一种电力负荷预测方法、装置及存储介质与流程

1.本发明涉及电力预测技术领域，尤其是涉及一种电力负荷预测方法、装置及存储介质。


背景技术：

2.电力负荷预测作为电力行业的基础工作，是电力系统在进行发电与调度决策时的重要依据，其结果会直接影响决策的准确性。电力负荷预测是指在充分考虑一些影响负荷需求的重要参数条件下，提取历史信息蕴含的趋势特征，采用数学方法进行数据挖掘，建立准确的预测模型，实现对未来一段时间可能的负荷需求进行预测，从而服务于电力规划与调度，提高电网运行效率。
3.电力负荷预测主要分为长期和短期两种，其中长期负荷预测为电网规划提供数据基础，同时也为设备年度检修、运行方式调整、供电设备布点提供决策依据，但时间越长准确性会变低；短期的负荷预测多用于电力调度、电价制定等，准确性相对较高，对单个电力单元负荷预测更有优势。由于实际电力负荷数据常常呈现非线性强和波动性大等特征，并且影响电力负荷变化的因素多元且随机，因此电力负荷预测是一项复杂和极具挑战性的任务。
4.现有的电力负荷预测方法通常为基于人工智能的方式进行预测，例如决策树、循环神经网络、长短期记忆神经网络等，但是由于电力负荷受影响的因素众多，且还存在随机干扰，导致电力负荷预测的准确性较低。


技术实现要素：

5.本发明提供一种电力负荷预测方法、装置及存储介质，以解决现有的电力负荷预测方法由于电力负荷受影响的因素众多，且还存在随机干扰，导致电力负荷预测的准确性较低的技术问题。
6.本发明的第一实施例提供了一种电力负荷预测方法，包括：
7.根据电网运行过程的历史信息文件，获取若干种参数信息，按照时域序列方向对所述参数信息进行归一化处理得到对应的若干个参数序列，将若干个所述参数序列作为输入样本；
8.将所述输入样本中的负荷序列分解为低频趋势序列和高频变化序列，并根据所述输入样本中的参数序列与所述负荷序列的相关性，确定用于预测所述低频趋势序列的第一参数集合，和用于预测所述高频变化序列的第二参数集合；
9.设定用于电力负荷预测的历史信息长度和待预测信息长度，并根据所述第一参数集合构建所述低频趋势序列的第一训练样本，以及根据所述第二参数集合构造所述高频变化序列的第二训练样本；
10.将所述第一训练样本和所述第二训练样本分别输入预先设定的预测模型中，分别得到第一预测结果和第二预测结果；
11.根据所述第一预测结果和所述第二预测结果构建损失函数，并基于所述损失函数进行训练，得到用电负荷预测模型；
12.将待预测数据输入至所述用电负荷预测模型中，得到用电负荷预测结果。
13.进一步的，所述根据电网运行过程的历史信息文件，获取若干种参数信息，包括：
14.提取所述历史信息文件的体感温度信息、温度信息、湿度信息、露点信息、风速信息、云层信息和负荷信息，并将所述历史信息文件的时间信息分解为月信息、日信息、星期信息、时信息和分信息，得到12种参数信息。
15.进一步的，所述将所述输入样本中的负荷序列分解为低频趋势序列和高频变化序列，包括：
16.采用变分模态分解方法，将所述输入样本中的负荷序列分解为低频趋势序列和高频变化序列。
17.进一步的，根据所述输入样本中的参数序列与所述负荷序列的相关性，确定用于预测所述低频趋势序列的第一参数集合，和用于预测所述高频变化序列的第二参数集合，包括：
18.将每一参数序列分别与所述低频趋势序列计算斯皮尔曼相关系数，得到第一相关系数；
19.将每一参数序列分别与所述高频变化序列计算斯皮尔相关系数，得到第二相关系数；
20.将大于等于预设阈值的所述第一相关系数和所述第二相关系数对应的参数序列，分别作为用于预测所述低频趋势序列的第一参数集合，和用于预测所述高频变化序列的第二参数集合。
21.进一步的，所述根据所述第一参数集合构建所述低频趋势序列的第一训练样本，以及根据所述第二参数集合构造所述高频变化序列的第二训练样本，包括：
22.从所述第一参数集合的任意一行开始，连续取出历史信息长度的行数，构建所述低频趋势序列的第一训练样本，并从所述第一训练样本中连续取待预测信息长度个数的元素作为所述第一训练样本的标签数据；
