电力负荷预测方法、设备及计算机可读存储介质与流程

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、设备及计算机可读存储介质。


背景技术：

2.电力负荷预测是根据历史电力负荷数据变化规律，对未来电力负荷变化影响的探索。在相关的电力负荷预测方案中，将电力负荷数据输入单一的模型进行电力负荷预测，而单个模型的预测能力有限仅能适用某一场景下的电力负荷预测，难以满足不同的负荷预测场景。


技术实现要素：

3.本技术实施例通过提供一种电力负荷预测方法、设备及计算机可读存储介质，旨在解决单一电力负荷预测模型无法满足不同的负荷预测场景的问题，实现对不同场景下的电力负荷预测。
4.本技术实施例提供了一种电力负荷预测方法，所述电力负荷预测方法，包括：
5.确定各个电力负荷预测模型基于当前电力负荷数据对应的预测结果；
6.获取各个所述电力负荷预测模型对应的权重系数；
7.根据各个所述电力负荷预测模型对应的权重系数和对应的所述预测结果，确定目标电力负荷预测结果。
8.可选地，所述确定各个电力负荷预测模型基于当前电力负荷数据对应的预测结果的步骤包括：
9.根据当前电力负荷数据和上次电力负荷数据，确定各个所述电力负荷预测模型的第一差分结果；
10.根据所述第一差分结果和所述第一差分结果关联的第二差分结果，确定第三差分结果，其中，所述第一差分结果和所述第三差分结果的阶数相同，所述第二差分结果的阶数小于所述第一差分结果；
11.根据所述第三差分结果和所述当前电力负荷数据，确定各个所述电力负荷预测模型对应的所述预测结果。
12.可选地，所述电力负荷预测模型至少包括时间序列模型、深度学习模型和机器学习模型，所述根据各个所述电力负荷预测模型对应的权重系数和对应的所述预测结果，确定目标电力负荷预测结果的步骤包括：
13.根据所述时间序列模型对应的权重系数和所述时间序列模型对应的预测结果，得到第一电力负荷预测结果；
14.根据所述深度学习模型对应的权重系数和所述深度学习模型对应的预测结果，得到第二电力负荷预测结果；
15.根据所述机器学习模型对应的权重系数和所述机器学习模型对应的子电力负荷
预测结果，得到第三电力负荷预测结果；
16.根据所述第一电力负荷预测结果、所述第二电力负荷预测结果和所述第三电力负荷预测结果，得到所述目标电力负荷预测结果。
17.可选地，所述确定各个电力负荷预测模型基于当前电力负荷数据对应的预测结果的步骤之前，还包括：
18.获取历史电力负荷数据样本，并基于电力负荷预测模型对应的训练数据长度将所述历史电力负荷数据样本划分为训练数据集和测试数据集；
19.基于所述训练数据集分别训练各个初始电力负荷预测模型，得到各个电力负荷预测模型；
20.基于所述测试数据集分别测试各个所述电力负荷预测模型，得到各个所述电力负荷预测模型对应的权重系数。
21.可选地，所述基于所述测试数据集分别测试各个所述电力负荷预测模型，得到各个所述电力负荷预测模型对应的权重系数的步骤包括：
22.采用所述测试数据集分别计算各个电力负荷预测模型对应的均方误差；
23.对各个所述电力负荷预测模型对应的均方误差分别进行归一化处理，得到各个所述电力负荷预测模型对应的权重系数。
24.可选地，所述基于电力负荷预测模型对应的训练数据长度将所述历史电力负荷数据样本划分为训练数据集和测试数据集的步骤包括：
25.将所述历史电力负荷数据样本中的数据分别映射至预设区间，得到映射后的历史电力负荷数据；
26.将映射后的历史电力负荷数据基于电力负荷预测模型对应的训练数据长度划分为训练数据集和测试数据集。
27.可选地，所述基于电力负荷预测模型对应的训练数据长度将所述历史电力负荷数据样本划分为训练数据集和测试数据集的步骤包括：
28.对所述历史电力负荷数据进行平稳性检测处理，以判断所述历史电力负荷数据是否平稳；
29.若是，将平稳性检测处理后的历史电力负荷数据基于电力负荷预测模型对应的训练数据长度划分为训练数据集和测试数据集；
30.若否，根据所述历史电力负荷数据的变化趋势，确定所述历史电力负荷数据的差分运算方式，基于所述差分运算方式对所述历史电力负荷数据进行差分运算，在差分运算后的历史电力负荷数据平稳时，将差分运算后的历史电力负荷数据基于电力负荷预测模型对应的训练数据长度划分为训练数据集和测试数据集。
31.可选地，所述根据所述历史电力负荷数据的变化趋势，确定所述历史电力负荷数据的差分运算方式的步骤包括：
