[发明专利]预测模型训练方法、预测方法、装置、设备及介质

说明书

本申请公开了一种预测模型训练方法、预测方法、装置、设备及介质，训练方法包括：获取历史电力负荷的序列值及与序列值对应的多个影响因子；从序列值及影响因子中提取电力负荷特征及影响因子特征；利用电力负荷特征及影响因子特征，基于CatBoost算法训练预测模型，预测模型用于预测预测目标的下一时间段的电力负荷。本申请实施例通过从获取的历史序列值及对应的影响因子中提取电力负荷特征及影响因子特征，对提取的电力负荷特征及影响因子特征进行训练，得到预测模型，使得训练过程中的特征处理简易，训练得到的预测模型对企业用户短期的电力负荷预测精确，为电力现货市场交易中提供可靠的依据。

技术领域

本申请一般涉及计算机技术领域，尤其涉及预测模型训练方法、预测方法、装置、设备及介质。

背景技术

在工业中企业用户生产过程中所需的电力负荷，通常以中长期电力负荷为依据向售电企业购买，售电企业预先从发电侧申报未来中长期的用电量。实际中，工业企业用户的短期所需电量并不一定与预先计划符合。此时，售电企业对于盈余或不足的点亮，需要通过现货市场售出或补充，实现电力短期供需平衡。在电力现货市场中，随着交易品种增多，频次提高，价格波动更加频繁，以及在“实时市场偏差结算”和“偏差价差收益转移结算”的新型规则下，需要提高短期乃至超短期负荷预测能力，以精确掌握市场允许的偏差，使得交易利润最大化。

目前，对工业用户的中短期或超短期电力负荷进行预测，所采用的算法种类多样，如传统的趋势外推法及回归分析法等，人工智能的随机森林算法、神经网络算法（RNN）及长短期记忆网络算法（LSTM）等。

对于上述采用的算法来预测工业企业短期的电力负荷，使得预测过程中的特征处理过程复杂，预测结果与实际电力负荷的出入大，无法为电力现货市场交易提供参考依据。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种电力负荷预测模型训练方法、预测方法、装置、设备及介质，来提高企业电力负荷预测的准确性。

第一方面，本申请实施例提供了一种预测模型训练方法，该方法包括：

获取历史电力负荷的序列值及与该序列值对应的多个影响因子；

从该序列值及该影响因子中提取电力负荷特征及影响因子特征；

利用该电力负荷特征及该影响因子特征，基于CatBoost算法训练预测模型，该预测模型用于预测预测目标的下一时间段的电力负荷。

第二方面，本申请实施例提供一种预测方法，该方法包括：

获取预测目标的历史电力负荷的序列值及该序列值对应的影响因子；

将该序列值及该影响因子输入到如第一方面所训练的预测模型中，得到该预测目标下一时间段的电力负荷。

第三方面，本申请实施例提供一种预测模型训练装置，该装置包括：

获取模块，用于获取历史电力负荷的序列值及与该序列值对应的多个影响因子；

提取模块，用于从该序列值及该影响因子中提取电力负荷特征及影响因子特征；

训练模块，用于利用该电力负荷特征及该影响因子特征，基于CatBoost算法训练预测模型，该预测模型用于预测预测目标的下一时间段的电力负荷。

第四方面，本申请实施例提供一种预测装置，该装置包括：

获取模块，用于获取预测目标的历史电力负荷的序列值及该序列值对应的影响因子；

预测模块，用于将该序列值及该影响因子输入到如第一方面所训练的预测模型中，得到该预测目标下一时间段的电力负荷。