23.从所述第二参数集合的任意一行开始，连续取出历史信息长度的行数，构建所述高频变化序列的第二训练样本，并从所述第二训练样本中连续取待预测信息长度个数的元素作为所述第二训练样本的标签数据。
24.进一步的，将所述第一训练样本和所述第二训练样本分别输入预先设定的预测模型中，包括：
25.将所述第一训练样本输入预先设定的lstm预测模型中；
26.将所述第二训练样本输入预先设定的注意力机制预测模型中。
27.进一步的，所述根据所述第一预测结果和所述第二预测结果构建损失函数，包括：
28.将所述低频趋势序列的真实值和所述第一预测结果的误差记为第一损失；
29.将高频变化序列的的真实值和所述第二预测结果的误差记为第二损失；
30.将所述第一预测结果和所述第二预测结果的和，与所述负荷序列的误差记为第三损失；
31.将所述第一损失、所述第二损失和所述第三损失的加权和作为总误差。
32.本发明的一个实施例提供了一种电力负荷预测装置，包括：
33.输入样本构建模块，用于根据电网运行过程的历史信息文件，获取若干种参数信息，按照时域序列方向对所述参数信息进行归一化处理得到对应的若干个参数序列，将若干个所述参数序列作为输入样本；
34.参数集合确定模块，用于将所述输入样本中的负荷序列分解为低频趋势序列和高频变化序列，并根据所述输入样本中的参数序列与所述负荷序列的相关性，确定用于预测所述低频趋势序列的第一参数集合，和用于预测所述高频变化序列的第二参数集合；
35.训练样本构建模块，用于设定用于电力负荷预测的历史信息长度和待预测信息长度，并根据所述第一参数集合构建所述低频趋势序列的第一训练样本，以及根据所述第二参数集合构造所述高频变化序列的第二训练样本；
36.样本预测模块，用于将所述第一训练样本和所述第二训练样本分别输入预先设定的预测模型中，分别得到第一预测结果和第二预测结果；
37.预测模型训练模块，用于根据所述第一预测结果和所述第二预测结果构建损失函数，并基于所述损失函数进行训练，得到用电负荷预测模型；
38.电力负荷预测模块，用于将待预测数据输入至所述用电负荷预测模型中，得到用电负荷预测结果。
39.本发明的一个实施例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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的电力负荷预测方法。
40.本发明实施例将电网运行过程中记录的多种参数归一化处理为若干个参数劽，作为输入样本，将输入样本中的负荷序列分解为低频趋势序列和高频变化序列，并根据相关性分别选定不同序列的预测参数，通过分析其特征建立不同的预测模型，能够有效排除相关性较低的参数参与预测，不仅能够有效降低计算量，还能有效提高电力负荷预测的准确性。
41.进一步的，本发明实施例可以通过改变参与预测历史信息和待预测负荷信息的序列长度，将负荷序列分解为更多子序列，从而能够使得电力负荷预测更精细化，进一步提高电力负荷预测的准确性，且本发明实施例能够适用于光伏预测、风电处理预测等多参量序列预测的相关领域。
附图说明
42.图1是本发明实施例提供的一种电力负荷预测方法的流程示意图；
43.图2是本发明实施例提供的一种电力负荷预测方法的另一流程示意图；
44.图3是本发明实施例提供的预测模型结构示意图；
45.图4是本发明实施例提供的vmd分解结果示意图；
46.图5是本发明实施例提供的模型训练的误差收敛过程示意图；
47.图6是本发明实施例提供的模型预测结果示意图；
48.图7是本发明实施例提供的一种电力负荷预测装置的结构示意图。
具体实施方式
49.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
50.在本技术的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
51.在本技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
52.请参阅图1，本发明的第一实施例提供了一种电力负荷预测方法，包括：
53.s1、根据电网运行过程的历史信息文件，获取若干种参数信息，按照时域序列方向对参数信息进行归一化处理得到对应的若干个参数序列，将若干个参数序列作为输入样本；
