电力负荷预测方法、装置、计算机设备和存储介质与流程

1.本技术涉及电力技术领域，特别是涉及一种电力负荷预测方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.随着新能源汽车的发展，分布式电源以及电动汽车等新负荷加入电力系统，对电网的管理和发展提出了新的挑战，电力系统负荷预测的重要性也日益凸显，成为了电网运行和管理的一个重要研究领域。
3.传统技术中，是通过历史负荷数据对未来时间或周期的电力负荷进行预测。然而，电力负荷的影响因素有多种，仅通过历史负荷数据这一影响因素来进行电力负荷预测，会导致电力负荷预测的精准性较低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高电力负荷预测精确性的电力负荷预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种电力负荷预测方法。该方法包括：
6.通过负荷预测模型的编码网络分别对电力系统的历史负荷数据和待处理天气数据进行特征提取，得到低维负荷数据和低维词向量数据；
7.通过负荷预测模型的拼接网络对低维负荷数据和低维词向量数据进行拼接，得到拼接向量；
8.通过负荷预测模型的解码网络对拼接向量进行解码处理，得到负荷预测数据。
9.在其中一个实施例中，编码网络包括第一编码层和第二编码层；通过负荷预测模型的编码网络分别对电力系统的历史负荷数据和待处理天气数据进行特征提取，得到低维负荷数据和低维词向量数据包括：
10.通过负荷预测模型的编码网络中的第一编码层对电力系统的历史负荷数据进行特征提取，得到低维负荷数据；
11.通过负荷预测模型的编码网络中的第二编码层对电力系统的待处理天气数据进行特征提取，得到低维词向量数据。
12.在其中一个实施例中，该方法还包括：
13.获取历史天气数据；
14.将历史天气数据转换为天气词向量；
15.按照时序顺序，对天气词向量进行拆分处理，得到待处理天气数据。
16.在其中一个实施例中，将历史天气数据转换为天气词向量，包括：
17.对历史天气数据进行分词处理，得到历史天气数据对应的词汇数据；
18.通过向量转换模型将词汇数据转换为天气词向量。
19.在其中一个实施例中，该方法还包括：
20.获取原始负荷数据；
21.按照时序顺序对原始负荷数据进行拆分处理，得到历史负荷数据。
22.在其中一个实施例中，在通过负荷预测模型的编码网络分别对电力系统的历史负荷数据和待处理天气数据进行特征提取之前，该方法还包括：
23.获取样本负荷数据和样本天气数据；
24.根据样本负荷数据和样本天气数据对原始预测模型进行训练，得到重构误差值；
25.根据重构误差值调整原始预测模型的模型参数，直至满足设定条件，得到负荷预测模型。
26.第二方面，本技术还提供了一种充电站负荷预测装置。该装置包括：
27.数据提取模块，用于通过负荷预测模型的编码网络分别对电力系统的历史负荷数据和待处理天气数据进行特征提取，得到低维负荷数据和低维词向量数据；
28.数据拼接模块，用于通过负荷预测模型的拼接网络对低维负荷数据和低维词向量数据进行拼接，得到拼接向量；
29.数据解码模块，用于通过负荷预测模型的解码网络对拼接向量进行解码处理，得到负荷预测数据。
30.第三方面，本技术还提供了一种计算机设备。该计算机设备包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现以下步骤：
31.通过负荷预测模型的编码网络分别对电力系统的历史负荷数据和待处理天气数据进行特征提取，得到低维负荷数据和低维词向量数据；
32.通过负荷预测模型的拼接网络对低维负荷数据和低维词向量数据进行拼接，得到拼接向量；
33.通过负荷预测模型的解码网络对拼接向量进行解码处理，得到负荷预测数据。
34.第四方面，本技术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，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下步骤：
35.通过负荷预测模型的编码网络分别对电力系统的历史负荷数据和待处理天气数据进行特征提取，得到低维负荷数据和低维词向量数据；
36.通过负荷预测模型的拼接网络对低维负荷数据和低维词向量数据进行拼接，得到拼接向量；
37.通过负荷预测模型的解码网络对拼接向量进行解码处理，得到负荷预测数据。
38.第五方面，本技术还提供了一种计算机程序产品。该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
39.通过负荷预测模型的编码网络分别对电力系统的历史负荷数据和待处理天气数据进行特征提取，得到低维负荷数据和低维词向量数据；
