负荷预测方法、装置、计算机可读存储介质以及处理器与流程

本发明涉及负荷预测技术领域，具体而言，涉及一种负荷预测方法、装置、计算机可读存储介质以及处理器。

背景技术：

近年来，随着“煤改电”用户规模的逐渐扩大，电力负荷的供应在“煤改电”工程中发挥着越来越重要的作用，这也对电网提出了更高的要求。稳定、不间断的高质量电能为工业乃至社会的稳定运行提供了保障，从而需要制定合理的调度方案，而电力负荷预测则在这个过程中扮演了重要的角色，它的正确预测对电力系统的正常运行起着至关重要的作用，以长短记忆网络(longshort-termmemory，简称为lstm)算法为代表的机器学习负荷预测技术在电力行业的广泛应用，准确的负荷预测需求并形成了一定的规模。

负荷预测技术根据系统的运行特性、增容决策、自然条件与社会影响等诸多因数，在满足一定精度要求的条件下，确定未来某特定时刻的负荷数据，也就是根据电力负荷的过去和现在推测它的未来数值。但是，负荷数据具有时序性、非线性、不确定性等特点，传统的负荷预测技术已经无法很好地表征负荷数据规律和满足，只有采用人工智能负荷预测技术，才能实现高精度的负荷预测。

虽然，随着机器学习预测技术的不断成熟和普及应用，许多行业像房地产、金融、互联网等均采用机器学习算法进行业务建模，处理实际问题。但是就煤改电相关课题应用稍少。传统的负荷预测方法，一般采用时间序列或者回归分析预测负荷，没有考虑负荷数据的非线性和不确定性特点，且受复杂的内外部环境影响，这些算法无法很好地表征负荷数据规律，使得电力负荷预测的精度不高。对于负荷预测精度低的问题，会结合历史负荷数据，采用相邻时刻的负荷均值去修改负荷数据，重新预测负荷，但效果甚微。

针对上述的问题，目前尚未提出有效的解决方案。

技术实现要素：

本发明实施例提供了一种负荷预测方法、装置、计算机可读存储介质以及处理器，以至少解决相关技术中采用传统的负荷预测方法存在预测负荷精度低的技术问题。

根据本发明实施例的一个方面，提供了一种负荷预测方法，包括：基于相关性系数和负荷趋势变化曲线，确定影响预测日负荷的目标变量；将所述目标变量输入所述负荷预测模型，得到与所述目标变量对应的预测日负荷，其中，所述负荷预测模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：变量和所述变量对应的负荷。

可选地，在基于相关性系数和负荷趋势变化曲线，确定影响预测日负荷的目标变量之前，所述方法还包括：获取用电负荷数据；对所述用电负荷数据进行预处理，得到预处理后的用电负荷数据；基于所述预处理后的用电负荷数据，确定原始变量和和所述原始变量对应的衍生变量。

可选地，所述预处理包括以下至少之一：修正有价值的异常数据、删除没有价值的异常数据和没有意义的变量。

可选地，确定原始变量和和所述原始变量对应的衍生变量包括：在原始变量为温度的情况下，则所述温度对应的衍生变量为预测日一周前t-1、t、t+1时刻的负荷值；在原始变量为湿度的情况下，则所述湿度对应的衍生变量为预测日一天前t-1、t、t+1时刻的负荷值；在原始变量为用户数的情况下，则所述用户数对应的衍生变量为预测日两天前t-1、t、t+1时刻的负荷值；在原始变量为的日类型情况下，则所述日类型对应的衍生变量为预测日三天前t-1、t、t+1时刻的负荷值；在原始变量为行标识的情况下，则所述行标识对应的衍生变量为预测日t时刻一刻钟前，两刻钟前，三刻钟前；在原始变量为周类别的情况下，则所述周类别对应的衍生变量为空。

根据本发明实施例的另一方面，还提供了一种负荷预测装置，包括：第一确定模块，用于基于相关性系数和负荷趋势变化曲线，确定影响预测日负荷的目标变量；处理模块，用于将所述目标变量输入所述负荷预测模型，得到与所述目标变量对应的预测日负荷，其中，所述负荷预测模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：变量和所述变量对应的负荷。

可选地，所述装置还包括：获取模块，用于在基于相关性系数和负荷趋势变化曲线，确定影响预测日负荷的目标变量之前，获取用电负荷数据；预处理模块，用于对所述用电负荷数据进行预处理，得到预处理后的用电负荷数据；第二确定模块，用于基于所述预处理后的用电负荷数据，确定原始变量和和所述原始变量对应的衍生变量。

