一种基于人工智能的实时电力需求预测系统的制作方法

1.本发明属于电力需求预测领域，具体涉及一种基于人工智能的实时电力需求预测系统。


背景技术：

2.电力需求预测是电力系统规划的重要组成部分，也是电力系统经济运行的基础，其对电力系统规划和运行都极其重要，电力需求预测是以电力负荷为对象进行的一系列预测工作，从预测对象来看，电力需求预测包括对未来电力需求量的预测和对未来用电量的预测以及对负荷曲线的预测，其主要工作是预测未来电力负荷的时间分布和空间分布，为电力系统规划和运行提供可靠的决策依据，负荷需求的精度越高，越有利于提高发电设备的利用率和经济调度的有效性，反之，负荷预测误差较大时，不仅会造成大量运行成本和利润损失，甚至还会影响电力系统运行的可靠性和电力市场的供需平衡，因此，对电力需求进行准确预测非常重要。
3.现有的电力负荷预测系统的预测方法较为落后，预测精度不高，智能化程度差，计算效率低下，不能满足预测精度的要求，导致发电设备的利用率低，造成大量运行成本和利润损失，甚至影响电力系统经济运行。
4.为此，我们提出了一种基于人工智能的实时电力需求预测系统来解决上述问题。


技术实现要素：

5.针对上述技术的不足，本发明公开了一种基于人工智能的实时电力需求预测系统，能够通过xgboost算法建立电力需求预测模型，并对预测结果与实际结果进行对比分析，计算预测结果与实际结果的差距，以及通过对相对误差、均方根误差、平均绝对百分比误差和平均绝对误差的计算来评估电力需求预测模型的精度，而且通过线性组合的方法对预测模型的权重进行计算，并对权重比例进行动态调整以优化电力需求预测系统。
6.本发明采用以下技术方案：一种基于人工智能的实时电力需求预测系统，包含：数据采集模块，用于实时采集电力供应和需求数据，所述电力供应和需求数据包括电力负荷数据、用电量、供电量、电压、电流、天气数据和行业数据，所述数据采集模块通过电力供应商、能源管理系统和设备监测数据库三方数据共享平台获取历史电力需求数据、天气数据和行业数据，并通过无线通信方式获取实时电力设备数据；数据预处理模块，用于对采集到的电力供应和需求数据进行清洗，所述数据预处理模块采用数据处理工具pandas处理采集数据中的缺失值、异常值和重复值；数据预测云平台模块，用于根据历史电力需求数据、天气数据和行业数据构建数据预测模型，并对电力需求进行实时预测，所述数据预测云平台模块通过互联网进行访问、上传和管理，将所述数据预处理模块的数据云存储，所述数据预测云平台模块通过xgboost算法建立实时电力需求预测模型，并通过学习样本数据训练预测模型，所述数据预测云平
台模块对预测结果进行综合分析，并将预测数据与实际结果对比，计算预测结果与实际结果的差量，评估预测模型的精度，所述数据预测云平台通过利用计算机图形学和图像处理法，将数据转换成形或图像以达到数据可视化显示；模型的优化调整模块，用于对数据预测模型进行改进优化，所述模型的优化调整模块通过线性组合的方法对预测模型的权重进行计算，并对权重比例进行动态调整；安全加固模块，用于提高系统的健壮性和安全性，增加攻击者入侵的难度，提升系统安全防范水平，所述安全加固是配置软件系统的过程，针对服务器操作系统、数据库及应用中间件软件系统，通过打补丁、强化帐号安全、加固服务、修改安全配置、优化访问控制策略、增加安全机制的方法提升系统安全防范水平；其中所述数据采集模块的输出端与数据预处理模块的输入端连接，所述数据预处理模块的输出端与数据预测云平台模块的输入端连接，所述数据预测云平台模块的输出端与模型的优化调整模块的输入端连接，所述模型的优化调整模块的输出端与安全加固模块输入端连接。