32.在所述变化趋势为线性趋势时，确定所述历史电力负荷数据的差分运算方式为一阶差分运算；
33.在所述变化趋势为曲线趋势时，确定所述历史电力负荷数据的差分运算方式为低阶差分运算；
34.在所述变化趋势为固定周期变化趋势时，确定所述历史电力负荷数据的差分运算
方式为进行预设周期步长的差分运算。
35.可选地，所述电力负荷预测方法，还包括：
36.根据滑动窗口长度和各个所述电力负荷预测模型的预测步数，得到各个所述电力负荷预测模型对应的所述训练数据长度。
37.可选地，所述电力负荷预测方法，还包括：
38.确定所述训练数据集中任意两个训练数据样本之间的余弦相似度；
39.若余弦相似度大于预设相似度，删除余弦相似度大于预设相似度的两个训练数据样本中的一个，并更新所述训练数据集。
40.此外，为实现上述目的，本发明还提供了一种电力负荷预测设备，所述电力负荷预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电力负荷预测程序，所述电力负荷预测程序被所述处理器执行时实现上述的电力负荷预测方法的步骤。
41.此外，为实现上述目的，本发明还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电力负荷预测程序，所述电力负荷预测程序被处理器执行时实现上述的电力负荷预测方法的步骤。
42.本技术实施例中提供的一种电力负荷预测方法、设备及计算机可读存储介质的技术方案，本技术采用多个电力负荷预测模型分别对当前电力负荷数据进行预测，结合各个电力负荷预测模型对当前电力负荷数据的预测结果以及各个电力负荷预测模型对应的权重系数，确定目标电力负荷预测结果。由于每个电力负荷预测模型的权重不同，在不同预测场景下对应的预测能力和预测效果不同，本技术采用集成的多个电力负荷预测模型进行电力负荷预测结果，能够满足不同场景下的电力负荷预测需求，实现不同场景下的电力负荷预测，提高不同场景下的电力负荷预测效果。
附图说明
43.图1为本发明电力负荷预测方法第一实施例的流程示意图；
44.图2为本发明差分运算的示意图；
45.图3为本发明电力负荷预测方法第一实施例步骤s110之前的流程示意图；
46.图4为本发明实施例方案涉及的电力负荷预测设备的结构示意图；
47.本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明，上述附图只是一个实施例图，而不是发明的全部。
具体实施方式
48.目前，采用单一的模型进行电力负荷预测。单个模型的预测能力有限仅能适用某一场景下的电力负荷预测，难以满足不同的负荷预测场景。
49.本技术为解决上述缺陷，采用的技术方案包括：确定各个电力负荷预测模型基于当前电力负荷数据对应的预测结果；获取各个所述电力负荷预测模型对应的权重系数；根据各个所述电力负荷预测模型对应的权重系数和对应的所述预测结果，确定目标电力负荷预测结果。由于每个电力负荷预测模型的权重不同，在不同预测场景下对应的预测能力和预测效果不同，本技术采用集成的多个电力负荷预测模型进行电力负荷预测结果，能够满
足不同场景下的电力负荷预测需求，实现不同场景下的电力负荷预测，提高不同场景下的电力负荷预测效果。
50.为了更好的理解上述技术方案，下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
51.第一实施例
52.如图1所示，在本技术的第一实施例中，本技术的电力负荷预测方法，包括以下步骤：
53.步骤s110，确定各个电力负荷预测模型基于当前电力负荷数据对应的预测结果。
54.可选地，当前电力负荷数据也即当前电力系统的负荷数据。可以是一个电力系统的负荷数据，也可以是所有的电力系统的负荷数据，可根据实际情况进行获取。本技术目的在于采用当前电力负荷数据预测未来的电力负荷数据，即确定目标电力负荷预测结果，通过提前对负荷需求量的变化和负荷特性有一个准确地预测，便于后续电力供需规划。
55.可选地，当前电力负荷数据可以采用电表或者负荷监测传感器等负荷数据采集装置进行采集，并配备有有线或无线的传输设备，能够实现远程的数据采集以及数据传输。在进行电力负荷预测时，存在以下至少两种预测场景：第一、可在需要进行电力负荷预测时，从当前各个电力系统节点获取对应的电力负荷数据进行电力负荷预测。第二、也可以是从预先存储有各个电力系统历史电力负荷数据的数据库中获取对应的历史电力负荷数据进行电力负荷预测。
