一种多台区的批量负荷预测方法及相关装置制造方法及图纸

本申请公开了一种多台区的批量负荷预测方法及相关装置，方法包括：获取多个台区的目标负荷数据；采用K

【技术实现步骤摘要】
一种多台区的批量负荷预测方法及相关装置


[0001]本申请涉及负荷预测
，尤其涉及一种多台区的批量负荷预测方法及相关装置。

技术介绍

[0002]随着电网的快速发展，用电信息采集系统的数据计算业务面临着巨大挑战。目前实现电力台区负荷分析及预测的常用人工智能方法是传统统计模型方法，主要是基于历史数据和实时运行数据进行分析和预测。电力负荷预测主要包括2个环节：用电数据的获取及预处理，计算模型的训练及结果预测。通常，数据获取方案都是在中央处理器(CPU)支撑的关系型数据库上执行。
[0003]但是，受限于硬件成本与CPU计算能力，常以较长的响应时间为代价换取较高的吞吐量，通常在数据处理方面耗时较长。而且，现在的电网负荷数据规模日益增长，现有技术难以实现大批量的负荷数据处理。

技术实现思路

[0004]本申请提供了一种多台区的批量负荷预测方法及相关装置，用于解决现有技术受限于硬件处理能力，难以实现快速高效的大批量负荷数据处理的技术问题。
[0005]有鉴于此，本申请第一方面提供了一种多台区的批量负荷预测方法，包括：
[0006]获取多个台区的目标负荷数据；
[0007]采用K
‑
means聚类算法对所述目标负荷数据进行聚类分析，得到多个负荷数据类，每个所述负荷数据类包括一个聚类中心；
[0008]通过主成分分析法和肘部法则在所述负荷数据类中选取多个数据类，得到多个降维聚类向量，所述降维聚类向量的数量为最佳聚类数量；
[0009]通过部署在CPU
‑
GPU异构计算框架中的多个预置XGBoost预测模型对每个所述降维聚类向量进行并行预测分析，得到批量负荷预测结果。
[0010]优选地，所述获取多个台区的目标负荷数据，包括：
[0011]获取多个台区的历史负荷数据、天气信息和时间信息，得初始负荷信息；
[0012]将所述时间信息进行one
‑
hot离散编码处理后，结合所述历史负荷数据和所述天气信息得到目标负荷数据。
[0013]优选地，所述通过主成分分析法和肘部法则在所述负荷数据类中选取多个数据类，得到多个降维聚类向量，所述降维聚类向量的数量为最佳聚类数量，包括：
[0014]采用主成分分析法对所述负荷数据类进行特征降维处理，得到多个降维负荷向量；
[0015]通过肘部法则在多个所述降维负荷向量中寻找畸变程度极大改善临界点，确定最佳聚类数量。
[0016]优选地，所述通过部署在CPU
‑
GPU异构计算框架中的多个预置XGBoost预测模型对
每个所述降维聚类向量进行并行预测分析，得到批量负荷预测结果，之前还包括：
[0017]将不同的初始XGBoost预测模型中的多个决策树部署在CPU
‑
GPU异构计算框架中的多个流处理器中；
[0018]根据负荷训练数据集对部署在CPU
‑
GPU异构计算框架中的初始XGBoost预测模型进行并行训练，得到预置XGBoost预测模型。
[0019]本申请第二方面提供了一种多台区的批量负荷预测装置，包括：
[0020]数据获取单元，用于获取多个台区的目标负荷数据；
[0021]聚类分析单元，用于采用K
‑
means聚类算法对所述目标负荷数据进行聚类分析，得到多个负荷数据类，每个所述负荷数据类包括一个聚类中心；
[0022]聚类选取单元，用于通过主成分分析法和肘部法则在所述负荷数据类中选取多个数据类，得到多个降维聚类向量，所述降维聚类向量的数量为最佳聚类数量；
[0023]并行预测单元，用于通过部署在CPU
‑
GPU异构计算框架中的多个预置XGBoost预测模型对每个所述降维聚类向量进行并行预测分析，得到批量负荷预测结果。
[0024]优选地，所述数据获取单元，具体用于：
[0025]获取多个台区的历史负荷数据、天气信息和时间信息，得初始负荷信息；
[0026]将所述时间信息进行one
‑
hot离散编码处理后，结合所述历史负荷数据和所述天气信息得到目标负荷数据。
[0027]优选地，所述聚类选取单元，具体用于：
[0028]采用主成分分析法对所述负荷数据类进行特征降维处理，得到多个降维负荷向量；
[0029]通过肘部法则在多个所述降维负荷向量中寻找畸变程度极大改善临界点，确定最佳聚类数量。
[0030]优选地，还包括：
[0031]模型部署单元，用于将不同的初始XGBoost预测模型中的多个决策树部署在CPU
‑
GPU异构计算框架中的多个流处理器中；
[0032]模型训练单元，用于根据负荷训练数据集对部署在CPU
‑
GPU异构计算框架中的初始XGBoost预测模型进行并行训练，得到预置XGBoost预测模型。
[0033]本申请第三方面提供了一种多台区的批量负荷预测设备，所述设备包括处理器以及存储器；
[0034]所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0035]所述处理器用于根据所述程序代码中的指令执行第一方面所述的多台区的批量负荷预测方法。
[0036]本申请第四方面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用于存储程序代码，所述程序代码用于执行第一方面所述的多台区的批量负荷预测方法。
[0037]从以上技术方案可以看出，本申请实施例具有以下优点：
[0038]本申请中，提供了一种多台区的批量负荷预测方法，包括：获取多个台区的目标负荷数据；采用K
‑
means聚类算法对目标负荷数据进行聚类分析，得到多个负荷数据类，每个负荷数据类包括一个聚类中心；通过主成分分析法和肘部法则在负荷数据类中选取多个数据类，得到多个降维聚类向量，降维聚类向量的数量为最佳聚类数量；通过部署在CPU
‑
GPU
异构计算框架中的多个预置XGBoost预测模型对每个降维聚类向量进行并行预测分析，得到批量负荷预测结果。
[0039]本申请提供的多台区的批量负荷预测方法，通过聚类分析的方法对多个台区的批量负荷数据进行聚类分析，得到多个不同类的负荷数据，每个负荷数据类包括一个聚类中心；按照不同类别负荷数据进行后续的并行处理，能够在一定程度上提高数据处理效率；此外，相比较于单一的CPU处理框架，本实施例将预测模型部署在CPU
‑
GPU异构计算框架中，能够同时并行处理大量的负荷数据，并得到批量负荷预测结果，不仅可以确保负荷预测的可靠性，还可以提高批量数据处理的效率。因此，本申请能够解决现有技术受限于硬件处理能力，难以实现快速高效的大批量负荷数据处理的技术问题。
附图说明
[0040]图1为本申请实施例提供的一种多台区的批量负荷预测方法的流程示意图；...

