负荷预测方法及装置、存储介质及电子装置

技术领域

本发明涉及通信领域，具体而言，涉及一种负荷预测方法及装置、存储介质及电子装置。

背景技术

近年来，随着“煤改电”用户规模的逐渐扩大，用户所在台区的负载情况较为复杂，给电网营销、运维检修和安全营运工作增加了工作量，这也对电网提出了更高的要求。稳定、不间断的高质量电能为工业乃至社会的稳定运行提供了保障，从而需要制定合理的调度方案，而电力负荷预测则在这个过程中扮演了重要的角色，用电负荷的正确预测对电力系统的正常运行起着至关重要的作用。

但是，负荷数据具有时序性、非线性、不确定性等特点，传统的负荷预测技术已经无法很好地表征负荷数据规律和满足。

针对相关技术，对于传统负荷预测技术在进行负荷预测时，预测精度和预测准确率较低等问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种负荷预测方法及装置、存储介质及电子装置，以至少解决了传统负荷预测技术在进行负荷预测时，预测精度和预测准确率较低等问题。

根据本发明实施例的一个方面，提供了一种负荷预测方法，包括：确定与负荷参数的相关性系数超过预设阈值的多个参数；从待进行负荷预测的目标对象的预测数据中提取目标参数，并将所述目标参数输入至负荷预测模型中，以对所述预测数据的负荷进行预测，其中，所述负荷预测模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：多个参数和当前时间之后的预测日的负荷，所述多个参数包括：目标参数。

在一个示例性实施例中，确定与负荷参数的相关性系数超过预设阈值的多个参数，包括：获取允许进行分析的所有参数；分别确定所述所有参数与所述负荷参数的相关性系数；确定与负荷参数的相关性系数超过预设阈值的多个参数。

在一个示例性实施例中，分别确定所述所有参数与所述负荷参数的相关性系数，包括：根据皮尔森相关系数分别确定所述所有参数与所述负荷参数的相关性系数。

在一个示例性实施例中，所述多个参数至少包括以下之一：室外温度、湿度、所述目标对象所在区域的用户数、日类型、预测日一周前不同时刻的负荷值、预测日一天前不同时刻的负荷值、预测日两天前不同时刻的负荷值、预测日三天前不同时刻的负荷值、预测日t时刻的一刻钟前，两刻钟前，三刻钟的负荷值，t为正整数。

在一个示例性实施例中，从待进行负荷预测的目标对象的预测数据中提取目标参数，并将所述目标参数输入至负荷预测模型中，以对所述预测数据的负荷进行预测之前，所述方法还包括：设置所述负荷预测模型的初始值；基于所述初始值对所述预测数据的负荷进行预测。

在一个示例性实施例中，所述预测日至少包括以下之一：距离所述当前时间的时间差为第一值，距离所述当前的时间差为第二值，距离所述当前时间的时间差为第三值，其中，所述第一值大于所述第二值，且所述第二值大于所述第三值。

根据本发明实施例的另一个方面，还提供了一种负荷预测装置，确定模块，用于确定与负荷参数的相关性系数超过预设阈值的多个参数；预测模块，用于从待进行负荷预测的目标对象的预测数据中提取目标参数，并将所述目标参数输入至负荷预测模型中，以对所述预测数据的负荷进行预测，其中，所述负荷预测模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：多个参数和当前时间之后的预测日的负荷，所述多个参数包括：目标参数。

在一个示例性实施例中，所述确定模块，用于获取允许进行分析的所有参数；分别确定所述所有参数与所述负荷参数的相关性系数；确定与负荷参数的相关性系数超过预设阈值的多个参数。

根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述负荷预测方法。

根据本发明实施例的又一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，上述处理器通过计算机程序执行上述的负荷预测方法。

通过本发明，在进行负荷预测的时候引入负荷预测模型，首先通过预设阈值确定多个参数，所述多个参数与负荷参数的相关性系数要超过预设阈值，进而从待进行负荷预测的目标对象的预测数据中提取目标参数，并将所述目标参数输入至负荷预测模型中，通过负荷预测模型对所述预测数据的负荷进行预测。采用上述技术方案，解决了传统负荷预测技术在进行负荷预测时，预测精度和预测准确率较低等问题。进而通过负荷预测模型的引入，在负荷预测模型中输入目标参数，并通过负荷预测模型得到用电负荷的预测数据，大大提高了在进行负荷预测时的预测精度和预测准确率。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示例性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例的负荷预测方法的计算机终端的硬件结构框图；

