短时电量预测模型的训练方法及短时电量预测方法与流程

1.本发明涉及电量预测技术领域，尤其涉及一种短时电量预测模型的训练方法及短时电量预测方法。


背景技术：

2.电量预测是一段时间内电力系统的负荷消耗电能总量的预报。特殊地，周度电量预测是指以一周为时间尺度的电量预测，在现代电力系统研究领域中这是一个非常重要的研究方向，提升周度电量预测精度，对宏观经济政策制定、各时间尺度的电力交易都具有重要的指导意义。
3.在实际生活中，用户用电往往会受到经济、政策、气象等外部因素的影响。目前，针对电量预测方法的研究，通常是基于历史数据探索时序发展规律的方法，然而这种方法没有考虑到外部因素对用户用电的影响，进而对用户用电量的预测精度也就比较低。
4.基于此，针对数据源缺乏外部特征、计算效率或者预测精度有待提升的情况，亟需提出一种新的预测精度高的短时电量预测方法，以实现用户短时用电量的精准预测。


技术实现要素：

5.本发明实施例提供了一种短时电量预测模型的训练方法及短时电量预测方法，以解决现有技术中在进行短时电量预测时预测精度不高的问题。
6.第一方面，本发明实施例提供了一种短时电量预测模型的训练方法，包括：
7.获取由历史电力影响因素特征数据和历史电量数据构成的训练集；
8.基于所述训练集对预设机器学习模型进行训练，得到第一机器学习模型；同时基于所述训练集对预设神经网络模型进行训练，得到第一神经网络模型；
9.基于惯性权重因子对秃鹰搜索算法进行改进，得到改进秃鹰搜索算法；
10.基于所述改进秃鹰搜索算法分别对所述第一机器学习模型的第一超参数和所述第一神经网络模型的第二超参数进行优化，得到目标机器学习短时电量预测模型和目标神经网络短时电量预测模型。
11.在一种可能的实现方式中，所述基于惯性权重因子对秃鹰搜索算法进行改进，得到改进秃鹰搜索算法，包括：
12.基于所述秃鹰搜索算法的迭代次数计算所述惯性权重因子；
13.基于所述惯性权重因子对所述秃鹰搜索算法中搜索阶段的秃鹰位置更新公式进行改进，得到改进秃鹰搜索算法。
14.在一种可能的实现方式中，所述基于所述秃鹰搜索算法的迭代次数计算所述惯性权重因子，包括：
15.基于计算所述惯性权重因子；
16.其中，ω(t)表示第t次迭代对应的惯性权重因子，ω
min
表示所述惯性权重因子的
最小值，ω
max
表示所述惯性权重因子的最大值，α表示非线性控制参数，t表示所述迭代次数，t
max
表示所述秃鹰搜索算法的最大迭代次数。
17.在一种可能的实现方式中，所述基于所述惯性权重因子对所述秃鹰搜索算法中搜索阶段的秃鹰位置更新公式进行改进，得到改进秃鹰搜索算法，包括：
18.基于p
i,new
＝ω(t)pi+x(i)
×
(ω(t)p
i-p
mean
)+y(i)
×
(ω(t)p
i-p
i+1
)，对所述秃鹰搜索算法中搜索阶段的秃鹰位置更新公式进行改进，得到改进秃鹰搜索算法；
19.其中，p
i,new
表示第i只秃鹰在所述搜索阶段进行位置更新后的位置，ω(t)表示第t次迭代对应的惯性权重因子，pi表示第i只秃鹰所在位置，x(i)表示极坐标下第i只秃鹰在x轴方向上的位置，p
mean
表示经过前次搜索后秃鹰的平均分布位置，y(i)表示极坐标下第i只秃鹰在y轴方向上的位置，p
i+1
表示第i+1只秃鹰当前所在位置。
20.在一种可能的实现方式中，基于所述改进秃鹰搜索算法对所述第一机器学习模型的第一超参数进行优化，包括：
21.将所述第一机器学习模型中一组第一超参数的取值作为所述改进秃鹰搜索算法中一个秃鹰个体的位置，初始化所述改进秃鹰搜索算法的参数，并确定所述第一超参数的取值边界范围；其中，所述改进秃鹰搜索算法的参数包括：秃鹰种群的种群大小m、种群最大迭代次数以及迭代次数；其中，m为正整数；
22.在所述第一超参数的取值边界范围内，随机生成m个秃鹰个体的初始位置作为当前位置，计算各个秃鹰个体的所述当前位置对应的第一适应度值；
23.基于所有秃鹰个体的所述第一适应度值确定当前所述秃鹰种群的第一最小适应度值和第一最优个体位置；
24.对各个秃鹰个体的所述当前位置进行更新，对应得到各个更新位置；
25.计算各个秃鹰个体的所述更新位置对应的第二适应度值；
26.基于所有秃鹰个体的所述第二适应度值确定当前所述秃鹰种群中的第二最小适应度值和第二最优个体位置，并更新所述迭代次数；
27.判断所述第二最小适应度值是否小于所述第一最小适应度值或者所述迭代次数是否达到所述最大迭代次数；
28.当所述第二最小适应度值小于所述第一最小适应度值，且所述迭代次数未达到所述最大迭代次数时，以所述第二最小适应度值和所述第二最优个体位置分别作为新的第一最小适应度值和新的第一最优个体位置，以各个秃鹰个体的更新位置作为新的当前位置，跳转执行“对各个秃鹰个体的所述当前位置进行更新，对应得到各个更新位置”的步骤及后续步骤；
29.当所述第二最小适应度值大于或等于所述第一最小适应度值时，或者当所述迭代次数达到所述最大迭代次数时，将当前的所述第一最优个体位置确定为所述第一机器学习模型优化后的第一超参数。
30.在一种可能的实现方式中，在获取由历史电力影响因素特征数据和历史电量数据构成的训练集之前，还包括：
31.获取历史电力影响因素特征数据和历史电量数据；
32.对所述历史电力影响因素特征数据和所述历史电量数据进行特征重要性分析，筛选出所述历史电力影响因素特征数据中与所述历史电量数据的相关性高于预设阈值的目
标历史电力影响因素特征数据；
33.所述获取由历史电力影响因素特征数据和历史电量数据构成的训练集，包括：
34.获取由所述目标历史电力影响因素特征数据和所述历史电量数据构成的训练集。
35.第二方面，本发明实施例提供了一种短时电量预测方法，包括：
36.采集电力影响因素特征数据；
37.将所述电力影响因素特征数据分别输入至目标机器学习短时电量预测模型和目标神经网络短时电量预测模型中，输出所述目标机器学习短时电量预测模型对应的第一电量预测结果以及所述目标神经网络短时电量预测模型对应的第二电量预测结果；其中，所述目标机器学习短时电量预测模型和所述目标神经网络短时电量预测模型基于如上第一方面或第一方面的任一种可能的实现方式所述的短时电量预测模型的训练方法训练得到；
38.将所述第一电量预测结果和所述第二电量预测结果进行加权组合，得到目标电量预测结果。
39.第三方面，本发明实施例提供了一种训练设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