【技术保护点】

【技术特征摘要】
1.一种多台区的批量负荷预测方法，其特征在于，包括：获取多个台区的目标负荷数据；采用K
‑
means聚类算法对所述目标负荷数据进行聚类分析，得到多个负荷数据类，每个所述负荷数据类包括一个聚类中心；通过主成分分析法和肘部法则在所述负荷数据类中选取多个数据类，得到多个降维聚类向量，所述降维聚类向量的数量为最佳聚类数量；通过部署在CPU
‑
GPU异构计算框架中的多个预置XGBoost预测模型对每个所述降维聚类向量进行并行预测分析，得到批量负荷预测结果。2.根据权利要求1所述的多台区的批量负荷预测方法，其特征在于，所述获取多个台区的目标负荷数据，包括：获取多个台区的历史负荷数据、天气信息和时间信息，得初始负荷信息；将所述时间信息进行one
‑
hot离散编码处理后，结合所述历史负荷数据和所述天气信息得到目标负荷数据。3.根据权利要求1所述的多台区的批量负荷预测方法，其特征在于，所述通过主成分分析法和肘部法则在所述负荷数据类中选取多个数据类，得到多个降维聚类向量，所述降维聚类向量的数量为最佳聚类数量，包括：采用主成分分析法对所述负荷数据类进行特征降维处理，得到多个降维负荷向量；通过肘部法则在多个所述降维负荷向量中寻找畸变程度极大改善临界点，确定最佳聚类数量。4.根据权利要求1所述的多台区的批量负荷预测方法，其特征在于，所述通过部署在CPU
‑
GPU异构计算框架中的多个预置XGBoost预测模型对每个所述降维聚类向量进行并行预测分析，得到批量负荷预测结果，之前还包括：将不同的初始XGBoost预测模型中的多个决策树部署在CPU
‑
GPU异构计算框架中的多个流处理器中；根据负荷训练数据集对部署在CPU
‑
GPU异构计算框架中的初始XGBoost预测模型进行并行训练，得到预置XGBoost预测模型。5.一种多台区的批量负荷预测装置，其特征在于，包括：数据获取单元，用于获取多个台区的目标负荷数据；聚类分析单元，用于采用K
‑
...

【专利技术属性】
技术研发人员：张殷，李国伟，王俊波，唐琪，熊仕斌，蒋维，罗容波，陈贤熙，刘少辉，刘昊，吴焯军，章涛，梁年柏，王云飞，李雷，刘崧，王智娇，赖艳珊，李兰茵，
申请(专利权)人：广东电网有限责任公司佛山供电局，
类型：发明
国别省市：