一种电力系统站点停电数的预测方法、装置、设备及介质与流程

1.本发明涉及电力系统技术领域，尤其涉及一种电力系统站点停电数的预测方法、装置、设备及介质。


背景技术：

2.在电力系统中，相比于输电设备和用电设备，配网设备主要暴露在室外环境，在不同天气条件下，配电设备发生的故障极易受到不同程度的影响，从而影响电力系统的正常运行。因此，针对不同的天气条件，提前预测站点的停电数量对于及时预警和处理，以及增加电网对于自然灾害的自适应都具有十分重要的意义。
3.近几年，大量国内外学者采用机器学习算法来对站点停电数进行预测，但在进行预测时，一般是采用试错法对超参数进行手动调参优化，而这一方法需要依赖大量的经验，会导致输入的超参数较为随机，准确度不高，并且比较耗时。


技术实现要素：

4.本发明提供一种电力系统站点停电数的预测方法、装置、设备及介质，以解决现有技术输入超参数随机而导致模型预测准确率不高的问题，从而提高模型预测的准确度。
5.为实现上述目的，本发明实施例提供了一种电力系统站点停电数的预测方法，包括以下步骤：
6.获取经过预处理后的电力系统的电力参数；
7.建立基于xgboost算法的预测模型，并对所述预测模型进行超参数优化，得到所述预测模型的最优超参数组合；
8.根据所述最优超参数组合优化所述预测模型，并将所述电力参数输入到优化后的预测模型中，得到电力系统站点停电数的预测结果；
9.其中，所述对所述预测模型进行超参数优化，得到所述预测模型的最佳超参数组合，具体包括：
10.获取所述预测模型的待优化超参数，并通过预设的蒙特卡洛方法对所述待优化超参数进行初始化，得到初始种群；
11.基于预设的自适应差分进化算法，对所述初始种群进行遗传操作，得到所述预测模型中的待优化超参数的最优超参数组合。
12.作为上述方案的改进，所述经过预处理后的电力系统的电力参数的获取方式具体包括：
13.获取电力系统的电力参数；其中，所述电力参数至少包括：日最低温度、日平均温度、日停电数、日最高温度、日最大风速和日降雨量；
14.根据预设的缺失值处理方法和异常值处理方法，对所述电力参数的缺失值和异常值进行处理，得到处理过缺失值和异常值的电力参数；
15.对所述处理过缺失值和异常值的电力参数进行预设的标准化和归一化处理，得到
经过预处理后的电力系统的电力参数。
16.作为上述方案的改进，所述获取所述预测模型的待优化超参数，并通过预设的蒙特卡洛方法对所述待优化超参数进行初始化，得到初始种群，具体为：
17.获取所述预测模型的待优化参数，并将每一所述待优化参数的上边界和下边界代入到预设的蒙特卡洛公式中，得到初始种群。
18.作为上述方案的改进，所述基于预设的自适应差分进化算法，对所述初始种群进行遗传操作，得到所述预测模型中的待优化超参数的最优超参数组合，具体包括：
19.计算所述初始种群的目标函数值，并根据所述目标函数值更新目标函数的初始参考点；
20.获取预设数量的权重向量，并根据所述初始参考点确定所述权重向量的邻域；
21.获取预设区间内随机产生的一个随机数，并判断所述随机数是否小于所述预设概率，若是，则从所述邻域中选择目标函数值高的优秀个体进入父代，若否，则直接进入父代；
22.对所述父代中的个体进行预设的交叉、变异和修正运算，得到优化后的超参数组合；
23.判断迭代次数是否小于预设的最大迭代次数，若是，则令所述迭代次数加1，并返回至所述选定与所述待优化超参数的优化目标个数对应的目标函数，并根据目标函数对应的目标函数值得到所述目标函数的初始参考点的步骤，若否，则输出优化后的超参数组合；其中，所述迭代次数的初始值为0。
24.作为上述方案的改进，所述获取预设数量的权重向量，并根据所述初始参考点确定所述权重向量的邻域，具体包括：
25.获取预设数量的权重向量；
26.选取所述权重向量中的任一权重向量作为当前权重向量，并计算所述当前权重向量与剩余权重向量之间的欧氏距离；
27.选取t个距离所述当前权重向量的欧式距离最近的权重向量组成邻域。
28.作为上述方案的改进，所述对所述父代中的个体进行预设的交叉、变异和修正运算，得到优化后的超参数组合，具体包括：
29.从所述邻域中随机选择三个个体进行交叉运算得到第一解集；
30.根据预先获取的多项式变异算子对所述第一解集进行变异，得到第二解集；
31.对所述第二解集中的每一个体的边界进行修正，得到修正后的第二解集；
32.当判断到所述修正后的第二解集中的每一个体的目标函数值大于所述邻域中的每一个体对应的目标函数值，将所述邻域中的个体替换为所述修正后的第二解集，得到优化后的超参数组合。
33.作为上述方案的改进，所述从所述邻域中随机选择三个个体进行交叉运算得到第一解集的公式具体为：
[0034][0035]
其中，y
k
′
为所述第一解集，和分别为第k次迭代的个体r1、r2和r3，rand代表[0,1]区间范围内随机生成的数字，f代表差分算子中的缩放因子，cr代表差分算