7.作为本发明进一步的技术方案，所述数据预处理模块采用数据处理工具pandas处理采集数据中的缺失值、异常值和重复值，所述数据预处理模块通过光滑噪声数据和离群点检测的方法以达到格式标准化、异常数据清除、错误数据纠正和重复数据清除，并采用马哈拉诺比斯距离检测多元离群点。
8.作为本发明进一步的技术方案，所述数据预测云平台模块包括云存储单元、预测模型建立单元、数据分析处理单元、可视化显示单元。
9.作为本发明进一步的技术方案，所述预测模型建立单元通过xgboost算法建立实时电力需求预测模型并通过样本数据对电力需求模型训练和学习，其步骤如下：步骤一：xgboost算法为一种多棵决策树的求和模型的监督集成学习算法，其计算式为：（1）式（1）中，表示模型预测值，表示第个样本，表示关于样本的预测函数，k表示决策树的棵数，表示函数空间的独立函数，f表示函数空间，由决策树组成，给定样本集有n个样本、m个特征，表示函数空间的独立函数中具有数据属性特征点、数据集合为s的独立函数,为模型复杂度系数；其中xgboost算法训练数据集计算表达式为： （2）式（2）中，表示关于、的数据集，表示第个类别标签，即第个类别的实际值，同时，表示实数集；步骤二：xgboost算法目标函数包含损失误差函数和正则项，其中，损失误差函数描述了目标预测值与目标真实值间的差值；正则项调整控制树的复杂程度，避免控制树的过度重复；步骤三：xgboost算法在创建树后，利用特征负荷直接完成特征提取并调用权重和增益两个取值，完成特征选择，增益的计算表达式为：
（3）式（3）中，为增益表达式，下标l、r分别表示分裂后的左子树和右子树的信息标签标识，表示第i个数据的增益，表示左子树增益，表示右子树增益，表示第i个数据的权重，表示左子树的权重，表示右子树的权重, 表示正则化参数；将预测模型的评价指标作为功率预测准确率，功率预测准确率可表示为：（4）式（4）中，为功率预测准确率，表示i时刻的实际输出功率，表示模型输出的预测输出功率， 表示综合电场的开机容量，通过输入此公式的输出与设置的阈值进行比较。
10.作为本发明进一步的技术方案，所述数据分析处理单元用于对预测结果与实际结果进行对比分析，计算预测结果与实际结果的差距，构建算法模型后，将数据输入模型，并对模型中的数据信息进行计算和加工，将预测结果与实际结果进行对比来评估预测模型的精度，其步骤如下： （5）式（5）中，是指电负荷的实际值，和分别是指电负荷的最小值和最大值，u是指标准化数据量，通过使用以下指标来评估预测模型的精度：i、相对误差： （6）ii、均方根误差： （7）iii、平均绝对百分比误差： （8）iv、平均绝对误差： （9）以上公式(6)-(9)中，是指相应的预测负荷。
11.作为本发明进一步的技术方案，所述模型的优化调整模块通过对预测数据与实际结果进行的对比分析，对预测结果计算的权重配比进行调试，按照如下步骤：步骤一：确定初始权重：设首次实际结果的数值为,每个预测模型的预测值为，其中i，则每个预测模型的初始权重是根据首次预测效果而分配的，表现良好的模型会被赋予高的初始权重；
步骤二：动态调整权重a、设当前共有m次预测结果与实际结果，包括除第m次外前k-1次的预测结果、、
…
、和前k次的实验结果、、
…
、,其中，k为时间窗口，缺省取5；当m《k时，取k=m；对应的、、
…
、权重分别为、、
…
、；b、预测模型，其中i，除了第m次外前k-1次的计算结果与前k次实际结果的相关系数；c、计算预测模型第m次计算结果与实际结果的偏差；d、根据a、b的结果，自适应求解各项预测模型第m次调整的权重，其中对于与实际结果相关性高且与实际结果偏差小的预测模型，增加权重的值；对于与实际结果相关性低的预测模型且与实际结果偏差大的预测模型，减小权重的值。
