分时电价预测方法、装置及终端设备与流程

1.本技术属于数据预测技术领域，尤其涉及一种分时电价预测方法、装置及终端设备。


背景技术：

2.电价是电力市场的支点，电力市场的各参与方都以电价为基础交易。电价预测的精准性和实时性的提升有助于市场各方有效参与市场运营与管理。
3.然而，随着光伏发电和风力发电等新能源的广泛参与，电力市场参与方对分时电价的预测越发困难，其发电侧波动大、不规律以及转换频次高等一系列特点，增加了电价预测的不确定性，导致不能准确预测分时电价。


技术实现要素：

4.为解决现实存在的预测分时电价不准确的问题，本技术实施例提供了分时电价预测方法、装置及终端设备。
5.本技术是通过如下技术方案实现的：
6.第一方面，本技术实施例提供了一种分时电价预测方法，包括：
7.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；
8.确定历史电价数据、历史总负荷数据、历史风能负荷数据和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；
9.根据目标变量构建分时电价预测模型；
10.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。
11.在第一方面的一种可能的实现方式中，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，包括：
12.采用多个极限学习机自动编码器elm-ae进行无监督预训练；
13.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delm进行优化；
14.基于优化后的delm，确定分时电价预测模型输出的分时电价。
15.在第一方面的一种可能的实现方式中，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：
16.elm-ae的隐含层输出为：
17.h＝g(ax+b)，a
t
a＝i，b
t
b＝1
18.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；
19.elm-ae的隐含层输出和输出神经元输出数值关系表示为：
[0020][0021]
式中，β为连接隐含层和输出层的输出权值；
[0022]
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；
[0023]
对于等维的elm-ae，输出权值β为：
[0024]
β＝h-1
x，β
t
β＝i
[0025]
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：
[0026][0027]
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h
i-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。
[0028]
在第一方面的一种可能的实现方式中，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：
[0029]
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；
[0030]
更新发现者的位置，发现者的位置更新公式如下：
[0031][0032]
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，iter
max
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；
[0033]
更新跟随者的位置，跟随者的位置更新公式如下：
[0034][0035]
式中，x
p
为发现者所占据的最佳位置，x
worst
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
+
＝af(aaf)-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；
[0036]
随机选择警戒者并更新警戒者的位置，警戒者的位置表示如下：
[0037][0038]
式中，x
best
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；
[0039]
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。
[0040]
在第一方面的一种可能的实现方式中，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；
[0041]
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；
[0042]
历史日期数据具体包括季度类型，单位时间刻度为一小时。
[0043]
在第一方面的一种可能的实现方式中，确定历史电价数据、总负荷数据、风能负荷数据和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：
[0044]
建立电价与风能负荷的第一相关性分析模型，电价与光伏负荷的第二相关性分析模型，以及电价与总负荷的第三相关性分析模型；
[0045]
基于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目标变量。
[0046]
在第一方面的一种可能的实现方式中，通过皮尔逊系数确定目标变量，包括：
[0047]
