预测模型训练方法、预测方法、装置、设备及介质
阅读：194发布：2020-05-13
专利汇可以提供预测模型训练方法、预测方法、装置、设备及介质专利检索，专利查询，专利分析的服务。并且本 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。，下面是预测模型训练方法、预测方法、装置、设备及介质专利的具体信息内容。
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任一项中训练的预测模型中，得到所述预测目标下一时间段的电力负荷。
6.一种预测模型训练装置，其特征在于，所述装置包括：
获取模块，用于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；
提取模块，用于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；
训练模块，用于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。
7.根据权利要求6所述的预测模型训练装置，其特征在于，所述训练模块包括：
组合单元，用于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；
确定单元，用于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。
8.一种预测装置，其特征在于，所述装置包括：
获取模块，用于获取预测目标的历史电力负荷的序列值及所述序列值对应的影响因子；
预测模块，用于将所述序列值及所述影响因子输入到如权利要求1-4任一项中训练的预测模型中，得到所述预测目标下一时间段的电力负荷。
9.一种终端设备，其特征在于，所述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，所述处理器用于执行所述程序时实现如权利要求1-4或权利要求5所述方法。
10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于实现如权利要求1-4或权利要求5所述方法。
预测模型训练方法、预测方法、装置、设备及介质
技术领域
[0001] 本申请一般涉及计算机技术领域，尤其涉及预测模型训练方法、 预测方法、装置、设备及介质。
背景技术
[0002] 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。
[0003] 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。
[0004] 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 法为电力现货市场交易提供参考依据。发明内容
[0006] 第一方面，本申请实施例提供了一种预测模型训练方法，该方法 包括：
[0007] 获取历史电力负荷的序列值及与该序列值对应的多个影响因子；
[0008] 从该序列值及该影响因子中提取电力负荷特征及影响因子特征；
[0009] 利用该电力负荷特征及该影响因子特征，基于CatBoost算法训练 预测模型，该预测模型用于预测预测目标的下一时间段的电力负荷。
[0010] 第二方面，本申请实施例提供一种预测方法，该方法包括：
[0011] 获取预测目标的历史电力负荷的序列值及该序列值对应的影响因 子；
[0012] 将该序列值及该影响因子输入到如第一方面所训练的预测模型中， 得到该预测目标下一时间段的电力负荷。
[0013] 第三方面，本申请实施例提供一种预测模型训练装置，该装置包 括：
[0014] 获取模块，用于获取历史电力负荷的序列值及与该序列值对应的 多个影响因子；
[0015] 提取模块，用于从该序列值及该影响因子中提取电力负荷特征及 影响因子特征；
[0016] 训练模块，用于利用该电力负荷特征及该影响因子特征，基于 CatBoost算法训练预测模型，该预测模型用于预测预测目标的下一时 间段的电力负荷。
[0017] 第四方面，本申请实施例提供一种预测装置，该装置包括：
[0018] 获取模块，用于获取预测目标的历史电力负荷的序列值及该序列 值对应的影响因子；
[0019] 预测模块，用于将该序列值及该影响因子输入到如第一方面所训 练的预测模型中，得到该预测目标下一时间段的电力负荷。
[0021] 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。
[0022] 本申请实施例提供的预测模型训练方法、预测方法、装置、设备 及介质，通过获取企业用户短期内的历史电力负荷的序列值及对应的 影响因子，并从获取的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，进而利用Catboost算法对得到电力负荷特征及影响 因子特征进行训练，得到预测模型，使得特征处理过程简易，且使得 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。又使得预测精度达到较高的水平附图说明
[0023] 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：
[0024] 图1所示为本申请实施例的预测模型训练方法的流程示意图；
[0025] 图2所示为本申请又一实施例的预测模型训练方法的流程示意图；
[0026] 图3所示为本申请又一实施例的预测模型训练方法的流程示意图；
