电力需求负荷预测方法及系统、电子设备和存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种电力需求负荷预测方法及系统、电子设备和存储介质。

背景技术

全球变暖引发了社会各界对于环境和能源问题的广泛关注。冰川融化可能释放潜在病毒，给人类带来巨大灾难。减少能量使用以及提升能源效率是解决该问题的两种主要方式。然而，如何平衡降低能耗与需求激增之间的关系是一个巨大挑战。

需求响应(demand response，简称DR)被视为电力系统中应对该挑战的一个潜在方案，可以通过减少非必要用电或调整非紧急用电需求进行电力管理优化。伴随能源互联网提出的供需侧双向通信促成了一个更好的DR模式。

对于供应商来说，可以通过准确获取用户需求实现按需发电，避免电力浪费；对于用户，可以通过减少或迁移高峰时段用电需求实现优化。然而，由用户的低参与度可知DR模式的推广并没有预想中那么顺利。一个公认的障碍是当下采用的物理基础设施和信息技术无法支撑其愿景。负荷预测是DR过程的关键环节，其准确度和实时响应能力的欠缺影响交互准确性以及用户满意度。

目前，针对负荷预测已有一些相关研究，但研究评价指标主要为预测精确度，传统的预测模型没有对历史负荷数据进行更深程度的分析，从而无法准确的反应用户需求对负荷的影响，难以体现对于负荷需求在时间维度上的关联性。其次，对于预测算法复杂度对响应时延带来的影响鲜有讨论，对于时延要求较为严格的业务并不适用。

因此，如何提供一种电力需求负荷预测方法及系统、电子设备和存储介质，如何优化预测算法，进而提升预测负荷时需求响应过程用户参与度，优化电力资源管理，应对环境问题，成为亟待解决的问题。

