一种电力负荷预测方法、装置及终端设备与流程

技术特征：
1.一种电力负荷预测方法，其特征在于，包括数据获取步骤、数据聚类步骤、数据划分步骤、数据转换步骤、负荷预测步骤；所述数据获取步骤具体为：获取电力负荷数据；所述数据聚类步骤具体为：基于spark引擎，将所述电力负荷数据输入到基于k
‑
means算法的模型，采用优化器将k
‑
means算法的损失函数作为所述优化器的搜索对象进行参数搜索，得到第一最优超参数，将所述第一最优超参数作为所述基于k
‑
means算法的模型的参数，获得聚类模型，根据所述聚类模型，对所述电力负荷数据进行聚类，输出待预测电力负荷数据；所述数据划分步骤具体为：将所述待预测电力负荷数据分成训练集和预测集；所述数据转换步骤具体为：基于所述spark引擎，将所述训练集进行rdd转换，生成第一rdd数据集，将所述预测集进行rdd转换，生成第二rdd数据集；所述负荷预测步骤具体为：将所述第一rdd数据集输入到基于所述spark引擎的xgboost模型，采用所述优化器将xgboost算法的损失函数作为所述优化器的搜索对象进行参数搜索，得到第二最优超参数，将所述第二最优超参数作为所述xgboost模型的参数，获得负荷预测模型，将所述第二rdd数据集输入到所述负荷预测模型进行电力负荷预测，输出电力负荷预测值。2.如权利要求1所述的电力负荷预测方法，其特征在于，所述方法在获取所述电力负荷数据后还包括：对所述电力负荷数据进行预处理，所述预处理包括缺失值过滤处理、缺失值填充处理和异常值过滤处理；对预处理后的电力负荷数据进行归一化处理；采用smote算法对归一化处理后的电力负荷数据进行重采样；则，所述基于spark引擎，将所述电力负荷数据输入到基于k
‑
means算法的模型具体包括：基于spark引擎，将重采样后的电力负荷数据输入到基于k
‑
means算法的模型。3.如权利要求2所述的电力负荷预测方法，其特征在于，所述方法在对所述归一化处理后的电力负荷数据进行重采样后，还包括：采用互信法对所述重采样后的电力负荷数据的特征属性进行选择，获得待聚类数据；则，所述基于spark引擎，将重采样后的电力负荷数据输入到基于k
‑
means算法的模型具体包括：基于spark引擎，将所述待聚类数据输入到基于k
‑
means算法的模型。4.如权利要求1所述的电力负荷预测方法，其特征在于，所述方法在执行所述数据聚类步骤后，还包括：采用pca算法对所述待预测电力负荷数据进行降维操作，获得低维度电力负荷数据；则，所述将所述待预测电力负荷数据分成训练集和预测集具体包括：将所述低维度电力负荷数据分成训练集和预测集。5.如权利要求1所述的电力负荷预测方法，其特征在于，所述采用优化器将所述k
‑
means算法的损失函数作为所述优化器的搜索对象进行参数搜索，得到第一最优超参数具体包括：
设置贝叶斯优化器的搜索范围；将所述k
‑
means算法的损失函数作为所述贝叶斯优化器的搜索对象，迭代求解先验函数与采集函数，获得第一最优超参数；其中，所述第一最优超参数包括簇的最优个数。6.如权利要求1所述的电力负荷预测方法，其特征在于，所述采用所述优化器将所述xgboost算法的损失函数作为所述优化器的搜索对象进行参数搜索，得到第二最优超参数具体包括：设置贝叶斯优化器的搜索范围；将所述xgboost算法的损失函数作为所述贝叶斯优化器的搜索对象，迭代求解先验函数与采集函数，获得第二最优超参数；其中，所述第二最优超参数包括决策树的最优深度和决策树的最优个数。7.一种电力负荷预测装置，其特征在于，包括：数据获取模块，用于获取电力负荷数据；数据聚类模块，用于基于spark引擎，将所述电力负荷数据输入到基于k
‑
means算法的模型，采用优化器将k
‑
means算法的损失函数作为所述优化器的搜索对象进行参数搜索，得到第一最优超参数，将所述第一最优超参数作为所述基于k
‑
means算法的模型的参数，获得聚类模型，根据所述聚类模型，对所述电力负荷数据进行聚类，输出待预测电力负荷数据；数据划分模块：用于将所述待预测电力负荷数据分成训练集和预测集；数据转换模块，用于基于所述spark引擎，将所述训练集进行rdd转换，生成第一rdd数据集，将所述预测集进行rdd转换，生成第二rdd数据集；负荷预测模块，用于将所述第一rdd数据集输入到基于所述spark引擎的xgboost模型，采用所述优化器将所述xgboost算法的损失函数作为所述优化器的搜索对象进行参数搜索，得到第二最优超参数，将所述第二最优超参数作为所述xgboost模型的参数，获得负荷预测模型，将所述第二rdd数据集输入到所述负荷预测模型进行电力负荷预测，输出电力负荷预测值。8.如权利要求7所述的电力负荷预测装置，其特征在于，所述数据聚类模块还用于：设置贝叶斯优化器的搜索范围；将所述k
‑
means算法的损失函数作为所述贝叶斯优化器的搜索对象，迭代求解先验函数与采集函数，获得第一最优超参数；其中，所述第一最优超参数包括簇的最优个数。9.如权利要求8所述的电力负荷预测装置，其特征在于，所述负荷预测模块还用于：设置贝叶斯优化器的搜索范围；将所述xgboost算法的损失函数作为所述贝叶斯优化器的搜索对象，迭代求解先验函数与采集函数，获得第二最优超参数；其中，所述第二最优超参数包括决策树的最优深度和决策树的最优个数。10.一种终端设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的电力负荷预测方法。

技术总结
本发明公开了一种电力负荷预测方法、装置及终端设备，包括获取电力负荷数据；基于Spark引擎，将电力负荷数据输入到基于K


技术研发人员：周挺辉 苏寅生 周保荣 赵利刚 甄鸿越 黄冠标 王长香 吴小珊 徐原 翟鹤峰 涂思嘉
受保护的技术使用者：中国南方电网有限责任公司
技术研发日：2021.08.11
技术公布日：2021/12/17