[发明专利]一种电力负荷预测方法、装置及终端设备

权利要求书

1.一种电力负荷预测方法，其特征在于，包括数据获取步骤、数据聚类步骤、数据划分步骤、数据转换步骤、负荷预测步骤；

所述数据获取步骤具体为：获取电力负荷数据；

所述数据聚类步骤具体为：基于Spark引擎，将所述电力负荷数据输入到基于K-means算法的模型，采用优化器将K-means算法的损失函数作为所述优化器的搜索对象进行参数搜索，得到第一最优超参数，将所述第一最优超参数作为所述基于K-means算法的模型的参数，获得聚类模型，根据所述聚类模型，对所述电力负荷数据进行聚类，输出待预测电力负荷数据；

所述数据划分步骤具体为：将所述待预测电力负荷数据分成训练集和预测集；

所述数据转换步骤具体为：基于所述Spark引擎，将所述训练集进行RDD转换，生成第一RDD数据集，将所述预测集进行RDD转换，生成第二RDD数据集；

所述负荷预测步骤具体为：将所述第一RDD数据集输入到基于所述Spark引擎的XGboost模型，采用所述优化器将XGboost算法的损失函数作为所述优化器的搜索对象进行参数搜索，得到第二最优超参数，将所述第二最优超参数作为所述XGboost模型的参数，获得负荷预测模型，将所述第二RDD数据集输入到所述负荷预测模型进行电力负荷预测，输出电力负荷预测值。

2.如权利要求1所述的电力负荷预测方法，其特征在于，所述方法在获取所述电力负荷数据后还包括：

对所述电力负荷数据进行预处理，所述预处理包括缺失值过滤处理、缺失值填充处理和异常值过滤处理；

对预处理后的电力负荷数据进行归一化处理；

采用SMOTE算法对归一化处理后的电力负荷数据进行重采样；

则，所述基于Spark引擎，将所述电力负荷数据输入到基于K-means算法的模型具体包括：

基于Spark引擎，将重采样后的电力负荷数据输入到基于K-means算法的模型。

3.如权利要求2所述的电力负荷预测方法，其特征在于，所述方法在对所述归一化处理后的电力负荷数据进行重采样后，还包括：

采用互信法对所述重采样后的电力负荷数据的特征属性进行选择，获得待聚类数据；

则，所述基于Spark引擎，将重采样后的电力负荷数据输入到基于K-means算法的模型具体包括：

基于Spark引擎，将所述待聚类数据输入到基于K-means算法的模型。

4.如权利要求1所述的电力负荷预测方法，其特征在于，所述方法在执行所述数据聚类步骤后，还包括：

采用PCA算法对所述待预测电力负荷数据进行降维操作，获得低维度电力负荷数据；

则，所述将所述待预测电力负荷数据分成训练集和预测集具体包括：

将所述低维度电力负荷数据分成训练集和预测集。

5.如权利要求1所述的电力负荷预测方法，其特征在于，所述采用优化器将所述K-means算法的损失函数作为所述优化器的搜索对象进行参数搜索，得到第一最优超参数具体包括：

设置贝叶斯优化器的搜索范围；

将所述K-means算法的损失函数作为所述贝叶斯优化器的搜索对象，迭代求解先验函数与采集函数，获得第一最优超参数；

其中，所述第一最优超参数包括簇的最优个数。

6.如权利要求1所述的电力负荷预测方法，其特征在于，所述采用所述优化器将所述XGboost算法的损失函数作为所述优化器的搜索对象进行参数搜索，得到第二最优超参数具体包括：

设置贝叶斯优化器的搜索范围；

将所述XGboost算法的损失函数作为所述贝叶斯优化器的搜索对象，迭代求解先验函数与采集函数，获得第二最优超参数；

其中，所述第二最优超参数包括决策树的最优深度和决策树的最优个数。