发明内容

针对现有技术中的缺陷，本发明实施例提供一种电力需求负荷预测方法及系统、电子设备和存储介质。

第一方面，本发明实施例提供一种电力需求负荷预测方法，包括：

采集目标区域某一时间跨度内的历史电力负荷数据作为预测数据集；

将预测数据集输入负荷预测模型中，确定目标区域待测时间段内的电力需求负荷预测结果；

其中，所述负荷预测模型是基于目标区域的历史电力负荷数据训练得到的。

可选的，在所述电力需求负荷预测方法中，在所述将预测数据集输入负荷预测模型中，确定目标区域待测时间段内的电力需求负荷预测结果步骤之前，还包括：

获取目标区域的历史电力负荷数据；

构建CNN-LSTM神经网络模型；

使用所述目标区域的历史电力负荷数据训练所述CNN-LSTM神经网络模型，得到所述负荷预测模型。

可选的，在所述电力需求负荷预测方法中，所述使用所述目标区域的历史电力负荷数据训练所述CNN-LSTM神经网络模型，得到所述负荷预测模型，具体包括：

在训练过程中，使用智能优化算法确定所述CNN-LSTM神经网络模型中CNN和LSTM的层数和单元数；

根据所述CNN-LSTM神经网络模型中CNN和LSTM的层数和单元数，确定所述负荷预测模型。

可选的，在所述电力需求负荷预测方法中，所述在训练过程中，使用智能优化算法确定所述CNN-LSTM神经网络模型中CNN和LSTM的层数和单元数，具体包括：

利用进化算法在训练过程中确定所述CNN-LSTM神经网络模型中CNN和LSTM的层数和单元数。

可选的，在所述电力需求负荷预测方法中，所述利用进化算法在训练过程中确定所述CNN-LSTM神经网络模型中CNN和LSTM的层数和单元数，具体包括：

利用差分进化算法在训练过程中确定所述CNN-LSTM神经网络模型中CNN和LSTM的层数和单元数。

可选的，在所述电力需求负荷预测方法中，所述利用差分进化算法在训练过程中确定所述CNN-LSTM神经网络模型中CNN和LSTM的层数和单元数，具体包括：

利用自适应差分进化算法在训练过程中确定所述CNN-LSTM神经网络模型中CNN和LSTM的层数和单元数；

其中，所述自适应差分进化算法的缩放因子在模型训练过程中不断调整。

可选的，在所述电力需求负荷预测方法中，在所述将预测数据集输入负荷预测模型中，确定目标区域待测时间段内的电力需求负荷预测结果步骤之前，还包括：

基于所述将预测数据集和负荷预测模型，进行时间复杂度分析，预估给定计算能力下的负荷预测响应时延；

若判断所述负荷预测响应时延大于预设阈值；

优化负荷预测计算资源分配。

第二方面，本发明实施例提供一种电力需求负荷预测系统，包括：

获取模块，用于采集目标区域某一时间跨度内的历史电力负荷数据作为预测数据集；

预测模块，用于将预测数据集输入负荷预测模型中，确定目标区域待测时间段内的电力需求负荷预测结果；

其中，所述负荷预测模型是基于目标区域的历史电力负荷数据训练得到的。

第三方面，本发明实施例提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如上述电力需求负荷预测方法的各个步骤。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述电力需求负荷预测方法的各个步骤。

本发明实施例提供的电力需求负荷预测方法及系统、电子设备和存储介质，通过构建负荷预测模型，采集目标区域的历史电力负荷数据对模型进行训练，确定目标区域范围内用户的需求对电力能耗的影响，由于目标区域范围内，用户的用电需求和时间存在一定的关系，以此提高预测过程中用户的参与度，从而进一步提高负荷预测的准确性，以使得根据负荷预测结果进行发电时能够有效的减少电力资源的浪费，优化电力资源管理，减少对环境造成的影响。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的电力需求负荷预测方法流程图；

图2为本发明实施例提供的CNN-LSTM神经网络模型结构示意图；

图3为本发明另一实施例提供的CNN-LSTM神经网络模型结构示意图；

图4为本发明实施例提供的基于DE*-CNN-LSTM的负荷预测算法实现流程图；

图5为本发明实施例提供的负荷预测算法复杂度分析指导计算资源分配流程图；

图6为本发明实施例提供的能源互联网环境网络拓扑图；

图7为本发明实施例提供的DE*-CNN-LSTM负荷预测算法参数设置示意图；

图8为本发明实施例提供的三种负荷预测模型预测准确度折线图；

图9为本发明实施例提供的负荷预测相应时延折线图；

图10为本发明实施例提供的电力需求负荷预测系统结构示意图；

图11是本发明实施例提供的电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

现有技术中针对负荷预测主要包括以下三种方法：

方法一：基于多时间尺度长短时记忆神经网络的电力负荷预测方法：

通过输入单元接收用户输入的所需预测区域内的历史电力负荷数据和区域特征因素；

根据历史电力负荷数据和区域特征因素构建区域电力负荷预测模型；

采用长短时记忆神经网络(LSTM)对所述区域电力负荷预测模型进行训练建模以生成多时间尺度长短时记忆神经(MT-LSTM)网络，所述MT-LSTM网络包含多个LSTM单元，所述MT-LSTM网络的LSTM单元分成三组{G1，G2，G3}，每组Gk(1≤k≤3)的LSTM单元在不同的时间周期内捕获不同时间尺度的历史电力负荷数据和区域特征因素；

利用训练生成的多时间尺度长短时记忆神经网络对所需预测区域内的电力负荷进行预测并产生该区域内的电力负荷预测结果；

通过输出单元输出所需预测区域内的电力负荷预测结果。

该方法仅采用LSTM进行负荷预测，相比于CNN-LSTM，在数据特征抽象能力上较弱。且该方案的主体是进行多时间尺度电力负荷预测，却没有明确说明长期预测与短期预测的适用场景与业务，以及是否有不同尺度结合应用的可能。除此之外，该方案没有考虑算法的复杂度，使其应用范围进一步受限。

