本公开涉及负荷预测，具体涉及一种台区智能负荷预测方法、系统、电子设备、介质及芯片。
背景技术：
1、电力市场的快速发展使得影响电力负荷变化的因素变得更加复杂，这些影响因素主要包括经济结构的调整、电力消费结构的改变、电价的变化、气象的变化等，深刻影响着传统电力负荷预测方法的有效性和适用范围。传统预测方法主要通过数学和统计模型来实现的，预测方法简单、快捷，在精度要求不高的情况下，其预测结果有一定的参考价值，随着电力市场的多样化进展，电力负荷数据日益复杂，传统预测方法难以适应电力负荷数据的非线性、随机性以及混沌性。
技术实现思路
1、为了解决相关技术中的问题，本公开实施例提供一种台区智能负荷预测方法、系统、电子设备、介质及芯片。
2、第一方面，本公开实施例中提供了一种台区智能负荷预测方法，包括：
3、获取台区电力负荷资料；
4、从所述台区电力负荷资料中提取训练特征；其中，所述训练特征包括电力负荷历史数据、影响电力负荷的特征参数；所述特征参数配置有权重因子；
5、将所述电力负荷历史数据、特征参数以及权重因子作为循环神经网络的训练输入数据，对所述循环神经网络进行训练，得到台区负荷预测模型；
6、利用所述台区负荷预测模型进行电力负荷预测。
7、在本公开的一种实现方式中，所述台区智能负荷预测方法还包括：
8、为所述特征参数配置权重因子的步骤。
9、在本公开的一种实现方式中，所述为所述特征参数配置权重因子的步骤包括：
10、将所述特征参数作为特征集，将所述电力负荷历史数据作为类别集，根据所述特征集以及所述类别集，基于属性加权的朴素贝叶斯算法确定所述特征参数的权重因子。
11、在本公开的一种实现方式中，所述特征参数为气象参数、台区参数、日期类型中的一种或几种。
12、在本公开的一种实现方式中，所述循环神经网络为lstm网络；所述lstm网络包括三层隐藏层；其中，第一层隐藏层中的神经元数量为50个，第二层隐藏层中的神经元数量为20个，第三层隐藏层中的神经元数量为10个。
13、在本公开的一种实现方式中，每个神经元的结构为改进的lstm神经网络模块；所述改进的lstm神经网络模块将输入门的输出信号替换为1与遗忘因子的差值，同时将t-1时刻的单元状态引入到t时刻的遗忘门和输出门的输入信号中。
14、在本公开的一种实现方式中，所述从所述台区电力负荷资料中提取训练特征包括：
15、对所述台区电力负荷资料进行数据预处理得到样本集合；
16、从所述样本集合中提取训练特征。
17、在本公开的一种实现方式中，所述数据预处理包括数据量化处理、异常值处理、数据归一化处理中的一种或几种。
18、第二方面，本公开实施例中提供了台区智能负荷预测系统，包括：
19、获取模块，被配置为获取台区电力负荷资料；
20、提取模块，被配置为从所述台区电力负荷资料中提取训练特征；其中，所述训练特征包括电力负荷历史数据、影响电力负荷的特征参数；所述特征参数配置有权重因子；
21、训练模块，被配置为将所述电力负荷历史数据、特征参数以及权重因子作为循环神经网络的训练输入数据，对所述循环神经网络进行训练，得到台区负荷预测模型；
22、预测模块，被配置为利用所述台区负荷预测模型进行电力负荷预测。
23、在本公开的一种实现方式中，所述台区智能负荷预测系统还包括：
24、配置模块，被配置为为所述特征参数配置权重因子。
25、在本公开的一种实现方式中，所述配置模块中为所述特征参数配置权重因子的部分，被配置为：
26、将所述特征参数作为特征集，将所述电力负荷历史数据作为类别集，根据所述特征集以及所述类别集，基于属性加权的朴素贝叶斯算法确定所述特征参数的权重因子。
27、在本公开的一种实现方式中，所述特征参数为气象参数、台区参数、日期类型中的一种或几种。
28、在本公开的一种实现方式中，所述循环神经网络为lstm网络；所述lstm网络包括三层隐藏层；其中，第一层隐藏层中的神经元数量为50个，第二层隐藏层中的神经元数量为20个，第三层隐藏层中的神经元数量为10个。
29、在本公开的一种实现方式中，每个神经元的结构为改进的lstm神经网络模块；所述改进的lstm神经网络模块将输入门的输出信号替换为1与遗忘因子的差值，同时将t-1时刻的单元状态引入到t时刻的遗忘门和输出门的输入信号中。
30、在本公开的一种实现方式中，所述提取模块包括：
31、预处理单元，被配置为对所述台区电力负荷资料进行数据预处理得到样本集合；
32、提取单元，被配置为从所述样本集合中提取训练特征。
33、在本公开的一种实现方式中，所述数据预处理包括数据量化处理、异常值处理、数据归一化处理中的一种或几种。
34、第三方面，本公开实施例提供了一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如第一方面任一项所述的方法。
