[发明专利]负荷预测方法、装置、计算机可读存储介质以及处理器

说明书

本发明公开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。其中，该方法包括：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。

技术领域

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(Long Short-Term Memory，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。

发明内容

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。