12.作为本发明进一步的技术方案，所述安全加固模块通过双层检测防火墙实现云平台的安全加固，所述双层检测防火墙通过检查引擎对通讯请求和通讯内容进行异常检测，并定期进行云平台安全隐患检测和改进风险点复检。
13.本发明区别现有技术积极有益效果在于：本发明通过采用离群点检测的方法检测出异常值和缺失值，并将数据采集模块获取的数据的异常值和缺失值进行修正，以获得更加准确的数据，使建立的模型预测结果更加准确。
14.本发明通过xgboost算法建立电力需求预测模型，并对预测结果与实际结果进行对比分析，计算预测结果与实际结果的差距，以及通过对相对误差、均方根误差、平均绝对百分比误差和平均绝对误差的计算来评估电力需求预测模型的精度，使电力需求预测模型的预测结果更加接近真实结果，进一步提高电力负荷预测模型的精度。
15.本发明通过线性组合的方法对预测模型的权重进行计算，并对权重比例进行动态调整，使电力预测模型的综合数据更接近真实结果，进一步提高电力需求预测的精度，从而最大化的提高预测精度。
附图说明
16.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还根据这些附图获得其他的附图，其中：图1为本发明一种基于人工智能的实时电力需求预测系统的整体架构原理图；图2为本发明一种基于人工智能的实时电力需求预测系统中xgboost算法原理结构图；图3为本发明一种基于人工智能的实时电力需求预测系统的可视化显示基础结构图；图4为本发明一种基于人工智能的实时电力需求预测系统的安全加固模块的区域
结构图。
具体实施方式
17.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
18.如图1-图4所示，一种基于人工智能的实时电力需求预测系统，包含：数据采集模块，用于实时采集电力供应和需求数据，所述电力供应和需求数据包括电力负荷数据、用电量、供电量、电压、电流、天气数据和行业数据，所述数据采集模块通过电力供应商、能源管理系统和设备监测数据库三方数据共享平台获取历史电力需求数据、天气数据和行业数据，并通过无线通信方式获取实时电力设备数据；在具体实施例中，通过温度传感器、湿度传感器、风速传感器和气压传感器等对温度、湿度、风速、风向和气压等参数进行观测，对温度、湿度、风速、风向和气压等参数进行数据整理，并通过无线和有线通信结合的方式提取电力设备数据。
19.数据预处理模块，用于对采集到的电力供应和需求数据进行清洗，所述数据预处理模块采用数据处理工具pandas处理采集数据中的缺失值、异常值和重复值；在具体实施例中，通过马哈拉诺比斯距离检测多元离群点，涉及两个或多个属性或变量的数据称为多元数据，核心思想是把多元离群点检测任务转换成一元离群点检测问题，对于一个多元数据集，设为均值向量，对于数据集中的对象o，从o到马哈拉诺比斯距离为,s是协方差矩阵，是一元变量，可以对它进行grubbs检验，如果确定为离群点，则o也被视为离群点。
20.数据预测云平台模块用于根据历史电力需求数据、天气数据和行业数据构建数据预测模型，并对电力需求进行实时预测，所述数据预测云平台模块通过互联网进行访问、上传和管理，将所述数据预处理模块的数据云存储，所述数据预测云平台模块通过xgboost算法建立实时电力需求预测模型，并通过学习样本数据训练预测模型，所述数据预测云平台模块通过对预测结果的综合分析，并将预测数据与实际结果对比，计算预测结果与实际结果的差量，评估预测模型的精度，所述数据预测云平台通过利用计算机图形学和图像处理技术，将数据转换成图形或图像以达到数