[发明专利]电力负荷预测模型的构建方法与电力负荷预测方法

说明书

本申请涉及一种电力负荷预测模型的构建方法和电力负荷预测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取电力系统的原始数据；对原始数据进行预处理，得到训练数据集；获取基于贝叶斯优化算法优化得到的超参数最优长短期记忆神经网络模型；将训练数据集输入到超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型。先进行预处理，筛选掉不符合条件的异常值，避免异常值影响预测模型的准确率，同时贝叶斯优化算法能自动调节模型中的超参数，避免人为主观调参对预测模型精度的影响，且经过优化后的长短期记忆神经网络模型性能较好，收敛效果较好，从而能得到准确的电力负荷预测结果。

技术领域

本申请涉及电力信息技术领域，特别是涉及一种电力负荷预测模型的构建方法、装置、计算机设备、存储介质和计算机产品和一种电力负荷预测方法、装置、计算机设备、存储介质和计算机产品。

背景技术

随着科学技术的不断发展，电力系统已经成为世界各国提供能源和动力的巨大网络，为保证电力系统的安全稳定运行和电能质量，对电力系统进行电力负荷预测，有利于计划用电管理，合理安排电网运行方式和检修计划，有利于节约能源和成本，从而制定合理的电源建设计划，提高电力系统的经济效益和社会效益，因此对电力系统进行准确的电力负荷预测是十分有必要的。

在传统技术中，在对电力系统进行电力负荷预测时，主要以回归分析法和自回归积分滑动平均法等传统的电力负荷预测方法为主，该类方法主要利用时序数据的时序性和相关性进行预测分析，预测方法简单，但忽略了相关因素对负荷波动的影响，存在较大误差。近年来，伴随着深度学习的兴起，人工神经网络算法领域不断取得新的突破，学者们研究出构建长短期记忆神经网络模型和模型的训练算法对电力负荷进行预测，挖掘影响因素与负荷变化的内在联系，在一程度上提高了电力负荷预测的准确率，但是长短期记忆神经网络模型中超参数的选取是单纯的依赖于开发人员知识与经验，并非直接对实际数据进行处理分析，主观性较强，影响电力负荷预测结果的准确性。

可见，上述现有技术构建出的预测模型不支持准确的电力负荷预测。

发明内容

基于此，有必要针对上述技术问题，提供一种支持准确电力负荷预测的电力负荷预测模型的构建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种电力负荷预测模型构建方法，方法包括：

获取电力系统的原始数据；

对原始数据进行预处理，得到训练数据集；

获取基于贝叶斯优化算法优化得到的超参数最优长短期记忆神经网络模型；

将训练数据集输入到超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型。

在其中一个实施例中，将训练数据集输入到超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型包括：

获取训练数据集，训练数据集包括实际电力负荷数据与气象因素数据；

将训练数据集中的气象因素数据输入超参数最优长短期记忆神经网络模型中进行训练，输出电力负荷预测数据；

将电力负荷预测数据与训练数据集中的实际电力负荷数据进行比较，得到电力负荷预测数据与实际电力负荷数据之间的均方误差；

当均方误差小于预设的阈值时，结束迭代训练过程，得到最终的训练结果；

根据最终的训练结果，得到电力负荷数据与气象因素数据之间的映射关系；

根据映射关系，得到电力负荷预测模型。

在其中一个实施例中，预处理包括：

缺失值填补、异常值检测修正、特征相关性分析、归一化以及划分处理中的至少一项。

在其中一个实施例中，对原始数据进行预处理，得到训练数据集包括：

对原始数据进行预处理，得到训练数据集和测试数据集。