40.通过负荷预测模型的拼接网络对低维负荷数据和低维词向量数据进行拼接，得到拼接向量；
41.通过负荷预测模型的解码网络对拼接向量进行解码处理，得到负荷预测数据。
42.上述电力负荷预测方法、装置、计算机设备、存储介质和计算机程序产品，通过同时考虑历史负荷数据和复杂的天气数据，基于负荷预测模型的编码网络分别对电力系统的历史负荷数据和待处理天气数据进行特征提取，再通过负荷预测模型的拼接网络对提取到
的低维负荷数据和低维词向量数据进行拼接，得到拼接向量，进而通过负荷预测模型的解码网络对拼接向量进行解码处理，得到负荷预测数据，相比于传统技术中仅通过历史负荷数据来进行电力负荷预测，大大提高了电力负荷预测的精确性。
附图说明
43.图1为一个实施例中电力负荷预测方法的应用环境图；
44.图2为一个实施例中电力负荷预测方法的流程示意图；
45.图3为一个实施例中对电力系统的历史负荷数据和待处理天气数据进行特征提取步骤的流程示意图；
46.图4为一个实施例中获取待处理天气数据步骤的流程示意图；
47.图5为一个实施例中将历史天气数据转换为天气词向量的流程示意图；
48.图6为一个实施例中获取历史负荷数据步骤的流程示意图；
49.图7为一个实施例中训练负荷预测模型步骤的流程示意图；
50.图8为另一个实施例中电力负荷预测方法的流程示意图；
51.图9为一个实施例中电力负荷预测装置的结构框图；
52.图10为一个实施例中计算机设备的内部结构图。
具体实施方式
53.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
54.本技术实施例提供的电力负荷预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104获取终端102的电力负荷预测请求，对电力负荷预测请求进行解析，得到电力系统标识，服务器104获取电力系统标识对应的电力系统的历史负荷数据和待处理天气数据，通过负荷预测模型的编码网络分别对电力系统的历史负荷数据和待处理天气数据进行特征提取，得到低维负荷数据和低维词向量数据，服务器104再通过负荷预测模型的拼接网络对低维负荷数据和低维词向量数据进行拼接，得到拼接向量，最后通过负荷预测模型的解码网络对拼接向量进行解码处理，得到负荷预测数据。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
55.在一个实施例中，如图2所示，提供了一种电力负荷预测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
56.步骤202，通过负荷预测模型的编码网络分别对电力系统的历史负荷数据和待处理天气数据进行特征提取，得到低维负荷数据和低维词向量数据。
57.其中，负荷预测模型是指训练好的用来进行电力负荷预测的神经网络模型。历史
负荷数据是指经过预处理的电力系统中的充电站的历史实时负荷值。待处理天气数据是指对历史天气数据进行预处理后得到的天气数据。低维负荷数据是指对历史负荷数据进行特征提取后得到的低维形式的负荷数据。低维词向量数据是指对待处理天气数据进行特征提取后得到的低维形式的天气数据。
58.具体地，服务器获取电力系统的负荷预测请求，对负荷预测请求进行解析，得到电力系统标识，并根据电力系统标识获取对应的电力系统的历史负荷数据和待处理天气数据。可选地，电力系统可以是需要进行负荷预测的充电站，将充电站的历史负荷数据和对应的待处理天气数据输入至负荷预测模型中，由负荷预测模型对充电站的历史负荷数据和对应的待处理天气数据进行特征提取，得到低维负荷数据和低维词向量数据。负荷预测模型可以是编码解码器神经网络、卷积神经网络等。
59.步骤204，通过负荷预测模型的拼接网络对低维负荷数据和低维词向量数据进行拼接，得到拼接向量。
60.其中，拼接网络是指负荷预测模型中对低维的数据进行拼接处理的网络层。拼接向量是指将低维负荷数据和低维词向量数据进行拼接后得到的低维形式的向量数据。
61.具体地，服务器根据得到的低维负荷数据和低维词向量数据，通过负荷预测模型中的拼接网络，在满足负荷预测模型的输入维度的情况下，将低维负荷数据和低维词向量数据进行拼接，得到拼接向量。
62.步骤206，通过负荷预测模型的解码网络对拼接向量进行解码处理，得到负荷预测数据。
63.其中，解码网络是指负荷预测模型中对数据进行解码处理的解码网络层。负荷预测数据是指通过负荷预测模型输出的对电力系统中的充电站某日的负荷预测值。
64.具体地，将得到的拼接向量通过负荷预测模型的解码网络进行解码处理，实现对拼接向量的升维和还原操作，得到负荷预测数据，并进行输出。例如，可以将[1,20]的拼接向量输入至负荷预测模型的神经网络解码层，将该拼接向量升维至[1,96]，作为负荷预测数据进行输出。