56.例如，针对第一种预测场景，以每个电力系统为节点，在每个电力系统节点上设置负荷监测传感器。可在电力负荷预测时，通过各个电力系统节点上设置的负荷监测传感器分别采集对应电力系统节点的电力负荷数据，以进行电力负荷预测。针对第二种预测场景，每个电力系统节点的负荷数据采集装置会将采集的电力负荷数据实时存储于数据库中，当需要进行电力负荷预测时，从数据库中获取对应的电力系统的历史电力负荷数据进行分析。
57.可选地，不管是哪种预测场景，均可将预测得到的电力负荷预测结果与对应的电力负荷预测数据进行关联，然后一并存储于数据库中，便于后续电力设备故障检修过程中，基于存储的电力负荷预测结果定位故障的电力系统以及该故障的电力系统的电力负荷数据，提高电力系统故障的处理效率。
58.可选地，本技术的电力负荷预测模型包括但不限于时间序列模型、深度学习模型和机器学习模型。各个模型的训练详见第二实施例，在此不再赘述。
59.可选地，在根据实际电力负荷预测场景确定各个电力负荷预测模型之后，可将当前电力负荷数据分别输入各个电力负荷预测模型进行电力负荷预测。每个电力负荷预测模型基于当前电力负荷数据会输出不同的预测结果，由于每个负荷预测模型对应的特性不同，使得所输出的预测结果能够具备不同负荷预测模型的预测效果。
60.可选地，本技术调用各个电力负荷预测模型，传入电力负荷数据进行预测并得到输出，先根据差分的次数和变换函数对各个电力负荷预测模型的预测结果进行还原。接着再利用各个电力负荷预测模型的权重系数对各个电力负荷预测模型还原后的预测结果进
行加权求和，最终得到集成了多个电力负荷预测模型的目标电力负荷预测结果。上述的差分次数可根据实际情况进行设置。对各个电力负荷预测模型的预测结果进行差分运算的目的在于消除一些波动数据，使预测结果趋于平稳。本技术以两次差分为例，在其他实施例还可以采用多于两次差分次数对电力负荷数据进行差分运算。上述的变化函数为可逆函数，通过可逆函数可以实现预测结果的还原。
61.根据差分的次数和变换函数对各个电力负荷预测模型的预测结果进行还原，实质为确定各个电力负荷预测模型基于当前电力负荷数据对应的预测结果的具体实施方式，也即步骤s110包括以下步骤：
62.步骤s111，根据当前电力负荷数据和上次电力负荷数据，确定各个所述电力负荷预测模型的第一差分结果。
63.步骤s112，根据所述第一差分结果和所述第一差分结果关联的第二差分结果，确定第三差分结果，其中，所述第一差分结果和所述第三差分结果的阶数相同，所述第二差分结果的阶数小于所述第一差分结果；
64.步骤s113，根据所述第三差分结果和所述当前电力负荷数据，确定各个所述电力负荷预测模型对应的所述预测结果。
65.可选地，电力负荷数据的采集是具有先后时间顺序属性的，可将位于当前电力负荷数据的采集时间之前的电力负荷数据称为上次电力负荷数据。以图2为例，按照采集时间依次采集的电力负荷数据[x1,x2,x3,x4,x5,x6]。
[0066]
在模型训练阶段，可对历史电力负荷数据进行差分运算，进而确定第二差分结果，即图2中的ddx1、ddx2、ddx3。假设x1为上次电力负荷数据，x2为当前电力负荷数据，目的在于根据x1和x2预测得到x3。具体的，在预测阶段，根据x2和x1进行一阶差分运算，得到的第一差分结果为dx1，由此从图2可获取dx1关联的第二差分结果为ddx1。在确定第二差分结果之后，反推得到第三差分结果，从图2可获取第二差分结果ddx1关联的第三差分结果为dx2。在得到第三差分结果之后，基于第三差分结果和当前电力负荷数据进行差分运算，即可得到预测结果，即得到x3。每个电力负荷预测模型均可采用图2中所示的方式计算得到模型对应的预测结果。
[0067]
步骤s120，获取各个所述电力负荷预测模型对应的权重系数。
[0068]
可选地，每个电力负荷预测模型均存在对应的权重系数，权重系数表示该电力负荷预测模型的预测结果对目标电力负荷预测结果的重要程度。预测更准确的电力负荷预测模型在预测阶段的权重系数更大。每个电力负荷预测模型对应的权重系数可在训练阶段进行确定，可根据历史电力负荷数据计算得到的均方误差进行确定，具体详见第二实施例，在此不再赘述。
[0069]
步骤s130，根据各个所述电力负荷预测模型对应的权重系数和对应的所述预测结果，确定目标电力负荷预测结果。
[0070]
可选地，在得到各个电力负荷预测模型对应的权重系数之后，结果各个电力负荷预测模型对应的预测结果进行加权求和，从而得到目标电力负荷结果。通过该目标电力负荷结果可预先掌握未来各个电力系统的电力负荷发展情况，可提前基于该目标电力负荷预测结果进行后续电力供需规划，以为各类用户提供经济、可靠和高质量的电能。