据可视化显示；模型的优化调整模块，用于对数据预测模型进行改进优化，所述模型的优化调整模块通过线性组合的方法对预测模型的权重进行计算，并对权重比例进行动态调整；安全加固模块，用于提高系统的健壮性和安全性，增加攻击者入侵的难度，提升系统安全防范水平，所述安全加固是配置软件系统的过程，针对服务器操作系统、数据库及应用中间件等软件系统，通过打补丁、强化帐号安全、加固服务、修改安全配置、优化访问控制策略、增加安全机制的方法提升系统安全防范水平；其中所述数据采集模块的输出端与数据预处理模块的输入端连接，所述数据预处理模块的输出端与数据预测云平台模块的输入端连接，所述数据预测云平台模块的输出端与模型的优化调整模块的输入端连接，所述模型的优化调整模块的输出端与安全加固模块输入端连接。
21.所述数据预测云平台模块包括云存储单元、预测模型建立单元、数据分析处理单
元和可视化显示单元。
22.在具体实施例中，云存储单元(cloud storage cell)是云存储系统中的一个基本单位,通常是一块物理磁盘或一个文件服务器上的虚拟磁盘,用于存储文件或数据。云存储单元的大小和可用性取决于云服务提供商的使用规定和配置。云存储单元可以包含多个文件或数据,每个文件或数据都可以包含多个副本,以便在多个设备之间同步和共享。云存储单元还可以被分割成更小的块,以便在更短的时间内更有效地存储和访问数据。使用云存储系统时,用户可以使用多种方式访问和编辑存储在云存储单元中的文件和数据。用户可以使用本地计算机、移动设备或远程桌面访问云存储单元中的文件和数据,并使用各种文件编辑工具进行编辑和操作。用户还可以使用云存储系统提供的备份和恢复服务,以便在数据丢失或损坏时进行数据恢复。
23.在具体实施例中，预测模型建立单元通常指在数据集中选择特征和建立预测模型的过程。这个过程的目的是选择与问题相关的特征,并建立一种算法来生成预测值。在建立预测模型的单元中,通常需要执行以下步骤:特征选择:选择与问题相关的特征。特征选择的过程需要考虑特征的重要性、互信息、相关性等因素,以确保所选特征能够准确地描述问题。
24.特征融合:将所选特征融合在一起,以便建立一个有意义的模型。特征融合的方法包括主成分分析、特征缩放、特征交叉等。
25.模型选择:选择一种合适的方法来建立预测模型。常见的模型包括线性回归、逻辑回归、决策树、支持向量机等。
26.预测模型训练:使用所选特征和所选模型来训练预测模型。训练过程的目标是最小化训练误差,并提高模型的泛化能力。
27.在具体实施例中，在数据分析过程中,处理单元通常是指用于执行数据分析任务的软件或硬件系统。这些处理单元可以通过各种工具和软件包来实现,例如统计学软件、数据可视化工具、数据库管理系统等。
28.处理单元通常包括以下功能:1.数据读取:将文件或网络中的数据读入处理单元中。
29.2.数据清洗:对读取的数据进行预处理和清洗,以确保数据质量。
30.3.数据转换:将数据转换为处理单元能够理解和处理的数据格式。
31.4.数据分析:执行统计分析、数据挖掘或其他数据分析任务,以获得有用的信息。
32.5.数据可视化:将分析结果以可视化方式呈现,以便更容易理解和解释。
33.6.数据存储:将分析结果和数据记录存储到数据库或其他数据存储系统中。
34.不同的数据分析任务可能需要不同的处理单元来实现,例如数据读取、数据清洗、数据分析、数据可视化等。
35.在具体实施例中，可视化显示单元是指用于显示数据和信息的可视化设备,例如显示器、电视、电脑屏幕等。这些显示单元可以显示出各种图表、图形。通过该模型能够快速看出预测的结果。