子中的交叉概率。
[0036]
本发明另一实施例对应提供了一种电力系统站点停电数的预测装置，包括：
[0037]
电力参数获取模块，用于获取经过预处理后的电力系统的电力参数；
[0038]
超参数组合获取模块，用于建立基于xgboost算法的预测模型，并对所述预测模型进行超参数优化，得到所述预测模型的最优超参数组合；
[0039]
预测结果获取模块，用于根据所述最优超参数组合优化所述预测模型，并将所述电力参数输入到优化后的预测模型中，得到电力系统站点停电数的预测结果；
[0040]
其中，所述对所述预测模型进行超参数优化，得到所述预测模型的最佳超参数组合，具体包括：
[0041]
获取所述预测模型的待优化超参数，并通过预设的蒙特卡洛方法对所述待优化超参数进行初始化，得到初始种群；
[0042]
基于预设的自适应差分进化算法，对所述初始种群进行遗传操作，得到所述预测模型中的待优化超参数的最优超参数组合。
[0043]
本发明另一实施例对应提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的电力系统站点停电数的预测方法。
[0044]
本发明另一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包括存储的计算机程序，其中，在所述计算机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发明实施例所述的电力系统站点停电数的预测方法。
[0045]
与现有技术相比，本发明实施例公开的一种电力系统站点停电数的预测方法、装置、设备及介质，能够通过蒙特卡洛方法来产生初始种群，避免了大多数算法由于随机初始化种群而带来解的分布不均匀，而导致算法搜索能力低下的问题，并通过自适应差分进化算法在进化过程中动态调整缩放因子和交叉概率，提高了算法的局部搜索能力。采用本发明实施例，能够基于蒙特卡洛方法和自适应差分进化算法对xgboost分类算法进行超参数优化，以提高模型预测结果的准确度，并且不需要额外进行手动调优，简化了组合模型参数调优的复杂度。
附图说明
[0046]
图1是本发明实施例提供的一种电力系统站点停电数的预测方法的流程示意图；
[0047]
图2是本发明实施例提供的一种电力系统站点停电数的预测装置的结构示意图；
[0048]
图3是本发明实施例提供的一种终端设备的结构示意图。
具体实施方式
[0049]
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作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。
[0050]
参见图1，是本发明实施例提供的一种电力系统站点停电数的预测方法的流程示意图，所述方法包括步骤s11至步骤s13：
[0051]
s11、获取经过预处理后的电力系统的电力参数；
[0052]
s12、建立基于xgboost算法的预测模型，并对所述预测模型进行超参数优化，得到所述预测模型的最优超参数组合；
[0053]
s13、根据所述最优超参数组合优化所述预测模型，并将所述电力参数输入到优化后的预测模型中，得到电力系统站点停电数的预测结果；
[0054]
其中，所述对所述预测模型进行超参数优化，得到所述预测模型的最佳超参数组合，具体包括：
[0055]
获取所述预测模型的待优化超参数，并通过预设的蒙特卡洛方法对所述待优化超参数进行初始化，得到初始种群；
[0056]
基于预设的自适应差分进化算法，对所述初始种群进行遗传操作，得到所述预测模型中的待优化超参数的最优超参数组合。
[0057]
与现有技术相比，本发明实施例公开的一种电力系统站点停电数的预测方法，能够通过蒙特卡洛方法来产生初始种群，避免了大多数算法由于随机初始化种群而带来解的分布不均匀，而导致算法搜索能力低下的问题，并通过自适应差分进化算法在进化过程中动态调整缩放因子和交叉概率，提高了算法的局部搜索能力。采用本发明实施例，能够基于蒙特卡洛方法和自适应差分进化算法对xgboost分类算法进行超参数优化，以提高模型预测结果的准确度，并且不需要额外进行手动调优，简化了组合模型参数调优的复杂度。
[0058]
作为上述方案的改进，所述经过预处理后的电力系统的电力参数的获取方式具体包括：
[0059]
获取电力系统的电力参数；其中，所述电力参数至少包括：日最低温度、日平均温度、日停电数、日最高温度、日最大风速和日降雨量；
[0060]
根据预设的缺失值处理方法和异常值处理方法，对所述电力参数的缺失值和异常值进行处理，得到处理过缺失值和异常值的电力参数；
[0061]
对所述处理过缺失值和异常值的电力参数进行预设的标准化和归一化处理，得到经过预处理后的电力系统的电力参数。
[0062]
