(19)中华 人民共和国 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 202111170936.5 (22)申请日 2021.10.08 (71)申请人 国网河北省电力有限公司营销服 务 中心 地址 050035 河北省石家庄市高新区湘江 道与兴安大街交口南行100米路西电 力科技园院内C座 申请人 国家电网有限公司 　 国网河北省电力有限公司 (72)发明人 吴向明　杨晨光　韩光　陶鹏　 (74)专利代理 机构 石家庄国为知识产权事务所 13120 代理人 彭竞驰 (51)Int.Cl. G06Q 10/04(2012.01)G06Q 30/02(2012.01) G06Q 50/06(2012.01) G06N 20/00(2019.01) (54)发明名称 分时电价预测方法、 装置及终端设备 (57)摘要 本申请适用于数据预测技术领域， 提供了一 种分时电价预测方法、 装置及终端设备。 该分时 电价预测方法包括： 获取目标用户的历史电价数 据、 历史总负荷数据、 历史风能负荷数据、 历史光 伏负荷数据和历史日期数据； 确定上述数据中对 分时电价的影 响程度超出阈值的目标变量； 根据 目标变量构建分时电价预测模型； 基于深度极限 学习机DELM， 确定分时电价预测模型输 出的分时 电价。 本申请针对光伏发电和风力发电等新能源 的广泛参与到电力市场时引发分时电价预测不 确定性的问题， 通过建立分时电价预测模型， 并 引入了麻雀 搜索算法SSA与 深度极限学习机DELM 相结合的算法， 在考虑到电力市场实时性的同 时， 达到了能够准确预测分时电价的技 术效果。 权利要求书3页 说明书13页 附图6页 CN 113902187 A 2022.01.07 CN 113902187 A 1.一种分时电价预测方法， 其特 征在于， 包括： 获取目标用户的历史电价数据、 历史总负荷数据、 历史风能负荷数据、 历史光伏负荷数 据和历史日期数据； 确定所述历史电价数据、 所述历史总负荷数据、 所述历史风能负荷数据和所述历史光 伏负荷数据中对分时电价的影响程度超出阈值的目标变量； 根据所述目标变量构建 分时电价预测模型； 基于深度极限学习机DELM， 确定所述分时电价预测模型输出的分时电价。 2.如权利要求1所述的分时电价预测方法， 其特征在于， 所述基于深度极限学习机 DELM， 确定所述分时电价预测模型输出的分时电价， 包括： 采用多个极限学习机自动 编码器ELM ‑AE进行无监督预训练； 采用基于麻雀搜索算法SSA优化ELA ‑AE随机输入权重与随机偏置， 对所述DELM进行优 化； 基于优化后的DELM， 确定所述分时电价预测模型输出的分时电价。 3.如权利要求2所述的分时电价预测方法， 其特征在于， 所述采用多个极限学习机自动 编码器ELM ‑AE进行无监督预训练， 包括： ELM‑AE的隐含层输出为： h＝g(ax+b)， aTa＝I， bTb＝1 式中， a为输入层和隐含层之间的输入， b为隐含层的偏置， g(.)为激活函数； ELM‑AE的隐含层输出和输出神经 元输出数值关系表示 为： 式中， β 为连接隐含层和输出层的输出权值； 输出权值β矩阵为： 式中， C为平衡经验风 险与结 构风险的参数； 对于等维的ELM ‑AE， 输出权值β 为： β ＝H‑1X， βTβ ＝I DELM使用ELM ‑AE逐层训练， 第i个隐含层的输出和第(i ‑1)个隐含层的输出的数值关系 为： 式中， Hi表示第i个隐含层的输出， βi表示ELM‑AE对第(i ‑1)个隐含层和第i个隐含层训 练时的权值矩阵， 此时ELM ‑AE的输入为Hi‑1， 隐含层的神经元数目与DELM上第i个隐含层上 的神经元数目一致， DELM上的输出权值β 通过最小化 最小二乘估计的正则化代价 函数求得。 4.如权利要求2所述的分时电价预测方法， 其特征在于， 所述采用基于麻雀搜索算法 SSA优化ELA ‑AE随机输入权重与随机偏置， 包括： 将当前种群划分为发现者和跟随者； 其中， 当前种群中包括N只麻雀， 选取当前种群中 位置最好的PN只麻雀作为发现者， 剩余的N ‑PN只麻雀作为跟随者；权　利　要　求　书 1/3 页 2 CN 113902187 A 2更新所述发现者的位置， 所述发现者的位置更新公式如下： 式中， t表示当前迭代次数， 表示迭代为t时麻雀在第 j维中的特征值， itermax表示最 大迭代次数， α ∈(0， 1]是一个均匀分布的随机数， R2为警戒值， ST为安全阈值， Q为服从正态 分布的随机数， L表示1 ×D的矩阵且每 个元素均为1； 更新所述跟随者的位置， 所述跟随者的位置更新公式如下： 式中， XP为发现者所占据的最佳位置， Xworst表示当前全局最差位置， A表示1 ×D的矩阵 且每个元素被随机分配为1或 ‑1， 以及A+＝AT(AAT)‑1， 当i＞n/2时， 表明第i只麻雀跟随者的 适应度较差， 最有可能挨饿， 此时需要飞往其 他位置去觅食； 随机选择警戒者并更新所述警戒者的位置， 所述警戒者的位置表示如下： 式中， Xbest为当前的全局最佳位置， β 为步长控制参数， K为麻雀的运动 方向和步长控制 系数， fi表示第i只麻雀的适应度值， fg和fw分别为当前种群中全局最佳适合度值和最差适 合度值， ε为极小值用于避免分母位置出 现0； 当fi≠fg时， 表明第i只麻雀未处于当前种群的 中心， 容易受到捕食者的攻击； 当fi＝fg时， 表明第 i只麻雀处于当前种群中心， 在意识到危 险时， 需要向其 他麻雀接 近以减少被捕食的风险； 判断是否达到最大迭代次数， 若未达到最大迭代次数则 重复执行更新所述发现者的位 置步骤， 直至 达最大迭代次数并输出优化后的ELA ‑AE随机输入权重与随机偏置 。 5.如权利要求1所述的分时电价预测方法， 其特征在于， 获取目标用户的历史电价数 据、 历史总负荷数据、 历史风能负荷数据、 历史光伏负荷数据和历史日期数据， 包括； 所述历史风能负荷数据具体包括历史海洋风能数据和历史陆地 风能数据； 所述历史日期数据具体包括季度类型， 单位时间刻度为 一小时。 6.如权利要求1所述的分时电价预测方法， 其特征在于， 所述确定所述历史电价数据、 所述总负荷数据、 所述风能负荷数据和所述光伏负荷数据中对分时电价的影响程度超出阈 值的目标变量， 包括： 建立所述历史电价数据与 所述历史风 能负荷数据的第 一相关性分析模型， 所述历史电 价数据与所述历史光伏负荷数据的第二相关性分析模型， 以及所述历史电价数据与所述历 史总负荷数据的第三相关性分析模型； 基于所述第一相关性分析模型、 第二相关性分析模型和第三相关性分析模型， 通过皮 尔逊系数确定所述目标变量。权　利　要　求　书 2/3 页 3 CN 113902187 A 3