本技术涉及新能源及节能，具体而言，涉及一种变电站负荷的确定方法及装置。
背景技术：
1、电力系统负荷预测是保障电力稳定供应的重要环节，对于整个电力系统的安全与经济运行具有至关重要的作用。准确的负荷预测能够为调度部门提供决策支持，使其能够前瞻性地制定发电计划，并对电力资源进行优化配置，从而有效降低运营成本。
2、电力负荷预测的准确性受到天气、节假日、特殊事件等多个影响因素的制约，负荷变化随机性较大。由于大量分布式光伏和风电的接入，以及电动汽车的广泛普及，进一步加大了负荷的随机性和波动性，增加了负荷精准预测难度。传统电力负荷预测研究往往聚焦于总体负荷的宏观分析，而忽视了对电力负荷成分的微观解构，尤其是对空调负荷、电动汽车负荷、新能源出力等随机性大的成分缺少考虑，导致预测结果的准确性受限。
3、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本技术提供了一种变电站负荷的确定方法及装置，以至少解决现有技术中对电力负荷预测往往聚焦于总体负荷的分析未考虑其他影响因素，导致主变总负荷预测结果准确性低的技术问题。
2、为了实现上述目的，根据本技术的一个方面，提供了一种变电站负荷的确定方法及装置，包括：获取变电站在第一时间段的n个负荷数据集和m个影响因素数据集，其中，n个负荷数据集至少包括基础负荷数据集、用电设备的负荷数据集以及供电设备的负荷数据集，m个影响因素数据集至少包括节假日数据集和气候数据集，其中，基础负荷数据集为变电站自身负荷数据的集合；获取每个负荷数据集和每个影响因素数据集之间的关联度，其中，关联度用于量化每个负荷数据集和每个影响因素数据集之间的相关性；将n个负荷数据集、m个影响因素数据集以及每个负荷数据集和每个影响因素数据集之间的关联度输入至目标模型中；通过目标模型将n个负荷数据集中的数据、m个影响因素数据集中的数据以及关联度均转换为特征向量，并根据特征向量确定变电站在第二时间段的n个目标负荷数据集，其中，n个目标负荷数据集与n个负荷数据集一一对应，第二时间段在第一时间段之后。
3、可选地，用电设备的负荷数据集包括以下至少一个负荷数据集：电动汽车负荷数据，用于表征由变电站供电的电动汽车在第一时间段产生的负荷数据；目标季节类设备负荷数据，用于表征由变电站供电的目标设备在第一时间段内包括的目标季节下产生的负荷数据，其中，目标设备在目标季节的使用频次大于在非目标季节的使用频次。
4、可选地，供电设备的负荷数据集包括以下至少一个负荷数据集：光伏发电设备负荷数据，用于表征与变电站相连接的光伏发电设备在第一时间段的出力负荷数据；风力发电设备负荷数据，用于表征与变电站相连接的风力发电设备在第一时间段的出力负荷数据。
5、可选地，基础负荷数据集通过以下步骤得到包括：获取变电站的历史负荷数据集；计算历史负荷数据集与用电设备的负荷数据集中对应同一时刻的负荷数据的差值，并将计算所得的所有差值组成第一负荷数据集；对第一负荷数据集合与供电设备的负荷数据集中对应同一时刻的负荷数据进行求和计算，并将计算所得的所有求和结果组成基础负荷数据集。
6、可选地，在获取每个负荷数据集和每个影响因素数据集之间的关联度的过程中，变电站负荷的确定方法还包括：将n个负荷数据集中的第i个负荷数据集进行归一化处理，得到第i个目标负荷数据集；将m个影响因素数据集中的第j个影响因素数据集进行归一化处理，得到第j个目标影响因素数据集；计算第i个目标负荷数据集和第j个目标影响因素数据集的关联系数，其中，关联系数用于评估第i个目标负荷数据集和第j个目标影响因素数据集之间的相似度；根据关联系数得到第i个目标负荷数据集与第j个目标影响因素数据集的关联度。
7、可选地，计算第i个目标负荷数据集和第j个目标影响因素数据集的关联系数，包括：将第一时间段划分为k个时刻；计算第i个目标负荷数据集和第j个目标影响因素数据集在目标时刻的绝对差值，其中，目标时刻为k个时刻中的任一时刻；计算第i个目标负荷数据集和第j个目标影响因素数据集在k个时刻中的每个时刻的绝对差值，得到k个绝对差值；获取k个绝对差值中的最小值和最大值；根据目标时刻的绝对差值、最小值以及最大值确定目标时刻的关联系数。
8、可选地，根据关联系数得到第i个目标负荷数据集与第j个目标影响因素数据集的关联度，包括：计算第i个目标负荷数据集与第j个目标影响因素数据集的所有关联系数的平均值，得到关联度。