[0065]
上述电力负荷预测方法中，通过负荷预测模型的编码网络分别对电力系统的历史负荷数据和待处理天气数据进行特征提取，得到低维负荷数据和低维词向量数据，再通过负荷预测模型的拼接网络对低维负荷数据和低维词向量数据进行拼接，得到拼接向量，最后通过负荷预测模型的解码网络对拼接向量进行解码处理，得到负荷预测数据，相比于传统技术中通过历史负荷数据来进行电力负荷预测，通过负荷预测模型能够同时考虑历史负荷数据和复杂的天气数据，能够提高电力负荷预测的精确性。
[0066]
在一个实施例中，如图3所示，通过负荷预测模型的编码网络分别对电力系统的历史负荷数据和历史天气数据进行特征提取，得到低维负荷数据和低维词向量数据包括：
[0067]
步骤302，通过负荷预测模型的编码网络中的第一编码层对电力系统的历史负荷数据进行特征提取，得到低维负荷数据。
[0068]
步骤304，通过负荷预测模型的编码网络中的第二编码层对电力系统的待处理天气数据进行特征提取，得到低维词向量数据。
[0069]
其中，第一编码层是指编码网络中用于对历史负荷数据进行特征提取的网络层。第二编码层是指编码网络中用于对待处理天气数据进行特征提取的网络层。
[0070]
具体地，服务器分别将电力系统中的充电站的历史负荷数据和对应的待处理天气数据输入至负荷预测模型中的第一编码层和第二编码层，第一编码层和第二编码层分别对历史负荷数据和待处理天气数据进行特征提取，并对历史负荷数据和待处理天气数据进行降维处理，并输出对应的低维负荷数据和低维词向量数据。
[0071]
本实施例中，通过分别由第一编码层和第二编码层对历史负荷数据和待处理天气数据进行特征提取，能够实现对数据的降维处理，降低模型计算量，从而提高负荷预测效率。
[0072]
在一个实施例中，如图4所示，为获取待处理天气数据的步骤，该步骤包括：
[0073]
步骤402，获取历史天气数据。
[0074]
步骤404，将历史天气数据转换为天气词向量。
[0075]
步骤406，按照时序顺序，对天气词向量进行拆分处理，得到待处理天气数据。
[0076]
其中，历史天气数据是指尚未经过处理而直接获取的充电站所在市(区)气象台发布的历史气象信息，气象信息往往为一句或多句描述所构成的文本信息，包含本日温度、湿度、风力等详细信息，且包含未来1-3日的预测信息，对雾天、台风天、高温等不利天气的预警信息，以及对行车、渔业、高风险工作等多方面的提醒信息。天气词向量是指历史天气数据进行预处理得到的对应的向量数据。时序顺序是指预设的时间拆分长度。
[0077]
具体地，获取充电站待预测日期前n天的历史天气数据，例如待预测日期前7天的历史天气数据，将历史天气数据的文本信息进行拼接并输入word2vec(word to vector，单词转换向量)模型，该模型将历史天气数据的每一个词映射为一个向量来表示词与词之间的关系，从而得到天气词向量。将天气词向量按照预设的时间长度进行拆分，可以是每天24小时以每15分钟为一个时间节点进行拆分，即每天为[1,96]维度的天气词向量，七天的总长度为[1,672]，得到待处理天气数据。
[0078]
本实施例中，通过对历史天气数据进行转换和拆分处理，得到待处理天气数据，能够使得到的数据满足负荷预测模型的输入要求，在一定程度上提高负荷预测效率。
[0079]
在一个实施例中，如图5所示，将历史天气数据转换为天气词向量，包括：
[0080]
步骤502，对历史天气数据进行分词处理，得到历史天气数据对应的词汇数据。
[0081]
步骤504，通过向量转换模型将词汇数据转换为天气词向量。
[0082]
其中，词汇数据是指历史天气数据进行分词处理后的数据。向量转换模型是指能够将文本数据转换成对应的向量形式数据的处理模型。
[0083]
具体地，服务器将待预测日期前n天的历史天气数据的文本信息按照时间顺序进行拼接，将拼接后的历史天气数据输入至word2vec模型进行分词处理，将历史天气数据的文本信息转换成对应的词汇列表，即词汇数据，由于每日气象信息经分词操作后列表长度不一定相同，我们通过向前零填充的方式来统一维度，再将词汇数据输入至word2vec模型即可将词汇数据转换为对应的向量形式的天气词向量。
[0084]
本实施例中，通过对历史天气数据进行分词处理得到词汇数据，再将词汇数据转换为天气词向量，能够使不同源的数据满足预测模型输入条件，提高后续负荷预测模型的负荷预测效率。
[0085]
在一个实施例中，如图6所示，为获取历史负荷数据的步骤，该步骤包括：
[0086]
步骤602，获取原始负荷数据。
[0087]