通过皮尔逊相关系数确定第一变量对分时电价的影响程度是否超出阈值，所述的第一变量为历史电价数据、总负荷数据、风能负荷数据和光伏负荷数据变量中的任一变量；
[0048]
若超出阈值，则将第一变量作为目标变量。
[0049]
第二方面，本技术实施例提供了一种分时电价预测装置，包括：
[0050]
获取模块，用于获取目标用户的历史电价数据、历史总负荷数据、历史风能负荷数据和历史光伏负荷数据；
[0051]
确定模块，用于分析历史电价数据、历史总负荷数据、历史风能负荷数据和历史光伏负荷数据，筛选出对分时电价影响超出阈值的变量；
[0052]
模型建立模块，用于根据目标变量构建分时电价预测模型；
[0053]
测算模块，用于对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进行测算。
[0054]
第三方面，本技术实施例提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如第一方面任一项所述的分时电价预测方法。
[0055]
第四方面，本技术实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的分时电价预测方法。
[0056]
第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的分时电价预测方法。
[0057]
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
[0058]
本技术实施例与现有技术相比存在的有益效果是：
[0059]
本技术实施例中，通过获取目标用户的多种历史数据，筛选出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，并综合利用基于ssa的delm算法输出预测模型结果，以便可以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电价波动的不确定性，达到能准确预测分时电价的技术效果。
[0060]
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
[0061]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0062]
图1是本技术一实施例提供的分时电价预测方法的整体流程示意图；
[0063]
图2是本技术一实施例提供的筛选超出阈值目标变量的流程示意图；
[0064]
图3是本技术一实施例提供的麻雀搜索算法ssa的流程示意图；
[0065]
图4是本技术一实施例提供的深度极限学习机delm的流程示意图；
[0066]
图5是本技术一实施例提供的分时电价预测方法的具体流程示意图；
[0067]
图6是本技术一实施例提供的基于ssa的delm算法的结构图；
[0068]
图7是本技术实施例提供的不同算法模型下的mae误差比较图；
[0069]
图8是本技术实施例提供的分时电价预测装置的结构示意图；
[0070]
图9是本技术实施例提供的终端设备的结构示意图。
具体实施方式
[0071]
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
[0072]
应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0073]
还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0074]
如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确
定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0075]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0076]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0077]
随着光伏发电和风力发电等新能源的广泛参与到电力市场的交易中，使电力市场参与方对分时电价的预测越发困难，新能源发电侧的波动大、不规律以及转换频次高等一系列特点，增加了电价预测的不确定性，导致不能准确预测分时电价。
[0078]
基于上述问题，本技术实施例中的提供了一种分时电价预测方法，即：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；根据获取的多种历史数据，筛选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，可以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电价波动的不确定性，达到能准确预测分时电价的技术效果。
[0079]
图1示出了本技术实施例提供的分时电价预测方法的示意流程图。参见图1，对上述分时电价预测方法详述如下：
[0080]
步骤101，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。
[0081]
示例性的，历史风能负荷数据可以具体包括历史海上风能数据和历史陆上风能数据两种。
[0082]
示例性的，风力发电和光伏发电的效率受季节影响明显，不同季节的发电效率差异会很大，故历史日期数据可以根据不同的季度予以分类，日期数据的单位刻度为一小时。当然，时间刻度也可以为其他，并不局限于一小时，本技术就不再赘述。
[0083]
一些实施例中，获取上述数据后，可以分别对历史电价、历史总负荷、历史风能负荷和历史光伏负荷等多种历史数据做归一化处理，其目的为方便后续的对历史数据建立相关性分析模型。