方法二：基于边缘计算的电力负荷预测系统：

该系统包括边缘计算服务器和一台或多台嵌入式能量管理设备。系统内边缘计算服务器主要负责采集外界特征因素数据，处理数据及构建基于长短时记忆神经网络电力负荷预测模型，并把构建好的电力负荷预测模型及配置传输至嵌入式能量管理设备；

嵌入式能量管理设备则主要负责采集设备数据、根据模型进行电力负荷的预测和能量管理。

该电力负荷预测系统，基于边缘计算的架构能够降低电力负荷预测系统对嵌入式能量管理设备的运算能力的配置要求，并经过两端数据交互模块可以实时交互数据和更新电力负荷预测模型，从而满足实时业务、数据优化、应用智能和预测精度等方面的关键型需求。

该系统包括边缘计算服务器和一台或多台嵌入式能量管理设备。系统内边缘计算服务器主要负责采集外界特征因素数据，处理数据及构建基于长短时记忆神经网络电力负荷预测模型，并把构建好的电力负荷预测模型及其配置传输至嵌入式能量管理设备；嵌入式能量管理设备则主要负责采集设备数据、根据模型进行电力负荷的预测和能量管理。其中边缘计算服务器包括：数据交互模块、数据采集模块、数据预处理模块、模型建立模块；嵌入式能量管理设备包括数据交互模块、电力负荷预测模块、数据采集模块、能量管理模块。但该发明仅仅描述了系统组成以及信息交互流程，对于各模块处理能力以及采用什么处理算法并没有说明。所给系统较为泛化，针对具体场景和业务还需进一步细化和针对性讨论。

方法三：中长期电力负荷预测方法：

获取预设时间段内的电力负荷数据及其影响因子；

根据第一时间尺度将电力负荷数据和影响因子划分为多个第一时间尺度数据，根据第二时间尺度将影响因子划分为多个第二时间尺度数据；

根据多个第一时间尺度数据和多个第二时间尺度数据构建电力负荷预测模型；

采用长短期记忆神经网络对电力负荷预测模型进行训练以生成堆叠长短期记忆网络模型；

通过堆叠长短期记忆网络模型对电力负荷进行预测，并生成电力负荷预测数据。

该方法能够解决不同时间尺度数据依赖问题，提高中长期电力负荷的预测精度。

该方法基于多时间尺度数据和长短期记忆神经网络进行建模，能够解决不同时间尺度数据依赖问题，提高中长期电力负荷的预测精度。此外，该发明的实施例还具有一些附加特征：所述第一时间尺度数据包括电力负荷数据和气候数据，所述第二时间尺度数据包括经济数据和气候数据。预设时间段为数年，所述第一时间尺度为月，第二时间尺度为年。但该发明同样没有考虑预测方法的时间复杂度问题，局限了它的适用范围。

图1为本发明实施例提供的电力需求负荷预测方法流程图，如图1所示，该方法包括：

步骤S1，采集目标区域某一时间跨度内的历史电力负荷数据作为预测数据集；

步骤S2，将预测数据集输入负荷预测模型中，确定目标区域待测时间段内的电力需求负荷预测结果；

其中，所述负荷预测模型是基于目标区域的历史电力负荷数据训练得到的。

具体的，能源互联网可理解是综合运用先进的电力电子技术，信息技术和智能管理技术，将大量由分布式能量采集装置，分布式能量储存装置和各种类型负载构成的新型电力网络、石油网络、天然气网络等能源节点互联起来，以实现能量双向流动的能量对等交换与共享网络。

在能源互联网中，需求预测是电力价格制定的基础；需求削减情况决定了电力价格的调整程度。因此，在对电力需求负荷预测过程中，需要提高用户的参与度，从而进一步提高负荷预测的准确性。