40.第四方面，本发明实施例提供了一种预测设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第二方面所述方法的步骤。
41.第五方面，本发明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存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面、第一方面的任一种可能的实现方式或第二方面所述方法的步骤。
42.本发明实施例提供一种短时电量预测模型的训练方法及短时电量预测方法，通过获取由历史电力影响因素特征数据和历史电量数据构成的训练集；然后基于训练集分别对预设机器学习模型和预设神经网络模型进行训练，对应得到第一机器学习模型和第一神经网络模型。进一步通过在传统秃鹰搜索算法中加入可以有效平衡算法局部搜索能力和全局搜索能力的惯性权重因子，得到改进秃鹰搜索算法。然后，基于该改进秃鹰搜索算法分别对第一机器学习模型和第一神经网络模型各自对应的超参数进行优化，得到能够使得模型预测效果最好的超参数组合，将得到的超参数组合应用到对应的模型中，即可得到预测效果好的电量预测模型。本发明实施例提供的短时电量预测模型拥有较高精度和较高拟合度的短时电量预测效果，从而可以实现高质量且高精度的短时电量预测。
附图说明
43.为了更清楚地说明本发明实施例中的技术方案，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，还可以根据这些附图获得其他的附图。
44.图1是本发明实施例提供的短时电量预测模型的训练方法的实现流程图；
45.图2是本发明实施例提供的短时电量预测方法的实现流程图；
46.图3是本发明实施例提供的短时电量预测方法的框架结构图；
47.图4是本发明实施例提供的多年份历史周度电量曲线的对比示意图；
48.图5是本发明实施例提供的改进秃鹰搜索算法的优化迭代曲线的示意图；
49.图6是本发明实施例提供的短时电量预测模型的训练装置的结构示意图；
50.图7是本发明实施例提供的短时电量预测装置的结构示意图；
51.图8是本发明实施例提供的训练设备的示意图；
52.图9是本发明实施例提供的预测设备的示意图。
具体实施方式
53.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
54.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
55.图1为本发明实施例提供的短时电量预测模型的训练方法的实现流程图，如图1所示，本发明实施例提供的短时电量预测模型的训练方法，包括：
56.步骤101：获取由历史电力影响因素特征数据和历史电量数据构成的训练集。
57.在步骤101中，可选的，历史电力影响因素特征数据可以包括：气象数据、电力数据和假期数据等。示例性的，气象数据可以是某地区气象站采集的光照强度数据、气温数据、气压数据、湿度数据、风速数据和风向数据中的一种或多种。电力数据可以是历史光伏发电数据、历史电量数据和电价数据中的一种或多种。假期数据可以是春节、五一和国庆等假期数据。本实施例中，可以获取以预设时长为时间尺度的历史电力影响因素特征数据和对应的历史电量数据构成的训练集，为后续模型训练提供真实有效的数据支撑。示例性的，预设时长可以是一周或一天等短期时长，本技术对此不作限定。
58.在一种可能的实现方式中，在获取由历史电力影响因素特征数据和历史电量数据构成的训练集之前，还包括：
59.获取历史电力影响因素特征数据和历史电量数据。
60.对历史电力影响因素特征数据和历史电量数据进行特征重要性分析，筛选出历史电力影响因素特征数据中与历史电量数据的相关性高于预设阈值的目标历史电力影响因素特征数据。
61.获取由历史电力影响因素特征数据和历史电量数据构成的训练集，包括：
62.获取由目标历史电力影响因素特征数据和历史电量数据构成的训练集。
63.可选的，在获取训练集之前，可以事先采集历史电力影响因素特征数据和历史电量数据，并对这些数据进行特征重要性分析。从历史电力影响因素特征数据中筛选出与历史电量数据的相关性高于预设阈值的目标历史电力影响因素特征数据。进而基于目标历史电力影响因素特征数据和历史电量数据构成后续用于模型训练的训练集。
64.本实施例中，通过对原始数据集中的数据类型进行筛选，选择出和研究目标(即电量)关联度较高的特征数据，剔除一些不相关或冗余的特征数据，从而减少了训练集中特征数据的类型和个数。如此一来，既能减少后续模型训练过程中噪音的产生，又能够提高模型
训练效率和预测准确率。除此之外，对和研究目标关联度比较低的特征数据进行剔除，也可以有效避免后续预测模型过拟合使得模型的泛化能力差的情况的发生。
65.可选的，可以选择使用轻量级梯度提升机器学习(light gradient boosting machine，lightgbm)算法实现对历史数据的特征重要性分析，或者选择使用斯皮尔曼相关系数等实现对历史数据的特征重要性分析。
66.以选择lightgbm算法实现对历史数据的特征重要性分析为例，对本技术实施例进行解释说明，而非限定。lightgbm是一个开源的梯度提升框架，其基本思想是通过多棵弱回归树线性组合为强回归树，起源可以追溯到梯度提升决策树(gradient boosting decision tree，gbdt)算法，为了解决gbdt算法对于高维数据和大规模数据集的处理效率不高的问题，lightgbm算法引入了一些创新性的技术，比如直方图算法、带深度限制的决策树生长策略、基于梯度的单侧采样和互斥特征捆绑等，以提高算法的训练速度和准确性。此外，lightgbm算法还支持并行化处理、图形处理器(graphics processing unit，gpu)加速等功能，在大规模数据和高维特征的处理中表现出色。
67.lightgbm算法提供了基于增益gain的特征重要性，可进行特征选择。具体来说，增益gain测量了当一个特征在决策树的分裂中被使用时，该特征能够提高多少模型的性能(平均准确率)，取所有树的平均值作为最终增益。因此，根据每个特征的增益gain大小进行评分，增益gain越高，表示该特征对模型的训练影响越大，重要性也越高。基于此，本发明实施例利用lightgbm算法对历史数据进行特征重要性分析，可以筛选出与电量特征呈高相关的特征数据，从而有利于后续模型训练时，减少模型训练时间、提高模型训练效率以及提高模型泛化能力和预测精度。