[0027] 图4所示为本申请实施例的电力负荷预测方法的流程示意图；
[0028] 图5所示为本申请实施例的预测模型训练装置的结构示意图；
[0029] 图6所示为本申请实施例的电力负荷预测装置的结构示意图；
[0030] 图7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
[0031] 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。
[0032] 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 中的技术特征可以相互组合。下面将参考附图并结合实施例来详细说 明本申请。
[0033] 本申请实施例提供的电力负荷预测方法，用于工业生产中的企业 用户，为了实现对企业用户未来短期用电负荷的精确预测，通过采集 企业用户的电力负荷的历史数据，及与其他对用电具有影响的影响因 子的历史数据，并对采集到的历史数据进行预处理，特征提取，以生 成用于预测模型训练的训练集及测试集，最后可以利用得到的训练集 和测试集，训练用于预测企业用户未来短期的电力负荷的机器模型， 从而可以利用训练的模型实现对工业企业未来短期用电负荷的精确预 测。如对于未来短期的用电负荷的预测，如未来一个小时、一天或一 周的用电量的预测。
[0034] 可以理解，本申请实施例中，利用采集到的历史数据进行预测模 型训练，可以基于Catboost算法实现，即基于梯度提升决策树的机器 学习框架实现。具体的，可以利用采集到的训练集和测试集，通过超 参数优化算法，确定预测模型的最佳参数，以得到最佳的预测模型。 因此，在进行训练之初，可以预先设定模型参数取值范围。从而在模 型训练过程中，基于预设的模型参数的取值范围，通过对训练集不断 的迭代训练，确定的最佳的模型参数。
[0035] 为了便于理解和说明，下面通过图1至图7详细说明本申请实施 例提供的电力负荷的预测模型训练方法、装置、设备及介质。
[0036] 图1所示为本申请实施例提供的电力负荷预测模型训练方法的流 程示意图，该方法包括：
[0037] S110，获取历史电力负荷的序列值及与该序列值对应的影响因子。
[0038] 具体的，本申请实施例提供的预测模型训练方法，用于企业用户 未来短期电力负荷的预测。首先可以获取企业用户的历史电力负荷的 序列值及与序列值相关的影响因子。例如，某个企业需要训练得到预 测模型，来预测未来一天、几个小时或几周的电力负荷，则可以获取 该企业用户过去一天或一周内每整点时刻的用电量的序列值，以及与 整点时刻的序列值对应的气象因子和/或时间因子等影响因子，该影响 因子可以包括数据信息和/或文本信息。气象因子可以包括温度、湿度 及天气等信息。时间因子可以包括对应的时刻、日期、星期和/或是否 为节假日等信息。
[0039] S120，对序列值及与序列值对应的影响因子进行预处理。
[0040] 具体的，在获取到上述的原始的电力负荷的序列值及相关的影响 因子后，需要对序列值或影响因子进行预处理。
[0041] 如图2所示，具体可以包括以下步骤：
[0042] S121，删除历史电力负荷的序列值中的异常值。
[0043] S122，将影响因子中的文本信息转换成数值信息。
[0044] S123，对影响因子中的数值信息进行归一化。
[0045] 具体的，对于获取的历史电力负荷的序列值，由于数量大，可能 存在异常值，如由于企业用户的生产工艺对电力负荷的冲击引起的激 增或急降。因此，可以基于该段时间的电力负荷的平均值，计算序列 值中的每个电力负荷值与平均值的偏差，如果过大，如大于2倍标准 差，则说明该电力负荷值为异常值，做删除处理。
[0046] 对于获取的影响因子中的文本信息，可以进行数值化处理。如获 取的气象因子中的天气信息，包括晴、多云及雨天，可以分别标记为 1、0.5及0。获取的时间因子中的是否为节假日，如果是，则可以标 记为1，如果不是，则可以标记为0；时间因子中的星期，则可以将星 期一至星期天，依次标记为1、2、3、4、5、6及7。
[0047] 可以理解，上述对文本信息的数值化，可以根据情况，灵活设置， 本申请对此不作详细限制。
[0048] 对于获取的气象因子中的数据信息，如温度、湿度或风速值等， 由于其数值在很大的范围内。因此，可以对其进行归一化，转换为0～1 之间的实数，以消除量纲影响。例如，可以通过如下公式进行数值的 归一化：
[0049]
[0050] 上述xb、xa分别为归一化前、后的数值，xmax、xmin分别为该特征 在训练样本中的最大、最小值。
[0051] 可以理解，本申请实施例对上述预处理的三个步骤的执行顺序不 做限制，可以同步执行，也可以分先后，也可以选择性的执行其中一 个或两个，或者全部不执行，即从S110后，可以直接执行S130，具 体根据实际情况确定。
[0052] 可以理解，本申请实施例所采用的Catboost算法，对所采集的序 列值及影响因子进行的预处理，使得特征处理和特征数值化变得简易， 既减弱了对特征工程的依赖，又使得预测精度达到较高的水平。
[0053] S130，从该序列值及该影响因子中提取电力负荷特征及多个影响 因子特征。
[0054] 具体的，在得到上述的序列值及影响因子后，或进一步对上述的 序列值及序列值对应的影响因子进行预处理后，可以得到作为样本集 的原始数据集。原始数据集中包括多条样本数据，每一条样本数据包 括一个电力负荷值及与该电力负荷值对应的多个影响因子，如某个时 刻的电力负荷值，及与该电力负荷值对应的气象数值及时间数值。
