[發(fā)明專利]一種電力負(fù)荷預(yù)測(cè)方法、裝置及終端設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 202110921753.6
• 申請(qǐng)日: 2021-08-11
• 公開（公告）號(hào): CN113807568B
• 公開（公告）日: 2022-12-06
• 發(fā)明（設(shè)計(jì)）人: 周挺輝;蘇寅生;周保榮;趙利剛;甄鴻越;黃冠標(biāo);王長香;吳小珊;徐原;翟鶴峰;涂思嘉
• 申請(qǐng)（專利權(quán)）人: 南方電網(wǎng)科學(xué)研究院有限責(zé)任公司;中國南方電網(wǎng)有限責(zé)任公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;H02J3/00;G06K9/62;G06N20/10
• 代理公司: 廣州三環(huán)專利商標(biāo)代理有限公司 44202
• 代理人: 麥小嬋;郝傳鑫

本發(fā)明公開了一種電力負(fù)荷預(yù)測(cè)方法、裝置及終端設(shè)備，包括獲取電力負(fù)荷數(shù)據(jù)；基于Spark引擎，將電力負(fù)荷數(shù)據(jù)輸入到基于K?means算法的模型，采用優(yōu)化器對(duì)模型進(jìn)行優(yōu)化，獲得聚類模型，輸出聚類后的待預(yù)測(cè)電力負(fù)荷數(shù)據(jù)；將所述待預(yù)測(cè)電力負(fù)荷數(shù)據(jù)分成訓(xùn)練集和預(yù)測(cè)集；將所述訓(xùn)練集和所述預(yù)測(cè)集轉(zhuǎn)換為第一RDD數(shù)據(jù)集和第二RDD數(shù)據(jù)集；將第一RDD數(shù)據(jù)集輸入到基于Spark引擎的XGboost模型，采用優(yōu)化器對(duì)模型進(jìn)行優(yōu)化獲得負(fù)荷預(yù)測(cè)模型，對(duì)第二RDD數(shù)據(jù)集進(jìn)行電力負(fù)荷預(yù)測(cè)。本發(fā)明實(shí)施例通過自動(dòng)選擇基于K?means的模型和XGboost模型的最優(yōu)參數(shù)，大大降低了模型訓(xùn)練的時(shí)間，提高了電力負(fù)荷預(yù)測(cè)的精度。

技術(shù)領(lǐng)域

本發(fā)明涉及電力數(shù)據(jù)處理領(lǐng)域，尤其涉及一種電力負(fù)荷預(yù)測(cè)方法、裝置及終端設(shè)備。

背景技術(shù)

隨著智能電網(wǎng)和清潔能源逐漸成為電力行業(yè)發(fā)展的方向，電力負(fù)荷預(yù)測(cè)越來越受到電力工作者的關(guān)注。精準(zhǔn)的電力負(fù)荷預(yù)測(cè)能夠?yàn)殡娏ο到y(tǒng)的調(diào)度策略以及電網(wǎng)的運(yùn)行結(jié)構(gòu)調(diào)整提供重要的依據(jù)，有效地提高電力系統(tǒng)運(yùn)行的穩(wěn)定性。

目前，電力負(fù)荷預(yù)測(cè)常用的方法可以分為經(jīng)典方法和人工智能方法。經(jīng)典方法是基于數(shù)學(xué)建模的一種方法，包括時(shí)間序列分析、回歸分析等，然而，經(jīng)典模型是一種單一的線性模型，其預(yù)測(cè)精度無法滿足現(xiàn)狀，當(dāng)前電力負(fù)荷的影響因素超過32種以上，簡單的回歸分析已經(jīng)無法很好的擬合模型。人工智能的方法如：神經(jīng)網(wǎng)絡(luò)、SVM、隨機(jī)森林等，在多維數(shù)據(jù)的擬合上都有很好的表現(xiàn)，然而利用人工智能的方法搭建模型的時(shí)候，需要工程師利用自身的經(jīng)驗(yàn)對(duì)模型性能進(jìn)行優(yōu)化，包括對(duì)模型參數(shù)進(jìn)行調(diào)優(yōu)和選擇，還要對(duì)模型的損失函數(shù)和正則項(xiàng)進(jìn)行選擇，不僅大大增加了模型訓(xùn)練的時(shí)間，而且無法確保優(yōu)化后的模型為最優(yōu)模型，影響電力負(fù)荷預(yù)測(cè)結(jié)果的準(zhǔn)確度。

