[发明专利]电力负荷预测方法、装置、计算机设备和存储介质

权利要求书

1.一种电力负荷预测方法，其特征在于，所述方法包括：

响应于携带有预测时间信息的用电负荷预测请求，获取与所述用电负荷预测请求对应的用电负荷相关特征数据；所述用电负荷相关特征数据包括历史用电负荷值；

根据用电负荷相关特征数据的类型，将所述用电负荷相关特征数据划分为生活用电负荷相关特征数据以及生产用电负荷相关特征数据；所述用电负荷相关特征数据的类型根据用电负荷的用途确定；

将所述生活用电负荷相关特征数据以及所述生产用电负荷相关特征数据输入预先构建的用电负荷差值预测模型，得到所述预先构建的用电负荷差值预测模型输出的与所述预测时间信息对应的生活用电负荷预测差值以及生产用电负荷预测差值；所述预先构建的用电负荷差值预测模型根据样本用电负荷相关特征数据训练得到；所述生活用电负荷预测差值以及所述生产用电负荷预测差值为对数差值，所述对数差值用于降低所述预先构建的用电负荷差值预测模型训练过程中的方差；

根据所述生活用电负荷预测差值以及生产用电负荷预测差值，对所述历史用电负荷值进行计算处理，得到与所述用电负荷预测请求对应的用电负荷预测结果；

所述根据所述生活用电负荷预测差值以及生产用电负荷预测差值，对所述历史用电负荷值进行计算处理，得到与所述用电负荷预测请求对应的用电负荷预测结果，包括：

将所述生活用电负荷预测差值与历史生活用电负荷值相加，得到与所述预测时间信息对应的预测生活用电负荷值；

将所述生产用电负荷预测差值与历史生产用电负荷值相加，得到与所述预测时间信息对应的预测生产用电负荷值；

将所述预测生活用电负荷值与所述预测生产用电负荷值相加，得到整体用电负荷值，作为与所述用电负荷预测请求对应的用电负荷预测结果；

所述预先构建的用电负荷差值预测模型通过以下方式获得：

获取包含有多个预设神经网络模型以及多个预设传统机器学习模型的预设模型库；

从所述预设模型库中选取至少一个所述预设神经网络模型和/或至少一个所述预设传统机器学习模型；

基于所述样本用电负荷相关特征数据对至少一个所述预设神经网络模型和/或至少一个所述预设传统机器学习模型进行训练，通过对比各个训练后的模型的预测准确度，为训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型分别设置相应权重；

将训练完成后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型，根据相对应的权重进行融合，得到所述预先构建的用电负荷差值预测模型；

所述预设传统机器学习模型用于构建多个离散特征以及多个连续特征。

2.根据权利要求1所述的方法，其特征在于，所述基于所述样本用电负荷相关特征数据对至少一个所述预设神经网络模型和/或至少一个所述预设传统机器学习模型进行训练，包括：

根据所述样本用电负荷相关特征数据，构建训练数据集以及验证数据集；

根据所述训练数据集对所选取的至少一个所述预设神经网络模型和/或至少一个所述预设传统机器学习模型进行训练，得到训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型；

基于所述验证数据集，采用预设指标对所述训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型进行验证，得到与所述训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型对应的预测准确度。

3.根据权利要求2所述的方法，其特征在于，所述为训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型分别设置相应权重，包括：

根据所述预测准确度的大小，确定出所述训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型之间的权重比例关系；所述权重比例关系中各个模型的权重和为1；

根据所述权重比例关系，分别为所述训练后的至少一个预设神经网络模型和/或至少一个预设传统机器学习模型设置相应的权重。

4.根据权利要求1至3任意一项所述的方法，其特征在于，所述预设神经网络模型包括：循环神经网络模型以及长短期记忆神经网络模型；所述预设传统机器学习模型包括：XGBoost模型、LightGBM模型以及CatBoost模型。