负荷数据进行预测，还可以增加实时电价来对电力负荷数据进行预测。电价的高低也直接影响到用户的用电习惯，所以在本方案中，还可以进一步的考虑实时电价对电力负荷预测数据所造成的影响。

请参考图7、图8、图9和图10，图7为自相关系数分布图；图8为mae指标随候选变量个数变化的趋势图；图9为mape指标随候选变量个数变化的趋势图；图10为rmse指标随候选变量个数变化的趋势图；

在本发明实施例中，预先收集了某电力公司公布于2016年7月的电力负荷数据以及实时电价，其中，数据的采样频率为30分钟，首先对上述数据进行归一化处理，处理方式参照上文电力负荷数据的归一化，再选取6至12日(周一至周日)的336个电力负荷样本数据进行自相关分析，其延迟时刻为335，得到如图7所示的自相关系数分布图。如图7所示，自相关系数出现了7个正相关的峰值点，对应每一天的样本中第一个采样的数据，其延迟时刻、自相关系数和所选取的候选数据如下表所示：

在本发明实施例中，由于添加了实时电价作为对电力负荷数据的影响条件，将分为两种情况进行说明，一种是考虑电价，一种是不考虑电价。在上述37个候选数据中，向预测模型输入不同个数的候选数据，并通过上述mae、mape、rmse三个误差指标对输出的电力负荷数据进行评价，得到图8至图10三个变化趋势图，其中横坐标为候选数据个数，纵坐标分别为三个误差指标的数值。

参见图8至图10，候选数据个数从1增加到37的过程中，各误差指标均呈现先迅速减少再趋于平缓的趋势，综合考虑上述3个误差指标，本发明提供的预测模型在考虑电价时，选取21个候选数据；在不考虑电价时，选取16个候选数据。

可以将本发明实施例所提供的预测模型cqr-orelm(综合分位回归-鲁棒极限学习机)模型与现有的几种模型，例如：qr(分位回归)模型，elm(极限学习机)模型和qr-svm(分位回归-支持向量机)模型进行对比，通过上述方法先确定各个模型的最优候选数据个数：

再将上述候选数据输入到上述各个模型之中以生成电力负荷预测数据，其中对于qr模型，qr-svm模型，cqr-orelm模型取分位值τ分别为0.1、0.5和0.9，在上述3种分位值下分别通过各个模型计算电力负荷预测数据，并计算各组数据的mae、mape、rmse三个误差指标。在考虑电价时，计算结果如下表所示：

未考虑电价时，计算结果如下表所示：

通过上述两个表格，可以清晰的看出本发明所提供的预测模型对于其他现有的预测模型而言，在考虑电价和未考虑电价的情况下，均有较好的预测效果，并且相比于qr模型，qr-svm模型和elm模型，均显著提高了预测精度。

考虑电价时，本发明实施例所提供的预测模型，当τ＝9.0时预测精度最好，其mape，mae，rmse三种误差指标值分别为0.3151％，16.7821mwh和21.0694mwh。与elm模型预测结果相比较，三种误差指标值分别下降了2.597％，2.616％和3.662％。与qr-svm模型的最优结果(即τ＝0.9时)相比较，mape指标值下降了13.243％，而与qr模型的最优结果(即τ＝0.9时)相比，rmse指标值下降了19.264％。

未考虑电价时，本发明实施例所提供的cqr-orelm模型的预测精度分别为0.2726％，14.5344mwh和19.8202mwh，在所有模型中，预测性能最优。

下面对本发明实施例提供的一种短时电力负荷预测的装置进行介绍，下文描述的短时电力负荷预测装置与上文描述的短时电力负荷预测方法可相互对应参照。

图11为本发明实施例提供的一种短时电力负荷预测装置的结构框图，参照图11，短时电力负荷预测装置可以包括：

获取模块100：用于获取历史电力数据；

调用模块200：用于调用预先建立的预测模型，根据所述历史电力数据计算出电力负荷预测数据，所述预测模型为综合分位回归和鲁棒极限学习机，并利用psogsa优化后所建立的混合预测模型；所述预测模型为通过预先获取的训练数据集训练得到的预测模型，所述训练数据集为根据历史电力数据得到的所述训练数据集。

在本发明实施例中，所述获取模块100可以具体用于：

获取电力数据，其中电力数据为历史电力负荷数据

在本发明实施例中，所述调用模块200可以具体用于：

调用预先建立的预测模型，根据所述电力数据计算出电力负荷预测数据，所述预测模型具体为：

其中yt为所述预测模型的输出值，qt为t时刻所述预测模型在τ分位下的输出值，为所述分位回归的影响参数，为所述鲁棒极限学习机的影响参数；相应的，训练所述预测模型时所用的损失函数为：

其中c是惩罚系数，β是所述鲁棒极限学习机中隐含层与输出层之间的权值，yt是训练所述预测模型时所使用的训练数据中t时刻的电力负荷值，ρτ为检验函数。

在本发明实施例中，所述调用模块200具体用于：

调用预先建立的预测模型，根据所述历史电力数据计算出电力负荷预测数据，所述预测模型为通过预先获取的训练数据集训练得到的预测模型，所述训练数据集具体为将预先获取的历史电力数据进行归一化处理，以生成归一化的样本数据集；通过自相关分析，提取所述归一化的样本数据集中各变量间的自相关系数；根据所述自相关系数和预先设定的选取规则，从所述归一化的样本数据集中选取可用的样本变量数据，以构成的所述训练数据集。

在本发明实施例中，所述调用模块200可以具体用于：

调用预先建立的预测模型，根据所述电力数据计算出电力负荷预测数据，所述预测模型中的参数是根据psogsa算法进行优化的参数。

本实施例的短时电力负荷预测装置用于实现前述的短时电力负荷预测方法，因此短时电力负荷预测装置中的具体实施方式可见前文中的短时电力负荷预测方法的实施例部分，例如，获取模块100，调用模块200，分别用于实现上述短时电力负荷预测方法中步骤s101和s102，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的一种短时电力负荷预测方法以及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。