[0055] 在得到上述的初始特征集后，可以对初始特征集中的样本数据进 行特征提取。即从序列值提取电力负荷特征，从多个影响因子的数据 值中提取与电力负荷特征对应的影响因子特征，得到初始特征集。
[0056] 例如，对于电力负荷数据，如所要训练的预测模型用于对未来几 个小时内的电力负荷的预测，则可以提取此刻前一、二、三小时的多 个电力负荷特征，前一天同时刻的电力负荷特征，当天最大、最小及 平均的电力负荷特征，前一天的最大、最小、平均电力负荷特征等。 对于气象因子，可以提取对应的当天最大、最小、平均温度、湿度特 征，使得特征集中出现晴天、多云、雨天的特征等。对于时间因子， 可以提取对应的日期、是否为节假日及星期等特征。
[0057] 如果训练的预测模型用于对未来几周的电力负荷的预测，则可以 提取前几天或前几周中每天的电力负荷的最大值、最小值及平均值。 对于气象因子，同样可以提取对应的当天最大、最小、平均温度、湿 度特征，即使得特征集中出现晴天、多云、雨天的天数等。对于时间 因子，可以提取对应的日期、是否为节假日及星期等特征。
[0058] 可选的，如果电力负荷的序列值分布具有周期性，可以根据序列 值分布的周期特点，简单的提取周期内的特征。如可以通过序列值可 视化判断数据是否具有周期性，比如把一周或几周的数据利用折线图 或散点图进行可视化，然后从图中分析是否具有周期性。如果有周期 性分布，如周期为一周，则可以根据周期性，提取前一周1、2、…6 天的同一时刻电力负荷或前一、二、三、小时的电力负荷，作为电力 负荷特征。
[0059] 可以理解，所提取的特征所构成的初始特征集，同样包括多条样 本数据，每条样本数据包括电力负荷特征及影响因子特征，该影响因 子特征即为类别特征。
[0060] 例如，表1所示，所提取的特征集包括三条样本数据，每条样本 数据中包括一个电力负荷特征及多个影响因子特征，即一个电力负荷 特征与对应多个影响因子特征：
[0061]
[0062] S140，利用该电力负荷特征及该影响因子特征，基于CatBoost算 法训练预测模型，该预测模型用于预测预测目标的下一时间段的电力 负荷。
[0063] 具体的，在得到样本集后，可以将该样本集按照预设的比例分成 训练集和测试集，进而可以利用得到的训练集及测试集，通过CatBoost 算法，训练得到预测模型，即确定预测模型的模型参数。
[0064] 如图3所示，具体训练过程如下：
[0065] S141，基于预设的组合规则，对该电力负荷特征对应的该影响因 子特征进行组合，生成每个组合规则对应的多个组合特征，一个或多 个该组合特征对应一个电力负荷特征。
[0066] S142，利用超参数优化算法，对该电力负荷特征及多个该组合特 征进行训练，得到该预测模型。
[0067] S143，对预测模型对应的组合特征进行分析。
[0068] 具体的，在训练过程中，为了使得所有的采集到的特征都能够用 于模型训练，降低类别特征中低频次特征带来的噪声，首先可以对特 征集中的各条样本数据进行随机排序。例如，对于表1中的特征组随 机排列后的结果：
[0069]
[0070] 进一步的，为了提高样本集的拟合能力，使得其中的特征最大程 度表示非线性关系，对于影响因子的类别特征，可以根据预设的组合 规则，将电力负荷特征对应的两个或多个影响因子特征进行组合，生 成各组合规则下，与电力负荷特征对应的一个或多个组合特征。
[0071] 该组合规则表示类别特征之间的组合规则，即影响因子特征的组 合对象，及组合方式。即组合规则表示类别特征之间的哪两个或多个 特征进行组合，以及组合对象之间的组合方式。
[0072] 可选的，在进行特征组合时，首先可以基于每个组合规则，确定 组合对象，该组合对象可以包括任意两个或多个影响因子特征，如表 2中所示的影响因子特征中的天气特征与温度特征，或者天气特征与 湿度特征，或者天气特征、温度特征及湿度特征。然后根据确定的组 合对象，计算任意两个或多个影响因子特征的数值的乘积，生成与电 力负荷特征对应的，每个组合规则下的多个组合特征。如计算每个电 力负荷特征对应的天气与温度的数值的乘积，或者天气与湿度的数值 的乘积，或者天气、温度及湿度的数值的乘积。
[0073] 例如，基于上述表1所示的特征集，根据不同的组合规则，分别 对每个电力负荷的影响因子特征进行组合，得到多个组合特征，如将 天气与温度、天气与湿度作为组合对象，将他们对应的数值以相乘的 方式进行组合，得到的多个组合特征如下。
[0074]
[0075]
[0076] 可以理解，在组合过程中，特征越多，预测效果越好，因此，然 为了得到多种特征组合，使得所有的进行特征组合。则得到的组合特 征中，即每种组合规则对应一组组合特征，每一组组合特征中包括每 个电力负荷对应的多个组合特征。如表3所示的组合规则为天气特征- 温度特征、天气特征-湿度特征集温度特征及湿度特征，并以相乘的方 式组合，得到编号1的电力负荷对应的三个组合特征、编号2的电力 负荷对应的三个组合特征及编号3的电力负荷对应的三个组合特征。 上述的所有电力负荷及组合特征构成了用于训练的输入特征集，包括 训练集和测试集。
[0077] 进一步，在进行特征组合，得到每个组合规则对应的多个组合特 征，即多个输入特征集后，可以利用超参数优化算法(如 Scikit-Optimize-BayesSearchCV)进行自动训练，即将每个组合规则对 应的输入特征集进行多次迭代训练，得到每个输入特征集对应的模型 参数。
[0078] 可以理解，在Catboost算法中，该模型参数可以包括：
[0079] learing_rate:学习率，即梯度下降的步长；