54.在本发明实施例中，电网运行过程中会记录多种参数信息，包括体感温度、温度、湿度、露点、风速、云层、负荷和时间信息，本发明实施例进一步对时间信息进行分解，得到月、日、星期几、时、分五种信息，从而能够得到12中参数，可以记录为apparent_temperature、temperature、humidity、dew_point、wind_speed、cloud_cover、load、month、date、week、hours、minute。
55.本发明实施例基于上述12种参数信息的历史信息对未来一段时间的负荷进行预测。上述12种参数信息为二维数组形式的输入数据，行数对应序列长度l，比如2年信息，每15分钟记录一次数据，即每小时记录4次，则序列长度l＝2年*365天*24小时*4次＝70080，x＝[x
ij
],i＝1,2,...,l,j＝1,2,...,12。
[0056]
本发明实施例可以按照时域序列方向对12种参数信息进行归一化处理，得到12种对应的参数序列，从而得到输入样本，其中，输入样本中包括负荷序列，符合序列即为预测目标。
[0057]
s2、将输入样本中的负荷序列分解为低频趋势序列和高频变化序列，并根据输入样本中的参数序列与负荷序列的相关性，确定用于预测低频趋势序列的第一参数集合，和用于预测高频变化序列的第二参数集合；
[0058]
在本发明实施例中，可以采用变分模态分解方法将负荷序列分解为低频趋势序列和高频变化序列。
[0059]
在本发明实施例中，可以通过计算每一参数序列与低频趋势序列和高频变化序列的相关性，得到对应的相关性系数，将相关性系数大于等于预设阈值的参数序列分别作为低频趋势序列的第一参数集合，或作为用于预测高频变化序列的第二参数集合。
[0060]
s3、设定用于电力负荷预测的历史信息长度和待预测信息长度，并根据第一参数
集合构建低频趋势序列的第一训练样本，以及根据第二参数集合构造高频变化序列的第二训练样本；
[0061]
s4、将第一训练样本和第二训练样本分别输入预先设定的预测模型中，分别得到第一预测结果和第二预测结果；
[0062]
在本发明实施例中，第一训练样本和第二训练样本输入的预测模型可以不同，例如，第一训练样本输入lstm预测模型，第二训练样本输入注意力机制预测模型。
[0063]
s5、根据第一预测结果和第二预测结果构建损失函数，并基于损失函数进行训练，得到用电负荷预测模型；
[0064]
在本发明实施例中，根据第一预测结果、低频趋势序列的真实值、第二预测结果和高频变化序列的真实值，构建损失函数，并基于损失函数对输入样本进行训练，在模型收敛时，得到用电负荷预测模型。在训练时，可以设定样本批次和训练论数，输入所有样本和对应标签进行训练。
[0065]
s6、将待预测数据输入至用电负荷预测模型中，得到用电负荷预测结果。
[0066]
本发明实施例将电网运行过程中记录的多种参数归一化处理为若干个参数劽，作为输入样本，将输入样本中的负荷序列分解为低频趋势序列和高频变化序列，并根据相关性分别选定不同序列的预测参数，通过分析其特征建立不同的预测模型，能够有效排除相关性较低的参数参与预测，不仅能够有效降低计算量，还能有效提高电力负荷预测的准确性。
[0067]
进一步的，本发明实施例可以通过改变参与预测历史信息和待预测负荷信息的序列长度，将负荷序列分解为更多子序列，从而能够使得电力负荷预测更精细化，进一步提高电力负荷预测的准确性，且本发明实施例能够适用于光伏预测、风电处理预测等多参量序列预测的相关领域。
[0068]
在一个实施例中，步骤s1、根据电网运行过程的历史信息文件，获取若干种参数信息，还可以包括：
[0069]
提取历史信息文件的体感温度信息、温度信息、湿度信息、露点信息、风速信息、云层信息和负荷信息，并将历史信息文件的时间信息分解为月信息、日信息、星期信息、时信息和分信息，得到12种参数信息。
[0070]
在本发明实施例中，12种参数信息可以记录为：apparent_temperature、temperature、humidity、dew_point、wind_speed、cloud_cover、load、month、date、week、hours、minute。
