[发明专利]母线负荷预测方法、装置、计算机设备和存储介质

权利要求书

1.一种母线负荷预测方法，其特征在于，所述方法包括：

获取待预测母线的负荷数据和每日检修单；所述每日检修单包括所述待预测母线的当日检修状态信息；

将所述负荷数据进行预处理后转化为模型输入数据；

将所述模型输入数据输入到预先训练的人工智能预测模型；所述人工智能预测模型包括通过集成算法融合的至少两类模型；所述人工智能预测模型用于根据所述至少两类模型获取所述模型输入数据的至少两个预测值，并通过集成算法融合所述至少两个预测值，得到所述待预测母线的母线负荷的模型预测值；

根据所述每日检修单中所述待预测母线的当日检修状态信息，调整所述母线负荷的模型预测值，得到所述待预测母线的母线负荷的当前预测值。

2.根据权利要求1所述的方法，其特征在于，所述至少两类模型包括XGBoost模型和LSTM模型，所述方法还包括：

获得用于进行母线负荷预测的训练样本；所述训练样本包括母线的历史特征数据和与历史特征数据对应的历史实际负荷数据；

对所述训练样本进行抽样，得到第一训练样本和第二训练样本；

将所述第一训练样本输入到待训练的XGBoost模型进行训练，得到训练后的用于进行母线负荷预测的XGBoost模型；

以及，将所述第二训练样本输入到待训练的LSTM模型进行训练，得到训练后的用于进行母线负荷预测的LSTM模型；

根据所述XGBoost模型和所述LSTM模型，得到所述人工智能预测模型。

3.根据权利要求2所述的方法，其特征在于，所述获得用于进行母线负荷预测的训练样本包括：

获取用于进行母线负荷预测的初始负荷数据；所述初始负荷数据包括母线的历史实际负荷数据；

根据所述初始负荷数据的数据异常情况，对所述初始负荷数据进行数据清洗；

将数据清洗后的所述初始负荷数据通过特征工程处理，转化为所述训练样本。

4.根据权利要求3所述的方法，其特征在于，所述数据异常情况包括短时数据异常和长时数据异常；所述根据所述初始负荷数据的数据异常情况，对所述初始负荷数据进行数据清洗，包括：

若确定所述数据异常是短时数据异常，按照临近时刻差值处理方式对所述初始负荷数据进行数据清洗；

若确定所述数据异常为长时数据异常，按照建模补全和用户修正指令对所述初始负荷数据进行数据清洗。

5.根据权利要求3所述的方法，其特征在于，所述特征工程的特征包括历史负荷值、特定日期标签、气象数据和母线特性标识；所述将数据清洗后的所述初始负荷数据通过特征工程处理，转化为所述训练样本，包括：

根据所述历史负荷值、特定日期标签、气象数据和母线特性标识，提取所述初始负荷数据的特征数据，作为所述历史特征数据；

获取所述初始负荷数据对应的实际历史负荷数据；

根据所述历史特征数据和所述实际历史负荷数据，获得所述训练样本。

6.根据权利要求2所述的方法，其特征在于，所述根据所述XGBoost模型和所述LSTM模型，得到所述人工智能预测模型，包括：

确定所述XGBoost模型和所述LSTM模型各自对应的集成权重，得到所述人工智能预测模型。

7.根据权利要求1所述的方法，其特征在于，所述根据所述每日检修单中所述待预测母线的当日检修状态信息，调整所述母线负荷的模型预测值，得到所述待预测母线的母线负荷的当前预测值，包括：

根据所述每日检修单中所述待预测母线的当日检修状态信息，获取所述待预测母线的当日检修状态；

若确定所述待预测母线的当日检修状态为待检修，将所述待预测母线的母线负荷当前预测值调整为零；

若确定所述待预测母线的当日检修状态为不检修，且所述待预测母线所属的变电站包含有当日检修状态为待检修的母线，将所述待检修的母线的负荷值分配到所述待预测母线的模型预测值上，得到所述待预测母线的母线负荷的当前预测值。