[发明专利]一种电力负荷预测方法、装置及终端设备

说明书

本发明公开了一种电力负荷预测方法、装置及终端设备，包括获取电力负荷数据；基于Spark引擎，将电力负荷数据输入到基于K‑means算法的模型，采用优化器对模型进行优化，获得聚类模型，输出聚类后的待预测电力负荷数据；将所述待预测电力负荷数据分成训练集和预测集；将所述训练集和所述预测集转换为第一RDD数据集和第二RDD数据集；将第一RDD数据集输入到基于Spark引擎的XGboost模型，采用优化器对模型进行优化获得负荷预测模型，对第二RDD数据集进行电力负荷预测。本发明实施例通过自动选择基于K‑means的模型和XGboost模型的最优参数，大大降低了模型训练的时间，提高了电力负荷预测的精度。

技术领域

本发明涉及电力数据处理领域，尤其涉及一种电力负荷预测方法、装置及终端设备。

背景技术

随着智能电网和清洁能源逐渐成为电力行业发展的方向，电力负荷预测越来越受到电力工作者的关注。精准的电力负荷预测能够为电力系统的调度策略以及电网的运行结构调整提供重要的依据，有效地提高电力系统运行的稳定性。

目前，电力负荷预测常用的方法可以分为经典方法和人工智能方法。经典方法是基于数学建模的一种方法，包括时间序列分析、回归分析等，然而，经典模型是一种单一的线性模型，其预测精度无法满足现状，当前电力负荷的影响因素超过32种以上，简单的回归分析已经无法很好的拟合模型。人工智能的方法如：神经网络、SVM、随机森林等，在多维数据的拟合上都有很好的表现，然而利用人工智能的方法搭建模型的时候，需要工程师利用自身的经验对模型性能进行优化，包括对模型参数进行调优和选择，还要对模型的损失函数和正则项进行选择，不仅大大增加了模型训练的时间，而且无法确保优化后的模型为最优模型，影响电力负荷预测结果的准确度。

发明内容

针对上述问题，本发明实施例的目的在于提供一种电力负荷预测方法、装置、终端设备及存储介质，能够利用自动机器学习搭建预测电力负荷的最优模型，大大降低了模型训练的时间，提高了电力负荷预测的精度。

为了实现上述目的，本发明实施例第一方面提供了一种电力负荷预测方法，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，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。

进一步地，所述电力负荷预测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。