[0071]
在获取得到12种参数信息之后，将参数信息按照时域序列方向进行归一化，将每个元素变换到0～1之间，形成归一化后的输入样本x，变换公式如下：
[0072][0073]
在一个实施例中，步骤s2、将输入样本中的负荷序列分解为低频趋势序列和高频变化序列，还可以包括：
[0074]
采用变分模态分解方法，将输入样本中的负荷序列分解为低频趋势序列和高频变化序列。
[0075]
在本发明实施例中，可以将输入样本x中的j＝12的列指定为负荷序列，该列也为预测目标，记录为y，维数为l
×
1。本发明实施例采用变分模态分解(vmd)方法将负荷序列分解为低频率趋势序列y1和高频变化序列y2，其中y1记录为y2记录为
[0076]
在一个实施例中，步骤s2、根据输入样本中的参数序列与负荷序列的相关性，确定用于预测低频趋势序列的第一参数集合，和用于预测高频变化序列的第二参数集合，还可以包括以下子步骤：
[0077]
s21、将每一参数序列分别与低频趋势序列计算斯皮尔曼相关系数，得到第一相关系数；
[0078]
在本发明实施例中，计算低频趋势序列y1与输入样本的第j列参量的相关系数
[0079][0080]
其中代表x
ij
在x的第j列所有l个元素中按从小到大排序后的位置，代表在y1的l个元素中按从小到大排序后的位置。
[0081]
s22、将每一参数序列分别与高频变化序列计算斯皮尔相关系数，得到第二相关系数；
[0082]
在本发明实施例中，基于与上述计算第一相关系数系数相同的技术构思，将每一参数序列分别与高频变化序列计算斯皮尔相关系数，得到高频变化序列y2与输入样本的第j类参量的第二相关系数
[0083]
s23、将大于等于预设阈值的第一相关系数和第二相关系数对应的参数序列，分别作为用于预测低频趋势序列的第一参数集合，和用于预测高频变化序列的第二参数集合。
[0084]
在本发明实施例中，的绝对值为范围为0～1，1为强相关，0为不相关，设定阈值0.4，针对不同的j∈{1,2,...,12},若该j对应的参量序列被选为y1序列的相关参数集合，所有满足相关性阈值要求的k1个参数序列构成第一参数集合x1，第一参数集合x1用于预测低频趋势序列y1；同理，针对高频变化序列y2，将满足相关性阈值要求的k2个参数序列构成第二参数集合x2，第二参数x2用于预测高频趋势序列y2。需要特别指明的是相关性计算时序列是相同时间段，而预测时x1与y1，x2与y2则不是相同的时间段。
[0085]
在一个实施例中，步骤s3、根据第一参数集合构建低频趋势序列的第一训练样本，以及根据第二参数集合构造高频变化序列的第二训练样本，还可以包括以下子步骤：
[0086]
s31、从第一参数集合的任意一行开始，连续取出历史信息长度的行数，构建低频趋势序列的第一训练样本，并从第一训练样本中连续取待预测信息长度个数的元素作为第一训练样本的标签数据；
[0087]
在本发明实施例中，可以设定用于电力负荷预测的历史信息长度为m,待预测信息长度为n，例如，用前一周的信息预测后一周的信息，则m＝7*24*4＝672,n＝7*24*4＝672本发明实施例根据m、n进行训练样本及标签数据的构造。
[0088]
在本发明实施例中，可以从第一参数集合x1的某行开始，连续取出m行构造一个低
频趋势序列y1的训练样本。可以理解的是，从不同行开始取出数据，能够构成不同的训练样本。
[0089]
取出的样本数据为m
×
k1矩阵，用于训练低频趋势序列y1，对每一个训练样本，自所取m行样本末行的下一行开始，从低频趋势序列y1中连续取n个元素作为该样本要预测序列的标签数据。
[0090]
s32、从第二参数集合的任意一行开始，连续取出历史信息长度的行数，构建高频变化序列的第二训练样本，并从第二训练样本中连续取待预测信息长度个数的元素作为第二训练样本的标签数据。
[0091]
在本发明实施例中，可以以上述相同的方式构造高频变化序列的第二样本数据和对应的标签数据。
[0092]
进一步的，本发明实施例还可以对高频变化序列y2的训练样本转秩变成k2
×
m，以适配后续的预测模型。