本发明实施例步骤S1中，采集目标区域某一时间跨度内的历史电力负荷数据作为预测数据集。

例如：在能源互联网中，需求预测是电力价格制定的基础；需求增减的情况决定了电力价格的调整程度。假定每个小区具有一个聚合商，负责用户和供应商之间的信息交互，信息主要包括用户的电力消耗情况，参与需求响应的意愿，供应商发布的电价等。信息交互每一小时进行一次，由于我们主要考虑的需求响应实现方式为高峰期的负荷削减，因此预测过程执行时段为9:00-23:00。

如想要预测A小区(目标区域)在2020年10月8日上午9:00-10:00之间的电力需求负荷，则采集A小区在2020年5月8日上午9:00之前的历史电力负荷数据作为预测数据集，比如说A小区在2020年5月8日上午8:00至A小区在2020年10月8日上午8:00时间范围内的历史电力负荷数据作为预测数据集。

需要说明的是，预测数据集的数据体量与预测时需要使用的计算资源以及产生的预测时延相关，因此在选择预测数据集时，需要考虑数据体量的大小，不宜过小影响预测的精度，也不宜过大浪费过多的计算资源。

此外，预测数据集中数据可以是连续的，也可以是经过筛选的，比如说选取2020年5月8日至2020年10月7日之间，每一天上午9:00-10:00之间的电力需求负荷作为预测数据集。针对预测时间段选取数据集能够进一步提高预测的精度。

在实际应用过程中，历史数据集具体的数据体量的大小，以及选取的时间段，和数据具体的组成可以根据实际情况进行调整，本实施例对此不做限定。用于训练负荷预测模型的历史数据同理不进行限定。

在步骤S2中，将在步骤1中获取的预测数据集输入事先使用目标区域的历史电力负荷数据训练得到的负荷预测模型中，确定目标区域待测时间段内的电力需求负荷预测结果。

根据该负荷预测结果进行发电，能够有效的减少电力资源的浪费。

本发明实施例提供的电力需求负荷预测方法，通过构建负荷预测模型，采集目标区域的历史电力负荷数据对模型进行训练，确定目标区域范围内用户的需求对电力能耗的影响，由于目标区域范围内，用户的用电需求和时间存在一定的关系，以此提高预测过程中用户的参与度，从而进一步提高负荷预测的准确性，以使得根据负荷预测结果进行发电时能够有效的减少电力资源的浪费，优化电力资源管理，减少对环境造成的影响。

基于上述实施例，可选的，在所述电力需求负荷预测方法中，在所述将预测数据集输入负荷预测模型中，确定目标区域待测时间段内的电力需求负荷预测结果步骤之前，还包括：

获取目标区域的历史电力负荷数据；

构建CNN-LSTM神经网络模型；

使用所述目标区域的历史电力负荷数据训练所述CNN-LSTM神经网络模型，得到所述负荷预测模型。

具体的，在使用负荷预测模型进行电力需求负荷预测之前，需要先构建神经网络模型结构，并对模型进行训练，得到训练后的模型。

图2为本发明实施例提供的CNN-LSTM神经网络模型结构示意图，如图2所示，模型由CNN(卷积神经网络)和LSTM(长短期记忆网络)共同构成。CNN部分适用于提取数据特征，LSTM被广泛应用于处理时间序列问题，CNN-LSTM可以从这两个维度进行特征表示，适用于负荷预测。

获取目标区域的历史电力负荷数据，对构建好的CNN-LSTM神经网络模型进行训练，当其准确度达到预设的精度时，确定该模型训练成功，获得负荷预测模型。

需要说明的是，在本实施例中，停止对模型进行训练的条件，除了模型准确度达到预设的精度外，还可以设置最大迭代次数作为模型训练停止条件。具体可根据实际情况进行调整，本实施例对此不做限定。