可选地，所述预处理包括以下至少之一：修正有价值的异常数据、删除没有价值的异常数据和没有意义的变量。

可选地，所述第二确定模块包括：第一处理子单元，用于在原始变量为温度的情况下，则所述温度对应的衍生变量为预测日一周前t-1、t、t+1时刻的负荷值；第二处理子单元，用于在原始变量为湿度的情况下，则所述湿度对应的衍生变量为预测日一天前t-1、t、t+1时刻的负荷值；第三处理子单元，用于在原始变量为用户数的情况下，则所述用户数对应的衍生变量为预测日两天前t-1、t、t+1时刻的负荷值；第四处理子单元，用于在原始变量为的日类型情况下，则所述日类型对应的衍生变量为预测日三天前t-1、t、t+1时刻的负荷值；第五处理子单元，用于在原始变量为行标识的情况下，则所述行标识对应的衍生变量为预测日t时刻一刻钟前，两刻钟前，三刻钟前；第六处理子单元，用于在原始变量为周类别的情况下，则所述周类别对应的衍生变量为空。

根据本发明实施例的另一方面，还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包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的负荷预测方法。

根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的负荷预测方法。

在本发明实施例中，采用基于相关性系数和负荷趋势变化曲线，确定影响预测日负荷的目标变量；将所述目标变量输入所述负荷预测模型，得到与所述目标变量对应的预测日负荷，其中，所述负荷预测模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：变量和所述变量对应的负荷，通过负荷预测模型识别出目标变量对应的预测日负荷，达到快速预测出未来时间段的负荷值的目的，从而实现了提高负荷预测准确率的技术效果，进而解决了相关技术中采用传统的负荷预测方法存在预测负荷精度低的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的负荷预测方法的流程图；

图2是根据本发明实施例的负荷预测装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本发明实施例，提供了一种负荷预测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的负荷预测方法的流程图，如图1所示，该负荷预测方法包括如下步骤：

步骤s102，基于相关性系数和负荷趋势变化曲线，确定影响预测日负荷的目标变量；

上述目标变量包括但不限于湿度、温度、用户数、日类型等。

作为一种可选的实施例，可以根据负荷趋势变化曲线识别出不同变量与负荷之间的变化趋势。例如，观察数据源a的数据特点，用户负荷变化趋势具有较明显的周期性。早8点到晚8点为平段，晚8点到早8点为谷段。平段期间，电采暖用电负荷逐渐下降，谷段期间，由于谷段煤改电用户有电价补贴，补贴后电价为0.1元/千瓦时，用电负荷会比较高，电采暖设备用电负荷会逐渐上升，且每日的用电负荷波动走势相似，峰值上存在一定偏差。观察数据源b的数据特点，用户负荷与变量a呈现明显的反向关系，与变量b呈现正向关系，符合实际变化规律。

作为一种可选的实施例，依据相关性系数可以获知影响负荷预测的重要因素。通过相关性分析，结合相关业务情况，确定影响负荷的因素。相关性分析是用来检验变量是否相关，研究变量之间线性相关程度的量，能精确显示两变量间的相关性。采用皮尔森相关系数计算各变量的相关性系数。

对于给定的两个连续变量x和y，皮尔森相关系数ρ被定义为：

一般来说，如果相关系数大于0.5，则认为变量之间存在较强相关性，但这不是唯一的标准，实际业务情况和变量的实际影响情况对于筛选关键变量的影响也是选取的标准之一。

通过相关性分析，得出室外温度、湿度、用户数、日类型、预测日一周前t-1、t、t+1时刻的负荷值、预测日一天前t-1、t、t+1时刻的负荷值、预测日两天前t-1、t、t+1时刻的负荷值、预测日三天前t-1、t、t+1时刻的负荷值、预测日t时刻一刻钟前，两刻钟前，三刻钟前各指标与负荷的相关系数较高，表明这几项影响负荷预测的准确率。

步骤s104，将目标变量输入负荷预测模型，得到与目标变量对应的预测日负荷，其中，负荷预测模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：变量和变量对应的负荷。

