【技术实现步骤摘要】
本申请涉及计算机，特别是涉及一种用电负荷预测方法、装置、设备、介质和程序产品。
技术介绍
1、随着科学技术的不断发展，更多样化的电气设备的应用越来越广泛，相应的，生活中对电力的需求也在不断的增加。进而，电力系统必须要保证更加稳定、更加优质的电力供应。作为地区电网规划中一个非常重要的步骤，用电负荷预测时保障整个地区电网系统稳定性、可靠性的重要前提。
2、目前，处理这类问题的主要方法为采用单一神经网络模型对用电负荷进行预测。而采用单一神经网络模型的方法容易出现过拟合、训练时间较长、准确率低、稳定性差的问题。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够提高用电负荷预测结果的准确率和用电负荷预测过程的稳定性的用电负荷预测方法、装置、设备、介质和程序产品。
2、第一方面，本申请提供了一种用电负荷预测方法，包括：
3、获取目标区域的电力系统对应的用电负荷时间序列；
4、根据所述用电负荷时间序列中相邻时段的用电负荷量，确定各时刻的局部变化数据；
5、对所述用电负荷时间序列中各时刻对应的局部变化数据，对所述用电负荷时间序列中的用电负荷量进行聚类，得到至少一个类别集；其中，每一类别集均对应一个用电负荷预测模型；
6、分别基于各类别集对应的用电负荷预测模型，根据相应类别集对应的用电负荷量预测所述目标区域在未来时段的用电负荷量。
7、在其中一个实施例中，根据所述用电负荷时间序列中相邻时段的用电负荷量，
8、针对所述用电负荷时间序列中每一时刻对应的用电负荷量，根据与该时刻的用电负荷量时间相邻的用电负荷量，生成该时刻对应用电负荷量的局部序列；
9、根据所述局部序列中所包含的各用电负荷量，确定该局部序列对应时刻的局部变化数据。
10、在其中一个实施例中，局部变化数据包括极差和变差；相应的，所述根据所述局部序列中所包含的各用电负荷量，确定该局部序列对应时刻的局部变化数据，包括：
11、将所述局部序列中最大的用电负荷量和最小的用电负荷量的差值，作为该时刻的极差；
12、确定所述局部序列中相邻时刻的用电负荷量之间的差值，并将各差值的和，作为该时刻的变差。
13、在其中一个实施例中，对所述用电负荷时间序列中各时刻对应的局部变化数据，对所述用电负荷时间序列中的用电负荷量进行聚类，得到至少一个类别集，包括：
14、对所述用电负荷时间序列进行分段处理，得到至少两个短序列；
15、根据各短序列中不同时刻的局部变化数据与预设变化阈值之间的大小关系，对所述用电负荷时间序列中的用电负荷量进行聚类，得到至少一个类别集。
16、在其中一个实施例中，在所述局部变化数据包括极差和变差的情况下，所述预设变化阈值包括预设极差阈值和预设极变差比值；相应的，所述根据各短序列中不同时刻的局部变化数据与预设变化阈值之间的大小关系，对所述用电负荷时间序列中的用电负荷量进行聚类，得到至少一个类别集，包括：
17、针对每一短序列，根据该短序列中不同时刻下极差与所述预设极差阈值之间的大小关系，以及相应时刻下极差与变差的比值与所述预设极变差比值之间的大小关系，对该短序列中的各用电负荷量进行聚类；
18、根据该短序列中各用电负荷量的聚类结果，确定该短序列的序列类别；
19、将序列类别相同的短序列对应的不同时刻下的用电负荷量划分为同一类别集。
20、在其中一个实施例中，获取目标区域的电力系统对应的用电负荷时间序列，包括：
21、获取目标区域的电力系统在不同时刻下的原始用电负荷数据；
22、提取所述原始用电负荷数据的周期性特征，并根据所述周期性特征，确定所述原始用电负荷数据中的季节因子；
23、将所述原始用电负荷数据和季节因子的比值，按照时间顺序组合，得到所述用电负荷时间序列。
24、第二方面，本申请还提供了一种用电负荷预测装置，包括：
25、数据获取模块，用于获取目标区域的电力系统对应的用电负荷时间序列；
26、数据确定模块，用于根据所述用电负荷时间序列中相邻时段的用电负荷量，确定各时刻的局部变化数据；
27、聚类模块，用于对所述用电负荷时间序列中各时刻对应的局部变化数据，对所述用电负荷时间序列中的用电负荷量进行聚类，得到至少一个类别集；其中，每一类别集均对应一个用电负荷预测模型；
28、负荷预测模块，用于分别基于各类别集对应的用电负荷预测模型，根据相应类别集对应的用电负荷量预测所述目标区域在未来时段的用电负荷量。
29、第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