在上述实施例的基础上，本发明实施例使用CNN和LSTM共同构建负荷预测模型，能够对历史负荷数据进行更深程度的分析，有效的反应用户需求对负荷的影响，体现对于负荷需求在时间维度上的关联性，提高负荷预测的准确性。

基于上述实施例，可选的，在所述电力需求负荷预测方法中，所述使用所述目标区域的历史电力负荷数据训练所述CNN-LSTM神经网络模型，得到所述负荷预测模型，具体包括：

在训练过程中，使用智能优化算法确定所述CNN-LSTM神经网络模型中CNN和LSTM的层数和单元数；

根据所述CNN-LSTM神经网络模型中CNN和LSTM的层数和单元数，确定所述负荷预测模型。

具体的，在CNN-LSTM神经网络模型中，CNN和LSTM的层数和单元数并不是预先设置好的，而是在训练过程中，联合智能优化算法进一步确定的。

在模型训练过程中，使用智能优化算法确定CNN-LSTM神经网络模型中CNN和LSTM的层数和单元数，获取在固定数据量体的历史电力负荷数据训练样本下CNN-LSTM神经网络模型的参数配置。

根据确定的参数配置确定CNN-LSTM神经网络模型中CNN和LSTM的层数和单元数，进一步确定所述负荷预测模型。

需要说明的是，智能优化算法包括遗传算法、差分进化算法、免疫算法、蚁群算法、粒子群算法以及禁忌搜索算法等，在具体应用过程中可根据实际需求进行选择和改进，本实施例对此不做限定。

在上述实施例的基础上，本发明实施例通过使用，智能优化算法在训练过程中，对CNN-LSTM神经网络模型的结构进行优化，以使得模型在高准确度下具有更好的收敛性能，提高使用模型进行预测的准确度。

基于上述实施例，可选的，在所述电力需求负荷预测方法中，所述在训练过程中，使用智能优化算法确定所述CNN-LSTM神经网络模型中CNN和LSTM的层数和单元数，具体包括：

利用进化算法在训练过程中确定所述CNN-LSTM神经网络模型中CNN和LSTM的层数和单元数。

具体的，进化计算是基于自然选择和自然遗传等生物进化机制的一种搜索算法，在最优解的搜索过程中，一般是从原问题的一组解出发改进到另一组较好的解，再从这组改进的解出发进一步改进。

进化算法的本质是一种集群算法，通过集群，遍历式的搜索策略空间。比梯度下降更好克服非线性问题里局部极小的问题。使用进化算法能够有效的改进网络构架。

在本发明实施例中，利用进化算法在训练过程中确定所述CNN-LSTM神经网络模型中CNN和LSTM的层数和单元数，获得一定预测精度内最优的网络构架及参数。

需要说明的是，进化算法包括遗传算法、差分进化算法、粒子群算法和混洗蛙跳算法等，在具体应用过程中可根据实际需求进行选择，进一步地，还可针对进化算法进行改进，采用动态自适应技术(如模糊自适应法)，在进化过程中自动调整算法控制参数和编码精度，本实施例对此不做限定。

基于上述实施例，可选的，图3为本发明另一实施例提供的CNN-LSTM神经网络模型结构示意图，如图3所示，在所述电力需求负荷预测方法中，所述利用进化算法在训练过程中确定所述CNN-LSTM神经网络模型中CNN和LSTM的层数和单元数，具体包括：

利用差分进化算法在训练过程中确定所述CNN-LSTM神经网络模型中CNN和LSTM的层数和单元数。

具体的，图中ConvD、MaxPooling2D、Flatten和Dense部分表示CNN部分，包括卷积层，池化层以及压缩层，适用于提取数据特征。图中LSTM和RpeatVector部分表示LSTM，被广泛应用于处理时间序列问题，使用差分进化算法对CNN-LSTM神经网络模型进行优化。

差分进化算法(Differential Evolution Algorithm，DE)普遍用于解决全局优化问题，相比于其他遗传算法，使用差分进化算法对CNN-LSTM神经网络模型进行优化，具有更好的收敛性。

