(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210846074.1 (22)申请日 2022.07.04 (71)申请人 浙江万里扬能源科技有限公司 地址 310000 浙江省杭州市滨江区浦沿街 道六和路3 68号1幢 （北） 三楼D3 304 (72)发明人 刘衍波　肖定垚　叶非寒　唐世俊　 董毅峰　张璟沛　谢文锦　赵聪聪　 孙丹　张宏静　吴云亮　侯俊贤　 杨小志　 (74)专利代理 机构 杭州兴知捷专利代理事务所 (特殊普通 合伙) 33338 专利代理师 董建军 (51)Int.Cl. G06Q 30/02(2012.01) G06Q 50/06(2012.01)G06F 16/22(2019.01) G06F 16/23(2019.01) G06F 16/2458(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 5/00(2006.01) G06N 20/20(2019.01) G16Y 10/35(2020.01) G16Y 10/45(2020.01) G16Y 20/00(2020.01) G16Y 40/10(2020.01) G16Y 40/20(2020.01) (54)发明名称 一种电力市场数据自适应预测的优化方法 (57)摘要 本发明属于电力预测技术领域， 尤其涉及一 种电力市场数据自适应预测的优化方法， 包括以 下步骤： (1)通过时序数据库， 设计电力市场数据 结构， 完成对存量数据的入库存储； 构建预测算 法池， 并基于入库数据定义预测任务， 为预测任 务匹配最优算法集合； (2)通过智能网关、 专用数 据协议接口等方法动态获取更新电力市场数据； (3)对增量更新数据， 进行校验和异常 处理， 最终 由时序数据库存储有效数据； (4)针对预测任务 的步长、 频率特征， 对最优算法集合中的各算法 动态调参优化； (5)对最优算法集合进行动态权 重优化， 组合输出最终预测结果。 本发明数据处 理效率高、 在电力市场场景下通用性强、 优化输 出结果稳定 。 权利要求书3页 说明书6页 附图3页 CN 115204953 A 2022.10.18 CN 115204953 A 1.一种电力市场数据自适应预测的优化方法， 其特 征在于： 其包括以下步骤： (1)通过时序数据库， 设计电力市场数据结构， 完成对存量数据的入库存储； 构建预测 算法池， 并基于入库数据定义预测任务， 为预测任务匹配最优算法集 合； (2)通过智能网关、 专用数据协议接口等方法动态获取 更新电力市场数据； (3)对增量更新数据， 进行 校验和异常处 理， 最终由时序数据库存 储有效数据； (4)针对预测任务的步长、 频率特 征， 对最优算法集 合中的各算法动态调参优化； (5)对最优算法集 合进行动态权 重优化， 组合输出最终预测结果。 2.根据权利要求1所述的一种电力市场数据自适应预测的优化方法， 其特征在于： 所述 步骤(1)具体是指将市场内部数据、 市场外部公开数据、 智能网关采集数据电力市场数据存 储于时序数据库中， 供后续预测方法通过时间索引 访问数据； 基于不同数据条目的物理意 义， 依据实际业务流需求， 定义预测任务； 以预测任务为目标， 遍历算法池， 通过预测偏差选 出最优的三种预测方法作为对应预测任务的最优算法集合； 将任务定义、 匹配关系、 模型参 数入库保存， 供后续在 线动态调参使用； 算法池中的数据预测方法包含： Holt ‑Winters模 型 季节性方法、 TBATS(指数平滑状态空间模型)、 差 分整合移动平均自回归模型、 LSTM、 多层感 知器、 GBDT。 3.根据权利要求2所述的一种电力市场数据自适应预测的优化方法， 其特 征在于： Holt‑winters模型描述如下： bt＝β*(lt‑lt‑1)+(1‑β*)bt‑1 其中： lt： 水平分量 bt： 趋势分量 st： 周期性分量 相应的平滑参数分别为α， β *和γ， 季节性分量用相对数百分比表示， 时间序列通过除 以季节性分量 来进行季节性调整， 并且每年的季节性分量加起 来约为m。 4.根据权利要求2所述的一种电力市场数据自适应预测的优化方法， 其特 征在于： TBATS模型描述如下 lt＝lt‑1+φbt‑1+α dt bt＝φbt‑1+β dt 其中： 序列在t时刻的值(经 过box‑cox变换)权　利　要　求　书 1/3 页 2 CN 115204953 A 2周期性成分 lt： 局部的水平 bt： 阻尼趋势 dt： 自回归滑动平均模型描述的残差项 et： 高斯白噪声过程 5.根据权利要求2所述的一种电力市场数据自适应预测的优化方法， 其特 征在于： 差分整合移动平均自回归 模型描述如下： y′t＝c+φ1y′t‑1+…+φpy′t‑p+θ1εt‑1+…+θqεt‑q+ εt， 上式中y′t是差分序列， 右侧的 “预测变量 ”包括yt的延迟值和延迟的误差， p是自回归模 型阶数， d为差分阶数， q为移动平均模型阶数。 6.根据权利要求1所述的一种电力市场数据自适应预测的优化方法， 其特征在于： 所述 步骤(2)具体是指通过两种方式动态更新电力市场数据： 利用物联网智能网关， 采集相关数 据， 通过公用4G/LTE网络将数据无线传输至服务器； 通过服务器定时规则， 周期性请求专用 数据协议接口， 将数据保存至服 务器。 7.根据权利要求1所述的一种电力市场数据自适应预测的优化方法， 其特征在于： 所述 步骤(3)具体是指对步骤(2)中的增量数据， 进行数据质量校验； 通过统计分布规则和指数 平滑规则校验则为有效数据， 未通过则需进入异常处理； 异常处理中， 可人工指定规则， 规 则包含算法池中的算法及其他常用数据重采样和数据填充处理算法， 经过异常处理的数据 即为有效数据， 有效数据将进入时序数据库。 8.根据权利要求1所述的一种电力市场数据自适应预测的优化方法， 其特征在于： 所述 步骤(4)具体是指基于步骤(3)的有效数据， 进入动态调 参优化步骤； 最优算法集合的预测 可分为： 组合单点预测和递归预测两种类型， 针对 预测任务步长差异和频率差异， 系统将对 预测模式进 行优化选择； 此外， 基于最新更新的数据， 对最优算法集合中预测模 型的超参数 进行在线优化； 最终输出一组独立 最优预测结果。 9.根据权利要求1所述的一种电力市场数据自适应预测的优化方法， 其特征在于： 所述 步骤(5)具体是指基于步骤(4)的结果， 建立最优组合模 型， 进而生 成最终预测结果； 最优组 合模型由三种建立方式： 其中动态加权模型是各子模型近期性能表现求解权重并输出果； 多层感知器方法建立BP神经网络， 将预测结果作为输入、 经过2个隐藏层最 终为输出目标结 果； 决策树方法类似多层感知器方法， 将神经网络替换为GBDT模型； 方法配置因任务而异， 由模型最终性能表现自动优化选择。 10.根据权利要求9所述的一种电力市场数据自适应预测的优化方法， 其特 征在于： 动态加权模型描述如下： 模型目标定义为通过对k个预测模型F的组合， 实现在0到n ‑1 的区间上， 对 x序列的预测， 方法的目标 是： min(x‑δ0l‑Fδ )T(x‑δ0l‑Fδ ) 正规方程组为： FT(x‑δ0l‑Fδ )＝0 lT(x‑δ0l‑Fδ )＝0 解为：权　利　要　求　书 2/3 页 3 CN 115204953 A 3