[0071]
可选地，所述电力负荷预测模型至少包括时间序列模型、深度学习模型和机器学
习模型，步骤s130包括以下步骤：
[0072]
步骤s131，根据所述时间序列模型对应的权重系数和所述时间序列模型对应的预测结果，得到第一电力负荷预测结果；
[0073]
可选地，本技术可预先内置的经典时间序列模型包括但不限于：arma模型、arima模型、holt-winters模型。所述第一电力负荷预测结果为将当前电力负荷数据输入时间序列模型预测得到的。时间序列模型在对当前电力负荷数据进行预测之前，还需要对当前电力负荷数据进行平稳性检验以及差分运算处理，使得当前电力负荷数据更加平稳，提高第一电力负荷预测结果的准确性。
[0074]
步骤s132，根据所述深度学习模型对应的权重系数和所述深度学习模型对应的预测结果，得到第二电力负荷预测结果；
[0075]
可选地，本技术可预先内置的深度学习模型包括但不限于：hybrid cnn-lstm模型、convlstm模型、deepar模型、temporal fusion transformer(tft)模型。所述第二电力负荷预测结果为将当前电力负荷数据输入深度学习模型预测得到的。
[0076]
步骤s133，根据所述机器学习模型对应的权重系数和所述机器学习模型对应的子电力负荷预测结果，得到第三电力负荷预测结果；
[0077]
可选地，本技术可预先内置的机器学习模型包括但不限于：random forest模型、adaboost gbdt模型、xgboost模型、decision tree模型。所述第三电力负荷预测结果为将当前电力负荷数据输入机器学习模型预测得到的。
[0078]
上述各种电力负荷预测模型可以根据具体的电力负荷预测场景在系统中进行预先配置，用户可以指定其中的多种模型参与训练，从而达到集成多个模型的效果。也可以采用默认的模型参与训练，例如系统默认采用3种模型(arima、xgboost，hybrid cnn-lstm)参与集成。使用深度学习模型时，对于训练数据长度和需要输出的数据长度，可通过修改基于tensorflow或pytorch构建的模型的输入层和输出层，即可实现对于各种自定义输入输出数据长度的处理。
[0079]
步骤s134，根据所述第一电力负荷预测结果、所述第二电力负荷预测结果和所述第三电力负荷预测结果，得到所述目标电力负荷预测结果。
[0080]
可选地，对第一电力负荷预测结果、第二电力负荷预测结果和第三电力负荷预测结果进行加权求和，从而得到集成多个电力负荷预测结果的目标电力负荷预测结果。
[0081]
本实施例根据上述技术方案，由于每个电力负荷预测模型的权重不同，在不同预测场景下对应的预测能力和预测效果不同，本技术采用集成的多个电力负荷预测模型进行电力负荷预测结果，能够满足不同场景下的电力负荷预测需求，实现不同场景下的电力负荷预测，提高不同场景下的电力负荷预测效果。
[0082]
第二实施例
[0083]
参照图2，基于第一实施例，在第一实施例的步骤s110之前，本技术的电力负荷预测方法包括以下步骤：
[0084]
步骤s210，获取历史电力负荷数据样本，并基于电力负荷预测模型对应的训练数据长度将所述历史电力负荷数据样本划分为训练数据集和测试数据集。
[0085]
可选地，历史电力负荷数据样本可以是预先存储于数据库中的数据，每个电力系统节点的负荷数据采集装置会将采集的电力负荷数据实时存储于数据库中，当需要进行电
力负荷预测时，从数据库中获取对应的电力系统的历史电力负荷数据进行分析。
[0086]
可选地，每个电力负荷预测模型存在对应的训练数据长度，且每个电力负荷预测模型对应的所述训练数据长度可以相同或者不同，训练数据长度可根据每个电力负荷预测模型的特性或者实际需求进行确定。
[0087]
可选地，每个电力负荷预测模型可根据滑动窗口长度和各个电力负荷预测模型对应的预测步数，得到各个所述电力负荷预测模型对应的训练数据长度。具体地，根据滑动窗口长度与模型对应的预测步数之间的差值确定训练数据长度。在确定训练数据长度之后，可在系统中预先配置该训练数据长度。
[0088]