68.可选的，还可以进一步考虑到传感器等采集装置在采集数据的过程中可能出现的异常现象或采集误差等情况，导致在获取的原始数据中会存在很多异常值和缺失值。因此，在获取历史电力影响因素特征数据和历史电量数据之后，还可以对采集的这些原始数据进行数据预处理，以剔除异常值的同时对缺失值进行补全处理，进而通过该数据预处理过程获得完整连续的历史电力影响因素特征数据和历史电量数据。
69.步骤102：基于训练集对预设机器学习模型进行训练，得到第一机器学习模型；同时基于训练集对预设神经网络模型进行训练，得到第一神经网络模型。
70.在步骤102中，可以基于经过前述数据预处理以及特征选择处理后得到的训练集分别对预设机器学习模型和预设神经网络模型进行训练，对应得到第一机器学习模型和第一神经网络模型。可选的，预设机器学习模型可以是lightgbm模型或梯度提升决策树(extreme gradient boosting，xgboost)模型等机器学习模型，预设神经网络模型可以是门控循环神经网络(gated recurrent unit，gru)模型或长短时记忆网络(long short-term memory，lstm)模型等神经网络模型。示例性的，本技术实施例中以优化训练好的lightgbm模型和gru模型构成的组合模型作为短时电量预测的最终模型。
71.步骤103：基于惯性权重因子对秃鹰搜索算法进行改进，得到改进秃鹰搜索算法。
72.在步骤103中，为了进一步提升模型的预测精度，考虑采用改进秃鹰搜索算法对模型的超参数进行优化，从而得到使得模型预测结果最好的超参数。本实施例中，在传统秃鹰搜索算法中加入惯性权重因子来平衡传统秃鹰搜索算法的局部搜索能力和全局搜索能力，进而提升整个搜索算法的搜索能力。如此一来，可以利用改进的秃鹰搜索算法确定使得模
型的预测性能最好的超参数组合。
73.在一种可能的实现方式中，基于惯性权重因子对秃鹰搜索算法进行改进，得到改进秃鹰搜索算法，包括：
74.基于秃鹰搜索算法的迭代次数计算惯性权重因子。
75.基于惯性权重因子对秃鹰搜索算法中搜索阶段的秃鹰位置更新公式进行改进，得到改进秃鹰搜索算法。
76.传统的秃鹰搜索算法，分为选择搜索空间(选择阶段)、搜索空间猎物(搜索阶段)以及俯冲捕获猎物(俯冲阶段)三个部分。
77.本实施例中，提出一种新的递减自适应权重方法。根据改进秃鹰搜索算法的每次迭代(或可称当前的迭代次数)来更新惯性权重因子，进而利用该惯性权重因子对秃鹰搜索算法中搜索阶段的秃鹰位置进行优化，以有效平衡改进后算法的局部搜索能力和全局搜索能力。
78.当惯性权重因子较大时，改进秃鹰搜索算法具有较强的全局搜索能力，可以搜索出较大超参数取值范围中的最优超参数组合；而当惯性权重因子较小时，改进秃鹰搜索算法具有较强的局部搜索能力，从而可以更高效的搜索出超参数取值范围中的最优超参数组合。本技术通过对传统秃鹰搜索算法的寻优能力进行改进，从而得以快速确定出模型训练效果相对最优的超参数组合，从而有利于后续基于训练好的模型对短时电量进行高精度预测。
79.在一种可能的实现方式中，基于秃鹰搜索算法的迭代次数计算惯性权重因子，包括：
80.基于计算惯性权重因子。
81.其中，ω(t)表示第t次迭代对应的惯性权重因子，ω
min
表示惯性权重因子的最小值，ω
max
表示惯性权重因子的最大值，α表示非线性控制参数，t表示迭代次数，t
max
表示秃鹰搜索算法的最大迭代次数。
82.在本实施例中，惯性权重因子的取值随着改进秃鹰搜索算法的迭代次数的逐渐增加而变小。
83.在一种可能的实现方式中，基于惯性权重因子对秃鹰搜索算法中搜索阶段的秃鹰位置更新公式进行改进，得到改进秃鹰搜索算法，包括：
84.基于p
i,new
＝ω(t)pi+x(i)
×
(ω(t)p
i-p
mean
)+y(i)
×
(ω(t)p
i-p
i+1
)，对秃鹰搜索算法中搜索阶段的秃鹰位置更新公式进行改进，得到改进秃鹰搜索算法。
85.其中，p
i,new
表示第i只秃鹰在搜索阶段进行位置更新后的位置，ω(t)表示第t次迭代对应的惯性权重因子，pi表示第i只秃鹰所在位置，x(i)表示极坐标下第i只秃鹰在x轴方向上的位置，p
mean
表示经过前次搜索后秃鹰的平均分布位置，y(i)表示极坐标下第i只秃鹰在y轴方向上的位置，p
i+1
表示第i+1只秃鹰当前所在位置。
86.在解决实际优化问题时，往往希望在算法的前期对搜索空间进行搜索，以期尽快在全局搜索范围内快速收敛于局部较优区域；然后再在算法后期对局部较优区域进行精细化搜索，以期尽快得到高精度的最优结果。基于此，本实施例中，利用惯性权重因子对秃鹰搜索算法中搜索阶段的秃鹰位置进行优化。优化原理为：在算法迭代前期，惯性权重因子的
取值较大，此时各个秃鹰对当前自身运动状态的信任程度较高，主要依据自身当前位置进行惯性运动来实现位置的更新，这种情况下各个秃鹰探索新区域的能力较强，算法进行全局寻优的能力也较强；而在算法迭代后期，各个秃鹰趋于向相同的位置(即最优解)进行运动，秃鹰的寻优区域在逐渐减小。此时，随着算法的迭代次数的增加，惯性权重因子的取值逐渐减小，基于当前惯性权重因子对秃鹰位置进行更新能够激发秃鹰个体的局部搜索能力。因此，此时秃鹰个体可以对最优解附近的取值区域进行更加精细的搜索，从而可以确定出最优解附近的取值范围中的更优解。如此一来，本实施例中基于惯性权重因子对秃鹰搜索算法进行改进可以有效平衡改进后算法的局部搜索能力和全局搜索能力，从而更加准确高效地确定出模型的最优超参数组合，进而有利于训练出高预测精度的短时电量预测模型来进行短时电量预测。
87.步骤104：基于改进秃鹰搜索算法分别对第一机器学习模型的第一超参数和第一神经网络模型的第二超参数进行优化，得到目标机器学习短时电量预测模型和目标神经网络短时电量预测模型。
88.超参数对模型训练性能的影响很大，应用合适的超参数组合能够极大地提升模型性能和电量预测精度。在步骤104中，利用改进秃鹰搜索算法分别对第一机器学习模型和第一神经网络模型各自对应的超参数组合进行寻优，确定出能够使得模型预测能力相对最优的超参数组合，进而将对应的超参数组合应用到模型中，得到目标机器学习短时电量预测模型和目标神经网络短时电量预测模型。示例性的，超参数可以是学习率、正则化参数和模型的训练迭代次数等超参数类型中的一种或多种。
