【技术实现步骤摘要】
电力负荷预测模型训练方法、预测方法、电子设备和介质
[0001]本专利技术涉及电力负荷
，具体涉及电力负荷预测模型训练方法、预测方法、电子设备和介质。
技术介绍
[0002]随着电力行业逐渐走向市场，电力负荷预测的准确度越来越受到关注，它直接影响到投资、网络布局和运行的合理性，提高负荷预测的准确度对电力系统的经济、安全运行有着重要的意义；随着经济社会的迅速发展，人们对能源的需求不断增加。因此电力供应方面必须做好充分的准备，才能满足人们的需求。而电力负荷预测就成为电力系统规划、调度和运营等方面的重要内容之一。
[0003]现有技术中通常采用单一预测模型对中长期电力负荷预测；例如，可以采用基于参数模型的中长期电力负荷预测方法，该方法通过常规算法找到负荷与其他因素的关联关系进行预测；或者，可以采用基于参数模型的中长期电力负荷预测方法：该方法使用灰度预测技术或神经网络构建复杂的网络模型对中长期电力负荷进行预测。
[0004]但是，上述方法在进行预测时，通常仅考虑电力负荷与单一维度的变量的映射关系，未考虑多种维度...
【技术保护点】
【技术特征摘要】
1.一种电力负荷预测模型训练方法，其特征在于，所述电力负荷预测模型用于对中长期电力负荷进行预测，包括从不同维度进行电力预测的三个电力负荷预测子模型和数据融合模块；其中，第一电力负荷预测子模型用于基于特征相似度维度进行预测得到第一子预测结果，第二电力负荷预测子模型用于基于基准负荷值维度进行预测得到第二子预测结果，第三电力负荷预测子模型用于基于负荷增长率维度进行预测得到第三子预测结果；所述电力负荷预测模型的训练方法包括：获取历史电力负荷数据和历史气象数据；其中，所述历史气象数据和所述历史电力负荷数据时序对应；在训练过程中，基于所述第一电力负荷预测子模型，针对特征相似度维度学习所述历史气象数据之间的特征相似度关系和时序对应的历史电力负荷数据的结果相似度关系；基于所述第二电力负荷预测子模型，针对基准负荷值维度，学习历史电力负荷数据与基准负荷值的第一计算关系；基于所述第三电力负荷预测子模型，针对负荷增长率维度，学习历史电力负荷数据与负荷时序增长率的第二计算关系；基于所述数据融合模块学习所述历史气象数据和历史电力负荷数据与每一所述电力负荷预测子模型的融合权重的对应关系。2.如权利要求1所述的电力负荷预测模型训练方法，其特征在于，所述电力负荷预测模型包括数据特征提取模块，所述数据特征提取模块用于提取电力负荷预测模型的输入数据与所述历史气象数据的相似度特征，所述电力负荷预测模型的训练方法还包括：在训练过程中，提取电力负荷预测模型的输入数据与所述历史气象数据的第一相似度特征；基于所述第一相似度特征学习所述第一相似度特征与所述融合权重的映射关系，其中，所述第一相似度特征与所述第一电力负荷预测子模型的融合权重呈正相关。3.如权利要求2所述的电力负荷预测模型训练方法，其特征在于，所述数据特征提取模块还用于提取电力负荷预测模型的输入数据的第一时序增长率和不同年份下与所述输入数据时间对应的历史电力负荷数据的第二时序增长率的第二相似度特征，所述电力负荷预测模型的训练方法还包括：在训练过程中，提取电力负荷预测模型的输入数据的第一时序增长率和不同年份下与所述输入数据时间对应的历史电力负荷数据的第二时序增长率的第二相似度特征；基于所述第二相似度特征学习所述第二相似度特征与所述融合权重的映射关系，其中，所述第二相似度特征与所述第三电力负荷预测子模型的融合权重呈正相关。4.如权利要求1所述的电力负荷预测模型训练方法，其特征在于，所述数据融合模块还包括数据特征提取单元，所述数据特征提取单元用于提取电力负荷预测模型的输入数据的时间属性信息和气象变化信息，所述基于所述数据融合模块学习所述历史电力负荷数据与所述融合权重的对应关系包括：在训练过程中，基于所述数据特征提取单元提取所述输入数据中的时间属性信息和气象变化信息；其中，所述时间属性信息包括所述历史电力负荷数据和所述历史气象数据所处的年、月、日、时刻信息；基于所述时间属性信息确定输入数据包含的季节信息和节假日信息；
在训练过程中，学习所述季节信息和节假日信息和所述气象变化信息与所述融合权重的映射关系；其中，所述气象变化信息与所述第一电力负荷预测...
【专利技术属性】
技术研发人员：杨博斐，段再超，孙伟，
申请(专利权)人：北京东润环能科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。