[发明专利]母线负荷预测方法、装置、计算机设备和存储介质

说明书

本申请涉及配电技术领域，提供了一种母线负荷预测方法、装置、计算机设备和存储介质。该方法包括：通过获取待预测母线的负荷数据和每日检修单，将负荷数据预处理后转化为模型输入数据后，输入到预先训练的人工智能预测模型，获得模型预测值，根据母线的当日检修状态信息调整该模型预测值，得到待预测母线的母线负荷的当前预测值，其中，人工智能预测模型根据至少两类模型获取模型输入数据的至少两个预测值，并通过集成算法融合至少两个预测值，得到母线负荷的模型预测值。本申请的方案，通过使用集成算法融合的至少两类模型的人工智能预测模型进行预测，并通过每日检修单进行调整，提高了获得母线负荷的当前预测值的准确性。

技术领域

本申请涉及配电技术领域，特别是涉及一种母线负荷预测方法、装置、计算机设备和存储介质。

背景技术

电力负荷的预测可以确定各区域的电力能源消耗情况，也是电网调度和运行控制的基础。母线负荷预测是电力负荷的主要方向，预测的对象主要是地区的变电站。

目前的技术中，在进行母线负荷预测时，主要通过系统负荷分配的方式进行，获取某一时刻的系统负荷值，分配到各母线上，因系统影响因素多变，母线负荷预测的准确性低。

发明内容

基于此，有必要针对目前技术中存在的母线负荷预测的准确性低的技术问题，提供一种母线负荷预测方法、装置、计算机设备和存储介质。

一种母线负荷预测方法，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。

在其中一个实施例中，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。

在其中一个实施例中，所述获得用于进行母线负荷预测的训练样本将所述负荷数据通过特征工程转化为模型输入数据之前述方法，还包括：

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。

在其中一个实施例中，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：