预测模型训练方法、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训练方法、预测方法、装置、设备及介质，训练方法包括：获取历史电力负荷的序列值及与序列值对应的多个影响因子；从序列值及影响因子中提取电力负荷特征及影响因子特征；利用电力负荷特征及影响因子特征，基于CatBoost算法训练预测模型，预测模型用于预测预测目标的下一时间段的电力负荷。本申请实施例通过从获取的历史序列值及对应的影响因子中提取电力负荷特征及影响因子特征，对提取的电力负荷特征及影响因子特征进行训练，得到预测模型，使得训练过程中的特征处理简易，训练得到的预测模型对企业用户短期的电力负荷预测精确，为电力现货市场交易中提供可靠的依据。

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

【技术实现步骤摘要】
预测模型训练方法、预测方法、装置、设备及介质
本申请一般涉及计算机
，尤其涉及预测模型训练方法、预测方法、装置、设备及介质。
技术介绍
在工业中企业用户生产过程中所需的电力负荷，通常以中长期电力负荷为依据向售电企业购买，售电企业预先从发电侧申报未来中长期的用电量。实际中，工业企业用户的短期所需电量并不一定与预先计划符合。此时，售电企业对于盈余或不足的点亮，需要通过现货市场售出或补充，实现电力短期供需平衡。在电力现货市场中，随着交易品种增多，频次提高，价格波动更加频繁，以及在“实时市场偏差结算”和“偏差价差收益转移结算”的新型规则下，需要提高短期乃至超短期负荷预测能力，以精确掌握市场允许的偏差，使得交易利润最大化。目前，对工业用户的中短期或超短期电力负荷进行预测，所采用的算法种类多样，如传统的趋势外推法及回归分析法等，人工智能的随机森林算法、神经网络算法(RNN)及长短期记忆网络算法(LSTM)等。对于上述采用的算法来预测工业企业短期的电力负荷，使得预测过程中的特征处理过程复杂，预测结果与实际电力负荷的出入大，无法为电力现货本文档来自技高网...

【技术保护点】
1.一种预测模型训练方法，其特征在于，所述方法包括：/n获取历史电力负荷的序列值及与所述序列值对应的多个影响因子；/n从所述序列值及所述影响因子中提取电力负荷特征及影响因子特征；/n利用所述电力负荷特征及所述影响因子特征，基于CatBoost算法训练预测模型，所述预测模型用于预测预测目标的下一时间段的电力负荷。/n

【技术特征摘要】
1.一种预测模型训练方法，其特征在于，所述方法包括：
获取历史电力负荷的序列值及与所述序列值对应的多个影响因子；
从所述序列值及所述影响因子中提取电力负荷特征及影响因子特征；
利用所述电力负荷特征及所述影响因子特征，基于CatBoost算法训练预测模型，所述预测模型用于预测预测目标的下一时间段的电力负荷。


2.根据权利要求1所述的预测模型训练方法，其特征在于，所述利用所述电力负荷特征及所述影响因子特征，基于CatBoost算法训练预测模型包括：
基于预设的组合规则，对所述电力负荷特征对应的所述影响因子特征进行组合，生成每个所述组合规则对应的多个组合特征，一个或多个所述组合特征对应一个电力负荷特征；
利用超参数优化算法，对所述电力负荷特征及多个所述组合特征进行训练，得到所述预测模型。


3.根据权利要求2所述的预测模型训练方法，其特征在于，所述基于预设的组合规则，对所述电力负荷特征对应的所述影响因子特征进行组合，生成每个所述组合规则对应的多个组合特征包括：
基于预设的组合规则，确定电力负荷特征对应的待组合的任意两个或多个影响因子特征；
计算所述待组合的两个或多个影响因子特征的数值的乘积，生成每个组合规则对应的多个组合特征。


4.根据权利要求1-3任一项所述的预测模型训练方法，其特征在于，所述影响因子包括气象因子和/或时间因子。


5.一种预测方法，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及所述序列值对应的影响因子；
将所述序列值及所述影响因子输入到如权利要求1-4任一项...

【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