36.通过上述实施例，本发明能够建立预测模型和训练预测模型，所述预测模型建立单元通过xgboost算法建立实时电力需求预测模型并通过样本数据对电力需求模型训练和学习，其步骤如下：
步骤一：xgboost算法为一种多棵决策树的求和模型的监督集成学习算法，其计算式为： （1）式（1）中，表示模型预测值，表示第个样本，表示关于样本的预测函数，k表示决策树的棵数，表示函数空间的独立函数，f表示函数空间，由决策树组成，给定样本集有n个样本、m个特征，表示函数空间的独立函数中具有数据属性特征点、数据集合为s的独立函数,为模型复杂度系数；该函数将函数空间的独立函数通过整体的计算，将日用电量、功率消耗等不同的数据信息融合到算法模型中，以提高算法处理数据信息和计算数据信息的能力。通过对历史数据和当前电力供应情况的分析,来生成对将来电力需求的预测。数据信息不局限于收集历史电力需求数据,包括日用电量、功率消耗等。在具体实施例中，表示第个样本，比如电力需求中的某个信息量或者数据量，通过将不同的数据信息进行持续选择和计算。决策树的棵数表示分类种类，比如是按时间进行数据信息分类，或者按功率、日用量进行数据分类等。在具体实施例中还可以采用时间序列预测模型、回归模型等不同的模型进行数据信息计算。然后对分类后的数据信息进行模型训练和评估，更具体地说，使用历史数据训练并评估模型的性能,例如准确度、召回率、精确度等。函数空间表示采集到的数据信息的空间信息集合。通过将预测结果展示和反馈，将预测结果展示给用户,并提供用户反馈,例如用户用电习惯的变化等。本发明可以帮助电力系统管理人员更好地规划和管理电力系统,以确保电力系统的可持续性和可靠性。
37.再进一步的实施例中，给定样本集有个样本、个特征，其中训练数据信息计算表达式为： （2）式（2）中，表示关于、的数据集，表示第个类别标签，即第个类别的实际值，同时，表示实数集；步骤二：xgboost算法目标函数包含损失误差函数和正则项，其中，损失误差函数描述了目标预测值与目标真实值间的差值；正则项调整控制树的复杂程度，避免控制树的过度重复；再进一步的具体实施例中，损失误差函数(loss function)是一种用来衡量模型预测结果与实际结果之间的差异的函数。通常被用于评价网络对真实数据的预测能力。损失误差函数的目标是最小化或最大化该函数的值,以使模型输出的方差最小或最大。这样可以鼓励模型学习更鲁棒的预测模式。在具体实施例中，损失误差函数包括均方误差(mean squared error,mse)、交叉熵(cross entropy)等。
38.正则项是指在编程中使用的一组预定义的语法规则和条件语句,用于定义和验证程序的逻辑结构和代码行为。再进一步具体的实施例中，通过设置正则表达式以提高数据信息计算能力。比如匹配字符串的开始位置、匹配字符串的结束位置、带参数的分组表达式,用于匹配变量名、匹配字符序列,包括字母、数字和下划线等。这些正则表达式可以用于匹配各种不同类型的数据,如文本、数字、符号、列表项等。在编写程序时,可以使用正则表达式来验证输入数据是否符合预期格式。在具体实施例中，根据具体需求进行设置。
39.步骤三：xgboost算法在创建树后，利用特征负荷直接完成特征提取并调用权重和增益两个取值，完成特征选择，增益的计算表达式为： （3）式（3）中，为增益表达式，下标l、r分别表示分裂后的左子树和右子树的信息标签标识，表示第i个数据的增益，表示左子树增益，表示右子树增益，表示第i个数据的权重，表示左子树的权重，表示右子树的权重, 表示正则化参数；将预测模型的评价指标作为功率预测准确率，功率预测准确率可表示为： （4）式（4）中，为功率预测准确率，表示i时刻的实际输出功率，表示模型输出的预测输出功率， 表示综合电场的开机容量，通过输入此公式的输出与设置的阈值进行比较。