步骤604，按照时序顺序对原始负荷数据进行拆分处理，得到历史负荷数据。
[0088]
其中，原始负荷数据是指直接获取的未经过预处理的充电站的历史负荷数据。
[0089]
具体地，获取的原始负荷数据按时序构成每日的负荷曲线，获取待预测日期前n天的原始负荷数据，可以是前7天的原始负荷数据，按照每天24小时以每15分钟为一个时间节点对原始负荷数据进行拆分，得到每个时间点的实时负荷值，即每天有96个负荷值，每天为[1,96]维度的负荷数据，七天的总长度为[1,672]，得到历史天气数据。
[0090]
本实施例中，通过对原始负荷数据进行拆分处理得到历史负荷数据，能够使得到的数据满足负荷预测模型的输入要求，在一定程度上提高负荷预测效率。
[0091]
在一个实施例中，如图7所示，为训练负荷预测模型的步骤，该步骤包括：
[0092]
步骤702，获取样本负荷数据和样本天气数据。
[0093]
步骤704，根据样本负荷数据和样本天气数据对原始预测模型进行训练，得到重构误差值。
[0094]
步骤706，根据重构误差值调整原始预测模型的模型参数，直至满足设定条件，得到负荷预测模型。
[0095]
其中，样本负荷数据是指用于原始负荷预测模型训练的负荷数据。样本天气数据是指用于原始负荷预测模型进行训练的天气数据。
[0096]
其中，原始预测模型是指尚未完成训练的负荷预测模型。重构误差值是指得到的预测值与实际值之间的误差。
[0097]
具体地，将样本负荷数据和样本天气数据输入至原始预测模型，可以得到初步的预测数据，将初步的预测数据与真实负荷数据通过mse(均方误差)函数来计算模型的预测值和真实值之间的偏差，得到重构误差值，根据重构误差值对原始预测模型中的编码层和解码层的模型参数进行调整，通过多次的训练迭代，当达到训练次数条件或者重构误差值小于误差阈值，例如小于0.1时，即可完成对原始预测模型的训练，得到训练好的负荷预测模型。可选地，可以根据将负荷预测数据与当日的真实负荷预测计算重构误差值对负荷预测模型的参数进行调整。
[0098]
本实施例中，通过样本负荷数据和样本天气数据对原始预测模型进行训练，得到重构误差值，并根据重构误差值对负荷预测模型的参数进行调整，能够提高负荷预测模型的精确性，降低预测数据和真实数据之间的误差。
[0099]
在另一个实施例中，如图8所示，提供了一种电力负荷预测方法，该方法可以包括以下步骤：
[0100]
步骤802，获取样本负荷数据和样本天气数据。
[0101]
步骤804，根据样本负荷数据和样本天气数据对原始预测模型进行训练，得到重构误差值。
[0102]
步骤806，根据重构误差值调整原始预测模型的模型参数，直至满足设定条件，得到负荷预测模型。
[0103]
步骤808，获取原始负荷数据和历史天气数据。
[0104]
步骤810，对历史天气数据进行分词处理，得到历史天气数据对应的词汇数据。
[0105]
步骤812，通过向量转换模型将词汇数据转换为天气词向量。
[0106]
步骤814，按照时序顺序对原始负荷数据和天气词向量进行拆分处理，得到历史负
荷数据和待处理天气数据。
[0107]
步骤816，通过负荷预测模型的编码网络中的第一编码层对电力系统的历史负荷数据进行特征提取，得到低维负荷数据。
[0108]
步骤818，通过负荷预测模型的编码网络中的第二编码层对电力系统的待处理天气数据进行特征提取，得到低维词向量数据。
[0109]
步骤820，通过负荷预测模型的拼接网络对低维负荷数据和低维词向量数据进行拼接，得到拼接向量。
[0110]
步骤822，通过负荷预测模型的解码网络对拼接向量进行解码处理，得到负荷预测数据。
[0111]
本实施例中，通过负荷预测模型的编码网络分别对电力系统的历史负荷数据和待处理天气数据进行特征提取，得到低维负荷数据和低维词向量数据，再通过负荷预测模型的拼接网络对低维负荷数据和低维词向量数据进行拼接，得到拼接向量，最后通过负荷预测模型的解码网络对拼接向量进行解码处理，得到负荷预测数据，相比于传统技术中通过历史负荷数据来进行电力负荷预测，通过负荷预测模型能够同时考虑历史负荷数据和复杂的天气数据，能够提高电力负荷预测的精确性和可靠性。
[0112]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0113]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的电力负荷预测方法的电力负荷预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电力负荷预测装置实施例中的具体限定可以参见上文中对于电力负荷预测方法的限定，在此不再赘述。
[0114]