89.在一种可能的实现方式中，基于改进秃鹰搜索算法对第一机器学习模型的第一超参数进行优化，包括：
90.将第一机器学习模型中一组第一超参数的取值作为改进秃鹰搜索算法中一个秃鹰个体的位置，初始化改进秃鹰搜索算法的参数，并确定第一超参数的取值边界范围；其中，改进秃鹰搜索算法的参数包括：秃鹰种群的种群大小m、种群最大迭代次数以及迭代次数；其中，m为正整数。
91.在第一超参数的取值边界范围内，随机生成m个秃鹰个体的初始位置作为当前位置，计算各个秃鹰个体的当前位置对应的第一适应度值。
92.基于所有秃鹰个体的第一适应度值确定当前秃鹰种群的第一最小适应度值和第一最优个体位置。
93.对各个秃鹰个体的当前位置进行更新，对应得到各个更新位置。
94.计算各个秃鹰个体的更新位置对应的第二适应度值。
95.基于所有秃鹰个体的第二适应度值确定当前秃鹰种群中的第二最小适应度值和第二最优个体位置，并更新迭代次数。
96.判断第二最小适应度值是否小于第一最小适应度值或者迭代次数是否达到最大迭代次数。
97.当第二最小适应度值小于第一最小适应度值，且迭代次数未达到最大迭代次数时，以第二最小适应度值和第二最优个体位置分别作为新的第一最小适应度值和新的第一最优个体位置，以各个秃鹰个体的更新位置作为新的当前位置，跳转执行“对各个秃鹰个体的当前位置进行更新，对应得到各个更新位置”的步骤及后续步骤。
98.当第二最小适应度值大于或等于第一最小适应度值时，或者当迭代次数达到最大迭代次数时，将当前的第一最优个体位置确定为第一机器学习模型优化后的第一超参数。
99.本实施例中，将第一机器学习模型的一组第一超参数的取值作为改进秃鹰搜索算法中一个秃鹰个体的位置。首先，初始化改进秃鹰搜索算法中秃鹰种群的种群大小m、种群最大迭代次数(也可称作算法的最大迭代次数)以及迭代次数等参数，以及确定第一机器学习模型中第一超参数的取值边界范围。其中，m为正整数。
100.然后，在该取值边界范围内，为秃鹰种群中每一个秃鹰个体随机生成初始位置，并以该初始位置作为每个秃鹰个体的当前位置。计算各个秃鹰个体的当前位置对应的第一适应度值。可选的，每个秃鹰个体的第一适应度值的计算方式可以为：以该秃鹰个体的初始位置作为第一机器学习模型的第一超参数应用到第一机器学习模型中，基于训练集对该第一机器学习模型进行训练，得到训练后模型的平均绝对误差或均方根误差。以该平均绝对误差或均方根误差作为该秃鹰个体的第一适应度值。
101.根据当前所有秃鹰个体的第一适应度值确定出当前秃鹰种群中适应度值最小的秃鹰位置，即确定当前秃鹰种群中第一最小适应度值和第一最优个体位置。
102.然后，随即更新当前种群中各秃鹰个体的当前位置，得到对应的更新位置。可选的，位置更新的过程可以为：在选择阶段，秃鹰通过判断猎物的数目来确定在搜索空间中的最佳搜寻位置，可用如下公式表示：
103.p
i,new
＝p
best
+α1r(p
mean-pi)。
104.其中，p
i,new
表示第i只秃鹰在选择阶段进行位置更新后的位置，p
best
表示当前最佳搜索位置，α1表示控制位置变化参数，其取值范围为[1.5,2]，r表示(0,1)之间的随机数，p
mean
表示经过前次搜索后秃鹰的平均分布位置，pi表示第i只秃鹰所在位置。
[0105]
在搜索阶段，秃鹰在选择阶段确定的搜索空间中以螺旋状飞行，以加速搜索猎物的进程。秃鹰螺旋飞行位置更新的数学模型采用极坐标方程表示，如下：
[0106]
p
i,new
＝ω(t)pi+x(i)
×
(ω(t)p
i-p
mean
)+y(i)
×
(ω(t)p
i-p
i+1
)。
[0107]
θ(i)＝α2×
π
×
rand。
[0108]
r(i)＝θ(i)+r
×
rand。
[0109]
xr(i)＝r(i)
×
sin(θ(i))。
[0110]
yr(i)＝r(i)
×
cos(θ(i))。
[0111][0112]
其中，p
i,new
表示第i只秃鹰在搜索阶段进行位置更新后的位置，ω(t)表示第t次迭代对应的惯性权重因子，pi表示第i只秃鹰所在位置，p
mean
表示经过前次搜索后秃鹰的平均分布位置，p
i+1
表示第i+1只秃鹰当前所在位置。θ(i)表示螺旋方程的极角，α2表示第一螺旋轨迹控制参数，其取值范围为(0,5)，rand表示(0,1)之间的随机数。r(i)表示搜索阶段中螺旋方程的极径，r表示第二螺旋轨迹控制参数，其取值范围为(0.5,2)。xr(i)表示搜索阶段中第i只秃鹰在极坐标下x轴方向上的位置，yr(i)表示搜索阶段中第i只秃鹰在极坐标下y轴方向上的位置，x(i)和y(i)表示搜索阶段中第i只秃鹰在极坐标下的位置，x(i)和y(i)的取值均为(-1,1)。
[0113]
在俯冲阶段，秃鹰从搜索空间的最优位置俯冲至目标，种群中其他秃鹰个体也同
时向最佳目标发起攻击，秃鹰运动状态用极坐标方程表示如下：
[0114]
p
i,new
＝rand
×
p
best
+x1(i)
×
(p
i-c1p
mean
)+y1(i)
×
(p
i-c2p
best
)。
[0115]
θ(i)＝α2×
π
×
rand。
[0116]
r(i)1＝θ(i)。
[0117]
xr(i)1＝r(i)
×
sinh(θ(i))。
[0118]
yr(i)1＝r(i)
×
cosh(θ(i))。
[0119][0120][0121]
其中，p
i,new
表示第i只秃鹰在俯冲阶段进行位置更新后的位置，p
best
表示当前最佳搜索位置，r(i)1表示俯冲阶段中螺旋方程的极径，xr(i)1表示俯冲阶段中第i只秃鹰在极坐标下x轴方向上的位置，yr(i)1表示俯冲阶段中第i只秃鹰在极坐标下y轴方向上的位置，x1(i)和y1(i)表示俯冲阶段中第i只秃鹰在极坐标下的位置，x1(i)和y1(i)的取值均为(-1,1)，c1表示秃鹰个体向最佳搜索位置运动的第一强度，c2表示秃鹰个体向最佳搜索位置运动的第二强度，c1和c2的取值均为(1,2)。
[0122]
在得到各个秃鹰的更新位置后，计算各个秃鹰个体的更新位置对应的第二适应度值。然后，根据所有秃鹰个体的第二适应度值确定当前种群中的第二最小适应度值和第二最优个体位置，并更新算法的迭代次数。
[0123]
为了保证第一机器学习模型超参数寻优过程的高效率和高精度，可以进一步设定第一超参数优化停止条件。即判断第二最小适应度值是否小于第一最小适应度值或者迭代次数是否达到最大迭代次数。
[0124]