40.在现有技术中，增益是指在信号传输过程中,增加信号的强度或放大信号的一种技术。增益通常用于放大器中,以便将输入信号放大到更大的幅度或增强信号的强度。在音频处理中,增益也可以用于将模拟信号转换为数字信号,或将数字信号放大到更大的幅度。在本发明中，将预测数据信息进行放大处理，比如提取数据信息特征后，将特征信息转换为用户能够识别的方式，比如曲线图、数据信息计算等多种不同的方式。
41.权重是指一个量值,用来描述两个或多个量之间的相对重要性。通常,权重是一个二次函数的系数,它定义了量之间的相对贡献度。通过这种方式设置，能够提高数据信息计算能力。
42.在具体实施例中，通过xgboost算法建立实时电力需求预测模型并通过样本数据将电力需求模型训练和学习的预测结果与实际结果对比，如表1所示：表1 预测结果与实际结果对比
43.通过上述实施例，本发明通过将预测结果与实际结果进行对比分析，计算预测结果与实际结果的差距，构建算法模型后，将数据输入模型，并对模型中的数据信息进行计算和加工，将预测结果与实际结果进行对比来评估预测模型的精度，其步骤如下： （5）式（5）中，是指电负荷的实际值，和分别是指电负荷的最小值和最大值，u是指标准化数据量，通过使用以下指标来评估预测模型的精度：i、相对误差： （6）ii、均方根误差： （7）iii、平均绝对百分比误差： （8）iv、平均绝对误差： （9）以上公式(6)-(9)中，是指相应的预测负荷,以上这些评价指标越小，预测精度越高。
44.在具体实施例中，通过预测数据与实际结果对比，计算预测结果与实际结果的差量，并通过计算多次实验的相对误差、均方根误差、平均绝对百分比误差和平均绝对误差评估预测模型的精度。
45.通过上述实施例，本发明所述预测结果优化调整模块通过对预测数据与实际结果进行对比分析，对预测结果计算的权重配比进行调试，按照如下步骤：步骤一：确定初始权重：设首次实际结果的数值为,每个预测模型的预测值为，其中i，则每个预测模型的初始权重为满足首次预测效果好的模型具有较高的初始权重；步骤二：动态调整权重a、设当前共有m次预测结果与实际结果，包括除第m次外前k-1次的预测结果、、
…
、和前k次的实验结果、、
…
、,其中，k为时间窗口，缺省取5；当m《k时，取k=m；对应的、、
…
、权重分别为、、
…
、；b、预测模型，其中i，除了第m次外前k-1次的计算结果与前k次实际结果的相关系数；c、计算预测模型第m次计算结果与实际结果的偏差；d、根据a、b的结果，自适应求解各项预测模型第m次调整的权重，其中对于
与实际结果相关性高且与实际结果偏差较小的预测模型，增加权重的值；对于与实际结果相关性低的预测模型且与实际结果偏差较大的预测模型，减小权重的值。
46.在具体实施例中，通过线性组合的方法对预测模型的权重进行计算，并对权重比例进行动态调整，减少外界因素对预测结果的影响，使实时电力预测模型的精度更高。预测模型精度和优化模型精度对比如表2：表2 预测模型精度和优化模型精度对比
47.通过上述实施例，本发明通过双层检测防火墙实现云平台的安全加固，所述双层检测防火墙通过检查引擎对通讯请求和通讯内容进行异常检测，并定期进行云平台安全隐患检测和改进风险点复检。
48.在具体实施例中，先对网络安全策略进行制定，明确网络使用的规范和标准，制定合理的安全政策，包括南北向、东西向防火墙策略、漏洞管理策略、用户权限管理策略、密码安全策略等方面。配置软件系统的过程，针对服务器操作系统、数据库及应用中间件等软件系统，通过打补丁、强化帐号安全、加固服务、修改安全配置、优化访问控制策略、增加安全机制的方法提升系统安全防范水平，通过安全设备部署、硬件设备加密、网络拓扑优化和漏洞管理和修复实现对系统的安全加固。