30、获取目标区域的电力系统对应的用电负荷时间序列；
31、根据所述用电负荷时间序列中相邻时段的用电负荷量，确定各时刻的局部变化数据；
32、对所述用电负荷时间序列中各时刻对应的局部变化数据，对所述用电负荷时间序列中的用电负荷量进行聚类，得到至少一个类别集；其中，每一类别集均对应一个用电负荷预测模型；
33、分别基于各类别集对应的用电负荷预测模型，根据相应类别集对应的用电负荷量预测所述目标区域在未来时段的用电负荷量。
34、第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
35、获取目标区域的电力系统对应的用电负荷时间序列；
36、根据所述用电负荷时间序列中相邻时段的用电负荷量，确定各时刻的局部变化数据；
37、对所述用电负荷时间序列中各时刻对应的局部变化数据，对所述用电负荷时间序列中的用电负荷量进行聚类，得到至少一个类别集；其中，每一类别集均对应一个用电负荷预测模型；
38、分别基于各类别集对应的用电负荷预测模型，根据相应类别集对应的用电负荷量预测所述目标区域在未来时段的用电负荷量。
39、第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
40、获取目标区域的电力系统对应的用电负荷时间序列；
41、根据所述用电负荷时间序列中相邻时段的用电负荷量，确定各时刻的局部变化数据；
42、对所述用电负荷时间序列中各时刻对应的局部变化数据，对所述用电负荷时间序列中的用电负荷量进行聚类，得到至少一个类别集；其中，每一类别集均对应一个用电负荷预测模型；
43、分别基于各类别集对应的用电负荷预测模型，根据相应类别集对应的用电负荷量预测所述目标区域在未来时段的用电负荷量。
44、上述用电负荷预测方法、装置、设备、介质和程序产品，通过分析用电负荷时间序列中各负荷用电量的局部变化数本文档来自技高网...
【技术保护点】
1.一种用电负荷预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述用电负荷时间序列中相邻时段的用电负荷量，确定各时刻的局部变化数据，包括：
3.根据权利要求2所述的方法，其特征在于，其中，所述局部变化数据包括极差和变差；相应的，所述根据所述局部序列中所包含的各用电负荷量，确定该局部序列对应时刻的局部变化数据，包括：
4.根据权利要求1-3任一项所述的方法，其特征在于，所述对所述用电负荷时间序列中各时刻对应的局部变化数据，对所述用电负荷时间序列中的用电负荷量进行聚类，得到至少一个类别集，包括：
5.根据权利要求4所述的方法，其特征在于，所述在所述局部变化数据包括极差和变差的情况下，所述预设变化阈值包括预设极差阈值和预设极变差比值；相应的，所述根据各短序列中不同时刻的局部变化数据与预设变化阈值之间的大小关系，对所述用电负荷时间序列中的用电负荷量进行聚类，得到至少一个类别集，包括：
6.根据权利要求1-3任一项所述的方法，其特征在于，所述获取目标区域的电力系统对应的用电负荷时间序列，包
7.一种用电负荷预测装置，其特征在于，所述装置包括：
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种用电负荷预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述用电负荷时间序列中相邻时段的用电负荷量，确定各时刻的局部变化数据，包括：
3.根据权利要求2所述的方法，其特征在于，其中，所述局部变化数据包括极差和变差；相应的，所述根据所述局部序列中所包含的各用电负荷量，确定该局部序列对应时刻的局部变化数据，包括：
4.根据权利要求1-3任一项所述的方法，其特征在于，所述对所述用电负荷时间序列中各时刻对应的局部变化数据，对所述用电负荷时间序列中的用电负荷量进行聚类，得到至少一个类别集，包括：
5.根据权利要求4所述的方法，其特征在于，所述在所述局部变化数据包括极差和变差的情况下，所述预设变化阈值包括预设极差阈值和预设极变差比值；相应的，所述根据各短序列中不同时刻...
【专利技术属性】
技术研发人员：曹熙，王雪纯，胡彩倩，李文杰，殷梓恒，冯鸿怀，
申请(专利权)人：南方电网大数据服务有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。