本发明涉及电力负荷预测，具体为一种电力负荷预测方法、系统及存储介质。
背景技术：
1、随着物联网技术的快速发展，电力设施的普及使得电力负荷预测变得更加复杂和多样化。电力设施的运行数据种类繁多，包括用电量数据、设备状态数据、用户操作数据等，这些数据具有高维度和高噪声的特点。传统的电力负荷预测方法难以充分利用这些数据进行高精度的预测。
2、电力负荷预测是电力系统运行和管理中的关键环节，它直接影响电力生产计划的制定和电能市场的交易。电力负荷的波动会导致高峰时期电力供应紧张和低谷时期电力浪费的问题，影响电网的稳定性和经济性。
3、现有的电力负荷预测方法主要基于传统的统计分析，这些方法在处理电力设施集群产生的大规模、高噪声数据时，表现出一定的局限性。传统方法难以有效捕捉电力设施运行数据中的复杂非线性关系，导致预测精度不高，无法满足实际需求。
技术实现思路
1、本发明提供一种电力负荷预测方法、系统及存储介质以解决现有电力负荷预测方法预测精度不高的技术问题。
2、本发明解决上述技术问题的技术方案如下：
3、一方面，提供一种电力负荷预测方法，所述预测方法包括以下步骤：
4、获取电力设施的运行数据，所述运行数据包括用电量数据、时间戳数据、设备状态数据和用户操作数据；
5、对所述运行数据进行预处理，包括数据清洗和归一化处理；
6、构建神经模型，包括输入层、至少一个隐藏层和输出层，其中所述输入层的节点数与所述运行数据的特征数量相对应，所述隐藏层的节点数根据实验结果确定；
7、利用模型训练公式对所述神经模型进行训练；
8、基于所述电力设施的历史负荷数据和所述运行数据进行预测，得到初步预测结果；
9、对所述初步预测结果进行校正，利用误差反向传播公式调整所述神经模型的权重和偏置。
10、另一方面，提供一种电力负荷预测系统，所述预测系统包括：
11、数据获取模块，用于获取电力设施的运行数据；
12、数据处理模块，用于对所述运行数据进行预处理；
13、神经模型构建模块，用于构建神经模型；
14、模型训练模块，用于基于历史负荷数据和所述运行数据训练神经模型；
15、预测模块，用于基于训练后的所述神经模型进行电力负荷预测，得到初步预测结果；
16、校正模块，用于对所述初步预测结果进行校正，输出最终的电力负荷预测结果。
17、再一方面，提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，使得所述处理器执行如上所述的电力负荷预测方法。
18、本发明的有益效果是：
19、本发明通过结合电力设施的海量运行数据，提出一种高效、自适应的短期电力负荷预测方法。通过对电力设施集群的运行数据进行特征提取和模型训练，可以在不影响用户体验的情况下，实现用电优化和电力资源的合理分配。该方法不仅可以提高电力负荷预测的精度，还能够降低电力生产成本和用户用电成本，提升电网的安全性和经济性。
20、此外，本发明在海量、多维度、高噪声的数据中寻找潜在规律，并通过统计分析挖掘用电特征，通过合理的假设与大数据分析建立简化的多变量神经网络融合模型，对电力设施集群进行高效且自适应的短期负荷预测，解决了现有技术中存在的不足。
21、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明。
1.一种电力负荷预测方法，其特征在于，所述预测方法包括以下步骤：
2.如权利要求1所述的电力负荷预测方法，其特征在于，所述模型训练公式为：
3.如权利要求1所述的电力负荷预测方法，其特征在于，所述误差反向传播公式为：
4.如权利要求3所述的电力负荷预测方法，其特征在于，所述对所述运行数据进行预处理的步骤还包括对所述运行数据进行噪声过滤和异常值检测；
5.如权利要求3所述的电力负荷预测方法，其特征在于，所述动量因子的取值范围为0.5至0.9，以减小训练过程中的振荡现象。
6.如权利要求1所述的电力负荷预测方法，其特征在于，所述基于所述电力设施的历史负荷数据和所述运行数据进行预测的步骤包括误差分析，所述误差分析的计算公式为：
7.一种电力负荷预测系统，其特征在于，所述预测系统包括：
8.如权利要求7所述的电力负荷预测系统，其特征在于，所述数据获取模块包括多个传感器和数据采集器，用于实时获取所述运行数据；
9.如权利要求7所述的电力负荷预测系统，其特征在于，所述预测系统通过有线或/和无线通信网络与所述电力设施进行数据交互，以实时更新所述模型训练模块。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至6任一项所述的电力负荷预测方法。