在电力负荷预测模型训练之前，每个电力负荷预测模型可基于各自所确定的训练数据长度，将对应的历史电力负荷数据样本划分为训练数据集和测试数据集。具体地，可根据实际情况确定训练数据集和测试数据集各自所需的比例，假设训练数据集和测试数据集的比例为9:1。可基于模型对应的训练数据长度将历史电力负荷数据样本划分为多个集合，那么可分别从划分得到的所有集合中基于该比例选择对应数量的集合作为训练数据集和测试数据集。其中，每个电力负荷预测模型对应的训练数据集和测试数据集的比例可以相同或者不同，可根据实际情况确定各个电力负荷预测模型对应的训练数据集和测试数据集的比例。所述训练数据集用于对初始模型进行训练，得到各个电力负荷预测模型。所述测试数据集用于计算各个电力负荷预测模型的权重系数。
[0089]
可选地，步骤s210包括以下步骤：
[0090]
步骤s211，将所述历史电力负荷数据样本中的数据分别映射至预设区间，得到映射后的历史电力负荷数据；
[0091]
步骤s212，对映射后的历史电力负荷数据进行平稳性检测处理和/或差分处理后，将处理后的历史电力负荷数据基于电力负荷预测模型对应的训练数据长度划分为训练数据集和测试数据集。
[0092]
可选地，由于所获取的历史电力负荷数据样本中的数据可能存在波动范围较大的问题，进而影响模型的训练速度以及准确度。在模型训练之前，在划分数据之前，还需要对历史电力负荷数据样本中的数据进行预处理。可采用一个可逆函数将历史电力负荷数据样本中的所有电力负荷数据映射到一个预设区间中，例如放缩到[0，10]这一预设区间中，避免后续出现数值不稳定的现象，进而提高模型的训练速度以及准确度。
[0093]
可选地，在将电力负荷数据映射到预设区间之后，还需要对映射后的电力负荷数据进一步进行平稳性检测和/或差分处理，以进一步检测映射后的电力负荷数据是否平稳。在电力负荷数据平稳之后，再将处理后的历史电力负荷数据基于电力负荷预测模型对应的训练数据长度划分为训练数据集和测试数据集。
[0094]
可选地，步骤s212还可以包括：对映射后的历史电力负荷数据进行平稳性检测处理，以判断所述映射后的历史电力负荷数据是否平稳；若是，将平稳性检测处理后的历史电力负荷数据基于电力负荷预测模型对应的训练数据长度划分为训练数据集和测试数据集；若否，根据所述映射后的历史电力负荷数据的变化趋势，确定所述历史电力负荷数据的差分运算方式，基于所述差分运算方式对所述历史电力负荷数据进行差分运算，在差分运算后的历史电力负荷数据平稳时，将差分运算后的历史电力负荷数据基于电力负荷预测模型对应的训练数据长度划分为训练数据集和测试数据集。
[0095]
可选地，步骤s210包括以下步骤：
[0096]
步骤s211，对所述历史电力负荷数据进行平稳性检测处理，以判断所述历史电力负荷数据是否平稳；
[0097]
若是，执行步骤s212，将平稳性检测处理后的历史电力负荷数据基于电力负荷预测模型对应的训练数据长度划分为训练数据集和测试数据集；
[0098]
若否，执行步骤s213，根据所述历史电力负荷数据的变化趋势，确定所述历史电力负荷数据的差分运算方式，基于所述差分运算方式对所述历史电力负荷数据进行差分运算，在差分运算后的历史电力负荷数据平稳时，将差分运算后的历史电力负荷数据基于电力负荷预测模型对应的训练数据长度划分为训练数据集和测试数据集。
[0099]
可选地，历史电力负荷数据不平稳对模型训练速度以及训练结果有很大影响，因此需要对历史电力负荷数据进行平稳性检测。平稳性检测处理用于判断历史电力负荷数据是否平稳。本技术采用的平稳性检测方法可以是单位根检验，检验历史电力负荷数据样本序列中是否存在单位根，若存在，则为非平稳序列，不存在则为平稳序列。
[0100]
本技术采用的单位根检验方法可以为adf检验(augmented dickey-fuller testing)。adf检验(augmented dickey-fuller testing)是最常用的单位根检验方法之一，通过检验是否存在单位根来判断时间序列是否是平稳的。原假设为：存在单位根，时间序列是非平稳的；备择假设为：不存在单位根，时间序列是平稳的，不含截距项和趋势项平稳，含截距项平稳，含截距项和趋势平稳。若要严格判断序列是否是宽平稳的，可以直接检验是否不含截距项和趋势项平稳；若不能拒绝原假设，序列非平稳，仍有必要检验序列是否是趋势平稳的。非平稳且非趋势平稳，可以使用一阶差分等平稳化差分方式对历史电力负荷数据进行差分运算后再做检验，若是趋势平稳，困于过度差分则不宜使用差分方式平稳化。若差分次数超出阈值t，则直接使用未经过差分运算的不平稳的原始历史电力负荷数据直接进行模型训练。
[0101]