当第二最小适应度值小于第一最小适应度值，且迭代次数未达到最大迭代次数时，表明此时改进秃鹰搜索算法还可以进一步对第一机器学习模型的第一超参数进行寻优。此时，可以继续更新秃鹰个体的当前位置以对第一超参数进行寻优。也即，以第二最小适应度值和第二最优个体位置分别作为新的第一最小适应度值和新的第一最优个体位置，以各个秃鹰个体的更新位置作为新的当前位置，跳转执行“对各个秃鹰个体的当前位置进行更新，对应得到各个更新位置”的步骤及后续步骤。
[0125]
而当第二最小适应度值大于或等于第一最小适应度值时，这种情况表明此时改进秃鹰搜索算法已经达到了在取值边界范围内对超参数寻最优的最佳效果，此时可以将当前的第一最优个体位置确定为第一机器学习模型优化后的第一超参数。这种情况下实现了算法的全局搜索，能够有效保证利用改进秃鹰搜索算法寻优得到的第一超参数的稳定可靠。
[0126]
或者，当迭代次数达到最大迭代次数时，为了提升模型的训练效率，此时可以直接将当前的第一最优个体位置确定为第一机器学习模型优化后的第一超参数。如此一来，可以有效保证模型的训练效率。
[0127]
对于第一神经网络模型的第二超参数的优化过程，可以参考上述第一机器学习模型的第一超参数的优化过程，本技术对此不再赘述。
[0128]
对于模型精度的评价，可以选取平均绝对误差mae、均方根误差rmse和多重决定系
数r2作为指标，来对模型精度进行评价。示例性的：
[0129][0130][0131][0132]
其中，n表示样本数量，j表示第j个样本，x(j)表示第j个样本的真实值，y(j)表示第j个样本的预测值，表示所有样本真实值的平均值。
[0133]
本发明实施例提供一种短时电量预测模型的训练方法，通过获取由历史电力影响因素特征数据和历史电量数据构成的训练集；然后基于训练集分别对预设机器学习模型和预设神经网络模型进行训练，对应得到第一机器学习模型和第一神经网络模型。进一步通过在传统秃鹰搜索算法中加入可以有效平衡算法局部搜索能力和全局搜索能力的惯性权重因子，得到改进秃鹰搜索算法。然后，基于该改进秃鹰搜索算法分别对第一机器学习模型和第一神经网络模型各自对应的超参数进行优化，得到能够使得模型预测效果最好的超参数组合，将得到的超参数组合应用到对应的模型中，即可得到预测效果好的电量预测模型。本发明实施例提供的短时电量预测模型拥有较高精度和较高拟合度的短时电量预测效果，从而可以实现高质量且高精度的短时电量预测。
[0134]
图2为本发明实施例提供的短时电量预测方法的实现流程图，如图2所示，本发明实施例提供的短时电量预测方法，包括：
[0135]
步骤201：采集电力影响因素特征数据。
[0136]
在步骤201中，采集由气温数据、电价数据以及假期数据等组成的电力影响因素特征数据，为短时电量预测模型提供准确的输入数据。可选的，可以采集前述目标历史电力影响因素特征中各目标数据类型的电力影响因素特征数据。采集的电力影响因素特征数据的时间尺度可以是一周或一天等短期时长。
[0137]
步骤202：将电力影响因素特征数据分别输入至目标机器学习短时电量预测模型和目标神经网络短时电量预测模型中，输出目标机器学习短时电量预测模型对应的第一电量预测结果以及目标神经网络短时电量预测模型对应的第二电量预测结果；其中，目标机器学习短时电量预测模型和目标神经网络短时电量预测模型基于如上所描述的短时电量预测模型的训练方法训练得到。
[0138]
在步骤202中，将采集到的电力影响因素特征数据输入至目标机器学习短时电量预测模型和目标神经网络短时电量预测模型中进行短时电量预测，输出目标机器学习短时电量预测模型对应的第一电量预测结果以及目标神经网络短时电量预测模型对应的第二电量预测结果。由于前述对短时电量预测模型的超参数进行了优化，因此此时两个目标模型的预测效率和预测精度都较原始模型有了很大的提升，因此有利于短时电量的精准高效
预测。
[0139]
步骤203：将第一电量预测结果和第二电量预测结果进行加权组合，得到目标电量预测结果。
[0140]
在步骤203中，将第一电量预测结果和第二电量预测结果进行加权组合，得到最终的目标电量预测结果。示例性的，加权组合计算操作如下：
[0141]ft
＝ω1f
1t
+ω2f
2t
，t＝1,2,
…
,m。
[0142]
其中，f
t
表示目标电量预测结果，ω1表示第一权值系数，ω2表示第二权值系数，f
1t
表示第一电量预测结果，f
2t
表示第二电量预测结果，t表示第t个预设时长，m表示预设时长的个数。示例性的，预设时长可以是一周或一天等短期时长，本技术对此不作限定。
[0143]
可选的，第一权值系数ω1的计算公式为：
[0144]
其中，ε1表示目标机器学习短时电量预测模型的第一误差，ε2表示目标神经网络短时电量预测模型的第二误差。
[0145]
第二权值系数ω2的计算公式为：
[0146]
由上述各个计算公式可知，通过对误差小的模型赋予较大的权值系数，可以使得整个组合模型的误差趋于减小，从而得到误差更小的目标电量预测结果，从而达到提升组合模型整体预测精度的效果。
[0147]
本发明实施例提供一种短时电量预测方法，通过将采集的电力影响因素特征数据分别输入至目标机器学习短时电量预测模型和目标神经网络短时电量预测模型中，输出两个模型对应的第一电量预测结果和第二电量预测结果，进而将第一电量预测结果和第二电量预测结果进行加权组合，得到目标电量预测结果。如此一来，通过赋予两个模型对应的两个预测结果不同的权重，可以调节整个组合模型的误差趋于减小，从而利于得到误差更小的预测值，进而达到提升模型整体预测精度的效果。
[0148]
图3为本发明实施例提供的短时电量预测方法的框架结构图，请一并参照图1至图3，本发明实施例提供的短时电量预测方法如下：首先采集原始电量数据、季节数据和其他数据(也即前述历史电力影响因素特征数据和历史电量数据)。然后对采集到的数据进行预处理，该预处理过程可以包括缺失值补全、异常值剔除等操作，对数据进行归一化处理以及对节假日等离散假期数据进行独热编码处理等。
[0149]