[0084]
步骤102，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。
[0085]
目标用户所使用的电能中至少包含，风力发电产生的风能负荷和光伏发电产生的光伏负荷中的一种，而风能负荷和/或光伏负荷在目标用户使用电能中的占比会影响分时电价的定价。进一步的，在不同季度条件下和不同时间段下，目标用户使用的风能负荷和/或光伏负荷在总负荷中的占比的差异非常大。因此，想要准确预测分时电价，必须先确定风能负荷和光伏负荷对分时电价的影响程度。
[0086]
为解决上述问题，参照图2所示的示意流程图，步骤102可以包括：
[0087]
步骤201，分别建立历史电价与历史风能负荷的第一相关性分析模型，历史电价与历史光伏负荷的第二相关性分析模型，以及历史电价与历史总负荷的第三相关性分析模型。
[0088]
步骤202，基于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。
[0089]
通过皮尔逊相关系数分析上述三种相关性分析模型，得出的变量绝对值越大，就表明其相关性越强，相关性越强就表明该变量对历史电价的影响越明显；所谓的变量为不同季节、不同时间段下，历史风能负荷、历史光伏负荷和历史总负荷中的一种。
[0090]
在筛选超出阈值的目标变量之后，将其做为分时电价预测模型的输入。
[0091]
通过上述方法，可以准确筛选出在不同季节、不同时间段下，对分时电价影响明显的目标变量。
[0092]
步骤103，根据目标变量构建分时电价预测模型。
[0093]
其中，输入项为筛选超出阈值的目标变量，目标变量包括历史风能负荷、历史光伏负荷和历史总负荷；输出项为预测的分时电价。
[0094]
进一步的，分时电价主要目的为刺激和鼓励目标用户移峰填谷、优化用电方式。因此分时电价需要在不同季度，不同时段下体现不同的价格。故历史分时电价的数据具有明显的分时特性，即目标用户的电价在一天的时间序列中各时段差异较大。
[0095]
示例性的，本技术采用单值预测方法，即建立以一小时为时间单位的24个单值预测模型。
[0096]
步骤104，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。
[0097]
例如，可以将构建的分时电价预测模型输入到深度极限学习机delm(deepextreme learning machines)中，进行分时电价的预测。
[0098]
为了提高delm算法的运算效率和计算准确度，本技术创造性的引入了麻雀搜索算法ssa(sparrow search algorithm)，通过ssa优化了delm最优权值和阈值。
[0099]
ssa是根据麻雀觅食并逃避捕食者的行为而提出的群智能优化算法，麻雀种群中每只麻雀有三种行为：作为发现者，搜索食物；作为跟随者，跟随发现者觅食；作为警戒者，有危险则通知其他麻雀放弃食物。
[0100]
图3示出了本技术一实施例提供的ssa算法的示意性流程图。参照图3，ssa算法可以包括：
[0101]
步骤301，初始化种群，设置初始群数和最大迭代次数。
[0102]
其中，初始化种群，设置初始群数和最大迭代次数，在第d维空间内每只麻雀的位置为x＝(x1，x2，...，xd)，适应度值fi＝f(x1，x2，...，xd)，iter
max
为最大迭代次数。
[0103]
步骤302，将种群划分为发现者和跟随者。
[0104]
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。
[0105]
步骤303，更新发现者位置。
[0106]
在ssa中，因为生产者负责找食物和指导整个种群数量的流动，可以在不同的地方搜索食物，因此发现者可以获得比跟随者更大的觅食搜索范围，同时具有较高适应度值的
发现者在搜索过程中优先获得食物。在每次迭代中，发现者的位置更新如下：
[0107][0108]
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，iter
max
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，(r2∈[0，1])，st为安全阈值，(st∈[0.5，1.0])，q是一个服从正态分布的随机数，l表示一个大小为1
×
d的矩阵，且每个元素均为1。
[0109]
当r2＜st，这意味着此时的觅食环境周围没有捕食者，发现者可广泛搜索，引导种群获取更高的适应度，当r2≥st，这意味着种群中一些麻雀已经发现了捕食者，并向种群中其他麻雀发出警报，此时种群所有的麻雀都需要迅速飞到其他安全区域。
[0110]
进一步的，发现者的数量一般占到种群数量的10％-20％。
[0111]
步骤304，更新跟随者位置。
[0112]
一旦发现者找到了好的食物，跟随者就会立即离开现在的位置去争夺食物，跟随者的位置更新公式如下：
[0113][0114]
式中，x
p
为发现者所占据的最佳位置，x
worst
为当前全局最差位置，a为1
×
d的矩阵且每个元素被随机分配为1或-1，以及a
+
＝a
t
(aa
t
)-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。
[0115]
步骤305，随机选择警戒者并更新警戒值位置。
[0116]
在麻雀觅食的同时他们中的部分会负责警戒，做为警戒者，当危险靠近时，这个种群的麻雀都将放弃当前的食物而移动到一个新的位置。进一步的，警戒者的数量一般占种群数量的10％-20％。
[0117]
警戒者的位置是种群中随机产生的，在数学模型具体表示如下：
[0118][0119]
式中，x
best