差分运算能够使用自回归的方式有效提取确定性信息。根据历史电力负荷数据的变化趋势，确定所述历史电力负荷数据的差分运算方式包括：在所述变化趋势为线性趋势时，确定所述历史电力负荷数据的差分运算方式为一阶差分运算，使用一阶差分一般可以实现平稳。在所述变化趋势为曲线趋势时，确定所述历史电力负荷数据的差分运算方式为低阶差分运算，其中，低价差分运算可以是二阶差分运算或者三阶差分运算。在所述变化趋势为固定周期变化趋势时，确定所述历史电力负荷数据的差分运算方式为进行预设周期步长的差分运算，其中，预设周期步长可根据实际情况进行设置。
[0102]
步骤s220，基于所述训练数据集分别训练各个初始电力负荷预测模型，得到各个电力负荷预测模型。
[0103]
步骤s230，基于所述测试数据集分别测试各个所述电力负荷预测模型，得到各个所述电力负荷预测模型对应的权重系数。
[0104]
可选地，步骤s230包括以下步骤：
[0105]
步骤s231，采用所述测试数据集分别计算各个电力负荷预测模型对应的均方误差；
[0106]
步骤s232，对各个所述电力负荷预测模型对应的均方误差分别进行归一化处理，得到各个所述电力负荷预测模型对应的权重系数。
[0107]
均方误差是反映估计量与被估计量之间差异程度的一种度量，即目标电力负荷预测结果与当前电力负荷预测数据之间差异程度的一种度量。
[0108]
由于回归损失计算后的均方误差不一定在[0,1]，不利于权重系数的计算。因此，可以采用归一化指数函数对回归损失计算后的均方误差进行归一化至[0,1]之间。可选地，可以采用归一化指数函数，例如softmax函数对各个所述电力负荷预测模型对应的均方误差分别进行归一化处理，得到各个所述电力负荷预测模型对应的权重系数。softmax函数能将各个所述电力负荷预测模型对应的均方误差映射到[0,1]之间。其中，所有电力负荷预测模型对应的权重系数之和为1。
[0109]
可选地，还可以采用所述测试数据集分别计算各个电力负荷预测模型对应的平均绝对比例误差、均方根误差或者平均绝对误差，对各个电力负荷预测模型对应的平均绝对比例误差、均方根误差或者平均绝对误差分别进行归一化处理，得到各个所述电力负荷预测模型对应的权重系数。
[0110]
可选地，本技术还具备自适应更新模型参数的功能。由于自适应更新模型参数的过程计算量相对较大，因此，可在整个系统计算负载较低的情形下执行自适应更新模型参数的功能。将本轮模型训练所采用的电力负荷数据和上一轮模型训练过程中的原始电力负荷数据拼接起来，并从当前时间节点往回截取一段电力负荷数据作为本轮训练模型的原始电力负荷数据，从而避免由于训练数据量太大，导致系统更新的计算负载过大。紧接着，缩放本轮训练模型的原始电力负荷数据，进行平稳性检测，差分运算，使用移动窗口生成训练数据集。为了降低数据量，遍历训练数据。可确定所述训练数据集中任意两个训练数据样本之间的余弦相似度；若余弦相似度大于预设相似度，删除余弦相似度大于预设相似度的两个训练数据样本中的一个，并更新所述训练数据集，以基于更新后的训练数据集更新各个电力负荷预测模型，从而实现模型的自适应更新。
[0111]
例如，计算两个训练数据样本之间的余弦相似度，若余弦相似度超过0.9，随机删除两个训练数据样本中的一个。使用剩余的训练数据微调各个电力负荷预测模型，并计算各个电力负荷预测模型的权重系数，将完成训练的电力负荷预测模型重新部署，参与负荷预测，以完成对模型的更新。
[0112]
可选地，训练预先选择的各个电力负荷预测模型。在使用arma或arima时间序列模型之前，需要对平稳后的历史电力负荷数据计算自相关系数和偏自相关系数，从而对arma或arima时间序列模型进行定阶。对于内置的几种机器学习方法和深度学习方法，修改模型的输入和输出层后重新编译模型，调用训练数据集进行模型的训练即可。
[0113]
若嵌入式设备计算能力较小，可以选择降低模型集成的数量，从而有效降低计算量需求，使得当前系统的适应能力更广。自适应更新模型参数的功能使得本系统处于持续的学习过程中，能够应对更多不确定的负荷预测场景。
[0114]
本发明实施例提供了电力负荷预测方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0115]
如图4所示，图4为本发明实施例方案涉及的电力负荷预测设备的硬件运行环境的结构示意图。如图4所示，该电力负荷预测设备可以包括：处理器1001，例如cpu，存储器1005，用户接口1003，网络接口1004，通信总线1002。其中，通信总线1002用于实现这些组件