基于上述实施例，可选的，图4为本发明实施例提供的基于DE*-CNN-LSTM的负荷预测算法实现流程图，如图4所示，

在所述电力需求负荷预测方法中，所述利用差分进化算法在训练过程中确定所述CNN-LSTM神经网络模型中CNN和LSTM的层数和单元数，具体包括：

利用自适应差分进化算法在训练过程中确定所述CNN-LSTM神经网络模型中CNN和LSTM的层数和单元数；

其中，所述自适应差分进化算法的缩放因子在模型训练过程中不断调整。

具体的，利用自适应差分进化算法DE*(‘*’表示DE的缩放因子可调)在训练过程中确定所述CNN-LSTM神经网络模型中CNN和LSTM的层数和单元数，自适应差分进化算法的缩放因子在模型训练过程中不断调整。

基于DE*-CNN-LSTM的负荷预测具体算法如下：

该算法的核心思想是：1)获得DE*的初始参数设置。

2)使用CNN-LSTM训练参数。

3)判断适应度函数是否大于误差要求或者迭代次数是否小于上限。

4)如果是，执行DE*的变异、交叉、选择，然后回到步骤2；否则，跳出循环并得到最佳参数设置，即得到了基于DE*-CNN-LSTM的负荷预测算法的架构。

需要说明的是，上述具体详细的自适应差分进化算法流程仅作为一个具体的例子对本发明进行解释，在具体应用过程中，可根据实际情况对自适应差分进化算法进行优化调整，本实施例对此不做限定。

在上述实施例的基础上，本发明实施例通过使自适应差分进化算法的缩放因子在模型训练过程中不断调整，能够在保证预测精度的基础上，进一步提高对模型训练的收敛性，缩短模型训练时间，减少不必要的计算资源浪费。

基于上述实施例，可选的，图5为本发明实施例提供的负荷预测算法复杂度分析指导计算资源分配流程图，如图5所示，在所述电力需求负荷预测方法中，在所述将预测数据集输入负荷预测模型中，确定目标区域待测时间段内的电力需求负荷预测结果步骤之前，还包括：

基于所述将预测数据集和负荷预测模型，进行时间复杂度分析，预估给定计算能力下的负荷预测响应时延；

若判断所述负荷预测响应时延大于预设阈值；

优化负荷预测计算资源分配。

具体的，预测数据集的数据体量和计算资源影响负荷预测的相应时延。

基于所述将预测数据集和负荷预测模型，进行时间复杂度分析，预估给定计算能力下的负荷预测响应时延。

CNN的时间复杂度可以表示为：

P是每个卷积核输出特征图的边长。Q是卷积层的层数。l代表第l个卷积层。C

其中m代表输入尺寸，n代表隐藏层尺寸。CNN-LSTM的总时间复杂度是：

将计算得到的时延(总时间复杂度)与预设的阈值(能够接受的时延最大值)进行比较，判断所述负荷预测响应时延是否大于预设阈值。

若判断所述负荷预测响应时延大于预设阈值，优化负荷预测计算资源分配(利用比值关系确定还需分配多少计算资源)。

例如，选取一个电力需求高峰时段，某日13:00-14:00，输入的预测数据集大小为12600，则可以得到在当前计算资源r下的预期响应时延为：

设其时延要求为

需要说明的是，在本发明实施例中，以边缘节点进行负荷预测，若计算得到预测响应时延大于预设值时，优先在本边缘节点调整计算资源分配，若分配后再次进行响应时延计算发现仍然不能满足业务要求，考虑将该计算任务卸载到其他节点或者是上传到云端，在云端进行负荷预测。具体的资源分配安排情况可根据实际情况进行调整，本实施例对此不做限定。