示例性的，电力系统的电力参数是由18个多维度的变量组成，在获取了电力系统的电力参数后，可以支持多源数据格式读入，例如：支持yarn模式启动的时候读取集群上的hive数据、支持从kafka读取数据，文本读入，excel读入等。由于数据采集设备的故障、存储介质的故障或人为因素可能导致部分数据缺失，因此，需要对参数进行异常数据处理，主要包括对数据的缺失值和异常值进行处理，其中，对缺失值进行处理的方法主要包括拉格朗日插值法和牛顿插值法，对异常值进行处理的方法主要包括3δ原则和箱线图法。然后将经过缺失值和异常值的数据进行流式标准化和流式归一化处理，其中，流式标准化采用的是基于特征值的均值(mean)和标准差(standard deviation)进行数据的标准化。它的计算公式为：标准化数据＝(原数据
‑
均值)/标准差，标准化后的变量值围绕0上下波动，大于0说明高于平均水平，小于0说明低于平均水平，而流式归一化处理将所有特征值都等比地缩小到
‑
1到1之间的区间内，统一量纲。
[0063]
需要说明的是，模型输入的电力参数的类型和个数可以根据实际需求和试验进行设定，在此仅为示例说明，不作限定。
[0064]
值得说明的是，根据最高温度，最大风速和降雨量等气象因素来预测停电的站点
数，便于管理者进行人员调度，并且，通过对实际采集到的原始数据进行预测，而非根据主观的经验理论去推测某种天气的站点停电数，能够进一步提高站点停电数预测结果的准确度。另外，还可以增加其他影响因素，如地震、水灾等其他突发情况，以提高模型的准确性。
[0065]
作为上述方案的改进，所述获取所述预测模型的待优化超参数，并通过预设的蒙特卡洛方法对所述待优化超参数进行初始化，得到初始种群，具体为：
[0066]
获取所述预测模型的待优化参数，并将每一所述待优化参数的上边界和下边界代入到预设的蒙特卡洛公式中，得到初始种群。
[0067]
作为上述方案的改进，在所述获取所述预测模型的待优化参数，并将每一所述待优化参数的上边界和下边界代入到预设的蒙特卡洛公式中，得到初始种群之间，还包括：设置种群的规模，交叉概率，缩放因子以及最大迭代次数。
[0068]
示例性的，蒙特卡洛方法的具体过程为：种群中所有个体都有存在一个上边界a和一个下边界b，其目的是为了避免种群中的个体在进化过程中出现越界。从种群中选择随机变量a2和b2，a2的值是其上边界的一半，b2的值是其下边界的一半，mu是a2与b2之和，sig是b2与a2之差，随机生成上边界a和下边界b之间的一个数，并将其与1之间的差值作为ra的值，采用蒙特卡洛初始化方法随机生成的个体r的值与mu、sig以及ra这三个变量有关。具体计算公式为：
[0069][0070][0071]
mu＝a2+b2[0072]
sig＝b2‑
a2[0073]
ra＝rand(a,b)
‑1[0074]
r＝mu+sig
×
ra
[0075]
其中，a表示个体的上边界，b表示个体的下边界，rand(a,b)表示在(a,b)区间内生成的随机数。
[0076]
具体的，设置初始种群的数量为100，参数数量7，最大迭代次数为100，交叉概率cr为0.8，缩放因子f位0.5。并将xgboost的超参数分别设置为：learning_rate∈[0.0,1.0]，n_estimators∈[10,100]，min_child_weight∈[1,6],max_depth∈[2,10]，gamma∈[0.6,1.0],subsample∈[0.0,1.0]，colsample_bytree∈[0.0,1]，以learning_rate为对象，则a＝0，b＝1，将a和b代入预设的蒙特卡洛公式中，计算出随机生成的个体r，其中，r的规模为1*100的矩阵，其他参数生成个体方法同learning_rate，最后将这些个体组合成7*100的矩阵。
[0077]
值得说明的是，通过采用蒙特卡洛方法来产生初始种群，避免了大多数进化算法的随机初始化种群带来的解的分布不均匀而导致算法搜索能力低下的问题。
[0078]
作为上述方案的改进，所述基于预设的自适应差分进化算法，对所述初始种群进行遗传操作，得到所述预测模型中的待优化超参数的最优超参数组合，具体包括：
[0079]
计算所述初始种群的目标函数值，并根据所述目标函数值更新目标函数的初始参考点；
[0080]
获取预设数量的权重向量，并根据所述初始参考点确定所述权重向量的邻域；
[0081]
获取预设区间内随机产生的一个随机数，并判断所述随机数是否小于所述预设概率，若是，则从所述邻域中选择目标函数值高的优秀个体进入父代，若否，则直接进入父代；
[0082]
对所述父代中的个体进行预设的交叉、变异和修正运算，得到优化后的超参数组合；
[0083]
判断迭代次数是否小于预设的最大迭代次数，若是，则令所述迭代次数加1，并返回至所述选定与所述待优化超参数的优化目标个数对应的目标函数，并根据目标函数对应的目标函数值得到所述目标函数的初始参考点的步骤，若否，则输出优化后的超参数组合；其中，所述迭代次数的初始值为0。