如图3所示，以基于lightgbm算法对数据进行特征选择(即图3中所示的lightgbm model1)、第一机器学习模型为lightgbm模型(即图3中所示的lightgbm model2)以及第一神经网络模型为gru模型(即图3中所示的gru model)为例，对短时电量预测进行示例性描述如下：将处理好的特征数据输入第一层lightgbm模型中做特征重要性分析，筛选出与电量特征相关性比较高的目标特征；然后将这些目标特征对应的数据和历史电量数据作为训练集分别输入第二层lightgbm模型和gru模型中进行模型训练和模型预测，在模型训练过程中，采用改进秃鹰搜索算法对两个模型的超参数进行优化，进而得到预测效果好的目标模型；最后利用目标gru模型的第一预测结果对目标lightgbm模型的第二预测结果进行加权修正，得到最终的电量预测值。通过将该方法应用到实际算例中进行分析发现，本发明实
施例提供的模型较传统模型有更高的预测精度和拟合度，可以实现更高质量的短期电量预测。
[0150]
下面以一具体实施示例来详述本技术实施例提供的短时电量预测方法的高效性和精确性：
[0151]
以我国云南省某地区采集到的周度电量数据、该地区气象站中采集到的气温、气压、湿度以及风速风向等气象数据信息作为数据源，基于本技术实施例提出的双层lightgbm-gru-改进bes算法的短时电量预测方法进行电量预测过程如下：
[0152]
对采集到的原始数据进行缺失值补全、异常值剔除等预处理，对预处理后的数据进行数据归一化处理以及对节假日等离散假期数据进行独热编码处理等。之后再对数据集进行切割，可以将采集的前四年的数据作为训练集，将采集的最后一年的数据作为测试集。
[0153]
科学合理的预测是建立在对历史电量数据的综合分析的基础之上的，因此在建立预测模型之前需要深入挖掘历史周度电量数据的内在规律特性。通过对该地区电量数据的分析发现周度电量具有逐年增加的趋势，并且具有明显的季度周期性以及季节波动性的特点。具体体现在：图4为本发明实施例提供的多年份历史周度电量曲线的对比示意图，分析图4可知，该地区的周度电量数据呈现出明显的逐年增长趋势和季节变动的周期性。其中，周度电量在7月或8月为电量需求高峰期，这种变化特征的主要因为夏季天气炎热，家用空调、大型中央空调以及冷却设备的大规模投入使用大大增加了用电需求，夏季用电量在四个季节中最大。2月、5月和10月出现用电低谷期，这三个月份分别有春节、五一以及国庆等小长假，部分用电企业停工停产使得用电需求大大降低。此外，各个年份的周度电量呈现逐年增长态势，这主要是受该地区的经济发展水平的影响，随着社会经济水平的提升以及人们生活水平的不断提高，对电能的需求也在不断增加。因此通过上述分析可以得出，周度电量具有逐年增长的趋势和随季节变动的周期性。
[0154]
进一步考虑到周度电量需求会受到来自气象条件、经济水平、特殊事件等因素的影响。因此，可以对采集的数据集进行特征重要性分析，筛选出与电量数据强相关的特征数据。本实施示例中，筛选出的特征数据可以包括：历史电量数据、假期数据、电价数据以及气温数据。基于这些强相关数据进行模型训练和预测，并采用改进秃鹰搜索算法对模型的超参数进行优化。如此一来，不仅可以有效提高模型的训练效率，还可以提升模型的预测精度和进一步防止模型过拟合。图5为本发明实施例提供的改进秃鹰搜索算法的优化迭代曲线的示意图，如图5所示，经过改进后的秃鹰搜索算法收敛速度很快，大约70次迭代时即可找到模型对应的最优超参数组合，这充分表明了改进秃鹰搜索算法的高效性，进而也保证了模型训练、预测的高效性和准确性。
[0155]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0156]
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
[0157]
图6为本发明实施例提供的短时电量预测模型的训练装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
[0158]
如图6所示，短时电量预测模型的训练装置6包括：
[0159]
训练集获取模块61，用于获取由历史电力影响因素特征数据和历史电量数据构成的训练集。
[0160]
模型训练模块62，用于基于训练集对预设机器学习模型进行训练，得到第一机器学习模型；同时基于训练集对预设神经网络模型进行训练，得到第一神经网络模型。
[0161]
算法改进模块63，用于基于惯性权重因子对秃鹰搜索算法进行改进，得到改进秃鹰搜索算法。
[0162]
模型优化模块64，用于基于改进秃鹰搜索算法分别对第一机器学习模型的第一超参数和第一神经网络模型的第二超参数进行优化，得到目标机器学习短时电量预测模型和目标神经网络短时电量预测模型。
[0163]
本发明实施例提供一种短时电量预测模型的训练装置，该装置包括：训练集获取模块61、模型训练模块62、算法改进模块63以及模型优化模块64。通过获取由历史电力影响因素特征数据和历史电量数据构成的训练集；然后基于训练集分别对预设机器学习模型和预设神经网络模型进行训练，对应得到第一机器学习模型和第一神经网络模型。进一步通过在传统秃鹰搜索算法中加入可以有效平衡算法局部搜索能力和全局搜索能力的惯性权重因子，得到改进秃鹰搜索算法。然后，基于该改进秃鹰搜索算法分别对第一机器学习模型和第一神经网络模型各自对应的超参数进行优化，得到能够使得模型预测效果最好的超参数组合，将得到的超参数组合应用到对应的模型中，即可得到预测效果好的电量预测模型。本发明实施例提供的短时电量预测模型拥有较高精度和较高拟合度的短时电量预测效果，从而可以实现高质量且高精度的短时电量预测。
[0164]
图7为本发明实施例提供的短时电量预测装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
[0165]
如图7所示，短时电量预测装置7包括：
[0166]
数据采集模块71，用于采集电力影响因素特征数据。
[0167]
电量预测模块72，用于将电力影响因素特征数据分别输入至目标机器学习短时电量预测模型和目标神经网络短时电量预测模型中，输出目标机器学习短时电量预测模型对应的第一电量预测结果以及目标神经网络短时电量预测模型对应的第二电量预测结果；其中，目标机器学习短时电量预测模型和目标神经网络短时电量预测模型基于如上第一方面或第一方面的任一种可能的实现方式的短时电量预测模型的训练方法训练得到。
[0168]
结果获取模块73，用于将第一电量预测结果和第二电量预测结果进行加权组合，得到目标电量预测结果。
[0169]