技术特征：
1.一种基于人工智能的实时电力需求预测系统，其特征在于：包含：数据采集模块，用于实时采集电力供应和需求数据，所述电力供应和需求数据包括电力负荷数据、用电量、供电量、电压、电流、天气数据和行业数据，所述数据采集模块通过电力供应商、能源管理系统和设备监测数据库三方数据共享平台获取历史电力需求数据、天气数据和行业数据，并通过无线通信方式获取实时电力设备数据；数据预处理模块，用于对采集到的电力供应和需求数据进行清洗，所述数据预处理模块采用数据处理工具pandas处理采集数据中的缺失值、异常值和重复值；数据预测云平台模块，用于根据历史电力需求数据、天气数据和行业数据构建数据预测模型，并对电力需求进行实时预测，所述数据预测云平台模块通过互联网进行访问、上传和管理，将所述数据预处理模块的数据云存储，所述数据预测云平台模块通过xgboost算法建立实时电力需求预测模型，并通过学习样本数据训练预测模型，所述数据预测云平台模块对预测结果进行综合分析，并将预测数据与实际结果对比，计算预测结果与实际结果的差量，评估预测模型的精度，所述数据预测云平台通过利用计算机图形学和图像处理法，将数据转换成形或图像以达到数据可视化显示；模型的优化调整模块，用于对数据预测模型进行改进优化，所述模型的优化调整模块通过线性组合的方法对预测模型的权重进行计算，并对权重比例进行动态调整；安全加固模块，用于提高系统的健壮性和安全性，增加攻击者入侵的难度，提升系统安全防范水平，所述安全加固是配置软件系统的过程，针对服务器操作系统、数据库及应用中间件软件系统，通过打补丁、强化帐号安全、加固服务、修改安全配置、优化访问控制策略、增加安全机制的方法提升系统安全防范水平；其中所述数据采集模块的输出端与数据预处理模块的输入端连接，所述数据预处理模块的输出端与数据预测云平台模块的输入端连接，所述数据预测云平台模块的输出端与模型的优化调整模块的输入端连接，所述模型的优化调整模块的输出端与安全加固模块输入端连接。2.根据权利要求1所述的一种基于人工智能的实时电力需求预测系统，其特征在于：所述数据预处理模块采用数据处理工具pandas处理采集数据中的缺失值、异常值和重复值，所述数据预处理模块通过光滑噪声数据和离群点检测的方法以达到格式标准化、异常数据清除、错误数据纠正和重复数据清除，并采用马哈拉诺比斯距离检测多元离群点。3.根据权利要求1所述的一种基于人工智能的实时电力需求预测系统，其特征在于：所述数据预测云平台模块包括云存储单元、预测模型建立单元、数据分析处理单元、可视化显示单元。4.根据权利要求3所述的一种基于人工智能的实时电力需求预测系统，其特征在于：所述预测模型建立单元通过xgboost算法建立实时电力需求预测模型并通过样本数据对电力需求模型训练和学习，其步骤如下：步骤一：xgboost算法为一种多棵决策树的求和模型的监督集成学习算法，其计算式为： （1）式（1）中，表示模型预测值，表示第个样本，表示关于样本的预测函数，k表
示决策树的棵数，表示函数空间的独立函数，f表示函数空间，由决策树组成，给定样本集有n个样本、m个特征，表示函数空间的独立函数中具有数据属性特征点、数据集合为s的独立函数,为模型复杂度系数；其中xgboost算法训练数据集计算表达式为： （2）式（2）中，d表示关于、的数据集，表示第个类别标签，即第个类别的实际值，同时，表示实数集；步骤二：xgboost算法目标函数包含损失误差函数和正则项，其中，损失误差函数描述了目标预测值与目标真实值间的差值；正则项调整控制树的复杂程度，避免控制树的过度重复；步骤三：xgboost算法在创建树后，利用特征负荷直接完成特征提取并调用权重和增益两个取值，完成特征选择，增益的计算表达式为： （3）式（3）中，为增益表达式，下标l、r分别表示分裂后的左子树和右子树的信息标签标识，表示第i个数据的增益，表示左子树增益，表示右子树增益，表示第i个数据的权重，表示左子树的权重，表示右子树的权重, 