为当前的全局最佳位置，β为步长控制参数，服从均值为0，方差为1的正态分布的随机数，k为麻雀的运动方向和步长控制系数，k为一个随机数且k∈[-1，1]，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为一个极小常数值，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。
[0120]
步骤306，判断是否满足设定条件。
[0121]
若是否满足设定条件，则计算结束；若未满足条件，则重复执行步骤303-步骤306，直至达最大迭代次数。
[0122]
需要说明的是，输出的优化后结果为delm的最优权值和阈值。因为，在本技术中用到的delm，是基于极限学习机elm和自动编码器ae的结合体。但是多个极限学习机自动编码器elm-ae在预训练的过程中，输入层权重与偏置是随机产生的正交随机矩阵；同时，elm-ae无监督预训练过程中采用最小二乘法更新参数，但只有输出层权重参数会更新，而输入层权重与偏置是不进行更新的，这就导致了最终delm的效果受各elm-ae的随机输入权重与随机偏置的影响，为此，本技术采用ssa速算法进行这些参数进行寻优，以此提高delm的网络精度。
[0123]
参见图4，一些实施例中，步骤104可以包括以下步骤：
[0124]
步骤401，采用多个极限学习机自动编码器elm-ae进行无监督预训练。
[0125]
elm-ae(extreme learning machines-auto encoder)的隐含层输出为：
[0126]
h＝g(ax+b)，a
t
a＝i，b
t
b＝1
[0127]
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；
[0128]
elm-ae的隐含层输出和输出神经元输出数值关系表示为：
[0129][0130]
式中，β为连接隐含层和输出层的输出权值；
[0131]
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；
[0132]
对于等维的elm-ae，输出权值β为：
[0133]
β＝h-1
x，β
t
β＝i
[0134]
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：
[0135][0136]
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h
i-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。
[0137]
进一步的，delm算法的结构示意图，参照图6。
[0138]
步骤402，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。
[0139]
基于ssa优化ela-ae随机输入权重与随机偏置，本步骤的目的为：elm-ae无监督预训练过程中采用最小二乘法更新参数，但只有输出层权重参数会更新，而输入层权重与偏置是不进行更新的，这就导致了最终delm的效果受各elm-ae的随机输入权重与随机偏置的
影响，为此，本技术采用ssa速算法进行这些参数进行寻优，以此提高delm的网络精度。
[0140]
步骤403，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。
[0141]
为了便于理解，本技术的整体流程图参见图5。即，获取一系列相关历史数据后，通过数据归一化和建立相关性分析模型，筛选出超出阈值的变量，也就是对分时电价影响明显的变量，然后构建分时电价预测模型，再通过基于ssa优化的delm算法，得出准确的预测分时电价。
[0142]
本技术提供了一个实施例，来验证技术方案的有效性和可行性。
[0143]
采用丹麦dk1地区2020年1月20日至2020年3月20日中的电价、风力发电(包括海上和陆上)、光伏发电数据，将每日数据划分为24个点，即每小时为一个采样点。输入变量的模型，预测后10天的分时电价，同训练集数据进行比较，采用平均绝对误差(mae)和均方根误差(rmse)来评估模型，具体结果如下表1所示：
[0144]
[0145][0146]
表1模型误差表
[0147]
从表1中可以看出，在8、9、10、11、12时刻，由于光伏负荷占比增大，加入光伏负荷数据使得预测结果要更加准确，说明光伏负荷对电价预测的影响不容忽视，在其他时刻，只输入总负荷和风能负荷数据预测误差更为准确。此外，在检验不同輸入变量模型的基础上，通过对比bp(back propagation)、lstm(long short term memory)、delm在模型上的预测
效果，如图7所示，评价标准为平均绝对误差mae时，delm模型的效果明显优于常用的bp模型和lstm模型，基于ssa优化算法进一步提升了delm的预测精度，可见ssa-delm算法具有显著优势。
[0148]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0149]
对应于上文实施例所述的分时电价预测方法，图8示出了本技术实施例提供的分时电价预测装置的结构框图，为了便于说明，仅示出了与本技术实施例相关的部分。
[0150]
参见图8，本技术实施例中的分时电价预测装置可以包括：获取模块601、确定模块602、模型建立模块603和测算模块604。
[0151]
获取模块601，用于获取目标用户的历史电价数据、历史总负荷数据、历史风能负荷数据和历史光伏负荷数据。确定模块602，用于分析历史电价数据、历史总负荷数据、历史风能负荷数据和历史光伏负荷数据，筛选出对分时电价影响超出阈值的变量。模型建立模块603，用于根据目标变量构建分时电价预测模型。测算模块604，用于对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进行测算。