在上述实施例的基础上，本发明实施例通过在负荷预测前进行负荷预测相应时延评估，确定当前计算资源是否能够满足预测的时延要求，能够使方案适用于对时延要求高的业务，并减少对预测时间以及计算资源的浪费。

以下结合具体的例子对本发明提供的负荷预测算法以及算法的优势进行说明：

图6为本发明实施例提供的能源互联网环境网络拓扑图，如图6所示，使用iFogSim仿真一个能源互联网环境。相比于其他仿真工具，iFogSim为边缘计算定制，能够较好仿真边缘节点和IoT设备。它包括三种基本组件：物理组件，逻辑组件和管理组件。

使用iFogSim仿真一个能源互联网环境。相比于其他仿真工具，iFogSim为边缘计算定制，能够较好仿真边缘节点和IoT设备。它包括三种基本组件：物理组件，逻辑组件和管理组件。

本发明以电力需求为主要特征，在本实施例中，仅对LSTM和Dense的单元数和层数进行优化。我们以PSO-CNN-LSTM预测、DE-CNN-LSTM预测(缩放因子不可调)和DE*-CNN-LSTM预测(缩放因子可调)作为对比算法。

图7为本发明实施例提供的DE*-CNN-LSTM负荷预测算法参数设置示意图，DE*-CNN-LSTM预测(缩放因子可调)参数设置如图7所示。

图8为本发明实施例提供的三种负荷预测模型预测准确度折线图，如图8所示，分别对上述三种算法进行建模，在多次实验的过程中，发现在30次迭代内，预测精度可以达到高于99％的目标。

其中，PSO-CNN-LSTM(粒子群优化算法，Particle swarm optimization，简称PSO)完成遗传进化的时间最短，但其最佳准确率为93.18％；DE*-CNN-LSTM耗时843.37s，精度可达99.01％，LSTM和Dense的最佳单元数分别为34和2。对于DE-CNN-LSTM，耗时1100.71s，精度可达99.28％，LSTM和Dense的最佳单元数分别为6和1。

显而易见，DE-CNN-LSTM和DE*-CNN-LSTM两种算法均满足精度要求，相比之下DE*-CNN-LSTM耗时较少。按照同样的方法，我们发现一层LSTM和Dense就足以满足我们的精度要求。现在确定了DE*-CNN-LSTM的体系结构，它的复杂度计算如下:

Time

为了评估复杂度和响应时间之间的关系，设置4组训练数据集，并测试了2组的延迟以获得增益比。它们的输入数据集大小分别为8400和17640，相应的延迟分别为14.0204s和22.2327s。其他体量数据集的延迟可通过以下方式预测:

图9为本发明实施例提供的负荷预测相应时延折线图，如图9所示，对八组不同复杂度的数据进行测试，测试结果表明平均预测准确概率达到99.0186％，证明可以认为响应时延与时间复杂度呈正相关。

此外，我们测试由云端处理带来的响应时延，如红色点所示。对于这八种不同体量的数据集输入，用边缘节点进行处理使得响应延迟减少了79％-85％。

由此可见，使用响应时延指导资源分配，能够有效的解决由于数据体量大导致计算资源不足响应延迟不符合业务需求的问题，保证负荷预测结果能够满足响应需求。

图10为本发明实施例提供的电力需求负荷预测方法流程图，如图10所示，该系统包括：

获取模块101，用于采集目标区域某一时间跨度内的历史电力负荷数据作为预测数据集；

预测模块102，用于将预测数据集输入负荷预测模型中，确定目标区域待测时间段内的电力需求负荷预测结果；

其中，所述负荷预测模型是基于目标区域的历史电力负荷数据训练得到的。

具体的，能源互联网可理解是综合运用先进的电力电子技术，信息技术和智能管理技术，将大量由分布式能量采集装置，分布式能量储存装置和各种类型负载构成的新型电力网络、石油网络、天然气网络等能源节点互联起来，以实现能量双向流动的能量对等交换与共享网络。