上述负荷预测模型是基于lstm算法模型，可以结合所选取的影响负荷预测的因素，以及历史负荷数据，构建基于lstm算法预测模型对短中期负荷进行预测。

作为一种可选的实施例，建立lstm算法模型可以采用以下步骤：

(1)获取影响负荷的特征数据，并对数据进行预处理，把数据划分为训练集和测试集。

(2)基于相关性系数分析和负荷趋势变化曲线分析，选取最终的模型输入变量。

(3)设置lstm算法预测模型输入层、隐藏层和输出层的参数的初始值，以及模型的目标函数及优化器。

(4)利用基于lstm算法预测模型的短中期负荷预测模型，对用户负荷进行短期、中期负荷预测，采用平均绝对百分比误差计算预测误差。

(5)负荷预测准确率调优以及应用。

另外，基于lstm算法，可以利用大量的用户负荷数据训练出较优的模型。通过大量数据迭代优化模型，得到可以部署与应用的模型。其中，在数据输入前期进行数据处理，删除脏数据和信息量少的数据，保证数据计算质量。基于训练后的模型，可以快速预测出未来时间段的负荷值。告别传统基于人工推断未来时间段的负荷值，采用大数据技术和机器学习算法，使得负荷结果更准确，同时也为其他研究做支撑。

需要说明的是，上述脏数据包括不在指定范围内或对于业务没有任何意义的数据，或是数据格式非法，以及在源系统中存在不规范的编码和含糊的业务逻辑。

作为一种可选的实施例，本发明可以在实现业务需求的基础上，结合大数据技术，将负荷数据进行深度挖掘，挖掘出负荷数据存在异常和缺失的原因，发现负荷数据的变化规律。采用相关性分析，结合负荷数据变化规律，确定影响负荷预测精度的主要因素。通过主流的机器学习算法，例如，lstm算法等，确定短中期负荷预测模型，有效提高负荷预测精度。就负荷预测精度低的问题，提出建设性意见，有效改善负荷预测模型，提高负荷预测准确率。

另外，采用lstm算法，基于海量历史数据，数据来源于营销系统数据、煤改电智能服务平台和电力行业外部数据等。通过数据整合、数据挖掘，实现提高负荷预测准确率的有效实施和应用，避免公司成本浪费，为后续预测模型做好保障。通过数据处理，保障负荷数据的准确性、唯一性、价值性。结合lstm算法，使得进行模型算法分析时，结果更准确。

通过上述步骤，可以实现采用基于相关性系数和负荷趋势变化曲线，确定影响预测日负荷的目标变量；将目标变量输入负荷预测模型，得到与目标变量对应的预测日负荷，其中，负荷预测模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：变量和变量对应的负荷，通过负荷预测模型识别出目标变量对应的预测日负荷，达到快速预测出未来时间段的负荷值的目的，从而实现了提高负荷预测准确率的技术效果，进而解决了相关技术中采用传统的负荷预测方法存在预测负荷精度低的技术问题。

可选地，在基于相关性系数和负荷趋势变化曲线，确定影响预测日负荷的目标变量之前，上述方法还包括：获取用电负荷数据；对用电负荷数据进行预处理，得到预处理后的用电负荷数据；基于预处理后的用电负荷数据，确定原始变量和和原始变量对应的衍生变量。

作为一种可选的实施例，电负荷数据来源于营销系统数据、煤改电智能服务平台和电力行业外部数据等。由于数据量大，属性多，通过数据预处理和数据整合，结合实际业务模型，找出需要的变量，并缔造衍生变量。

作为一种可选的实施例，将用户数据接入到python和excel中。利用用户数据的属性特点，修正有价值的异常值，删除没有价值的异常数据和没有意义的变量。采用均值法，结合负荷数据的变化规律，填补缺失数据，若缺失值量大，删除该用户的信息数据。

作为一种可选的实施例，可以结合负荷预测的特点，构造原始变量对应的衍生变量：预测日一周前t-1、t、t+1时刻的负荷值；预测日一天前t-1、t、t+1时刻的负荷值；预测日两天前t-1、t、t+1时刻的负荷值；预测日三天前t-1、t、t+1时刻的负荷值；预测日t时刻一刻钟前，两刻钟前，三刻钟前。

需要说明的是，在变量构造过程中，可以根据现有的数据，创造出相关的变量，例如，已知两组数据，可以计算出每组的中位数，中位数这个变量就可认为是属性构造出的一个新变量。