[0093]
在一个实施例中，步骤s4、将第一训练样本和第二训练样本分别输入预先设定的预测模型中，还可以包括以下子步骤：
[0094]
s41、将第一训练样本输入预先设定的lstm预测模型中；
[0095]
在本发明实施例中，为低频趋势序列建立lstm预测模型，根据m
×
k1矩阵样本及包含n个元素的预测序列，设定lstm包括m个cell，每个cell输入为k1维向量，输出为n维向量，最后一个cell输出为lstm网络对第一训练样本的预测结果，即为第一训练样本的第一预测结果。
[0096]
s42、将第二训练样本输入预先设定的注意力机制预测模型中。
[0097]
在本发明实施例中，为高频变化序列y2建立注意力机制预测模型，以挖掘高频变化信息对不同参量的关注度信息。注意力机制的输入向量维数为m,即每个输入向量就是一个参数的时间序列，所有k2个参数参与关注度系数的训练，注意力机制的输出长度设为n，取k2个参数中负荷参数对应的输出向量作为高频变化序列y2的预测结果，即为第二预测结果。
[0098]
在一个实施例中，步骤s5、根据第一预测结果和第二预测结果构建损失函数，还可以包括以下子步骤：
[0099]
s51、将低频趋势序列的真实值和第一预测结果的误差记为第一损失；
[0100]
s52、将高频变化序列的的真实值和第二预测结果的误差记为第二损失；
[0101]
s53、将第一预测结果和第二预测结果的和，与负荷序列的误差记为第三损失；
[0102]
s54、将第一损失、第二损失和第三损失的加权和作为总误差。
[0103]
在本发明实施例中，第一损失loss1、第二损失loss2和第三损失loss均为n维向量武侠，采用欧式距离法定义：
[0104]
total_loss＝α*loss1+β*loss2+γ*loss
[0105]
α+β+γ＝1
[0106]
请参阅图2-6，本发明实施例以一个具体的实施例子进行说明。
[0107]
(1)数据集及样本构造
[0108]
请参阅图，为本发明实施例提供的一种电力负荷预测方法的另一流程示意图本发明实施例从国外某开源网站下载数据集，该数据集记录了自2018.1.1～2020.12.12共1077
天，每隔15分钟1条记录，共计1077*4*24＝103392条记录，每条记录包括：datetime、apparent_temperature、temperature、humidity、dew_point、wind_speed、cloud_cover、load，将datetime信息分解成月(1～12)、日(1～31)、星期几(0～6)、时(0～23)、分(1～4)，其中年分参数去掉，由于1小时内只有4条记录，分钟参数只需要4个取值。由此获得了共12种参数信息作为输入样本x，根据数据的有效性情况，选取了连续2年的信息，共l＝70080条记录。记为x，x＝[xij],i＝1,2,...,l,j＝1,2,...,12，然后按时序方向对参数进行归一化处理，得到输入样本，对x按8:2划分成训练集(56064条)与测试集(14016条)。
[0109]
(2)请参阅图4，vmd数据序列分解，本发明实施例将样本集x中的负荷序列(指定为j＝12)分解为低频率趋势序列y1和高频变化序列y2，分解时指定分解成2个序列，其它不作限制。分解结果y1记录为y2记录为图4展示的是7天的数据，共7*24*4＝672个时间点。
[0110]
(3)请参阅表1，将12种参数序列都分别与低频率趋势序列y1和高频变化序列y2计算斯皮尔曼相关性系数,。根据表1及设定的阈值0.4，为y1序列选取k1＝9个参数构成第一参数集合x1，包括apparent_temperature、temperature、humidity、cloud_cover、load、month、date、week、hour，为y 2序列选取k2＝8个参数构成第二参数集合x2，包括temperature、humidity、dew_point、wind_speed、load、week、hour、minute。
[0111]
表1相关性分析(绝对值)
[0112][0113]
注：表1中小于0.4的参数值不满足相关性阈值要求，需要去除。