發(fā)明內(nèi)容

針對(duì)上述問題，本發(fā)明實(shí)施例的目的在于提供一種電力負(fù)荷預(yù)測(cè)方法、裝置、終端設(shè)備及存儲(chǔ)介質(zhì)，能夠利用自動(dòng)機(jī)器學(xué)習(xí)搭建預(yù)測(cè)電力負(fù)荷的最優(yōu)模型，大大降低了模型訓(xùn)練的時(shí)間，提高了電力負(fù)荷預(yù)測(cè)的精度。

為了實(shí)現(xiàn)上述目的，本發(fā)明實(shí)施例第一方面提供了一種電力負(fù)荷預(yù)測(cè)方法，包括數(shù)據(jù)獲取步驟、數(shù)據(jù)聚類步驟、數(shù)據(jù)劃分步驟、數(shù)據(jù)轉(zhuǎn)換步驟、負(fù)荷預(yù)測(cè)步驟；所述數(shù)據(jù)獲取步驟具體為：獲取電力負(fù)荷數(shù)據(jù)；所述數(shù)據(jù)聚類步驟具體為：基于Spark引擎，將所述電力負(fù)荷數(shù)據(jù)輸入到基于K-means算法的模型，采用優(yōu)化器將K-means算法的損失函數(shù)作為所述優(yōu)化器的搜索對(duì)象進(jìn)行參數(shù)搜索，得到第一最優(yōu)超參數(shù)，將所述第一最優(yōu)超參數(shù)作為所述基于K-means算法的模型的參數(shù)，獲得聚類模型，根據(jù)所述聚類模型，對(duì)所述電力負(fù)荷數(shù)據(jù)進(jìn)行聚類，輸出待預(yù)測(cè)電力負(fù)荷數(shù)據(jù)；所述數(shù)據(jù)劃分步驟具體為：將所述待預(yù)測(cè)電力負(fù)荷數(shù)據(jù)分成訓(xùn)練集和預(yù)測(cè)集；所述數(shù)據(jù)轉(zhuǎn)換步驟具體為：基于所述Spark引擎，將所述訓(xùn)練集進(jìn)行RDD轉(zhuǎn)換，生成第一RDD數(shù)據(jù)集，將所述預(yù)測(cè)集進(jìn)行RDD轉(zhuǎn)換，生成第二RDD數(shù)據(jù)集；所述負(fù)荷預(yù)測(cè)步驟具體為：將所述第一RDD數(shù)據(jù)集輸入到基于所述Spark引擎的XGboost模型，采用所述優(yōu)化器將所述XGboost算法的損失函數(shù)作為所述優(yōu)化器的搜索對(duì)象進(jìn)行參數(shù)搜索，得到第二最優(yōu)超參數(shù)，將所述第二最優(yōu)超參數(shù)作為所述XGboost模型的參數(shù)，獲得負(fù)荷預(yù)測(cè)模型，將所述第二RDD數(shù)據(jù)集輸入到所述負(fù)荷預(yù)測(cè)模型進(jìn)行電力負(fù)荷預(yù)測(cè)，輸出電力負(fù)荷預(yù)測(cè)值。

進(jìn)一步地，所述電力負(fù)荷預(yù)測(cè)方法在獲取所述電力負(fù)荷數(shù)據(jù)后還包括：對(duì)所述電力負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理，所述預(yù)處理包括缺失值過濾處理、缺失值填充處理和異常值過濾處理；對(duì)預(yù)處理后的電力負(fù)荷數(shù)據(jù)進(jìn)行歸一化處理；采用SMOTE算法對(duì)歸一化處理后的電力負(fù)荷數(shù)據(jù)進(jìn)行重采樣；則，所述基于Spark引擎，將所述電力負(fù)荷數(shù)據(jù)輸入到基于K-means算法的模型具體包括：基于Spark引擎，將重采樣后的電力負(fù)荷數(shù)據(jù)輸入到基于K-means算法的模型。