[发明专利]电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质

说明书

本方案涉及智能决策，提供一种基于决策树的建筑物用电负荷预测方法，该方法包括：接收携带建筑物标识信息的建筑物在预定义单位时间的电力负荷预测请求；根据接收到的标识信息，获取该建筑物的属性特征；根据预先构建的电力负荷预测模型对获取的属性特征进行分析，以预测出该建筑物在所述预定义单位时间的电力负荷值。能够提高建筑物电力负荷预测的准确性以及预测性能。此外，本发明还提出一种电子装置及存储介质。

技术领域

本发明涉及电力负荷值预测领域，尤其涉及一种电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质。

背景技术

建筑物电力负荷的预测是电力系统发电计划的重要组成部分，是对发电、输电和电能分配等合理安排的必要前提，是电力系统经济运行的基础。

而目前常用的电力负荷预测方法主要是使用逻辑回归等线性算法来实现，线性算法虽然能够对电力负荷进行预测，但是其性能相对而言会差一些，这是由于传统的线性模型对特征组合的分析效率较低，导致构建模型的性能也较低，从而导致无法保证模型的预测准确性。因此，提高电力负荷预测的准确性和预测模型的性能是亟待解决的问题。

发明内容

有鉴于此，本发明提出一种电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质，能够提高建筑物电力负荷预测的准确性以及预测性能。

首先，为实现上述目的，本发明提出一种电子装置，所述电子装置包括存储器、及与所述存储器连接的处理器，所述处理器用于执行所述存储器上存储的基于决策树模型的建筑物用电负荷预测程序，所述基于决策树模型的建筑物用电负荷预测程序被所述处理器执行时实现如下步骤：

A1、接收携带建筑物标识信息的建筑物在预定义单位时间的电力负荷预测请求；

A2、根据接收到的标识信息，获取该建筑物的属性特征；

A3、根据预先构建的电力负荷预测模型对获取的属性特征进行分析，以预测出该建筑物在所述预定义单位时间的电力负荷值。

优选地，在所述步骤A2中，所述建筑物的属性特征包括：建筑物表面积、经纬度、楼层数、各个温度测量取样点、在预定义时间的地面温度以及在预定义单位时间的日类型；其中，所述建筑物表面积、经纬度、楼层数可以直接通过搜索该建筑物的简介而获得；所述各个温度测量取样点根据该建筑物的其他属性特征进行设置；所述在预定义单位时间的地面温度可以通过气象台的气象记录获得，所述建筑物在预定义单位时间的日类型包括工作日和休息日。

优选地，在所述步骤A3中，所述预先构建的电力负荷预测模型为决策树模型；所述决策树模型的构建过程包括：

获取预先确定的多个建筑物在预设时间段内的各个预定义单位时间的属性特征，并删除相同的属性特征以及具有缺失项的属性特征，以构成训练样本集；

根据迭代决策树GBDT模型对训练样本集中各个预定义单位时间的属性特征进行特征组合处理，以生成对应的交叉组合属性特征；

根据生成的交叉组合属性特征对逻辑回归Logistic Regression模型进行训练，以构建出所述电力负荷预测模型。

优选地，所述根据迭代决策树GBDT模型对训练样本集中各个预定义单位时间的属性特征进行特征组合处理，以生成对应的交叉组合属性特征的步骤，包括：

根据训练样本集中各个预定义单位时间的属性特征对GBDT模型进行训练，以构建具有N颗树的GBDT模型，其中，N为正整数；

根据GBDT模型中的N颗树挖掘各属性特征之间的关联关系；

根据关联关系对训练样本集中的各属性特征进行特征组合以生成交叉组合属性特征。

优选地，所述根据关联关系对训练样本集中的各属性特征进行特征组合以生成交叉组合属性特征的步骤，包括：