之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
[0116]
本领域技术人员可以理解，图4中示出的电力负荷预测设备结构并不构成对电力负荷预测设备限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0117]
如图4所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及电力负荷预测程序。其中，操作系统是管理和控制电力负荷预测设备硬件和软件资源的程序，电力负荷预测程序以及其它软件或程序的运行。
[0118]
在图4所示的电力负荷预测设备中，用户接口1003主要用于连接终端，与终端进行数据通信；网络接口1004主要用于后台服务器，与后台服务器进行数据通信；处理器1001可以用于调用存储器1005中存储的电力负荷预测程序。
[0119]
在本实施例中，电力负荷预测设备包括：存储器1005、处理器1001及存储在所述存储器上并可在所述处理器上运行的电力负荷预测程序，其中：
[0120]
处理器1001调用存储器1005中存储的电力负荷预测程序时，执行以下操作：
[0121]
确定各个电力负荷预测模型基于当前电力负荷数据对应的预测结果；
[0122]
获取各个所述电力负荷预测模型对应的权重系数；
[0123]
根据各个所述电力负荷预测模型对应的权重系数和对应的所述预测结果，确定目标电力负荷预测结果。
[0124]
基于同一发明构思，本技术实施例还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电力负荷预测程序，所述电力负荷预测程序被处理器执行时实现如上所述的电力负荷预测方法的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0125]
由于本技术实施例提供的存储介质，为实施本技术实施例的方法所采用的存储介质，故而基于本技术实施例所介绍的方法，本领域所属人员能够了解该存储介质的具体结构及变形，故而在此不再赘述。凡是本技术实施例的方法所采用的存储介质都属于本技术所欲保护的范围。
[0126]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0127]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0128]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个
存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，电视，或者网络设备等)执行本发明各个实施例所述的方法。
[0129]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种电力负荷预测方法，其特征在于，所述电力负荷预测方法包括：确定各个电力负荷预测模型基于当前电力负荷数据对应的预测结果；获取各个所述电力负荷预测模型对应的权重系数；根据各个所述电力负荷预测模型对应的权重系数和对应的所述预测结果，确定目标电力负荷预测结果。2.如权利要求1所述的电力负荷预测方法，其特征在于，所述确定各个电力负荷预测模型基于当前电力负荷数据对应的预测结果的步骤包括：根据当前电力负荷数据和上次电力负荷数据，确定各个所述电力负荷预测模型的第一差分结果；根据所述第一差分结果和所述第一差分结果关联的第二差分结果，确定第三差分结果，其中，所述第一差分结果和所述第三差分结果的阶数相同，所述第二差分结果的阶数小于所述第一差分结果；根据所述第三差分结果和所述当前电力负荷数据，确定各个所述电力负荷预测模型对应的所述预测结果。3.如权利要求1所述的电力负荷预测方法，其特征在于，所述电力负荷预测模型至少包括时间序列模型、深度学习模型和机器学习模型，所述根据各个所述电力负荷预测模型对应的权重系数和对应的所述预测结果，确定目标电力负荷预测结果的步骤包括：根据所述时间序列模型对应的权重系数和所述时间序列模型对应的预测结果，得到第一电力负荷预测结果；根据所述深度学习模型对应的权重系数和所述深度学习模型对应的预测结果，得到第二电力负荷预测结果；根据所述机器学习模型对应的权重系数和所述机器学习模型对应的子电力负荷预测结果，得到第三电力负荷预测结果；根据所述第一电力负荷预测结果、所述第二电力负荷预测结果和所述第三电力负荷预测结果，得到所述目标电力负荷预测结果。