图2是根据本发明实施例的负荷预测方法的流程图(一)；

图3是根据本发明实施例的负荷预测方法的流程图(二)；

图4是根据本发明实施例的负荷预测装置的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本申请实施例所提供的方法实施例可以在计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例，图1是本发明实施例的一种负荷预测方法的计算机终端的硬件结构框图。如图1所示，计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，在一个示例性实施例中，上述计算机终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示等同功能或比图1所示功能更多的不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的负荷预测方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

相关技术中，传统的负荷预测方法，一般采用趋势外推法、时间序列、回归分析预测负荷，没有考虑负荷数据的非线性和不确定性特点，且受诸多内外部环境因素的影响，这些算法无法很好地表征负荷数据变化规律，使得电力负荷预测的精度较低，不满足实际要求；传统的负荷预测方法对于负荷预测精度低的问题，会结合历史负荷数据，采用一周内不同天同一时刻负荷的平均值去修正异常的负荷数据，重新预测负荷，但效果甚微。

为了解决上述技术问题，在本实施例中提供了一种负荷预测方法，图2是根据本发明实施例的负荷预测方法的流程图(一)，该流程包括如下步骤：

步骤S202，确定与负荷参数的相关性系数超过预设阈值的多个参数；

步骤S204，从待进行负荷预测的目标对象的预测数据中提取目标参数，并将所述目标参数输入至负荷预测模型中，以对所述预测数据的负荷进行预测，其中，所述负荷预测模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：多个参数和当前时间之后的预测日的负荷，所述多个参数包括：目标参数。

通过上述步骤，在进行负荷预测的时候引入负荷预测模型，首先通过预设阈值确定多个参数，所述多个参数与负荷参数的相关性系数要超过预设阈值，进而从待进行负荷预测的目标对象的预测数据中提取目标参数，并将所述目标参数输入至负荷预测模型中，通过负荷预测模型对所述预测数据的负荷进行预测。采用上述技术方案，解决了传统负荷预测技术在进行负荷预测时，预测精度和预测准确率较低等问题。进而通过负荷预测模型的引入，在负荷预测模型中输入目标参数，并通过负荷预测模型得到用电负荷的预测数据，大大提高了在进行负荷预测时的预测精度和预测准确率。

可以理解的是，负荷预测模型为使用多组数据通过机器学习训练出的，通过预设阈值确定多个参数，所述多个参数与负荷参数的相关性系数要超过预设阈值，进而从待进行负荷预测的目标对象的预测数据中提取目标参数，并将所述目标参数输入至负荷预测模型中，通过负荷预测模型对所述预测数据的负荷进行预测得到预测数据，所述多组数据中的每组数据均包括：多个参数和当前时间之后的预测日的负荷，所述多个参数包括：目标参数。例如，待预测的数据中有A，B，C，D，E，F等参数，假设预设阀值为M，首先从A，B，C，D，E，F等参数中确定多个参数，所述多个参数与负荷参数的相关性系数超过预设阈值M，需要说明的是，对于预设阈值M，不同的参数是不同的，也可以是相同的，假设A，B，C这三个参数与负荷参数的相关性系数超过预设阈值M，且有待进行负荷预测的目标对象的预测数据X，Y，Z，从X，Y，Z这三个预测数据中提取出目标参数A，B，C的值，将目标参数输入至负荷预测模型中，以对所述预测数据的负荷进行预测，预测结果为N，负荷预测模型是使用多组数据通过机器学习算法XGBoost训练出来的，所述多组数据中的每组数据包括A，B，C这三个参数和当前时间之后的预测日的负荷N。

在一个可选的实施例中，确定与负荷参数的相关性系数超过预设阈值的多个参数，包括：获取允许进行分析的所有参数；分别确定所述所有参数与所述负荷参数的相关性系数；确定与负荷参数的相关性系数超过预设阈值的多个参数。例如，待预测的数据中允许进行分析的所有参数为A，B，C，D，E，F，G，假设参数A与负荷参数的相关性系数为a，参数B与负荷参数的相关性系数为c，参数C与负荷参数的相关性系数为c，参数D与负荷参数的相关性系数为d，参数E与负荷参数的相关性系数为e，参数F与负荷参数的相关性系数为f，假设所有相关系数a，b，c，d，e，f中超过预设阈值M的为a，b，c，则确定的多个参数为A，B，C。

