[发明专利]电力负荷预测方法、装置及终端

说明书

本发明适用于电力系统负荷预测技术领域，提供了一种电力负荷预测方法、装置及终端，其中，电力负荷预测方法，包括：获取原始数据集，并对原始数据集进行预处理得到预处理数据集；其中，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，对预处理数据集进行预测得到电力负荷预测值。本发明对电力负荷的预测更加准确，可以保证电网经济稳定地运行。

技术领域

本发明属于电力系统负荷预测技术领域，尤其涉及电力负荷预测方法、装置及终端。

背景技术

电力系统以向各用户提供能够达到质量标准的电能为主要任务，需要满足社会各类负荷的用电需求，其稳定运行需要实时动态地平衡发电量与负荷变化。然而当前电能的大量存储难以实现，负荷波动具有明显的非线性及随机性，因此需要对电力负荷进行准确的预测，从而合理分配用电负荷，保证电网经济稳定地运行。

目前，人工智能法能够较好地拟合非线性数据，现有大多通过BP神经网络算法、模糊推理法来对电力负荷进行预测，然而这些方法未考虑电力负荷的时序性，预测不够准确。

发明内容

有鉴于此，本发明实施例提供了一种电力负荷预测方法、装置及终端，以解决现有技术未考虑电力负荷的时序性，预测不够准确的问题。

本发明实施例的第一方面提供了一种电力负荷预测方法，包括：

获取原始数据集，并对原始数据集进行预处理得到预处理数据集；其中，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(Long Short-Term Memory，长短期记忆网络)神经网络预测模型，对预处理数据集进行预测得到电力负荷预测值。

本发明实施例的第二方面提供了一种电力负荷预测装置，包括：

获取模块，用于获取原始数据集，并对原始数据集进行预处理得到预处理数据集；其中，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，对预处理数据集进行预测得到电力负荷预测值。

本发明实施例的第三方面提供了一种终端，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上任一项电力负荷预测方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，包括：计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上任一项电力负荷预测方法的步骤。

本发明实施例与现有技术相比存在的有益效果是：本发明通过获取原始数据集，并对原始数据集进行预处理得到预处理数据集；其中，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，对预处理数据集进行预测得到电力负荷预测值。考虑了电力负荷的时序性，使电力负荷预测更加准确，有助于配电网更加合理规划，进而保证电网经济稳定地运行。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的电力负荷预测方法的实现流程示意图；

图2是本发明实施例提供随机森林算法模型流程图；

图3是本发明实施例提供的电力负荷预测装置的示意图；

图4是本发明实施例提供的终端示意图。

具体实施方式