[0114]
(4)设定用于预测的历史信息长度为m＝96,待预测信息长度为n＝672,即用前1天的信息预测后1周的信息，需要对样本数据进行处理；
[0115]
(a)从x1训练集部分0行开始，连续取出m＝96行构造一个y1的训练样本；每隔5行重新取96行构造下一个样本，以此类推构成不同的训练样本；
[0116]
(b)取出的样本数据x1为96
×
9矩阵，用于训练y1序列，对每一个训练样本，从其所取96行信息的下一行开始，从y1中连续取672个元素作为该样本要预测的标签数据；
[0117]
(c)按同样的方式构造x2的训练样本和标签数据，每个样本x2为96*8矩阵，将其转置得到8*96矩阵，标签是从y2中取出的672个数据，至此训练样本及标签构造完毕；
[0118]
(5)请参阅图3，为y1建立lstm预测模型，根据96
×
9矩阵样本及包含672个元素的预测序列，设定lstm包括96个cell，每个cell输入为9维向量，输出为672维向量，最后一个cell输出为lstm网络根据输入样本对y1的预测结果；为y2建立注意力机制预测模型，注意力机制的输入向量维数为96,所有8个参数参与关注度系数的训练，注意力机制的输出长度设为672，取8个参数中负荷参数对应的输出向量作为y2的预测结果；
[0119]
(6)计算损失函数：y1的真实值与y1预测值的误差记为loss1，y2的真实值与y2预测值的误差记为loss2，将y1预测值与y2预测值求和，该和与y的真实值的误差记为loss。根据总误差total_loss的计算公式，设定α＝0.2，β＝0.2，γ＝0.6获得损失值，用于训练；
[0120]
(7)请参阅图5，设定每批次样本数为100，训练轮数3000，输入所有样本及对应标签进行训练，得到预测模型。请参阅图6，测试时要采用与训练样本相同的方式组织测试样本，输入1天96条记录作为样本，则输出的672个数据是此后7天的负荷预测值，实验表明，7天的平均准确率接近90％(准确率由预测误差/真实值得到)，具有良好的效果。
[0121]
实施本发明实施例，具有以下有益效果：
[0122]
本发明实施例将电网运行过程中记录的多种参数归一化处理为若干个参数劽，作为输入样本，将输入样本中的负荷序列分解为低频趋势序列和高频变化序列，并根据相关性分别选定不同序列的预测参数，通过分析其特征建立不同的预测模型，能够有效排除相关性较低的参数参与预测，不仅能够有效降低计算量，还能有效提高电力负荷预测的准确性。
[0123]
进一步的，本发明实施例可以通过改变参与预测历史信息和待预测负荷信息的序列长度，将负荷序列分解为更多子序列，从而能够使得电力负荷预测更精细化，进一步提高电力负荷预测的准确性，且本发明实施例能够适用于光伏预测、风电处理预测等多参量序列预测的相关领域。
[0124]
请参阅图7，基于与上述实施例相同的发明构思，本发明的一个实施例提供了一种电力负荷预测装置，包括：
[0125]
输入样本构建模块10，用于根据电网运行过程的历史信息文件，获取若干种参数信息，按照时域序列方向对参数信息进行归一化处理得到对应的若干个参数序列，将若干个参数序列作为输入样本；
[0126]
参数集合确定模块20，用于将输入样本中的负荷序列分解为低频趋势序列和高频变化序列，并根据输入样本中的参数序列与负荷序列的相关性，确定用于预测低频趋势序列的第一参数集合，和用于预测高频变化序列的第二参数集合；
[0127]
训练样本构建模块30，用于设定用于电力负荷预测的历史信息长度和待预测信息长度，并根据第一参数集合构建低频趋势序列的第一训练样本，以及根据第二参数集合构造高频变化序列的第二训练样本；
[0128]
样本预测模块40，用于将第一训练样本和第二训练样本分别输入预先设定的预测模型中，分别得到第一预测结果和第二预测结果；
[0129]
预测模型训练模块50，用于根据第一预测结果和第二预测结果构建损失函数，并基于损失函数进行训练，得到用电负荷预测模型；
[0130]
电力负荷预测模块60，用于将待预测数据输入至用电负荷预测模型中，得到用电负荷预测结果。
[0131]
在一个实施例中，输入样本构建模块10还用于：
