负荷预测方法、系统、电子设备及存储介质技术方案

本发明专利技术实施例提供一种负荷预测方法、系统、电子设备及存储介质，属于电力预测领域。该方法包括：获取历史负荷数据并进行预处理，获得目标历史负荷数据；将其输入至预先构建的LTSF‑Linear模型进行预测，获得预测结果；使用多模型融合Stacking集成学习将LTSF‑Linear模型输出的预测结果基于线性回归模型计算得到目标预测结果。在预测模型构建方面，使用LTSF‑Linear模型中的各子模型作为负荷预测的基模型对历史负荷数据分别进行预测，使用基于上述基模型的线性回归模型作为元模型，并通过多模型融合Stacking集成学习的方法训练得到最终预测结果，提高了负荷预测结果的精准度。

【技术实现步骤摘要】

本专利技术涉及电力预测，具体地涉及一种负荷预测方法、系统、电子设备及存储介质。

技术介绍

1、在电力系统的运行和规划中，负荷预测是一个至关重要的环节。准确的负荷预测不仅能有效保障电力系统的安全、稳定运行，还能提高能源利用效率，减少能源浪费。目前，负荷预测方法多种多样，主要包括传统的统计方法、人工智能方法以及混合方法等。

2、传统的统计方法，如时间序列分析和线性回归，因其模型简单、计算效率高而被广泛应用。然而，这些方法在处理复杂非线性问题时往往表现出局限性，无法准确捕捉负荷变化的复杂规律。随着人工智能技术的发展，机器学习和深度学习等方法在负荷预测中得到了越来越多的应用。这些方法能够处理大量数据并捕捉复杂的非线性关系，提高了负荷预测的准确性。然而，单一模型往往难以兼顾预测精度和泛化能力。

3、目前大多数的中长期预测模型都无法从长序列中提取时间关系，即预测误差不会随着回溯窗口大小的增加而减少，这主要是由于自注意力机制存在。自注意力机制有反序、置换不变特性，表现为对输入序列是排列不敏感的，即对不同排列的输入其输出是鲁棒的。这在自然语言处理任本文档来自技高网...

【技术保护点】

1.一种负荷预测方法，其特征在于，包括：

2.根据权利要求1所述的负荷预测方法，其特征在于，获取历史负荷数据，并对历史负荷数据进行预处理，获得目标历史负荷数据，包括：

3.根据权利要求1所述的负荷预测方法，其特征在于，将所述目标历史负荷数据输入至预先构建的LTSF-Linear模型进行预测，获得预测结果，包括：

4.根据权利要求1所述的负荷预测方法，其特征在于，使用多模型融合Stacking集成学习将LTSF-Linear模型输出的预测结果基于线性回归模型计算得到目标预测结果，包括：

5.根据权利要求4所述的负荷预测方法，其特征在于，线性回...

【技术特征摘要】

1.一种负荷预测方法，其特征在于，包括：

2.根据权利要求1所述的负荷预测方法，其特征在于，获取历史负荷数据，并对历史负荷数据进行预处理，获得目标历史负荷数据，包括：

3.根据权利要求1所述的负荷预测方法，其特征在于，将所述目标历史负荷数据输入至预先构建的ltsf-linear模型进行预测，获得预测结果，包括：

4.根据权利要求1所述的负荷预测方法，其特征在于，使用多模型融合stacking集成学习将ltsf-linear模型输出的预测结果基于线性回归模型计算得到目标预测结果，包括：

5.根据权利要求4所述的负荷预测方法，其特征在于，线性回归模...

【专利技术属性】
技术研发人员：张茹，焦东翔，霍大伟，王杰，薛一鸣，王开让，王龙宇，周铁生，薄博，徐青山，张博智，王亚超，赵晟琪，杨永标，王燕晋，
申请(专利权)人：国网冀北电力有限公司计量中心，
类型：发明
国别省市：