在实际确定所述所有参数与所述负荷参数的相关性系数的时，存在多种相关系数确定法，可选的，根据皮尔森相关系数分别确定所述所有参数与所述负荷参数的相关性系数。在本实施例中，对于目标参数x和负荷参数y，通过皮尔森相关系数计算出相关系数

需要说明的是，上述多个参数A，B，C，D，E，F等至少包括以下之一：室外温度、湿度、所述目标对象所在区域的用户数、日类型、预测日一周前不同时刻的负荷值、预测日一天前不同时刻的负荷值、预测日两天前不同时刻的负荷值、预测日三天前不同时刻的负荷值、预测日t时刻的一刻钟前，两刻钟前，三刻钟的负荷值，t为正整数。

上述步骤S204的实现方式有多种，在一个可选实施中，从待进行负荷预测的目标对象的预测数据中提取目标参数，并将所述目标参数输入至负荷预测模型中，以对所述预测数据的负荷进行预测之前，所述方法还包括：设置所述负荷预测模型的初始值；基于所述初始值对所述预测数据的负荷进行预测。在本实施例中，从待进行负荷预测的目标对象的预测数据中提取目标参数，并将所述目标参数设置为负荷预测模型的初始值输入至负荷预测模型中，负荷预测模型基于所述初始值对所述预测数据的负荷进行预测。例如，从A，B，C，D，E，F等参数中确定目标参数A，B，C，设置负荷预测模型的初始值为A，B，C，负荷预测模型会基于A，B，C这三个初始值对所述预测数据X，Y，Z进行预测。

在一个可选的实施例中，所述预测日至少包括以下之一：距离所述当前时间的时间差为第一值，距离所述当前的时间差为第二值，距离所述当前时间的时间差为第三值，其中，所述第一值大于所述第二值，且所述第二值大于所述第三值。在本实施例中，为了进行短中长期的负荷预测，会选取距离当前时间的三个不同时间点作为预测日。例如，当前时间为12月1日时，选取12月3日作为短期预测日，选取12月13日作为中期预测期，选取12月30日作为长期预测日。

为了更好的理解上述负荷预测方法，以下结合可选实施例对上述过程进行说明，但不用于限定本发明实施例的技术方案，具体地：

为了获得海量历史负荷数据，采用大数据技术，数据来源于营销系统数据、煤改电智能服务平台和电力行业外部数据等。由于数据量大，变量多，通过数据预处理和数据整合，结合实际业务模型，找出需要的变量，并缔造衍生变量，具体的原始变量和衍生变量如下表所示。

图3是根据本发明实施例的负荷预测方法的流程图(二)，如图3所示，在一个可选的实施例中，具体流程可以由以下几个步骤组成：

步骤一：数据接入、数据处理，将用户数据接入到Python和excel中，通过探索性分析，观察用户数据的属性特点，修正有价值的异常值，删除没有价值的异常数据和没有意义的变量，采用均值法，结合负荷数据的变化规律，填补缺失数据，若缺失值量大，删除该用户的信息数据。

步骤二：属性构造，根据探索目标，结合负荷预测的特点，构造衍生变量：预测日一周前t-1、t、t+1时刻的负荷值；预测日一天前t-1、t、t+1时刻的负荷值；预测日两天前t-1、t、t+1时刻的负荷值；预测日三天前t-1、t、t+1时刻的负荷值；预测日t时刻一刻钟前，两刻钟前，三刻钟前。

步骤三：影响因素分析，首先探索负荷曲线变化规律，观察数据源A的数据特点，可以发现用户负荷变化趋势具有较明显的周期性，早8点到晚8点为平段，晚8点到早8点为谷段。平段期间，电采暖的用电负荷逐渐下降，谷段期间，由于谷段期间煤改电的用户有电价补贴，补贴后电价为0.1元/千瓦时，用电负荷会比较高，电采暖设备用电负荷会逐渐上升，且每日的用电负荷波动走势相似，峰值上存在一定偏差；观察数据源B的数据特征，用户负荷与变量A呈现明显的反向关系，与变量B呈现正向关系，符合实际变化规律。

