本发明涉及数据处理，特别是涉及一种电力负荷预测方法、装置、电子设备和介质。
背景技术：
1、电力负荷预测是电力系统运行和规划的重要环节，对于保证电力系统的稳定运行和优化资源配置具有重要意义。相关技术中的电力负荷预测方法主要根据历史电力负荷特性，以及天气因素变化趋势进行电力负荷预测，在电力负荷特性较为稳定的情况下，能够取得一定的预测精度。然而，随着电网特性逐年变化，用电大用户的增加、系能源发电的并网接入、与日俱增的空调负荷都给电网运行带来更多影响因素，相关技术中采用的电力负荷预测方法无法全面反映电力负荷变化的复杂性和多样性。
2、在另一些技术方案中，为了使得电力负荷预测方法能够反映电力负荷变化的复杂性和多样性，选择基于机器学习模型层面优化现有模型，如采用更为复杂、参数量更大的神经网络模型进行训练和推理。然而，由于电网实际数据存储管理因素，电网运行历史电力负荷数据往往较少，运用复杂模型容易过拟合历史特性。而实际电力负荷特性往往容易发生变化，因此，这种技术方案在实际应用推理时容易表现出较弱的泛化性。此外，这种技术方案的需要较长的训练时间，且对硬件资源要求较高，在很多现实场景下不利于部署及更新。
技术实现思路
1、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度和稳定性的电力负荷预测方法、装置、电子设备和介质。
2、一种电力负荷预测方法，包括：
3、获取待预测日之前的全量历史数据，并根据所述全量历史数据，构建每个样本日对应的与电力负荷关联的历史特征序列；所述历史特征序列包括历史电力负荷时序特征、历史气象特征和节假日特征；其中，所述历史气象特征包括历史气象数据、历史气象组合时序数据和所述历史气象数据对应的历史气象累积数据；
4、将所述历史特征序列与所述历史特征序列对应的标签构建训练集，并基于所述训练集对目标网络进行训练，得到电力负荷预测模型；
5、获取所述待预测日的特征数据，并基于所述电力负荷预测模型对所述特征数据进行处理，输出所述待预测日的电力负荷预测结果；所述电力负荷预测结果描述待预测日的设定时间点对应的电力负荷预测值。
6、上述方案中，所述全量历史数据包含历史电力负荷数据，所述根据所述全量历史数据，构建每个样本日对应的与电力负荷关联的历史特征序列，包括：
7、根据所述样本日的历史电力负荷数据以及设定时间内的历史电力负荷数据，确定时刻t对应的电力负荷特征；所述时刻t为用于对所述样本日的历史电力负荷数据设定的若干个采样时刻中的一个；
8、确定时刻t在所述样本日中的顺序编号和所在的小时数；所述顺序编号表征时刻t在若干个采样时刻中的顺序；
9、基于所述时刻t的电力负荷特征、对应的顺序编号和所在的小时数，构建所述样本日的所述历史电力负荷时序特征。
10、上述方案中，所述全量历史数据包含历史气象数据，所述根据所述历史数据，构建每个样本日对应的与电力负荷关联的历史特征序列，包括：
11、根据所述样本日的历史气象数据，确定所述样本日的历史气象组合时序数据；
12、根据设定时间内的历史气象数据和所述历史气象组合时序数据，确定所述样本日的历史气象累积数据；
13、基于所述历史气象数据、所述历史气象组合时序数据和所述历史气象累积数据，构建所述样本日的所述历史气象特征。
14、上述方案中，所述基于所述训练集对目标网络进行训练，得到电力负荷预测模型，包括：
15、根据所述历史特征序列对应的时间距离，为所述历史特征序列分配对应的权重系数；所述时间距离表征所述历史特征序列对应的时间与所述待预测日之间的间隔；
16、根据所述历史特征序列对应的权重系数，进行损失函数的计算。
17、上述方案中，所述目标网络为lightgbm模型，所述基于所述训练集对目标网络进行训练，得到电力负荷预测模型，包括：
18、在lightgbm模型中的基模型分裂到叶子节点时，在叶子节点上采用线性模型。
19、上述方案中，所述基于所述电力负荷预测模型对所述特征数据进行处理，输出所述待预测日的电力负荷预测结果，所述方法包括：