在能源互联网中，需求预测是电力价格制定的基础；需求削减情况决定了电力价格的调整程度。因此，在对电力需求负荷预测过程中，需要提高用户的参与度，从而进一步提高负荷预测的准确性。

本发明实施例中，获取模块101，用于采集目标区域某一时间跨度内的历史电力负荷数据作为预测数据集。

例如：想要预测A小区(目标区域)在2020年10月8日上午9:00-10:00之间的电力需求负荷，则采集A小区在2020年5月8日上午9:00之前的历史电力负荷数据作为预测数据集，比如说A小区在2020年5月8日上午8:00至A小区在2020年10月8日上午8:00时间范围内的历史电力负荷数据作为预测数据集。

需要说明的是，预测数据集的数据体量与预测时需要使用的计算资源以及产生的预测时延相关，因此在选择预测数据集时，需要考虑数据体量的大小，不宜过小影响预测的精度，也不宜过大浪费过多的计算资源。

此外，预测数据集中数据可以是连续的，也可以是经过筛选的，比如说选取2020年5月8日至2020年10月7日之间，每一天上午9:00-10:00之间的电力需求负荷作为预测数据集。针对预测时间段选取数据集能够进一步提高预测的精度。

在实际应用过程中，历史数据集具体的数据体量的大小，以及选取的时间段，和数据具体的组成可以根据实际情况进行调整，本实施例对此不做限定。用于训练负荷预测模型的历史数据同理不进行限定。

预测模块用于将在获取模块101获取的预测数据集输入事先使用目标区域的历史电力负荷数据训练得到的负荷预测模型中，确定目标区域待测时间段内的电力需求负荷预测结果。

根据该负荷预测结果进行发电，能够有效的减少电力资源的浪费。

本发明实施例提供的电力需求负荷预测系统，通过构建负荷预测模型，采集目标区域的历史电力负荷数据对模型进行训练，确定目标区域范围内用户的需求对电力能耗的影响，由于目标区域范围内，用户的用电需求和时间存在一定的关系，以此提高预测过程中用户的参与度，从而进一步提高负荷预测的准确性，以使得根据负荷预测结果进行发电时能够有效的减少电力资源的浪费，优化电力资源管理，减少对环境造成的影响。

需要说明的是，本发明实施例提供的电力需求负荷预测系统用于执行上述电力需求负荷预测方法，其具体的实施方式与方法实施方式一致，在此不再赘述。

图11为本发明实施例提供的电子设备的实体结构示意图，如图11所示，所述电子设备可以包括：处理器(processor)111、通信接口(communication interface)112、存储器(memory)113和通信总线(bus)114，其中，处理器111，通信接口112，存储器113通过通信总线114完成相互间的通信。处理器111可以调用存储器113中的逻辑指令，以执行上述电力需求负荷预测方法，包括：采集目标区域某一时间跨度内的历史电力负荷数据作为预测数据集；将预测数据集输入负荷预测模型中，确定目标区域待测时间段内的电力需求负荷预测结果；其中，所述负荷预测模型是基于目标区域的历史电力负荷数据训练得到的。

此外，上述的存储器113中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的电力需求负荷预测方法，包括：读取当前存储的所有工具的电子标签信息，得到所述当前存储的所有工具的数据信息；所述工具包括：采集目标区域某一时间跨度内的历史电力负荷数据作为预测数据集；将预测数据集输入负荷预测模型中，确定目标区域待测时间段内的电力需求负荷预测结果；其中，所述负荷预测模型是基于目标区域的历史电力负荷数据训练得到的。

又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的以执行电力需求负荷预测方法，包括：采集目标区域某一时间跨度内的历史电力负荷数据作为预测数据集；将预测数据集输入负荷预测模型中，确定目标区域待测时间段内的电力需求负荷预测结果；其中，所述负荷预测模型是基于目标区域的历史电力负荷数据训练得到的。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。