9、可选地，目标模型通过以下步骤训练包括：获取训练数据集，其中，训练数据集包括变电站在第一历史时间段的n个负荷数据集和m个影响因素数据集，以及变电站在第二历史时间段的n个负荷数据集，其中，第二历史时间段在第一历史时间段之后，并且第二历史时间段与第一历史时间段的间隔时长与第一时间段与第二时间段的间隔时长相同；将变电站在第一历史时间段的n个负荷数据集和m个影响因素数据集作为训练样本；将变电站在第二历史时间段的n个负荷数据集作为训练标签；根据训练样本和训练标签对神经网络进行迭代训练，得到目标模型。
10、根据本技术的另一方面，还提供了一种变电站负荷的确定装置，包括：第一获取单元，获取变电站在第一时间段的n个负荷数据集和m个影响因素数据集，其中，n个负荷数据集至少包括基础负荷数据集、用电设备的负荷数据集以及供电设备的负荷数据集，m个影响因素数据集至少包括节假日数据集和气候数据集，其中，基础负荷数据集为变电站自身负荷数据的集合；第二获取单元，获取每个负荷数据集和每个影响因素数据集之间的关联度，其中，关联度用于量化每个负荷数据集和每个影响因素数据集之间的相关性；第一输入单元，将n个负荷数据集、m个影响因素数据集以及每个负荷数据集和每个影响因素数据集之间的关联度输入至目标模型中；第一确定单元，通过目标模型将n个负荷数据集中的数据、m个影响因素数据集中的数据以及关联度均转换为特征向量，并根据特征向量确定变电站在第二时间段的n个目标负荷数据集，其中，n个目标负荷数据集与n个负荷数据集一一对应，第二时间段在第一时间段之后。
11、根据本技术的另一个方面，还提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现用于运行程序，其中，所述程序被设置为运行时执行上述任意一项所述的变电站负荷的确定方法。在本技术中，首先获取变电站在第一时间段的n个负荷数据集和m个影响因素数据集，其中，n个负荷数据集至少包括基础负荷数据集、用电设备的负荷数据集以及供电设备的负荷数据集，m个影响因素数据集至少包括节假日数据集和气候数据集，其中，基础负荷数据集为变电站自身负荷数据的集合，其次获取每个负荷数据集和每个影响因素数据集之间的关联度，其中，关联度用于量化每个负荷数据集和每个影响因素数据集之间的相关性，然后将n个负荷数据集、m个影响因素数据集以及每个负荷数据集和每个影响因素数据集之间的关联度输入至目标模型中，最后通过目标模型将n个负荷数据集中的数据、m个影响因素数据集中的数据以及关联度均转换为特征向量，并根据特征向量确定变电站在第二时间段的n个目标负荷数据集，其中，n个目标负荷数据集与n个负荷数据集一一对应，第二时间段在第一时间段之后。
12、由上述内容可知，在本技术中，通过获取历史时刻的多个负荷数据集及多个影响因素数据集，并计算多个负荷数据集和多个影响因素数据集之间的关联度的方式，确定不同影响因素对负荷数据集的影响程度，并基于多个负荷数据集、多个影响因素数据集以及关联度这三个维度对未来时刻的变电站负荷进行预测，最终预测得到未来时刻变电站总负荷数据，相比于现有技术仅仅通过分析历史时刻的总负荷对未来时刻总负荷的预测，本技术在此基础上考虑了多方面影响因素对各类负荷的影响,从而实现了提高负荷预测准确率的技术效果，进而解决了现有技术中对电力负荷预测往往聚焦于总体负荷的分析未考虑其他影响因素，导致主变总负荷预测结果准确性低的技术问题。
1.一种变电站负荷的确定方法，其特征在于，包括：
2.根据权利要求1所述的变电站负荷的确定方法，其特征在于，所述用电设备的负荷数据集包括以下至少一个负荷数据集：
3.根据权利要求1所述的变电站负荷的确定方法，其特征在于，所述供电设备的负荷数据集包括以下至少一个负荷数据集：
4.根据权利要求1所述的变电站负荷的确定方法，其特征在于，所述基础负荷数据集通过以下步骤得到包括：
5.根据权利要求1所述的变电站负荷的确定方法，其特征在于，在获取每个负荷数据集和每个影响因素数据集之间的关联度的过程中，所述变电站负荷的确定方法还包括：
6.根据权利要求5所述的变电站负荷的确定方法，其特征在于，计算第i个目标负荷数据集和第j个目标影响因素数据集的关联系数，包括：
7.根据权利要求6所述的变电站负荷的确定方法，其特征在于，根据所述关联系数得到所述第i个目标负荷数据集与所述第j个目标影响因素数据集的关联度，包括：
8.根据权利要求1所述的变电站负荷的确定方法，其特征在于，所述目标模型通过以下步骤训练包括：
9.一种变电站负荷的确定装置，其特征在于，包括：
10.一种电子设备，其特征在于，所述电子设备包括一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现用于运行程序，其中，所述程序被设置为运行时执行所述权利要求1至8中任意一项所述的变电站负荷的确定方法。