20、根据所述特征数据，构建所述待预测日的预测特征序列；所述预测特征包括气象组合时序数据和气象累积数据；
21、确定所述预测特征序列与每个所述样本日对应的所述历史特征序列之间的欧式距离，并根据所述欧式距离筛选出若干个目标样本日；
22、根据所述目标样本日对应的历史电力负荷值，对所述电力负荷预测模型输出的所述负荷预测结果进行调整。
23、上述方案中，所述根据所述目标样本日对应的历史电力负荷值，对所述电力负荷预测模型输出的所述负荷预测结果进行调整，包括：
24、确定每个采样时刻对应的置信区间；
25、根据所述置信区间对所述负荷预测结果进行调整，其中，调整后的所述负荷预测结果中的设定时间对应的电力负荷预测值均落入对应的所述置信区间。
26、一种电力负荷预测装置，包括：
27、处理模块，用于获取待预测日之前的全量历史数据，并根据所述全量历史数据，构建每个样本日对应的与电力负荷关联的历史特征序列；所述历史特征序列包括历史电力负荷时序特征、历史气象特征和节假日特征；其中，所述历史气象特征包括历史气象数据、历史气象组合时序数据和所述历史气象数据对应的历史气象累积数据；
28、训练模块，用于将所述历史特征序列与所述历史特征序列对应的标签构建训练集，并基于所述训练集对目标网络进行训练，得到电力负荷预测模型；
29、预测模块，用于获取所述待预测日的特征数据，并基于所述电力负荷预测模型对所述特征数据进行处理，输出所述待预测日的电力负荷预测结果；所述电力负荷预测结果描述待预测日的设定时间点对应的电力负荷预测值。
30、一种电子设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述电力负荷预测方法的步骤。
31、一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述电力负荷预测方法的步骤。
32、上述电力负荷预测方法、装置、电子设备和介质，在每次预测电力负荷时，通过待预测日之前的全量历史数据构建的历史特征序列对目标网络进行训练，这里的历史特征序列包含了多种影响电力负荷的因素，使得训练得到的电力负荷预测模型能够更好地学习到电力负荷与不同特征之间的关系，再利用电力负荷预测模型对待预测日的特征数据进行处理，得到待预测日的电力负荷预测结果，从而电力预测模型具备数据分布变化的自适应性，实现更为精确的推理。
1.一种电力负荷预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的电力负荷预测方法，其特征在于，所述全量历史数据包含历史电力负荷数据，所述根据所述全量历史数据，构建每个样本日对应的与电力负荷关联的历史特征序列，包括：
3.根据权利要求1所述的电力负荷预测方法，其特征在于，所述全量历史数据包含历史气象数据，所述根据所述历史数据，构建每个样本日对应的与电力负荷关联的历史特征序列，包括：
4.根据权利要求1所述的电力负荷预测方法，其特征在于，所述基于所述训练集对目标网络进行训练，得到电力负荷预测模型，包括：
5.根据权利要求1所述的电力负荷预测方法，其特征在于，所述目标网络为lightgbm模型，所述基于所述训练集对目标网络进行训练，得到电力负荷预测模型，包括：
6.根据权利要求1所述的方法，其特征在于，基于所述电力负荷预测模型对所述特征数据进行处理，输出所述待预测日的电力负荷预测结果，所述方法包括：
7.根据权利要求6所述的电力负荷预测方法，其特征在于，所述根据所述目标样本日对应的历史电力负荷值，对所述电力负荷预测模型输出的所述负荷预测结果进行调整，包括：
8.一种电力负荷预测装置，其特征在于，包括：
9.一种电子设备，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7中任一项所述电力负荷预测方法的步骤。
10.一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7中任一项所述电力负荷预测方法的步骤。
