电力负荷预测方法、装置、终端及存储介质

1.本发明涉及电力负荷预测技术领域，尤其涉及一种电力负荷预测方法、装置、终端及存储介质。


背景技术：

2.电力调度在电力系统运行中是不可缺少的角色，精确地电力负荷预测会减少资源浪费和电力成本。准确的短期负荷预测可以有效的提高电力调度的有效性。
3.针对短期电力负荷预测的研究，国内外主要的方法为统计预测方法和机器学习方法。统计方法分为多元线性回归模型和时间序列模型等。机器学习方法包括专家系统(expert systems，es)、支持向量机和人工神经网路(artificial neural network，ann)等。机器学习方法可以解决统计方法无法处理非线性因素对负荷的影响，并且在此基础上提高负荷预测的精确度。此外，人工神经网络算法对非线性因素的处理有更好的拟合性，同时自适应学习能力也很强，在负荷预测领域被广泛应用。
4.对于短期负荷序列，针对区域级负荷提出深度长短期记忆网络超短期预测方法，深度lstm对输入负荷数据特征学习以及长短期相关性挖掘进行短期预测。该算法对长短期记忆网络的收敛性较差。遗传算法(ga)和进化策略(es)有各自特点，优化神经网络拓扑结构和权值方面，取得了优异的性能但是忽略了差分进化算法早熟的特性。基于现有技术的以上特征，使得现有的电力负荷短期预测精度较低。


技术实现要素：

5.本发明提供了一种电力负荷预测方法、装置、终端及存储介质，以解决电力负荷短期预测精度低的问题。
6.第一方面，本发明提供了一种电力负荷预测方法，包括：
7.根据预设置的历史电力负荷数据对差分进化算法中的变异因子和交叉因子进行改进，得到改进后的差分进化算法，并得到最优解，所述最优解为通过所述历史电力负荷数据和改进后的差分进化算法得到的目标电力负荷数据；
8.根据所述历史电力负荷数据和所述最优解，确定长短期记忆神经网络lstm模型的网络参数；
9.通过所述历史电力负荷数据和所述最优解对所述lstm模型进行训练，获得lstm预测模型；
10.根据所述lstm预测模型进行电力负荷预测，得到预测结果。
11.在一种可能的实现方式中，所述根据预设置的历史电力负荷数据对差分进化算法中的变异因子和交叉因子进行改进，得到改进后的差分进化算法，并得到最优解包括：
12.进入参数改进步骤，所述参数改进步骤包括根据所述历史电力负荷数据，计算个体适应度的值，并进行变异、交叉和选择操作，对所述变异因子和所述交叉因子进行自适应控制，得到改进后的变异因子和交叉因子；
13.判断是否符合预设置的终止条件；
14.若不符合所述终止条件，则重新进入所述参数改进步骤，直至符合所述终止条件；
15.若符合所述终止条件，则输出所述最优解。
16.在一种可能的实现方式中，通过第一公式和第二公式确定所述改进后的变异因子，所述第一公式为
[0017][0018]
其中，λ为所述差分进化算法的自适应算子，exp()为以自然常数e为底的指数函数，g为所述参数改进步骤的当前循环次数，gm为对所述参数改进步骤预设置的最大循环次数；
[0019]
所述第二公式为
[0020]
f＝f0·
(2
λ
+1)
[0021]
其中，λ为根据所述第一公式得到的所述差分进化算法的自适应算子，f为所述改进后的变异因子，f0为所述差分进化算法初始化状态时的变异因子。
[0022]
在一种可能的实现方式中，通过第三公式确定改进后的交叉因子，所述第三公式为
[0023][0024]
其中，cr为所述改进后的交叉因子，g为所述参数改进步骤的当前循环次数，gm为对所述参数改进步骤预设置的最大循环次数。
[0025]
在一种可能的实现方式中，获取所述历史电力负荷数据的过程包括：
[0026]
通过预设历史时间段的时间参数以及影响该历史时间段电力负荷值的影响因素的值构建输入向量，对所述输入向量进行归一化预处理操作，得到所述历史电力负荷数据，其中，所述影响因素包括温度、湿度和是否为节假日。
[0027]
第二方面，本发明提供了一种电力负荷预测装置，包括：改进模块、lstm模型网络参数确定模块、训练模块和预测模块；
[0028]
所述改进模块，用于根据预设置的历史电力负荷数据对差分进化算法中的变异因子和交叉因子进行改进，得到改进后的差分进化算法，并得到最优解，所述最优解为通过所述历史电力负荷数据和改进后的差分进化算法得到的目标电力负荷数据；
[0029]
所述lstm模型网络参数确定模块，用于根据所述历史电力负荷数据和所述最优解，获得长短期记忆神经网络lstm模型的网络参数；
[0030]
所述训练模块，用于通过所述历史电力负荷数据和所述最优解对所述lstm模型进行训练，获得lstm预测模型；
[0031]
所述预测模块，用于通过所述历史电力负荷数据和所述最优解对所述lstm模型进行训练，获得lstm预测模型。
[0032]
在一种可能的实现方式中，改进模块用于：
[0033]
