本技术涉及配电网，特别是涉及一种用电负荷预测方法、装置、计算机设备、存储介质和产品。
背景技术：
1、随着新能源逐渐为主体成为新型电力系统的主要特征，风电、光伏等新能源发电出力的间歇性与电能供需的实时平衡特征存在内在的矛盾，使得系统对于灵活性资源的需求大幅度提升，因此，高精度的电力用户用电负荷预测，有利于充分挖掘需求侧可调负荷资源。
2、目前，多采用神经网络对电力用户的用电负荷进行预测，然而，神经网络是一种高度依赖数据体量和输入因素的方法，并且用户用电负荷与用户所在区域的多元影响因素高度相关，若全部考虑这些因素，势必会增加神经网络规模，加剧了过拟合风险，降低了对用电负荷的预测精度。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种用电负荷预测方法、装置、计算机设备、计算机可读存储介质和产品，能够提高对用户的用电负荷预测结果的准确度。
2、第一方面，本技术提供了一种用电负荷预测方法，包括：
3、响应于针对目标用户的用电负荷预测请求，获取所述目标用户的用户信息和所述目标用户在历史时段内的目标负荷关联数据；
4、根据所述用户信息，确定所述目标用户所属的用户类别；
5、基于所述用户类别对应的目标负荷预测模型，根据所述目标负荷关联数据和所述用户类别对应的目标负荷影响因子，对所述目标用户在未来时段内的用电负荷进行预测。
6、在其中一个实施例中，所述方法还包括：
7、获取所述用户类别下样本用户在参考时段内的参考负荷关联数据和所述样本用户在所述参考时段对应的目标时段内的用电负荷数据；
8、根据所述参考负荷关联数据和所述用电负荷数据，从各负荷影响因子中选择所述用户类别对应的目标负荷影响因子；
9、根据所述参考负荷关联数据、所述用电负荷数据和所述目标负荷影响因子，从候选负荷预测模型中选择所述用户类别对应的目标负荷预测模型。
10、在其中一个实施例中，所述根据所述参考负荷关联数据和所述用电负荷数据，从各负荷影响因子中选择所述用户类别对应的目标负荷影响因子，包括：
11、根据所述参考负荷关联数据和所述用电负荷数据，确定各负荷影响因子与所述用户类别下样本用户的用电负荷之间的互信息值；
12、将各负荷影响因子中所述互信息值大于互信息阈值的负荷影响因子，作为所述用户类别对应的目标负荷影响因子。
13、在其中一个实施例中，所述根据所述参考负荷关联数据和所述用电负荷数据，确定各负荷影响因子与所述用户类别下样本用户的用电负荷之间的互信息值，包括：
14、从所述参考负荷关联数据中，提取各负荷影响因子对应的因子值；
15、根据各负荷影响因子在所述参考时段内的因子值，构建各负荷影响因子对应的边缘概率密度函数；
16、根据所述用电负荷数据，构建所述用户类别下样本用户的用电负荷的边缘概率密度函数；
17、根据所述用电负荷数据和各负荷影响因子在所述参考时段内的因子值，构建各负荷影响因子与所述用户类别下样本用户的用电负荷之间的联合概率密度函数；
18、根据各负荷影响因子对应的边缘概率密度函数、所述用户类别下样本用户的用电负荷的边缘概率密度函数，以及所述联合概率密度函数，确定各负荷影响因子与所述用户类别下样本用户的用电负荷之间的互信息值。
19、在其中一个实施例中，所述根据所述参考负荷关联数据、所述用电负荷数据和所述目标负荷影响因子，从候选负荷预测模型中选择所述用户类别对应的目标负荷预测模型，包括：
20、从所述参考负荷关联数据中，提取所述目标负荷影响因子对应的因子值；
21、根据所述用电负荷数据和所述目标负荷影响因子对应的因子值，构建训练样本；
22、采用所述训练样本，对预训练的候选负荷预测模型的模型参数进行优化，并获取经优化的候选负荷预测模型的模型预测精度；
23、将经优化的候选负荷预测模型中，最大的模型预测精度所对应的候选负荷预测模型，作为所述用户类别对应的目标负荷预测模型。
24、在其中一个实施例中，所述基于所述用户类别对应的目标负荷预测模型，根据所述目标负荷关联数据和所述用户类别对应的目标负荷影响因子，对所述目标用户在未来时段内的用电负荷进行预测，包括：
25、从所述目标负荷关联数据中，提取所述目标负荷影响因子对应的因子值；