[0152]
一些实施例中，确定模块602用于：建立电价与风能负荷的第一相关性分析模型，电价与光伏负荷的第二相关性分析模型，以及电价与总负荷的第三相关性分析模型；基于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目标变量。
[0153]
一些实施例中，上述通过皮尔逊系数确定目标变量，包括：通过皮尔逊相关系数确定第一变量对分时电价的影响程度是否超出阈值，所述的第一变量为历史电价数据、总负荷数据、风能负荷数据和光伏负荷数据变量中的任一变量；若超出阈值，则将第一变量作为目标变量。
[0154]
一些实施例中，模型建立模块603用于：模型输入项为筛选超出阈值的目标变量，目标变量包括历史风能负荷、历史光伏负荷和历史总负荷；输出项为预测的分时电价。
[0155]
因分时电价需要在不同季度，不同时段下体现不同的价格，故历史分时电价的数据具有明显的分时特性，即目标用户的电价在一天的时间序列中各时段差异较大。
[0156]
一些实施例中，模型建立模块603还用于：采用单值预测方法，即建立以一小时为时间单位的24个单值预测模型。
[0157]
一些实施例中，测算模块604用于：将构建的分时电价预测模型输入到深度极限学习机delm中，进行分时电价的预测。
[0158]
一些实施例中，测算模块604用于：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，对所述深度极限学习机进行优化；基于优化后的深度极限学习机，确定分时电价预测模型输出的分时电价。
[0159]
一些实施例中，测算模块还604用于：为了提高delm算法的运算效率和计算准确度，引入了麻雀搜索算法ssa，通过ssa优化了delm最优权值和阈值。具体包括：初始化种群，包括设置初始群数和最大迭代次数；将种群划分为发现者和跟随者；更新发现者位置；更新跟随者位置；随机选择警戒者并更新位置；判断是否结束；
[0160]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0161]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0162]
本技术实施例还提供了一种终端设备，参见图9，该终端设700可以包括：至少一个处理器710、存储器720以及存储在所述存储器720中并可在所述至少一个处理器710上运行的计算机程序，所述处理器710执行所述计算机程序时实现上述任意各个方法实施例中的步骤，例如图1所示实施例中的步骤101至步骤104。或者，处理器710执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图8所示模块601至604的功能。
[0163]
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器720中，并由处理器710执行，以完成本技术。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在终端设备700中的执行过程。
[0164]
本领域技术人员可以理解，图7仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
[0165]
处理器710可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0166]
存储器720可以是终端设备的内部存储单元，也可以是终端设备的外部存储设备，例如插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。所述存储器720用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器720还可以用于暂时地存储已经输出或者将要输出的数据。
[0167]
总线可以是工业标准体系结构(industry standard architecture，isa)总线、外部设备互连(peripheral component，pci)总线或扩展工业标准体系结构(extended industry standard architecture，eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本技术附图中的总线并不限定仅有一根总线或一种类型的总线。
[0168]
本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述分时电价预测方法各个实
施例中的步骤。
[0169]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述时电价预测方法各个实施例中的步骤。
[0170]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0171]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0172]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0173]
在本技术所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0174]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0175]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。