随后探索影响负荷预测的重要因素，根据负荷曲线变化规律，通过相关性分析，结合相关业务情况，确定影响负荷的因素，相关性分析是用来检验变量是否相关，研究变量之间线性相关程度的量，能精确显示两变量间的相关性。采用皮尔森相关系数(Person)计算各变量的相关性系数，例如给定的两个连续变量x和y，皮尔森相关系数

一般来说，如果相关系数大于0.5，则认为变量之间存在较强相关性，但这不是唯一的标准，实际业务情况和变量的实际影响情况对于筛选关键变量的影响也是选取的标准之一。

通过相关性分析，得出室外温度、湿度、用户数、日类型、预测日一周前t-1、t、t+1时刻的负荷值、预测日一天前t-1、t、t+1时刻的负荷值、预测日两天前t-1、t、t+1时刻的负荷值、预测日三天前t-1、t、t+1时刻的负荷值、预测日t时刻一刻钟前，两刻钟前，三刻钟前各指标与负荷的相关系数较高，表明这几项影响负荷预测的准确率，因此可以作为负荷预测模型的输入。

步骤四：建立模型，基于XGBoost机器学习算法模型，结合所选取的影响负荷预测的变量，构建基于XGBoost机器学习算法预测模型的短中期负荷预测方法，建立步骤如下：1)获取影响负荷的特征数据，并对数据进行预处理，把数据划分为训练集和测试集；2)基于相关性分析和负荷趋势变化曲线分析，选取需要的模型输入变量；3)设置XGBoost机器学习算法预测模型的参数的初始值；4)利用基于XGBoost机器学习算法预测模型的短中期负荷预测模型，分别对用户负荷进行短、中期负荷预测，采用平均绝对百分比误差计算预测误差；5)负荷预测准确率调优及应用。

此外，本发明实施例的上述技术方案，基于模型算法，利用大量的用户负荷数据训练出较优的模型，基于训练后的模型，可以快速预测出未来时间段的负荷值；同时通过大量数据迭代优化模型，得到可以应用的模型，其中，在数据输入前期进行数据处理，删除“脏”数据和信息量少的数据，保证数据计算质量，告别传统基于人工推断未来时间段的负荷值，采用大数据技术和机器学习算法，使得负荷结果更准确，同时也为其他研究做支撑。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。

在本实施例中还提供了一种负荷预测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的设备较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的，图4是根据本发明实施例的一种负荷预测的结构框图，该装置包括：

确定模块40，用于确定与负荷参数的相关性系数超过预设阈值的多个参数；

预测模块42，用于从待进行负荷预测的目标对象的预测数据中提取目标参数，并将所述目标参数输入至负荷预测模型中，以对所述预测数据的负荷进行预测，其中，所述负荷预测模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：多个参数和当前时间之后的预测日的负荷，所述多个参数包括：目标参数。

通过本发明，在进行负荷预测的时候引入负荷预测模型，首先通过预设阈值确定多个参数，所述多个参数与负荷参数的相关性系数要超过预设阈值，进而从待进行负荷预测的目标对象的预测数据中提取目标参数，并将所述目标参数输入至负荷预测模型中，通过负荷预测模型对所述预测数据的负荷进行预测。采用上述技术方案，解决了传统负荷预测技术在进行负荷预测时，预测精度和预测准确率较低等问题。进而通过负荷预测模型的引入，在负荷预测模型中输入目标参数，并通过负荷预测模型得到用电负荷的预测数据，大大提高了在进行负荷预测时的预测精度和预测准确率。