进入参数改进步骤，所述参数改进步骤包括根据所述历史电力负荷数据，计算个体适应度的值，并进行变异、交叉和选择操作，对所述变异因子和所述交叉因子进行自适应
控制，得到改进后的变异因子和交叉因子；
[0034]
判断是否符合预设置的终止条件；
[0035]
若不符合所述终止条件，则重新进入所述参数改进步骤，直至符合所述终止条件；
[0036]
若符合所述终止条件，则输出所述最优解。
[0037]
在一种可能实现的方式中，改进模块用于：
[0038]
通过第一公式和第二公式确定所述改进后的变异因子，所述第一公式为
[0039][0040]
其中，λ为所述差分进化算法的自适应算子，exp()为以自然常数e为底的指数函数，g为所述参数改进步骤的当前循环次数，gm为对所述参数改进步骤预设置的最大循环次数；
[0041]
所述第二公式为
[0042]
f＝f0·
(2
λ
+1)
[0043]
其中，λ为根据所述第一公式得到的所述差分进化算法的自适应算子，f为所述改进后的变异因子，f0为所述差分进化算法初始化状态时的变异因子。
[0044]
第三方面，本发明提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
[0045]
第四方面，本发明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上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
[0046]
本发明提供一种电力负荷预测方法、装置、终端及存储介质。对差分进化算法中的变异因子和交叉因子进行改进，得到改进后的差分进化算法，并得到最优解。根据改进后的差分进化算法确定lstm模型的拓扑结构，在后续训练中可以减少寻优过程，缩短了训练时间；根据改进后的差分进化算法提取lstm模型的时序特征，使损失函数最小化，损失函数越小，证明构建的lstm预测模型越好，从而提高了电力负荷预测的精确度。
附图说明
[0047]
为了更清楚地说明本发明实施例中的技术方案，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
[0048]
图1是本发明实施例提供的一种电力负荷预测方法的实现流程图；
[0049]
图2是本发明实施例提供的一种电力负荷预测装置的结构示意图；
[0050]
图3是本发明实施例提供的终端的示意图。
具体实施方式
[0051]
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体
细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
[0052]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
[0053]
图1示出了本发明实施例提供的电力负荷预测方法的实现流程图，详述如下：
[0054]
在步骤101中，根据预设置的历史电力负荷数据对差分进化算法中的变异因子和交叉因子进行改进，得到改进后的差分进化算法，并得到最优解，最优解为通过所述历史电力负荷数据和改进后的差分进化算法得到的目标电力负荷数据。
[0055]
其中，获取历史电力负荷数据的过程包括：
[0056]
通过预设历史时间段的时间参数以及影响该历史时间段电力负荷值的影响因素的值构建输入向量，对所述输入向量进行归一化预处理操作，得到历史电力负荷数据，其中，影响因素包括温度、湿度和是否为节假日。
[0057]
假设预设历史时间段的时间参数定义为时间序列x1，影响该历史时间段电力负荷值的影响因素的值定义为时间序列x2,x3,
…
,xn，构成一个m维n变量时间序列m预设值为100。
[0058]
例如，想要预测a小区(目标区域)在2022年1月的电力需求负荷，则需要采集a小区2022年1月1日前预设历史时间段的时间参数以及影响该历史时间段电力负荷值的影响因素的值构成一个m维n变量时间序列，比如说a小区在2021年7月1日至a小区在2021年12月31日时间范围内获取连续的100组预设历史时间段的时间参数以及影响该历史时间段电力负荷值的影响因素的值，其中，影响因素包括温度、湿度和是否为节假日，构成了一个100维4变量的时间序列。
[0059]
对所述输入向量进行归一化预处理操作，得到历史电力负荷数据，随机打乱历史电力负荷数据顺序并选择其第一预设比例80％作为训练集，第二预设比例20％作为测试集，具体归一化操作通过第五公式实现为
[0060][0061]
其中，x
′
为历史电力负荷数据，x为预设置的历史电力负荷数据，min()和max()为几个定值之间的最小值和最大值公式。
[0062]
差分进化算法(differential evolution algorithm，de)是一种在连续空间中随机搜索寻找最优解的采用实数向量编码的优化算法，最常用的策略是de/rand/1/bin。差分进化算法的过程主要包括初始种群、变异、交叉和选择操作，最后得到最优解，其过程为
