[发明专利]电力负荷预测方法、装置及终端

权利要求书

1.一种电力负荷预测方法，其特征在于，包括：

获取原始数据集，并对所述原始数据集进行预处理得到预处理数据集；其中，所述原始数据集包括历史负荷数据、环境数据和时间数据；

基于随机森林算法模型和预先训练完成的LSTM神经网络预测模型，对所述预处理数据集进行预测得到电力负荷预测值。

2.如权利要求1所述的电力负荷预测方法，其特征在于，所述对所述原始数据集进行预处理得到预处理数据集，包括：

对所述原始数据进行过滤，剔除所述原始数据集中缺失或异常的数据，得到特征数据集；

对所述特征数据集中的数据进行归一化，得到所述预处理数据集。

3.如权利要求1所述的电力负荷预测方法，其特征在于，所述基于随机森林算法模型和预先训练完成的LSTM神经网络预测模型，对所述预处理数据集进行预测得到电力负荷预测值，包括：

基于所述随机森林算法模型，根据所述预处理数据集对电力负荷进行预测得到负荷预测值和负荷残差值；

基于所述预先训练完成的LSTM神经网络预测模型，根据所述预处理数据集和所述负荷残差值进行残差预测得到负荷预测残差值；

根据所述负荷预测值和所述负荷预测残差值确定所述电力负荷预测值。

4.如权利要求3所述的电力负荷预测方法，其特征在于，所述基于所述随机森林算法模型，根据所述预处理数据集对电力负荷进行预测得到负荷预测值和负荷残差值，包括：

将所述原始数据集按照第一预设比例划分为第一训练集和第一测试集；

基于穷举搜索法，根据所述第一训练集确定随机森林回归模型中的决策树；

根据所述决策树建立所述随机森林算法模型，对所述电力负荷进行预测得到所述负荷预测值和负荷残差值。

5.如权利要求4所述的电力负荷预测方法，其特征在于，在所述基于随机森林算法模型和预先训练完成的LSTM神经网络预测模型，对所述预处理数据集进行预测得到电力负荷预测值之前，所述电力负荷预测方法还包括：

根据所述原始数据集和所述负荷残差值确定预测特征量集；

根据所述预测特征量集确定所述LSTM神经网络预测模型的网络隐藏层个数和每个隐藏层的记忆单元数；

根据所述网络隐藏层个数和每个隐藏层的记忆单元数构建LSTM神经网络预测模型。

6.如权利要求1至5任一项所述的电力负荷预测方法，其特征在于，在所述对所述预处理数据集进行预测得到电力负荷预测值之后，所述电力负荷预测方法还包括：

获取测试样本集，并基于所述随机森林算法模型和所述预先训练完成的LSTM神经网络预测模型确定所述测试样本集中的每个测试样本的电力负荷预测值；

根据每个测试样本的电力负荷预测值，计算所述测试样本集的均方根误差、平均绝对百分比误差和预测精度；

根据所述测试样本集的均方根误差、平均绝对百分比误差和预测精度判断所述LSTM神经网络预测模型的预测是否准确；

其中，所述均方根误差MAPE为：

所述平均绝对百分比误差RMSE为：

所述预测精度FA为：

其中，n为测试样本集中的测试样本的数量，Y_act(i)为第i个测试样本对应的电力负荷真实值，Y_pred(i)为第i个测试样本对应的电力负荷预测值。

7.一种电力负荷预测装置，其特征在于，包括：

获取模块，用于获取原始数据集，并对所述原始数据集进行预处理得到预处理数据集；其中，所述原始数据集包括历史负荷数据、环境数据和时间数据；

预测模块，用于基于随机森林算法模型和预先训练完成的LSTM神经网络预测模型，对所述预处理数据集进行预测得到电力负荷预测值。