[0084]
示例性的，所述计算所述初始种群的目标函数值，并根据所述目标函数值更新目标函数的初始参考点，具体为：
[0085]
设置初始参考点为(0.0，10，1，2，0.6，0.0，0.0)，其中参考点的值为目标函数每一参数维度的最小值，并采用xgboost的5折交叉验证的平均得分作为目标函数值，其中，此处的交叉验证采用的是k折交叉验证方法，即将数据整个数据集分为5个折叠，用其中4个折叠作为训练集训练模型，用剩余的1个折叠作为验证集对模型进行评分，并重复5次上述过程。
[0086]
作为上述方案的改进，所述获取预设数量的权重向量，并根据所述初始参考点确定所述权重向量的邻域，具体包括：
[0087]
获取预设数量的权重向量；
[0088]
选取所述权重向量中的任一权重向量作为当前权重向量，并计算所述当前权重向量与剩余权重向量之间的欧氏距离；
[0089]
选取t个距离所述当前权重向量的欧式距离最近的权重向量组成邻域。
[0090]
示例性的，计算当前权重向量λ
i
与其它向量之间的欧氏距离，并找出距离当前个体最近的t个权重向量，组成其邻域p，其中，权重向量表示为：
[0091][0092]
其中，n＝100，取与初始参考点最近的20个个体，组成邻域p。其中，邻域p的产生方式为：随机生成[0，1]范围之间的一个数字rand，其中，b(i)表示邻域p中的优秀个体，概率r＝0.8，并根据下式进行选择p，若rand<r，则在邻域p中选择目标函数值高的优秀个体进入父代，否则，直接进入父代。
[0093][0094]
作为上述方案的改进，所述对所述父代中的个体进行预设的交叉、变异和修正运算，得到优化后的超参数组合，具体包括：
[0095]
从所述邻域中随机选择三个个体进行交叉运算得到第一解集；
[0096]
根据预先获取的多项式变异算子对所述第一解集进行变异，得到第二解集；
[0097]
对所述第二解集中的每一个体的边界进行修正，得到修正后的第二解集；
[0098]
当判断到所述修正后的第二解集中的每一个体的目标函数值大于所述邻域中的每一个体对应的目标函数值，将所述邻域中的个体替换为所述修正后的第二解集，得到优
化后的超参数组合。
[0099]
作为上述方案的改进，所述从所述邻域中随机选择三个个体进行交叉运算得到第一解集的公式具体为：
[0100][0101]
其中，y
k
′
为所述第一解集，和分别为第k次迭代的个体r1、r2和r3，rand代表[0,1]区间范围内随机生成的数字，f代表差分算子中的缩放因子，cr代表差分算子中的交叉概率。
[0102]
示例性的，对邻域中的父代个体进行交叉，变异和修正运算，生成子代，即新的算法参数组合。
[0103]
交叉：随机从邻域p中选择三个个体r1、r2和r3进行自适应差分进化操作，产生一个解y
k
′
，其中，cr＝0.8，f＝0.5。
[0104]
变异：通过多项式变异算子对交叉产生的解y
k
′
进行变异并产生一个新解y
k
。其中：
[0105][0106]
其中，rand为0～1内的随机数，p
m
标识多项式变异的变异率，a
k
和b
k
标识第k个自变量的下边界和上边界，η表示多项式变异操作算子中的分布指数。p
m
取值为0.9，η取值为20。
[0107]
修正：对变异产生的新解y
k
进行边界检测，如果新解的边界大于上边界，则将其修正为上边界，如果解的边界小于下边界，则将其修正为下边界。
[0108]
邻域的更新：如果新解对应的目标函数值大于原本邻域个体对应的目标函数值，将用新解替换原本邻域的个体。
[0109]
需要说明的是，本实施例通过设计一种自适应策略差分进化操作，能实现在进化过程中动态调整缩放因子f和交叉概率cr以提高局部搜索能力，其中，自适应差分进化策略描述如下：首先设置两个固定的概率值τ1,τ2均属于[0,1]之间，前者表示的是控制是否产生新的缩放因子newf的概率，后者表示的是控制是否产生新的交叉概率newcr的概率。新的交叉概率产生的规则如下式所示：
[0110]
cr_old＝cr
[0111][0112]
其中，cr表示的是交叉概率，newcr表示进行自适应操作后产生的新的交叉概率。
[0113]
新的缩放因子newf产生的规则如下式所示：
[0114]
f_old＝f
[0115]
[0116]
其中，f表示的是交叉概率，newf表示进行自适应操作后产生的新的交叉概率。
[0117]
作为上述方案的改进，在判断到迭代次数大于或等于预设的最大迭代慈湖时，则终止迭代并输出最优的超参数组合，选择所有子代中目标函数值最高的个体作为问题的最优解，作为xgboost的超参数输入，训练模型。
[0118]