[0063]
初始种群在中随机产生，其中，表示第0代的第j个个体的第i维，rand(0,1)表示(0,1)区间内服从均匀分布的随机数，i，r1，r2，r3为两两互不相同的随机整数，表示第r1个体的第g代，空间维数n、种群大小np、迭代次数ni、变异因子f、交叉因子cr、搜素空间的下限以及搜索空间的上限
[0064][0065][0066][0067]
上述公式中的为现有的差分进化算法输出的最优值。
[0068]
对于本发明来说，差分进化算法为现有技术，对此就不再赘述。
[0069]
在本发明实施例中，通过对现有的差分进化算法中的变异因子和交叉因子进行改进，得到改进后的差分进化算法，并得到最优解。该过程的实现方式包括：
[0070]
进入参数改进步骤，参数改进步骤包括根据所述历史电力负荷数据，计算个体适应度的值，并进行变异、交叉和选择操作，对所述变异因子和所述交叉因子进行自适应控制，得到改进后的变异因子和交叉因子；
[0071]
判断是否符合预设置的终止条件；
[0072]
若不符合终止条件，则重新进入参数改进步骤，直至符合终止条件；
[0073]
若符合终止条件，则输出最优解。
[0074]
根据差分进化算法的实现过程，对变异和交叉操作的过程中的变异因子和交叉因子进行改进，其中，通过第一公式和第二公式确定改进后的变异因子，第一公式为
[0075][0076]
其中，λ为差分进化算法的自适应算子，exp()为以自然常数e为底的指数函数，g为参数改进步骤的当前循环次数，gm为对参数改进步骤预设置的最大循环次数；
[0077]
第二公式为
[0078]
f＝f0·
(2
λ
+1)
[0079]
其中，λ为根据第一公式得到的差分进化算法的自适应算子，f为改进后的变异因子，f0为差分进化算法初始化状态时的变异因子。
[0080]
在第一公式中，g的取值范围是[1，gm]，在一种可能的实现方式中，预设置参数改进步骤的最大循环次数为gm＝100。
[0081]
在第二公式中，f0为差分进化算法初始化状态时的变异因子，在一种可能的实现方式中，预设置差分进化算法初始化状态时d的变异因子f0＝0.5
[0082]
上述g为参数改进步骤的当前循环次数，即当预处理电力负荷数据进入差分进化算法进行计算个体适应度值、变异、交叉和选择操作后，与终止条件进行判断，若不符合终止条件，则改进差分进化算法中的变异因子f和交叉因子cr，再次循环上述过程，直至符合终止条件输出最优解，则输出最优解的当前循环次数就为g，则上述过程就为循环次数g，本发明过程预设置的最大循环次数为gm＝100，即当g＝gm时，即使不能满足终止条件也要结束循环过程，输出当下的值为最优解，g的取值范围为[1，gm]。
[0083]
据差分进化算法的实现过程，对变异和交叉操作的过程中的变异因子和交叉因子进行改进，其中，通过第三公式确定改进后的交叉因子，第三公式为
[0084][0085]
其中，cr为改进后的交叉因子，g为参数改进步骤的当前循环次数，gm为对所述参数改进步骤预设置的最大循环次数。
[0086]
在第三公式中，在一种可能的实现方式中，预设置差分进化算法初始化状态时的交叉因子cr＝0.1。
[0087]
根据差分进化算法的实现过程，判断是否符合预设置的终止条件，其中，通过第四公式确定终止条件，第四公式为
[0088][0089]
其中，mse为均方差公式，yi为进入差分进化算法的历史电力负荷数据，为进入差分进化算法改进过程中的待预测电力负荷数据；
[0090]
若不符合终止条件，则重新进入参数改进步骤，直至符合终止条件；
[0091]
若符合终止条件，则输出最优解。
[0092]
在步骤102中，根据历史电力负荷数据和最优解，确定长短期记忆神经网络lstm模型的网络参数。
[0093]
长短期记忆神经网络lstm是一种特殊的循环神经网络，因为循环神经网络(recurrent neural network,rnn)随着时间的流逝，网络层数不断增多，就会产生梯度消失或者梯度爆炸等问题，所以为了解决神经网络中的长期依赖问题，才产生了长短期记忆神经网络lstm，每个隐含层不再是单一的神经网络，而是由遗忘门、输入门和输出门相互连接的神经网络组成，来完成对记忆单元的信息提取，其操作如下：
[0094]
假设x
t
表示t时刻的输入向量，则h
t-1
表示t-1时刻的输出，wf，wi，wc，wo，uf，ui，uc，uo和bf，bi，bc，bo分别表示权重矩阵和偏置向量，δ为sigmiod函数，tanh为双曲正切激活函数，则记忆模块进行状态更新和信息输出的过程为
[0095]
输入门i
t
单元表达式：
[0096]it
＝δ(wi·
[h
t-1
，x
t
]+bi)
[0097]
遗忘门f
t
单元表达式：
[0098]ft
＝δ(wf·
[h
t-1
，x
t
]+bf)
[0099]
记忆单元c
t
表达式：