本发明实施例提供一种短时电量预测装置，该装置包括：数据采集模块71、电量预测模块72以及结果获取模块73。通过将采集的电力影响因素特征数据分别输入至目标机器学习短时电量预测模型和目标神经网络短时电量预测模型中，输出两个模型对应的第一电量预测结果和第二电量预测结果，进而将第一电量预测结果和第二电量预测结果进行加权组合，得到目标电量预测结果。如此一来，通过赋予两个模型的预测结果不同的权重，可以调节整个组合模型的误差趋于减小，从而利于得到误差更小的预测值，进而达到提升模型整体预测精度的效果。
[0170]
图8为本发明实施例提供的训练设备的示意图。如图8所示，该实施例的训练设备8包括：处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算
机程序82。所述处理器80执行所述计算机程序82时实现上述各个短时电量预测模型的训练方法实施例中的步骤，例如图1所示的步骤101至步骤104。或者，所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块的功能，例如图6所示模块61至64的功能。
[0171]
示例性的，所述计算机程序82可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器81中，并由所述处理器80执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序82在所述训练设备8中的执行过程。例如，所述计算机程序82可以被分割成图6所示的模块61至64。
[0172]
所述训练设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述训练设备8可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是训练设备8的示例，并不构成对训练设备8的限定，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，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
[0173]
所称处理器80可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0174]
所述存储器81可以是所述训练设备8的内部存储单元，例如训练设备8的硬盘或内存。所述存储器81也可以是所述训练设备8的外部存储设备，例如所述训练设备8上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器81还可以既包括所述训练设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
[0175]
图9为本发明实施例提供的预测设备的示意图。如图9所示，该实施例的预测设备9包括：处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92。所述处理器90执行所述计算机程序92时实现上述各个短时电量预测方法实施例中的步骤，例如图2所示的步骤201至步骤203。或者，所述处理器90执行所述计算机程序92时实现上述各装置实施例中各模块的功能，例如图7所示模块71至73的功能。
[0176]
示例性的，所述计算机程序92可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器91中，并由所述处理器90执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序92在所述预测设备9中的执行过程。例如，所述计算机程序92可以被分割成图7所示的模块71至73。
[0177]
所述预测设备9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述预测设备9可包括，但不仅限于，处理器90、存储器91。本领域技术人员可以理解，图9仅仅是预测设备9的示例，并不构成对预测设备9的限定，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，例如所述电子设备还可以包括输入输出设备、网
络接入设备、总线等。
[0178]
所称处理器90可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0179]
所述存储器91可以是所述预测设备9的内部存储单元，例如预测设备9的硬盘或内存。所述存储器91也可以是所述预测设备9的外部存储设备，例如所述预测设备9上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器91还可以既包括所述预测设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
[0180]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0181]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0182]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0183]
在本发明所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0184]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0185]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以
是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0186]
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个短时电量预测模型的训练方法或短时电量预测方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
[0187]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

技术特征：