26、将所述目标负荷影响因子对应的因子值，输入至所述目标负荷预测模型中，得到所述目标用户在未来时段内的用电负荷。
27、第二方面，本技术还提供了一种用电负荷预测装置，包括：
28、数据获取模块，用于响应于针对目标用户的用电负荷预测请求，获取所述目标用户的用户信息和所述目标用户在历史时段内的目标负荷关联数据；
29、类别确定模块，用于根据所述用户信息，确定所述目标用户所属的用户类别；
30、负荷预测模块，用于基于所述用户类别对应的目标负荷预测模型，根据所述目标负荷关联数据和所述用户类别对应的目标负荷影响因子，对所述目标用户在未来时段内的用电负荷进行预测。
31、第三方面，本技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
32、响应于针对目标用户的用电负荷预测请求，获取所述目标用户的用户信息和所述目标用户在历史时段内的目标负荷关联数据；
33、根据所述用户信息，确定所述目标用户所属的用户类别；
34、基于所述用户类别对应的目标负荷预测模型，根据所述目标负荷关联数据和所述用户类别对应的目标负荷影响因子，对所述目标用户在未来时段内的用电负荷进行预测。
35、第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
36、响应于针对目标用户的用电负荷预测请求，获取所述目标用户的用户信息和所述目标用户在历史时段内的目标负荷关联数据；
37、根据所述用户信息，确定所述目标用户所属的用户类别；
38、基于所述用户类别对应的目标负荷预测模型，根据所述目标负荷关联数据和所述用户类别对应的目标负荷影响因子，对所述目标用户在未来时段内的用电负荷进行预测。
39、第五方面，本技术还提供了一种计算机程序产品，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：
40、响应于针对目标用户的用电负荷预测请求，获取所述目标用户的用户信息和所述目标用户在历史时段内的目标负荷关联数据；
41、根据所述用户信息，确定所述目标用户所属的用户类别；
42、基于所述用户类别对应的目标负荷预测模型，根据所述目标负荷关联数据和所述用户类别对应的目标负荷影响因子，对所述目标用户在未来时段内的用电负荷进行预测。
43、上述用电负荷预测方法、装置、计算机设备、存储介质和产品，在接收到针对目标用户的用电负荷预测请求的情况下，获取目标用户的用户信息和目标用户在历史时段内的目标负荷关联数据，并根据用户信息，确定目标用户所属的用户类别，保证了确定的用户类别的准确性；进一步的，基于用户类别对应的目标负荷预测模型，根据目标负荷关联数据和用户类别对应的目标负荷影响因子，对目标用户在未来时段内的用电负荷进行预测；每一用户类别均对应各自的目标负荷影响因子，使得目标负荷影响因子更具有针对性；同时，每一用户类别对应一个目标负荷预测模型，使得预测的目标用户在未来时段的用电负荷更具有针对性，提高了预测结果的准确性。
1.一种用电负荷预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述参考负荷关联数据和所述用电负荷数据，从各负荷影响因子中选择所述用户类别对应的目标负荷影响因子，包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述参考负荷关联数据和所述用电负荷数据，确定各负荷影响因子与所述用户类别下样本用户的用电负荷之间的互信息值，包括：
5.根据权利要求2所述的方法，其特征在于，所述根据所述参考负荷关联数据、所述用电负荷数据和所述目标负荷影响因子，从候选负荷预测模型中选择所述用户类别对应的目标负荷预测模型，包括：
6.根据权利要求1所述的方法，其特征在于，所述基于所述用户类别对应的目标负荷预测模型，根据所述目标负荷关联数据和所述用户类别对应的目标负荷影响因子，对所述目标用户在未来时段内的用电负荷进行预测，包括：
7.一种用电负荷预测装置，其特征在于，所述装置包括：
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。