在一个实施例中，如图9所示，提供了一种电力负荷预测装置，包括：数据提取模块902、数据拼接模块904和数据解码模块906，其中：
[0115]
数据提取模块902，用于通过负荷预测模型的编码网络分别对电力系统的历史负荷数据和待处理天气数据进行特征提取，得到低维负荷数据和低维词向量数据。
[0116]
数据拼接模块904，用于通过负荷预测模型的拼接网络对低维负荷数据和低维词向量数据进行拼接，得到拼接向量。
[0117]
数据解码模块906，用于通过负荷预测模型的解码网络对拼接向量进行解码处理，得到负荷预测数据。
[0118]
在一个实施例中，数据提取模块902，还用于通过负荷预测模型的编码网络中的第一编码层对电力系统的历史负荷数据进行特征提取，得到低维负荷数据；通过负荷预测模型的编码网络中的第二编码层对电力系统的待处理天气数据进行特征提取，得到低维词向量数据。
[0119]
在一个实施例中，还包括数据获取模块，用于获取历史天气数据；将历史天气数据
memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0131]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0132]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种电力负荷预测方法，其特征在于，所述方法包括：通过负荷预测模型的编码网络分别对电力系统的历史负荷数据和待处理天气数据进行特征提取，得到低维负荷数据和低维词向量数据；通过所述负荷预测模型的拼接网络对所述低维负荷数据和所述低维词向量数据进行拼接，得到拼接向量；通过所述负荷预测模型的解码网络对所述拼接向量进行解码处理，得到负荷预测数据。2.根据权利要求1所述的方法，其特征在于，所述编码网络包括第一编码层和第二编码层；所述通过负荷预测模型的编码网络分别对电力系统的历史负荷数据和待处理天气数据进行特征提取，得到低维负荷数据和低维词向量数据，包括：通过负荷预测模型的编码网络中的第一编码层对电力系统的历史负荷数据进行特征提取，得到低维负荷数据；通过负荷预测模型的编码网络中的第二编码层对所述电力系统的待处理天气数据进行特征提取，得到低维词向量数据。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取历史天气数据；将所述历史天气数据转换为天气词向量；按照时序顺序，对所述天气词向量进行拆分处理，得到所述待处理天气数据。4.根据权利要求3所述的方法，其特征在于，所述将所述历史天气数据转换为天气词向量，包括：对所述历史天气数据进行分词处理，得到所述历史天气数据对应的词汇数据；通过向量转换模型将所述词汇数据转换为天气词向量。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取原始负荷数据；按照时序顺序对所述原始负荷数据进行拆分处理，得到历史负荷数据。6.根据权利要求1所述的方法，其特征在于，在所述通过负荷预测模型的编码网络分别对电力系统的历史负荷数据和待处理天气数据进行特征提取之前，所述方法还包括：获取样本负荷数据和样本天气数据；根据所述样本负荷数据和所述样本天气数据对原始预测模型进行训练，得到重构误差值；根据所述重构误差值调整所述原始预测模型的模型参数，直至满足设定条件，得到负荷预测模型。7.一种充电站负荷预测装置，其特征在于，所述装置包括：数据提取模块，用于通过负荷预测模型的编码网络分别对电力系统的历史负荷数据和待处理天气数据进行特征提取，得到低维负荷数据和低维词向量数据；数据拼接模块，用于通过所述负荷预测模型的拼接网络对所述低维负荷数据和所述低维词向量数据进行拼接，得到拼接向量；数据解码模块，用于通过所述负荷预测模型的解码网络对所述拼接向量进行解码处理，得到负荷预测数据。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

技术总结
本申请涉及一种电力负荷预测方法、装置、计算机设备和存储介质。所述方法包括：通过负荷预测模型的编码网络分别对电力系统的历史负荷数据和待处理天气数据进行特征提取，得到低维负荷数据和低维词向量数据；通过所述负荷预测模型的拼接网络对所述低维负荷数据和所述低维词向量数据进行拼接，得到拼接向量；通过所述负荷预测模型的解码网络对所述拼接向量进行解码处理，得到负荷预测数据。采用本方法能够提高电力负荷预测的精确性。法能够提高电力负荷预测的精确性。法能够提高电力负荷预测的精确性。


技术研发人员：葛静 李勋 黄鹏 嘉有为 陈佳文
受保护的技术使用者：南方电网电动汽车服务有限公司
技术研发日：2023.04.24
技术公布日：2023/8/13