[0100][0101]
输出门o
t
单元表达式：
[0102]ot
＝δ(wo·
[h
t-1
，x
t
]+bo)
[0103]ht
＝o
t
⊙
tanh(c
t
)
[0104]
上述公式中的h
t
为现有的lstm模型的最终输出值。
[0105]
对于本发明来说，lstm模型为现有技术，对此就不再赘述。
[0106]
通过改进后的差分进化算法，可以确定lstm模型的拓扑结构，在后续训练中可以减少寻优过程，缩短了训练时间。
[0107]
在步骤103中，通过历史电力负荷数据和所述最优解对lstm模型进行训练，获得lstm预测模型。
[0108]
通过改进后的差分进化算法提取lstm模型的时序特征，可以使损失函数最小化，损失函数越小，证明构建的lstm预测模型越好，从而提高了lstm预测模型的预测效果。
[0109]
在步骤104中，根据lstm预测模型进行电力负荷预测，得到预测结果。
[0110]
例如：想要预测a小区(目标区域)在2022年1月的电力需求负荷，则需要采集a小区2022年1月1日前预设历史时间段的时间参数以及影响该历史时间段电力负荷值的影响因素的值构成一个m维n变量时间序列，比如说a小区在2021年7月1日至a小区在2021年12月31日时间范围内获取连续的100组预设历史时间段的时间参数以及影响该历史时间段电力负荷值的影响因素的值，其中，影响因素包括温度、湿度和是否为节假日，构成了一个100维4变量的时间序列x。经过差分进化算法的改进过程输出最优解x1，通过时间序列x和最优解x1确定lstm模型的网络参数，并对lstm模型进行训练获得lstm预测模型，根据lstm预测模型进行电力负荷预测，得到预测结果，输出a小区在2022年1月的电力需求负荷。
[0111]
需要说明的是，在选择预测数据集时，需要考虑数据量的大小，不宜过小影响预测的精度，也不宜过大浪费过多的计算资源。
[0112]
本发明实施例提供了一种电力负荷预测方法，对差分进化算法中的变异因子和交叉因子进行改进，得到改进后的差分进化算法，并得到最优解。根据改进后的差分进化算法确定lstm模型的拓扑结构，在后续训练中可以减少寻优过程，缩短了训练时间；根据改进后的差分进化算法提取lstm模型的时序特征，使损失函数最小化，损失函数越小，证明构建的lstm预测模型越好，从而提高了电力负荷预测的精确度。
[0113]
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
[0114]
图2示出了本发明实施例提供的一种电力负荷预测装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
[0115]
如图2所示，电力负荷预测装置2包括：改进模块21、lstm模型网络参数确定模块22、训练模块23和预测模块24；
[0116]
所述改进模块21，用于根据预设置的历史电力负荷数据对差分进化算法中的变异因子和交叉因子进行改进，得到改进后的差分进化算法，并得到最优解，所述最优解为通过所述历史电力负荷数据和改进后的差分进化算法得到的目标电力负荷数据；
[0117]
所述lstm模型网络参数确定模块22，用于根据所述历史电力负荷数据和所述最优解，获得长短期记忆神经网络lstm模型的网络参数；
[0118]
所述训练模块23，用于通过所述历史电力负荷数据和所述最优解对所述lstm模型进行训练，获得lstm预测模型；
[0119]
所述预测模块24，用于通过所述历史电力负荷数据和所述最优解对所述lstm模型进行训练，获得lstm预测模型。
[0120]
本发明实施例提供了一种电力负荷预测装置，对差分进化算法中的变异因子和交叉因子进行改进，得到改进后的差分进化算法，并得到最优解。根据改进后的差分进化算法确定lstm模型的拓扑结构，在后续训练中可以减少寻优过程，缩短了训练时间；根据改进后的差分进化算法提取lstm模型的时序特征，使损失函数最小化，损失函数越小，证明构建的
lstm预测模型越好，从而提高了电力负荷预测的精确度。
[0121]
在一种可能的实现方式中，所述改进模块用于：
[0122]
进入参数改进步骤，所述参数改进步骤包括根据所述历史电力负荷数据，计算个体适应度的值，并进行变异、交叉和选择操作，对所述变异因子和所述交叉因子进行自适应控制，得到改进后的变异因子和交叉因子；
[0123]
判断是否符合预设置的终止条件；
[0124]
若不符合所述终止条件，则重新进入所述参数改进步骤，直至符合所述终止条件；
[0125]
若符合所述终止条件，则输出所述最优解。
[0126]
在一种可能的实现方式中，所述改进模块用于：
[0127]
通过第一公式和第二公式确定所述改进后的变异因子，所述第一公式为
[0128][0129]
其中，λ为所述差分进化算法的自适应算子，exp()为以自然常数e为底的指数函数，g为所述参数改进步骤的当前循环次数，gm为对所述参数改进步骤预设置的最大循环次数；