可以理解的是，负荷预测模型为使用多组数据通过机器学习训练出的，在确定模块42中，通过预设阈值确定多个参数，所述多个参数与负荷参数的相关性系数要超过预设阈值，进而从待进行负荷预测的目标对象的预测数据中提取目标参数，并将所述目标参数输入至负荷预测模型中，通过负荷预测模型对所述预测数据的负荷进行预测得到预测数据，所述多组数据中的每组数据均包括：多个参数和当前时间之后的预测日的负荷，所述多个参数包括：目标参数。例如，待预测的数据中有A，B，C，D，E，F等参数，假设预设阀值为M，首先从A，B，C，D，E，F等参数中确定多个参数，所述多个参数与负荷参数的相关性系数超过预设阈值M，需要说明的是，对于预设阈值M，不同的参数是不同的，也可以是相同的，假设A，B，C这三个参数与负荷参数的相关性系数超过预设阈值M，且有待进行负荷预测的目标对象的预测数据X，Y，Z，从X，Y，Z这三个预测数据中提取出目标参数A，B，C的值，将目标参数输入至负荷预测模型中，以对所述预测数据的负荷进行预测，负荷预测模型是使用多组数据通过机器学习算法XGBoost训练出来的，所述多组数据中的每组数据包括A，B，C这三个参数和当前时间之后的预测日的负荷。

在一个可选的实施例中，确定与负荷参数的相关性系数超过预设阈值的多个参数，包括：获取允许进行分析的所有参数；分别确定所述所有参数与所述负荷参数的相关性系数；确定与负荷参数的相关性系数超过预设阈值的多个参数。例如，待预测的数据中允许进行分析的所有参数为A，B，C，D，E，F，G，假设参数A与负荷参数的相关性系数为a，参数B与负荷参数的相关性系数为c，参数C与负荷参数的相关性系数为c，参数D与负荷参数的相关性系数为d，参数E与负荷参数的相关性系数为e，参数F与负荷参数的相关性系数为f，假设所有相关系数a，b，c，d，e，f中超过预设阈值M的为a，b，c，则确定的多个参数为A，B，C。

在实际确定所述所有参数与所述负荷参数的相关性系数的时，存在多种相关系数确定法，可选的，根据皮尔森相关系数分别确定所述所有参数与所述负荷参数的相关性系数。在本实施例中，对于目标参数x和负荷参数y，通过皮尔森相关系数计算出相关系数

需要说明的是，上述多个参数A，B，C，D，E，F等至少包括以下之一：室外温度、湿度、所述目标对象所在区域的用户数、日类型、预测日一周前不同时刻的负荷值、预测日一天前不同时刻的负荷值、预测日两天前不同时刻的负荷值、预测日三天前不同时刻的负荷值、预测日t时刻的一刻钟前，两刻钟前，三刻钟的负荷值，t为正整数。

可选的，所述预测模块44，还用于从待进行负荷预测的目标对象的预测数据中提取目标参数，并将所述目标参数输入至负荷预测模型中，以对所述预测数据的负荷进行预测之前，所述方法还包括：设置所述负荷预测模型的初始值；基于所述初始值对所述预测数据的负荷进行预测。在本实施例中，从待进行负荷预测的目标对象的预测数据中提取目标参数，并将所述目标参数设置为负荷预测模型的初始值输入至负荷预测模型中，负荷预测模型基于所述初始值对所述预测数据的负荷进行预测。例如，从A，B，C，D，E，F等参数中确定目标参数A，B，C，设置负荷预测模型的初始值为A，B，C，负荷预测模型会基于A，B，C这三个初始值对所述预测数据X，Y，Z进行预测。

在一个可选的实施例中，所述预测日至少包括以下之一：距离所述当前时间的时间差为第一值，距离所述当前的时间差为第二值，距离所述当前时间的时间差为第三值，其中，所述第一值大于所述第二值，且所述第二值大于所述第三值。在本实施例中，为了进行短中长期的负荷预测，会选取距离当前时间的三个不同时间点作为预测日。例如，当前时间为12月1日时，选取12月3日作为短期预测日，选取12月13日作为中期预测期，选取12月30日作为长期预测日。

本发明的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：

S1，确定与负荷参数的相关性系数超过预设阈值的多个参数；

S2，从待进行负荷预测的目标对象的预测数据中提取目标参数，并将所述目标参数输入至负荷预测模型中，以对所述预测数据的负荷进行预测，其中，所述负荷预测模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：多个参数和当前时间之后的预测日的负荷，所述多个参数包括：目标参数。

在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。

本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，确定与负荷参数的相关性系数超过预设阈值的多个参数；

S2，从待进行负荷预测的目标对象的预测数据中提取目标参数，并将所述目标参数输入至负荷预测模型中，以对所述预测数据的负荷进行预测，其中，所述负荷预测模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：多个参数和当前时间之后的预测日的负荷，所述多个参数包括：目标参数。

在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。