[0132]
提取历史信息文件的体感温度信息、温度信息、湿度信息、露点信息、风速信息、云层信息和负荷信息，并将历史信息文件的时间信息分解为月信息、日信息、星期信息、时信息和分信息，得到12种参数信息。
[0133]
在一个实施例中，输入样本构建模块10还用于：
[0134]
采用变分模态分解方法，将输入样本中的负荷序列分解为低频趋势序列和高频变化序列。
[0135]
在一个实施例中，参数集合确定模块20还用于：
[0136]
将每一参数序列分别与低频趋势序列计算斯皮尔曼相关系数，得到第一相关系数；
[0137]
将每一参数序列分别与高频变化序列计算斯皮尔相关系数，得到第二相关系数；
[0138]
将大于等于预设阈值的第一相关系数和第二相关系数对应的参数序列，分别作为用于预测低频趋势序列的第一参数集合，和用于预测高频变化序列的第二参数集合。
[0139]
在一个实施例中，训练样本构建模块30还用于：
[0140]
从第一参数集合的任意一行开始，连续取出历史信息长度的行数，构建低频趋势序列的第一训练样本，并从第一训练样本中连续取待预测信息长度个数的元素作为第一训练样本的标签数据；
[0141]
从第二参数集合的任意一行开始，连续取出历史信息长度的行数，构建高频变化序列的第二训练样本，并从第二训练样本中连续取待预测信息长度个数的元素作为第二训练样本的标签数据。
[0142]
在一个实施例中，样本预测模块40还用于：
[0143]
将第一训练样本输入预先设定的lstm预测模型中；
[0144]
将第二训练样本输入预先设定的注意力机制预测模型中。
[0145]
在一个实施例中，预测模型训练模块50还用于：
[0146]
将低频趋势序列的真实值和第一预测结果的误差记为第一损失；
[0147]
将高频变化序列的的真实值和第二预测结果的误差记为第二损失；
[0148]
将第一预测结果和第二预测结果的和，与负荷序列的误差记为第三损失；
[0149]
将第一损失、第二损失和第三损失的加权和作为总误差。
[0150]
本发明的一个实施例提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如上述的电力负荷预测方法。
[0151]
以上是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

技术特征：
1.一种电力负荷预测方法，其特征在于，包括：根据电网运行过程的历史信息文件，获取若干种参数信息，按照时域序列方向对所述参数信息进行归一化处理得到对应的若干个参数序列，将若干个所述参数序列作为输入样本；将所述输入样本中的负荷序列分解为低频趋势序列和高频变化序列，并根据所述输入样本中的参数序列与所述负荷序列的相关性，确定用于预测所述低频趋势序列的第一参数集合，和用于预测所述高频变化序列的第二参数集合；设定用于电力负荷预测的历史信息长度和待预测信息长度，并根据所述第一参数集合构建所述低频趋势序列的第一训练样本，以及根据所述第二参数集合构造所述高频变化序列的第二训练样本；将所述第一训练样本和所述第二训练样本分别输入预先设定的预测模型中，分别得到第一预测结果和第二预测结果；根据所述第一预测结果和所述第二预测结果构建损失函数，并基于所述损失函数进行训练，得到用电负荷预测模型；将待预测数据输入至所述用电负荷预测模型中，得到用电负荷预测结果。2.如权利要求1所述的电力负荷预测方法，其特征在于，所述根据电网运行过程的历史信息文件，获取若干种参数信息，包括：提取所述历史信息文件的体感温度信息、温度信息、湿度信息、露点信息、风速信息、云层信息和负荷信息，并将所述历史信息文件的时间信息分解为月信息、日信息、星期信息、时信息和分信息，得到12种参数信息。3.如权利要求1所述的电力负荷预测方法，其特征在于，所述将所述输入样本中的负荷序列分解为低频趋势序列和高频变化序列，包括：采用变分模态分解方法，将所述输入样本中的负荷序列分解为低频趋势序列和高频变化序列。4.