[0080] subsample:子采样率，即每次迭代对训练样本的采样比率；
[0081] colsample_bytree:各树的子采样率；
[0082] max_depth:树的最大深度；
[0083] min_child_weight:叶子结点最小样本权重；
[0084] reg_lambda:L2正则化系数；
[0085] reg_alpha:L1正则化系数；
[0086] n_estimators:树的最大数量；
[0087] scoring:评估标准；
[0088] n_splits:交叉验证的次数；
[0089] n_jobs:并行数；
[0090] n_iter:迭代次数；
[0091] verbose:日志冗长度；
[0092] random_state:随机状态。
[0093] 可以理解，在实际训练时，操作人员可以根据经验设置每个模型 参数的取值范围，使得训练过程中，从取值范围中确定最佳的模型参 数。
[0094] 还可以理解，在每一个输入特征集的实际训练过程中，可随时计 算迭代次数、相应的训练集及测试集的均方根误差，如果训练集均方 根误差较高、测试集的均方根误差较低，说明当前的输入特征集过拟 合，则可以进行重新训练。
[0095] 最后，在对所有的组合规则对应的组合特征训练完，得到每个组 合规则对应的预测模型后，即得到每个输入特征集对应的预测模型后， 可以利用测试集对每个预测模型进行评估，以确定最优的预测模型， 即确定最佳的组合特征。
[0096] 例如，可以将每个输入特征集中的测试集输入到对应的预测模型 中，确定每个测试集对应的均方根误差，并结合预测模型训练过程中， 训练集的均方根误差及迭代次数。然后从运算时间和准确率平衡的角 度，分析选择训练集均方根误差、测试集的均方根误差较高及迭代次 数不太高的组合作为目标预测模型。
[0097] 可以理解，该目标预测模型就是本申请实施例所要训练的预测模 型，该预测模型对应的组合特征为最佳的特征。
[0098] 进一步，在训练完成后，可以对目标预测模型对应的组合特征进 行分析，如利用可视化的方式进行分析，以使得企业用户的相关人员 对影响预测结果的影响因子及组合规则进行了解。
[0099] 本申请实施例提供的预测模型训练方法，通过获取工业企业用户 的历史的电力负荷特征，以及与电力负荷特征对应的影响因子特征， 进而根据预设的组合规则，对获取到的影响因子特征进行组合，得到 电力负荷特征对应的组合特征，并利用超参数优化算法对电力负荷特 征集对应的组合特征进行训练，以构建最佳的预测模型，使得训练过 程中，对特征处理和特征数值化变得简易，既减弱了对特征工程的依 赖，又使得预测精度达到较高的水平，为电力现货市场交易中提供了 可靠的依据。
[0100] 进一步的，本申请中，在通过上述方法对获取到的企业用户的历 史数据训练，得到预测模型后，可以利用训练好的预测模型进行企业 用户未来短期用电进行预测。
[0101] 可以理解，当训练好预测模型后，在预测阶段，可以将获取的电 力负荷的序列值及影响因子作为模型训练的输入数据，直接输入到训 练好的预测模型中，以输出预测结果，即输出企业用户未来短期的电 力负荷。或者，可以另外获取历史的电力负荷序列值，作为预测未来 用电的输入值。此时，当输出的预测结果不理想时，还可以利用另外 获取的电力负荷序列值及影响因子重新训练预测模型。
[0102] 图4所示为本申请实施例提供的电力负荷预测方法的流程示意图， 如图4所示，该方法包括：
[0103] S410，获取预测目标的历史电力负荷的序列值，及与序列值对应 的影响因子。
[0104] S420，对该序列值及影响因子进行预处理。
[0105] S430，将预处理后的序列值及影响因子输入到预先训练的预测模 型中，输出预测目标的预测结果。
[0106] 具体的，本申请实施例中，在企业用户进行未来中短期电力负荷 预测时，可以采集历史的电力负荷的序列值，如过去一天、两天、三 天或一周预定时刻的电力负荷。并采集与电力负荷值对应的影响因子， 如预定时刻的气象信息及时间信息。然后可以将采集到的序列值及影 响因子进行预处理，如删除异常值、文本信息数值化和/或影响因子中 的数值进行归一化。最后，可以将预处理后的电力负荷的序列值及影 响因子输入到预先训练的预测模型中，以使得预测模型输出预测值， 即得到未来中短期的电力负荷，如未来一天、几天或几周的电力负荷。
[0107] 本申请实施例提供的电力负荷预测方法，通过获取企业用户的历 史电力负荷的序列值及与序列值对应的影响因子，进而将获取的序列 值及影响因子输入到预先训练的预测模型中，以使得预测模型输出该 企业用户未来时间段的电力负荷，实现未来中短期用电的精确预测， 为电力现货市场交易中提供可靠的依据。
[0108] 另一方面，如图5所示为本申请实施例提供的预测模型训练装置 的结构示意图，如图5所示，该装置500包括：
[0109] 获取模块510，用于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；
[0110] 提取模块520，用于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；
[0111] 训练模块530，用于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。
[0112] 可选的，本申请实施例提供的预测模型训练方法，该训练模块具 体包括：
[0113] 组合单元531，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，生成所述电力负荷特征对应的多个组 合特征；