可选地，上述预处理包括以下至少之一：修正有价值的异常数据、删除没有价值的异常数据和没有意义的变量。

可选地，确定原始变量和和原始变量对应的衍生变量包括：在原始变量为温度的情况下，则温度对应的衍生变量为预测日一周前t-1、t、t+1时刻的负荷值；在原始变量为湿度的情况下，则湿度对应的衍生变量为预测日一天前t-1、t、t+1时刻的负荷值；在原始变量为用户数的情况下，则用户数对应的衍生变量为预测日两天前t-1、t、t+1时刻的负荷值；在原始变量为的日类型情况下，则日类型对应的衍生变量为预测日三天前t-1、t、t+1时刻的负荷值；在原始变量为行标识的情况下，则行标识对应的衍生变量为预测日t时刻一刻钟前，两刻钟前，三刻钟前；在原始变量为周类别的情况下，则周类别对应的衍生变量为空。

实施例2

根据本发明实施例的另一方面，还提供了一种负荷预测装置，图2是根据本发明实施例的负荷预测装置的示意图，如图2所示，该负荷预测装置包括：第一确定模块22和处理模块24。下面对该负荷预测装置进行详细说明。

第一确定模块22，用于基于相关性系数和负荷趋势变化曲线，确定影响预测日负荷的目标变量；处理模块24，连接至上述第一确定模块22，用于将目标变量输入负荷预测模型，得到与目标变量对应的预测日负荷，其中，负荷预测模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：变量和变量对应的负荷。

在本发明的上述实施例中，上述负荷预测装置可以通过负荷预测模型识别出目标变量对应的预测日负荷，达到快速预测出未来时间段的负荷值的目的，从而实现了提高负荷预测准确率的技术效果，进而解决了相关技术中采用传统的负荷预测方法存在预测负荷精度低的技术问题。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；或者，上述各个模块以任意组合的方式位于不同的处理器中。

此处需要说明的是，上述第一确定模块22和处理模块24对应于实施例1中的步骤s102至s104，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。

可选地，上述装置还包括：获取模块，用于在基于相关性系数和负荷趋势变化曲线，确定影响预测日负荷的目标变量之前，获取用电负荷数据；预处理模块，用于对用电负荷数据进行预处理，得到预处理后的用电负荷数据；第二确定模块，用于基于预处理后的用电负荷数据，确定原始变量和和原始变量对应的衍生变量。

可选地，上述预处理包括以下至少之一：修正有价值的异常数据、删除没有价值的异常数据和没有意义的变量。

可选地，第二确定模块包括：第一处理子单元，用于在原始变量为温度的情况下，则温度对应的衍生变量为预测日一周前t-1、t、t+1时刻的负荷值；第二处理子单元，用于在原始变量为湿度的情况下，则湿度对应的衍生变量为预测日一天前t-1、t、t+1时刻的负荷值；第三处理子单元，用于在原始变量为用户数的情况下，则用户数对应的衍生变量为预测日两天前t-1、t、t+1时刻的负荷值；第四处理子单元，用于在原始变量为的日类型情况下，则日类型对应的衍生变量为预测日三天前t-1、t、t+1时刻的负荷值；第五处理子单元，用于在原始变量为行标识的情况下，则行标识对应的衍生变量为预测日t时刻一刻钟前，两刻钟前，三刻钟前；第六处理子单元，用于在原始变量为周类别的情况下，则周类别对应的衍生变量为空。

实施例3

根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，该计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述中任意一项的负荷预测方法。

可选地，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中，上述计算机可读存储介质包括存储的程序。

可选地，在程序运行时控制计算机可读存储介质所在设备执行以下功能：基于相关性系数和负荷趋势变化曲线，确定影响预测日负荷的目标变量；将目标变量输入负荷预测模型，得到与目标变量对应的预测日负荷，其中，负荷预测模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：变量和变量对应的负荷。

实施例4

根据本发明实施例的另一方面，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行上述中任意一项的负荷预测方法。

本发明实施例提供了一种设备，该设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：基于相关性系数和负荷趋势变化曲线，确定影响预测日负荷的目标变量；将目标变量输入负荷预测模型，得到与目标变量对应的预测日负荷，其中，负荷预测模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：变量和变量对应的负荷。

本发明还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：基于相关性系数和负荷趋势变化曲线，确定影响预测日负荷的目标变量；将目标变量输入负荷预测模型，得到与目标变量对应的预测日负荷，其中，负荷预测模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：变量和变量对应的负荷。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，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，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。