值得说明的是，本实施例采用基于蒙特卡洛和自适应差分算子的分解进化多目标优化算法较于现有的优化算法解决了超参数调优算法全局和局部收缩能力低下，解的分布不均匀，处理离散问题性能差的问题。在xgboost分类之前对其参数进行优化，除了初始设置之外，并不需要额外的手动操作，提高了模型的准确度，具有更好的鲁棒性，并且在大规模数据下，具有更广泛的移植性。
[0119]
参见图2，是本发明实施例提供的一种电力系统站点停电数的预测装置的结构示意图，包括：
[0120]
电力参数获取模块21，用于获取经过预处理后的电力系统的电力参数；
[0121]
超参数组合获取模块22，用于建立基于xgboost算法的预测模型，并对所述预测模型进行超参数优化，得到所述预测模型的最优超参数组合；
[0122]
预测结果获取模块23，用于根据所述最优超参数组合优化所述预测模型，并将所述电力参数输入到优化后的预测模型中，得到电力系统站点停电数的预测结果；
[0123]
其中，所述对所述预测模型进行超参数优化，得到所述预测模型的最佳超参数组合，具体包括：
[0124]
获取所述预测模型的待优化超参数，并通过预设的蒙特卡洛方法对所述待优化超参数进行初始化，得到初始种群；
[0125]
基于预设的自适应差分进化算法，对所述初始种群进行遗传操作，得到所述预测模型中的待优化超参数的最优超参数组合。
[0126]
与现有技术相比，本发明实施例公开的一种电力系统站点停电数的预测装置，能够通过蒙特卡洛方法来产生初始种群，避免了大多数算法由于随机初始化种群而带来解的分布不均匀，而导致算法搜索能力低下的问题，并通过自适应差分进化算法在进化过程中动态调整缩放因子和交叉概率，提高了算法的局部搜索能力。采用本发明实施例，能够基于蒙特卡洛方法和自适应差分进化算法对xgboost分类算法进行超参数优化，以提高模型预测结果的准确度，并且不需要额外进行手动调优，简化了组合模型参数调优的复杂度。
[0127]
参见图3，是本发明实施例提供的一种终端设备的结构示意图。该实施例的终端设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序。所述处理器30执行所述计算机程序时实现上述各个电力系统站点停电数的预测方法实施例中的步骤。或者，所述处理器30执行所述计算机程序时实现上述各装置实施例中各模块的功能。
[0128]
示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器31中，并由所述处理器30执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备3中的执行过程。
[0129]
所述终端设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备3可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，所
述示意图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备3还可以包括输入输出设备、网络接入设备、总线等。
[0130]
所称处理器30可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器30是所述终端设备3的控制中心，利用各种接口和线路连接整个终端设备3的各个部分。
[0131]
所述存储器31可用于存储所述计算机程序和/或模块，所述处理器30通过运行或执行存储在所述存储器31内的计算机程序和/或模块，以及调用存储在存储器31内的数据，实现所述终端设备3的各种功能。所述存储器31可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器31可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0132]
其中，所述终端设备3集成的模块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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器30执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0133]
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0134]
本发明实施例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
存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述所述的电力系统站点停电数的预测方法。
[0135]
以上所述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，这些改进和润饰也视为本发明的保护范围。