表示正则化参数；将预测模型的评价指标作为功率预测准确率，功率预测准确率可表示为： （4）式（4）中，为功率预测准确率，表示i时刻的实际输出功率，表示模型输出的预测输出功率， 表示综合电场的开机容量，通过输入此公式的输出与设置的阈值进行比较。5.根据权利要求3所述的一种基于人工智能的实时电力需求预测系统，其特征在于：所述数据分析处理单元用于对预测结果与实际结果进行对比分析，计算预测结果与实际结果的差距，构建算法模型后，将数据输入模型，并对模型中的数据信息进行计算和加工，将预测结果与实际结果进行对比来评估预测模型的精度，其步骤如下： （5）式（5）中，是指电负荷的实际值，和分别是指电负荷的最小值和最大值，u是指标准化数据量，通过使用以下指标来评估预测模型的精度：i、相对误差： （6）ii、均方根误差： （7）iii、平均绝对百分比误差：
ꢀ
（8）iv、平均绝对误差： （9）以上公式(6)-(9)中，是指相应的预测负荷。6.根据权利要求1所述的一种基于人工智能的实时电力需求预测系统，其特征在于：所述模型的优化调整模块通过对预测数据与实际结果进行对比分析，对预测结果计算的权重配比进行调试，按照如下步骤：步骤一：确定初始权重：设首次实际结果的数值为,每个预测模型的预测值为，其中i，则每个预测模型的初始权重是根据首次预测效果而分配的，表现良好的模型会被赋予高的初始权重；步骤二：动态调整权重a、设当前共有m次预测结果与实际结果，包括除第m次外前k-1次的预测结果、、
…
、和前k次的实验结果、、
…
、,其中，k为时间窗口，缺省取5；当m<k时，取k=m；对应的、、
…
、权重分别为、、
…
、；b、预测模型，其中i，除了第m次外前k-1次的计算结果与前k次实际结果的相关系数；c、计算预测模型第m次计算结果与实际结果的偏差；d、根据a、b的结果，自适应求解各项预测模型第m次调整的权重，其中对于与实际结果相关性高且与实际结果偏差小的预测模型，增加权重的值；对于与实际结果相关性低的预测模型且与实际结果偏差大的预测模型，减小权重的值。7.根据权利要求1所述的一种基于人工智能的实时电力需求预测系统，其特征在于：所述安全加固模块通过双层检测防火墙实现云平台的安全加固，所述双层检测防火墙通过检查引擎对通讯请求和通讯内容进行异常检测，并定期进行云平台安全隐患检测和改进风险点复检。

技术总结
本发明公开了一种基于人工智能的实时电力需求预测系统，包含数据采集模块、数据预处理模块、数据预测云平台模块、模型的优化调整模块和安全加固模块，其中所述数据采集模块的输出端与数据预处理模块的输入端连接，所述数据预处理模块的输出端与数据预测云平台模块的输入端连接，所述数据预测云平台模块的输出端与模型的优化调整模块的输入端连接，所述模型的优化调整模块的输出端与安全加固模块输入端连接。解决了现有电力负荷预测系统的预测方法较为落后，预测精度不高，智能化程度差，计算效率低下，不能满足预测精度的要求，导致发电设备的利用率低，造成大量运行成本和利润损失，甚至影响电力系统经济运行的问题。甚至影响电力系统经济运行的问题。甚至影响电力系统经济运行的问题。


技术研发人员：华庆国
受保护的技术使用者：南京博网软件科技有限公司
技术研发日：2023.08.21
技术公布日：2023/9/16