35、第四方面，本公开实施例中提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如第一方面任一项所述的方法。
36、第五方面，本公开实施例提供了一种芯片，芯片包括处理器，该处理器用于调用存储器中的计算机程序，以执行上述台区智能负荷预测方法的方法步骤。
37、本公开实施例提供的技术效果可以包括以下有益效果：
38、根据本公开实施例提供的技术方案，台区智能负荷预测方法，包括：获取台区电力负荷资料；从所述台区电力负荷资料中提取训练特征；其中，所述训练特征包括电力负荷历史数据、影响电力负荷的特征参数；所述特征参数配置有权重因子；将所述电力负荷历史数据、特征参数以及权重因子作为循环神经网络的训练输入数据，对所述循环神经网络进行训练，得到台区负荷预测模型；利用所述台区负荷预测模型进行电力负荷预测。上述技术方案中通过训练台区负荷预测模型来进行电力负荷预测，提升了复杂环境中负荷预测的准确度，并且在训练台区负荷预测模型时为影响电力负荷的特征参数配置了权重因子，这样对于特殊日期如节假日、周末，或者对于不同季节如春季、冬季等，可以为特殊日期或季节的特征参数赋予高的权重，相比于所有的特征参数未配置权重因子，也就是采用同样权重且无法调整的方式，进一步提高了负荷预测的准确度。
39、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
1.一种台区智能负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的台区智能负荷预测方法，其特征在于，还包括：
3.根据权利要求2所述的台区智能负荷预测方法，其特征在于，所述为所述特征参数配置权重因子的步骤包括：
4.根据权利要求1-3任一项所述的台区智能负荷预测方法，其特征在于，所述特征参数为气象参数、台区参数、日期类型中的一种或几种。
5.根据权利要求1-3任一项所述的台区智能负荷预测方法，其特征在于，所述循环神经网络为lstm网络；所述lstm网络包括三层隐藏层；其中，第一层隐藏层中的神经元数量为50个，第二层隐藏层中的神经元数量为20个，第三层隐藏层中的神经元数量为10个。
6.根据权利要求5所述的台区智能负荷预测方法，其特征在于，每个神经元的结构为改进的lstm神经网络模块；所述改进的lstm神经网络模块将输入门的输出信号替换为1与遗忘因子的差值，同时将t-1时刻的单元状态引入到t时刻的遗忘门和输出门的输入信号中。
7.根据权利要求1所述的台区智能负荷预测方法，其特征在于，所述从所述台区电力负荷资料中提取训练特征包括：
8.根据权利要求7所述的台区智能负荷预测方法，其特征在于，所述数据预处理包括数据量化处理、异常值处理、数据归一化处理中的一种或几种。
9.一种台区智能负荷预测系统，其特征在于，包括：
10.根据权利要求9所述的台区智能负荷预测系统，其特征在于，还包括：
11.根据权利要求10所述的台区智能负荷预测系统，其特征在于，所述配置模块中为所述特征参数配置权重因子的部分，被配置为：
12.根据权利要求9-11任一项所述的台区智能负荷预测系统，其特征在于，所述特征参数为气象参数、台区参数、日期类型中的一种或几种。
13.根据权利要求9-11任一项所述的台区智能负荷预测系统，其特征在于，所述循环神经网络为lstm网络；所述lstm网络包括三层隐藏层；其中，第一层隐藏层中的神经元数量为50个，第二层隐藏层中的神经元数量为20个，第三层隐藏层中的神经元数量为10个。
14.根据权利要求13所述的台区智能负荷预测系统，其特征在于，每个神经元的结构为改进的lstm神经网络模块；所述改进的lstm神经网络模块将输入门的输出信号替换为1与遗忘因子的差值，同时将t-1时刻的单元状态引入到t时刻的遗忘门和输出门的输入信号中。
15.根据权利要求9所述的台区智能负荷预测系统，其特征在于，所述提取模块包括：
16.根据权利要求15所述的台区智能负荷预测系统，其特征在于，所述数据预处理包括数据量化处理、异常值处理、数据归一化处理中的一种或几种。
17.一种电子设备，其特征在于，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现权利要求1-8任一项所述的方法。
18.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1-8任一项所述的方法。
19.一种芯片，其特征在于，包括：至少一个处理器，用于实现如权利要求1-8中任一项所述的方法。
