预测模型构建方法、预测方法、装置、设备及介质制造方法及图纸

本申请公开了一种预测模型构建方法、预测方法、装置、设备及介质，该构建方法包括：获取预测目标的历史电力负荷的序列值；基于预设的模型参数的取值范围，利用序列值的相关性特征确定的模型参数；基于模型参数，构建预测模型，预测模型用于预测预测目标的下一时间段的电力负荷。本申请实施例通过分析获取的企业用户的历史的电力负荷的序列值，以确定模型参数的精确值，进而利用确定的模型参数构建预测模型，使得售电企业能够利用构建的预测模型对企业未来中长期的电力负荷实现精确的预测，为其在售电量申报业务中提供可靠的依据，降低偏差考核。

Prediction model construction method, prediction method, device, equipment and medium

【技术实现步骤摘要】
预测模型构建方法、预测方法、装置、设备及介质
本申请一般涉及计算机
，尤其涉及预测模型构建方法、预测方法、装置、设备及介质。
技术介绍
电力负荷，又称"用电负荷"。电能用户的用电设备在某一时刻向电力系统取用的电功率的总和，称为用电负荷。根据电力用户的不同，电力负荷涉及各种工业负荷、农业负荷及交通运输负荷等。在工业电路负荷领域内，提供满足需求的电力负荷，是维持每个企业的工业生产的基本。目前，对于工业中企业用户的电力负荷，在生产过程中，需要向售电企业购买，使得售电企业为企业用户提供足够的电能。为了保证售电企业向企业用户充足供电，将根据以往的经验，预先从发电侧申报未来中长期的用电量，使得所申报的电能在满足工业用户时，尽量不产生浪费，从而需要对对应的工业用户的中长期用电进行预测。对于上述的经验方法来预测工业企业未来的电力负荷，使得预测结果与实际电力负荷的出入大，无法为售电企业的售电量申报提供参考依据。
技术实现思路
鉴于现有技术中的上述缺陷或不足，期望提供一种预测模型构建方法、预测方法、装置、终端设备及存储介质，来提高企业电力负荷预测的准确性，降低售电企业的偏差考核。第一方面，本申请实施例提供了一种预测模型构建方法，该方法包括：获取预测目标的历史电力负荷的序列值；基于预设的模型参数的取值范围，利用所述序列值的相关性特征确定模型参数；基于所述模型参数，构建预测模型，所述预测模型用于预测所述预测目标的下一时间段的电力负荷。第二方面，本申请实施例提供一种预测方法，该方法包括：获取预测目标的历史电力负荷的序列值；将该序列值输入到如权利要求如第一方面所构建的预测模型中，得到该预测目标下一时间段的电力负荷。第四方面，本申请实施例提供一种预测模型构建装置，该装置包括：获取模块，用于获取预测目标的历史电力负荷的序列值；预处理模块，用于基于预设的模型参数的取值范围，利用该序列值的相关性特征确定模型参数；训练模块，用于基于该模型参数，构建预测模型，该预测模型用于预测该预测目标的下一时间段的电力负荷。第四方面，本申请实施例提供一种预测装置，该装置包括：获取模块，用于获取预测目标的历史电力负荷的序列值；预测模块，用于将该序列值输入到第一方面所构建的预测模型中，得到该预测目标下一时间段的电力负荷的序列值。第五方面，本申请实施例提供一种终端设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现如上述第一方面或第二方面所述的方法。第六方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序用于实现如上第一方面或第二方面所述的方法。本申请实施例提供的预测模型构建方法、预测方法、装置、设备及介质，通过获取企业用户每年或每月的历史的电力负荷的序列值，利用通过分析计算序列值得特征，以确定模型参数的精确值，进而利用确定的模型参数构建预测模型，使得售电企业能够利用构建的预测模型对企业用户未来中长期的电力负荷实现精确的预测，为其在售电量申报业务中提供可靠的依据，降低偏差考核。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1所示为本申请实施例的预测模型构建方法的流程示意图；图2所示为本申请又一实施例的预测模型构建方法的流程示意图；图3所示为本申请原始的序列值的曲线图；图4所示为本申请差分处理后的序列值的曲线图；图5所示为本申请实施例的序列值的自相关系数的示意图；图6所示为本申请实施例的序列值的偏自相关系数的示意图；图7所示为本申请实施例的电力负荷预测的流程示意图；图8所示为本申请实施例的预测值与实际值的曲线示意图；图9所示为本申请实施例的预测模型构建装置的结构示意图；图10所示为本申请实施例的电力负荷预测装置的结构示意图；图11为本申请实施例的终端设备的计算机系统的结构示意图。具体实施方式下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关公开，而非对该公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与公开相关的部分。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。可以理解，本申请实施例提供的电力负荷预测方法用于工业生产中企业，对于未来中长期的用电负荷，如未来一个月、一个季度或者一年的用电负荷。本申请实施例中，为了售电企业实现对需要供电的企业用户(如工业类企业)未来中长期用电负荷的精确预测，提供的预测方法。考虑到工业企业用电的特点，判断影响工业企业用电的因素，从而可以忽略气象等其他的复杂因素，只考虑电力负荷数据，通过采集企业用户的历史用电数据，并对采集到的历史数据进行训练，构建用于预测电力负荷的机器模型，从而可以利用构建的模型实现对企业未来中长期用电负荷的精确预测。可以理解，本申请实施例中，利用采集到的历史数据所构建的模型可以为差分整合移动平均自回归(AutoregressiveIntegratedMovingAveragemode，ARIMA)模型，又称整合移动平均自回归模型，是时间序列预测分析方法的一种。可以包括两个部分：自回归模型及移动平均模型，表示如下：其中，第三项为自回归模型，该模型表示用多个历史的电力负荷值预测未来的电力负荷值；第四项为移动平均模型，该模型表示自回归模型中误差项的累加。上述公式中的参数yt是预测的电力负荷值，yt-i是历史电力负荷值，u是常数，p，d，q是阶数，γi是自相关系数，θi是误差系数，εt是误差。可以理解，本申请的工业类企业用户电力负荷预测的场景中，在采集到企业用户的历史的电力负荷的样本数据后，可以通过对采集到的样本数据的相关性特征的分析，以构建预测模型。具体而言，其模型的构建过程即求解该模型中涉及的三个模型参数，即p，d及q。p为自回归项数，代表预测模型采用的时序数据本身的滞后数，即影像预测结果的历史数据的项数；q为滑动平均项数，代表预测模型中采用的预测误差的滞后数，即与预测结果中的误差相关的差分项数；d代表时序值需要进行几阶差分化，以满足平稳性要求，即为使采集的样本数据成为平稳序列所做的差分次数。可以理解，在预测模型构建之初，可以预先设定模型参数p及q的取值范围，如可以设置p及q的取值范围为0～20。该初始的取值范围可以利用系统的缺省值，也可以自己设置。还可以理解，在模型构建过程中，基于预设的模型参数的取值范围，利用获取的序列值的相关性特征确定的模型参数时，确定结果可以有以下若干情况：当确定的自回归项数p为0时，则所构建的模型只包括前面几项，即得到移动平均模型：例如，当确定d＝1，p和q为0时，本文档来自技高网...