[0114] 确定单元532，用于利用超参数优化算法，对所述电力负荷特征 及对应的多个所述组合特征进行训练，得到所述预测模型。
[0115] 可选的，本申请实施例提供的预测模型训练方法，该组合单元具 体用于：
[0116] 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；
[0117] 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 电力负荷特征对应的多个组合特征。
[0118] 可选的，本申请实施例提供的预测模型训练方法，该训练模块具 体包括，所述影响因子包括气象因子和/或时间因子
[0119] 另一方面，如图6所示为本申请实施例提供的电力负荷预测装置 的结构示意图，如图6所示，该装置6包括：
[0120] 获取模块610，用于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；
[0121] 预测模块620，用于将所述序列值及所述影响因子输入到如上所 训练的预测模型中，得到所述预测目标下一时间段的电力负荷。
[0122] 可选的，本申请实施例提供的预测装置，还包括：
[0123] 预处理模块630，用于对该序列值及影响因子进行预处理。
[0124] 另一方面，本申请实施例提供的终端设备，该终端设备可以为粉 丝的终端设备，也可以为主播的终端设备，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 程序时实现如上所述的预测模型训练方法或电力负荷预测方法。
[0125] 下面参考图7，图7为本申请实施例的终端设备的计算机系统300 的结构示意图。
[0126] 如图7所示，计算机系统300包括中央处理单元(CPU)301，其 可以根据存储在只读存储器(ROM)302中的程序或者从存储部分303 加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作 和处理。在RAM 303中，还存储有系统300操作所需的各种程序和数 据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入 /输出(I/O)接口305也连接至总线304。
[0127] 以下部件连接至I/O接口305：包括键盘、鼠标等的输入部分306； 包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的 输出部分307；包括硬盘等的存储部分308；以及包括诸如LAN卡、 调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如 因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口 305。可拆卸介质
311，诸如磁盘、光盘、磁光盘、半导体存储器等等， 根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据 需要被安装入存储部分308。
311，诸如磁盘、光盘、磁光盘、半导体存储器等等， 根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据 需要被安装入存储部分308。
[0128] 特别地，根据本申请的实施例，上文参考流程图2-5描述的过程 可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算 机程序产品，其包括承载在机器可读介质上的计算机程序，该计算机 程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中， 该计算机程序可以通过通信部分303从网络上被下载和安装，和/或从 可拆卸介质311被安装。在该计算机程序被中央处理单元(CPU)301执 行时，执行本申请的系统中限定的上述功能。
[0129] 需要说明的是，本申请所示的计算机可读介质可以是计算机可读 信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算 机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红 外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机 可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导 线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只 读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、 便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、 或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以 是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装 置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信 号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中 承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形 式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算 机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可 读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行 系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质 上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、 电线、光缆、RF等等，或者上述的任意合适的组合。