4.如权利要求1所述的电力负荷预测方法，其特征在于，所述确定各个电力负荷预测模型基于当前电力负荷数据对应的预测结果的步骤之前，还包括：获取历史电力负荷数据样本，并基于电力负荷预测模型对应的训练数据长度将所述历史电力负荷数据样本划分为训练数据集和测试数据集；基于所述训练数据集分别训练各个初始电力负荷预测模型，得到各个电力负荷预测模型；基于所述测试数据集分别测试各个所述电力负荷预测模型，得到各个所述电力负荷预测模型对应的权重系数。5.如权利要求4所述的电力负荷预测方法，其特征在于，所述基于所述测试数据集分别测试各个所述电力负荷预测模型，得到各个所述电力负荷预测模型对应的权重系数的步骤包括：采用所述测试数据集分别计算各个电力负荷预测模型对应的均方误差；对各个所述电力负荷预测模型对应的均方误差分别进行归一化处理，得到各个所述电力负荷预测模型对应的权重系数。
6.如权利要求4所述的电力负荷预测方法，其特征在于，所述基于电力负荷预测模型对应的训练数据长度将所述历史电力负荷数据样本划分为训练数据集和测试数据集的步骤包括：将所述历史电力负荷数据样本中的数据分别映射至预设区间，得到映射后的历史电力负荷数据；将映射后的历史电力负荷数据基于电力负荷预测模型对应的训练数据长度划分为训练数据集和测试数据集。7.如权利要求4所述的电力负荷预测方法，其特征在于，所述基于电力负荷预测模型对应的训练数据长度将所述历史电力负荷数据样本划分为训练数据集和测试数据集的步骤包括：对所述历史电力负荷数据进行平稳性检测处理，以判断所述历史电力负荷数据是否平稳；若是，将平稳性检测处理后的历史电力负荷数据基于电力负荷预测模型对应的训练数据长度划分为训练数据集和测试数据集；若否，根据所述历史电力负荷数据的变化趋势，确定所述历史电力负荷数据的差分运算方式，基于所述差分运算方式对所述历史电力负荷数据进行差分运算，在差分运算后的历史电力负荷数据平稳时，将差分运算后的历史电力负荷数据基于电力负荷预测模型对应的训练数据长度划分为训练数据集和测试数据集。8.如权利要求7所述的电力负荷预测方法，其特征在于，所述根据所述历史电力负荷数据的变化趋势，确定所述历史电力负荷数据的差分运算方式的步骤包括：在所述变化趋势为线性趋势时，确定所述历史电力负荷数据的差分运算方式为一阶差分运算；在所述变化趋势为曲线趋势时，确定所述历史电力负荷数据的差分运算方式为低阶差分运算；在所述变化趋势为固定周期变化趋势时，确定所述历史电力负荷数据的差分运算方式为进行预设周期步长的差分运算。9.如权利要求4-8任一项所述的电力负荷预测方法，其特征在于，所述电力负荷预测方法，还包括：根据滑动窗口长度和各个所述电力负荷预测模型的预测步数，得到各个所述电力负荷预测模型对应的所述训练数据长度。10.如权利要求4所述的电力负荷预测方法，其特征在于，所述电力负荷预测方法，还包括：确定所述训练数据集中任意两个训练数据样本之间的余弦相似度；若余弦相似度大于预设相似度，删除余弦相似度大于预设相似度的两个训练数据样本中的一个，并更新所述训练数据集。11.一种电力负荷预测设备，其特征在于，所述电力负荷预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电力负荷预测程序，所述电力负荷预测程序被所述处理器执行时实现如权利要求1-10中任一项所述的电力负荷预测方法的步骤。12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有电力负荷
预测程序，所述电力负荷预测程序被处理器执行时实现权利要求1-10中任一项所述的电力负荷预测方法的步骤。

技术总结
本发明公开了电力负荷预测方法、设备及计算机可读存储介质，该方法包括：确定各个电力负荷预测模型基于当前电力负荷数据对应的预测结果；获取各个所述电力负荷预测模型对应的权重系数；根据各个所述电力负荷预测模型对应的权重系数和对应的所述预测结果，确定目标电力负荷预测结果。解决单一电力负荷预测模型无法满足不同的负荷预测场景的问题，实现对不同场景下的电力负荷预测。场景下的电力负荷预测。场景下的电力负荷预测。


技术研发人员：王佳文
受保护的技术使用者：阳光新能源开发股份有限公司
技术研发日：2023.06.05
技术公布日：2023/8/31