【技术保护点】
1.一种预测模型构建方法，其特征在于，所述方法包括：/n获取预测目标的历史电力负荷的序列值；/n基于预设的模型参数的取值范围，利用所述序列值的相关性特征确定模型参数；/n基于所述模型参数，构建预测模型，所述预测模型用于预测所述预测目标的下一时间段的电力负荷。/n

【技术特征摘要】
1.一种预测模型构建方法，其特征在于，所述方法包括：
获取预测目标的历史电力负荷的序列值；
基于预设的模型参数的取值范围，利用所述序列值的相关性特征确定模型参数；
基于所述模型参数，构建预测模型，所述预测模型用于预测所述预测目标的下一时间段的电力负荷。


2.根据权利要求1所述的预测模型构建方法，其特征在于，所述基于预设的模型参数的取值范围，利用所述序列值的相关性特征确定的模型参数包括：
基于预设的自回归项数及移动平均项数的取值范围，生成序列值的自相关函数及偏自相关函数，所述模型参数包括自回归项数及移动平均项数；
求解所述自相关函数及所述偏自相关函数，得到预设的自回归项数及移动平均项数取值范围内的对应的序列值的自相关系数及偏自相关系数；
基于所述自相关系数及所述偏自相关系数，确定目标自回归项数及目标移动平均项数。


3.根据权利要求1或2所述的预测模型构建方法，其特征在于，在获取预测目标的历史电力负荷的序列值之后，确定模型参数之前，所述方法还包括：
确定所述序列值的平稳性，当所述序列值不平稳时，对所述序列值进行差分处理，得到平稳的序列值，其中，对所述序列值进行差分的次数为所述预测模型的差分阶数。


4.根据权利要求2所述的预测模型构建方法，其特征在于，所述基于所述自相关系数及所述偏自相关系数，确定所述自回归项数及所述移动平均项数包括：
基于所述自相关系数及所述偏自相关系数，利用赤池信息量准则或贝叶斯信息准则确定所述自回归项数及所述移动平均项数。


5.根据权利要...

【专利技术属性】
技术研发人员：郝吉芳，
申请(专利权)人：京东方科技集团股份有限公司，
类型：发明
国别省市：北京;11