[0130] 附图中的流程图和框图，图示了按照本申请各种实施例的系统、 方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点 上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码 的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于 实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的 实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发 生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们 有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的 是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的 组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现， 或者可以用专用硬件与计算机指令的组合来实现。
[0131] 描述于本申请实施例中所涉及到的单元或模块可以通过软件的方 式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以 设置在处理器中，例如，可以描述为：一种处理器包括获取模块、提 取模块及训练模块。其中，这些单元或模块的名称在某种情况下并不 构成对该单元或模块本身的限定，例如，训练模块还可以被描述为“用 于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”。
[0132] 作为另一方面，本申请还提供了一种计算机可读存储介质，该计 算机可读存储介质可以是上述实施例中描述的电子设备中所包含的； 也可以是单独存在，而未装配入该电子设备中的。上述计算机可读存 储介质存储有一个或者多个程序，当上述前述程序被一个或者一个以 上的处理器用来执行描述于本申请的预测模型训练方法或预测方法。
[0133] 综上所述，本申请实施例提供的预测模型训练方法、装置、设备 及介质，通过获取企业用户短期内的历史电力负荷的序列值及对应的 影响因子，并从获取的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，进而对得到电力负荷特征及影响因子特征进行训练， 得到预测模型，使得利用训练的预测模型对企业用户短期的电力负荷 实现精确的预测，为电力现货市场交易中提供可靠的依据。
[0134] 以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。 本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上 述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述 公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形 成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有 类似功能的技术特征进行互相替换而形成的技术方案。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于相似日和RBF神经网络的短期电力负荷预测方法 | 2020-05-08 | 563 |
| 一种电网电压波动CVaR风险评估方法 | 2020-05-11 | 142 |
| 一种台区电力能量调度方法及系统 | 2020-05-12 | 76 |
| 一种电容储能技术用于多源电力系统建模方法 | 2020-05-12 | 827 |
| 一种电容储能技术用于多源电力系统频率调节优化控制方法 | 2020-05-13 | 822 |
| 基于激励相容约束的有效负荷需求控制方法及系统 | 2020-05-08 | 90 |
| 一种基于负荷分解技术的家庭用户短期负荷预测方法 | 2020-05-11 | 274 |
| 一种电力系统负荷预测和分析方法 | 2020-05-08 | 635 |
| 一种基于日负荷曲线的电力负荷聚类结果评价方法 | 2020-05-08 | 819 |
| 基于碳排放管理的综合能源系统调度评估方法及系统 | 2020-05-08 | 135 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