如权利要求1所述的电力负荷预测方法，其特征在于，根据所述输入样本中的参数序列与所述负荷序列的相关性，确定用于预测所述低频趋势序列的第一参数集合，和用于预测所述高频变化序列的第二参数集合，包括：将每一参数序列分别与所述低频趋势序列计算斯皮尔曼相关系数，得到第一相关系数；将每一参数序列分别与所述高频变化序列计算斯皮尔相关系数，得到第二相关系数；将大于等于预设阈值的所述第一相关系数和所述第二相关系数对应的参数序列，分别作为用于预测所述低频趋势序列的第一参数集合，和用于预测所述高频变化序列的第二参数集合。5.如权利要求1所述的电力负荷预测方法，其特征在于，所述根据所述第一参数集合构建所述低频趋势序列的第一训练样本，以及根据所述第二参数集合构造所述高频变化序列的第二训练样本，包括：从所述第一参数集合的任意一行开始，连续取出历史信息长度的行数，构建所述低频趋势序列的第一训练样本，并从所述第一训练样本中连续取待预测信息长度个数的元素作为所述第一训练样本的标签数据；
从所述第二参数集合的任意一行开始，连续取出历史信息长度的行数，构建所述高频变化序列的第二训练样本，并从所述第二训练样本中连续取待预测信息长度个数的元素作为所述第二训练样本的标签数据。6.如权利要求1所述的电力负荷预测方法，其特征在于，将所述第一训练样本和所述第二训练样本分别输入预先设定的预测模型中，包括：将所述第一训练样本输入预先设定的lstm预测模型中；将所述第二训练样本输入预先设定的注意力机制预测模型中。7.如权利要求1所述的电力负荷预测方法，其特征在于，所述根据所述第一预测结果和所述第二预测结果构建损失函数，包括：将所述低频趋势序列的真实值和所述第一预测结果的误差记为第一损失；将高频变化序列的的真实值和所述第二预测结果的误差记为第二损失；将所述第一预测结果和所述第二预测结果的和，与所述负荷序列的误差记为第三损失；将所述第一损失、所述第二损失和所述第三损失的加权和作为总误差。8.一种电力负荷预测装置，其特征在于，包括：输入样本构建模块，用于根据电网运行过程的历史信息文件，获取若干种参数信息，按照时域序列方向对所述参数信息进行归一化处理得到对应的若干个参数序列，将若干个所述参数序列作为输入样本；参数集合确定模块，用于将所述输入样本中的负荷序列分解为低频趋势序列和高频变化序列，并根据所述输入样本中的参数序列与所述负荷序列的相关性，确定用于预测所述低频趋势序列的第一参数集合，和用于预测所述高频变化序列的第二参数集合；训练样本构建模块，用于设定用于电力负荷预测的历史信息长度和待预测信息长度，并根据所述第一参数集合构建所述低频趋势序列的第一训练样本，以及根据所述第二参数集合构造所述高频变化序列的第二训练样本；样本预测模块，用于将所述第一训练样本和所述第二训练样本分别输入预先设定的预测模型中，分别得到第一预测结果和第二预测结果；预测模型训练模块，用于根据所述第一预测结果和所述第二预测结果构建损失函数，并基于所述损失函数进行训练，得到用电负荷预测模型；电力负荷预测模块，用于将待预测数据输入至所述用电负荷预测模型中，得到用电负荷预测结果。9.一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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7任一项所述的电力负荷预测方法。

技术总结
本发明公开了一种电力负荷预测方法、装置及存储介质，其中方法包括：根据电网运行过程的历史信息文件，获取若干个参数序列作为输入样本；将输入样本中的负荷序列分解为低频趋势序列和高频变化序列，确定用于预测低频趋势序列的第一参数集合，和用于预测高频变化序列的第二参数集合；根据第一参数集合构建低频趋势序列的第一训练样本，以及根据第二参数集合构造高频变化序列的第二训练样本；将训练样本输入预先设定的预测模型中预测结果；根据预测结果构建损失函数进行训练，得到用电负荷预测模型；将待预测数据输入至用电负荷预测模型中，得到用电负荷预测结果。本发明能够有效提高电力负荷预测的准确性。力负荷预测的准确性。力负荷预测的准确性。


技术研发人员：李波 赵瑞锋 辛阔 卢建刚 黄缙华 施展 张健
受保护的技术使用者：广东电网有限责任公司电力调度控制中心
技术研发日：2023.05.12
技术公布日：2023/8/14