[发明专利]用于电力系统负荷预测模型的样本数据提取方法和装置

说明书

本发明适用于人工智能技术领域，提供了用于电力系统负荷预测模型的样本数据提取方法和装置，该方法包括：获取电力系统历史负荷的时序数据；根据所述时序数据的时间戳，构造所述时序数据在时间分类下的第一特征矩阵；利用时间窗口平移得到平移至N天前的时序数据，并构造N天前的时序数据在全天小时分类下的第二特征矩阵；对时间窗口平移得到平移至N天前的时序数据进行tsfresh特征提取，得到i个第三特征矩阵；拼合所述第一特征矩阵、第二特征矩阵及第三特征矩阵，生成目标样本数据；输出所述目标样本数据。利用该样本数据训练得到的预测模型，可以进一步提高模型的准确率。

技术领域

本发明属于人工智能技术领域，尤其涉及用于电力系统负荷预测模型的样本数据提取方法和装置。

背景技术

由于电能有着不易储存的特点，电力行业的预测需求一直以来都比其他行业更加紧迫。因此，实现电力系统负荷的科学可靠预测是促进电网稳固运行的首要任务。具体的，电力系统负荷预测是一种时间序列预测，主要是通过大量的历史负荷数据建立起可以拟合历史数据变化规律的数学模型，该模型不仅可以定量表征出电力系统负荷数据的时间规律性，还可以作为负荷预测模型的雏形，实现对未来电力负荷的科学有效预测。

现有技术中，电力系统负荷预测模型的准确率是技术人员一直致力研究的技术问题。当前对于电力系统负荷的预测模型很多，相比于提出一种新的预测模型，对已有预测模型进行改进，进一步提升模型的准确率，同样是实际中的一个技术难题。

发明内容

鉴于现有技术中的问题，本发明实施例提供了用于电力系统负荷预测模型的样本数据提取方法和装置，以解决如何进一步提升电力系统负荷预测模型的准确率的问题。

本发明实施例的第一方面提供了一种用于电力系统负荷预测模型的样本数据提取方法，其包括：获取电力系统历史负荷的时序数据；根据所述时序数据的时间戳，构造所述时序数据在时间分类下的第一特征矩阵；利用时间窗口平移得到平移至N天前的时序数据，并构造N天前的时序数据在全天小时分类下的第二特征矩阵；对时间窗口平移得到平移至N天前的时序数据进行tsfresh特征提取，得到i个第三特征矩阵；拼合所述第一特征矩阵、第二特征矩阵及第三特征矩阵，生成目标样本数据；输出所述目标样本数据。

优选地，所述根据所述时序数据的时间戳，构造所述时序数据在时间分类下的第一特征矩阵，包括：获取时序数据的时间戳；根据所述时间戳，对所述时序数据按年、月、日、周和小时中的至少一种时间分类生成M列的第一特征矩阵，M为整数，且1≤M≤5。

优选地，所述利用时间窗口平移得到平移至N天前的时序数据，并构造N天前的时序数据在全天小时分类下的第二特征矩阵，包括：根据时间窗口平移，获取到对时间窗口平移到N天前的时序数据；对N天前的时序数据按小时分类，生成K列的第二特征矩阵，K为整数，且1≤K≤24。

优选地，所述对时间窗口平移得到平移至N天前的时序数据进行tsfresh特征提取，得到i个第三负荷特征矩阵，具体包括：调用tsfresh特征提取工具包，并设置(time_shift)时间参数；根据所述时间参数，至少提取对时间窗口平移到N天前的时序数据的i个特征的第三特征矩阵，其中，i＞1。

优选地，所述拼合所述第一特征矩阵、第二特征矩阵及第三特征矩阵，生成目标样本数据，包括：根据第二特征矩阵，确定样本数量；根据第一特征矩阵和第三特征矩阵，确定每个样本中的特征数量；根据所述样本数量和特征数量，生成作为电力系统负荷预测模型训练样本的目标矩阵。