1.一种短时电量预测模型的训练方法，其特征在于，包括：获取由历史电力影响因素特征数据和历史电量数据构成的训练集；基于所述训练集对预设机器学习模型进行训练，得到第一机器学习模型；同时基于所述训练集对预设神经网络模型进行训练，得到第一神经网络模型；基于惯性权重因子对秃鹰搜索算法进行改进，得到改进秃鹰搜索算法；基于所述改进秃鹰搜索算法分别对所述第一机器学习模型的第一超参数和所述第一神经网络模型的第二超参数进行优化，得到目标机器学习短时电量预测模型和目标神经网络短时电量预测模型。2.根据权利要求1所述的短时电量预测模型的训练方法，其特征在于，所述基于惯性权重因子对秃鹰搜索算法进行改进，得到改进秃鹰搜索算法，包括：基于所述秃鹰搜索算法的迭代次数计算所述惯性权重因子；基于所述惯性权重因子对所述秃鹰搜索算法中搜索阶段的秃鹰位置更新公式进行改进，得到改进秃鹰搜索算法。3.根据权利要求2所述的短时电量预测模型的训练方法，其特征在于，所述基于所述秃鹰搜索算法的迭代次数计算所述惯性权重因子，包括：基于计算所述惯性权重因子；其中，ω(t)表示第t次迭代对应的惯性权重因子，ω
min
表示所述惯性权重因子的最小值，ω
max
表示所述惯性权重因子的最大值，α表示非线性控制参数，t表示所述迭代次数，t
max
表示所述秃鹰搜索算法的最大迭代次数。4.根据权利要求2或3所述的短时电量预测模型的训练方法，其特征在于，所述基于所述惯性权重因子对所述秃鹰搜索算法中搜索阶段的秃鹰位置更新公式进行改进，得到改进秃鹰搜索算法，包括：基于p
i,new
＝ω(t)p
i
+x(i)
×
(ω(t)p
i-p
mean
)+y(i)
×
(ω(t)p
i-p
i+1
)，对所述秃鹰搜索算法中搜索阶段的秃鹰位置更新公式进行改进，得到改进秃鹰搜索算法；其中，p
i,new
表示第i只秃鹰在所述搜索阶段进行位置更新后的位置，ω(t)表示第t次迭代对应的惯性权重因子，p
i
表示第i只秃鹰所在位置，x(i)表示极坐标下第i只秃鹰在x轴方向上的位置，p
mean
表示经过前次搜索后秃鹰的平均分布位置，y(i)表示极坐标下第i只秃鹰在y轴方向上的位置，p
i+1
表示第i+1只秃鹰当前所在位置。5.根据权利要求1至3中任一项所述的短时电量预测模型的训练方法，其特征在于，基于所述改进秃鹰搜索算法对所述第一机器学习模型的第一超参数进行优化，包括：将所述第一机器学习模型中一组第一超参数的取值作为所述改进秃鹰搜索算法中一个秃鹰个体的位置，初始化所述改进秃鹰搜索算法的参数，并确定所述第一超参数的取值边界范围；其中，所述改进秃鹰搜索算法的参数包括：秃鹰种群的种群大小m、种群最大迭代次数以及迭代次数；其中，m为正整数；在所述第一超参数的取值边界范围内，随机生成m个秃鹰个体的初始位置作为当前位置，计算各个秃鹰个体的所述当前位置对应的第一适应度值；基于所有秃鹰个体的所述第一适应度值确定当前所述秃鹰种群的第一最小适应度值
和第一最优个体位置；对各个秃鹰个体的所述当前位置进行更新，对应得到各个更新位置；计算各个秃鹰个体的所述更新位置对应的第二适应度值；基于所有秃鹰个体的所述第二适应度值确定当前所述秃鹰种群中的第二最小适应度值和第二最优个体位置，并更新所述迭代次数；判断所述第二最小适应度值是否小于所述第一最小适应度值或者所述迭代次数是否达到所述最大迭代次数；当所述第二最小适应度值小于所述第一最小适应度值，且所述迭代次数未达到所述最大迭代次数时，以所述第二最小适应度值和所述第二最优个体位置分别作为新的第一最小适应度值和新的第一最优个体位置，以各个秃鹰个体的更新位置作为新的当前位置，跳转执行“对各个秃鹰个体的所述当前位置进行更新，对应得到各个更新位置”的步骤及后续步骤；当所述第二最小适应度值大于或等于所述第一最小适应度值时，或者当所述迭代次数达到所述最大迭代次数时，将当前的所述第一最优个体位置确定为所述第一机器学习模型优化后的第一超参数。6.根据权利要求1所述的短时电量预测模型的训练方法，其特征在于，在获取由历史电力影响因素特征数据和历史电量数据构成的训练集之前，还包括：获取历史电力影响因素特征数据和历史电量数据；对所述历史电力影响因素特征数据和所述历史电量数据进行特征重要性分析，筛选出所述历史电力影响因素特征数据中与所述历史电量数据的相关性高于预设阈值的目标历史电力影响因素特征数据；所述获取由历史电力影响因素特征数据和历史电量数据构成的训练集，包括：获取由所述目标历史电力影响因素特征数据和所述历史电量数据构成的训练集。7.一种短时电量预测方法，其特征在于，包括：采集电力影响因素特征数据；将所述电力影响因素特征数据分别输入至目标机器学习短时电量预测模型和目标神经网络短时电量预测模型中，输出所述目标机器学习短时电量预测模型对应的第一电量预测结果以及所述目标神经网络短时电量预测模型对应的第二电量预测结果；其中，所述目标机器学习短时电量预测模型和所述目标神经网络短时电量预测模型基于权利要求1-6中任一项所述的短时电量预测模型的训练方法训练得到；将所述第一电量预测结果和所述第二电量预测结果进行加权组合，得到目标电量预测结果。8.一种训练设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至6中任一项所述方法的步骤。9.一种预测设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求7所述方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在
于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。

技术总结
本发明提供一种短时电量预测模型的训练方法及短时电量预测方法。该训练方法包括：获取由历史电力影响因素特征数据和历史电量数据构成的训练集；基于训练集对预设机器学习模型进行训练，得到第一机器学习模型；同时基于训练集对预设神经网络模型进行训练，得到第一神经网络模型；基于惯性权重因子对秃鹰搜索算法进行改进，得到改进秃鹰搜索算法；基于改进秃鹰搜索算法分别对第一机器学习模型的第一超参数和第一神经网络模型的第二超参数进行优化，得到目标机器学习短时电量预测模型和目标神经网络短时电量预测模型。基于本发明实施例提供的短时电量预测模型可以实现高质量且高精度的短时电量预测。高精度的短时电量预测。高精度的短时电量预测。


技术研发人员：陈强 王雪晋 胡亚莎 杨绍鹏 裴建昀 陈晨
受保护的技术使用者：云南电网有限责任公司
技术研发日：2023.06.30
技术公布日：2023/8/16