[0130]
所述第二公式为
[0131]
f＝f0·
(2
λ
+1)
[0132]
其中，λ为根据所述第一公式得到的所述差分进化算法的自适应算子，f为所述改进后的变异因子，f0为所述差分进化算法初始化状态时的变异因子。
[0133]
在一种可能的实现方式中，所述改进模块用于：
[0134]
通过第三公式确定改进后的交叉因子，所述第三公式为
[0135][0136]
其中，cr为所述改进后的交叉因子，g为所述参数改进步骤的当前循环次数，gm为对所述参数改进步骤预设置的最大循环次数。
[0137]
在一种可能的实现方式中，所述改进模块用于：
[0138]
通过预设历史时间段的时间参数以及影响该历史时间段电力负荷值的影响因素的值构建输入向量，对所述输入向量进行归一化预处理操作，得到所述历史电力负荷数据，其中，所述影响因素包括温度、湿度和是否为节假日。
[0139]
图3是本发明实施例提供的终端的示意图。如图3所示，该实施例的终端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32。所述处理器30执行所述计算机程序32时实现上述各个电力负荷预测方法实施例中的步骤，例如图1所示的步骤101至步骤104。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块/单元21至24的功能。
[0140]
示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元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/单元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32在所述终端3中的执行过程。例如，所述计算机程序32可以被分割成
图2所示的模块/单元21至24。
[0141]
所述终端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，图3仅仅是终端3的示例，并不构成对终端3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，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
[0142]
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。
[0143]
所述存储器31可以是所述终端3的内部存储单元，例如终端3的硬盘或内存。所述存储器31也可以是所述终端3的外部存储设备，例如所述终端3上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器31还可以既包括所述终端3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
[0144]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0145]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0146]
本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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。
[0147]
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0148]
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单元来实现本实施例方案的目的。
[0149]
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。
[0150]
所述集成的模块/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一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个电力负荷预测方法实施例的步骤。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(read-only memory，rom)、随机存取存储器(random access memory，ram)、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是电载波信号和电信信号。
[0151]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。