(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 202211258160.7 (22)申请日 2022.10.14 (71)申请人 深圳国瑞协创储能技 术有限公司 地址 518000 广东省深圳市南 山区沙河街 道香山街社区文昌街4号东部工业区 C7栋312 (72)发明人 王琛珑　张艺群　卓清锋　韦耀锋　 (74)专利代理 机构 深圳市爱迪森知识产权代理 事务所(普通 合伙) 44341 专利代理师 王广涛 (51)Int.Cl. G06Q 10/04(2012.01) G06N 20/00(2019.01) G06Q 50/06(2012.01) (54)发明名称 基于时序序列的能量数据中长期预测方法、 装置及介质 (57)摘要 本申请实施例涉及能量数据预测技术领域， 公开了一种基于时序序列的能量数据中长期预 测方法， 该方法包括： 第一滑动窗口对原始能量 数据集进行采样， 获取第一训练数据集和第一预 测样本； 第一训练数据集对第一模型训练； 第一 预测样本输入训练后的第一模型生成第一预测 能量数据集； 对原始能量数据和第一预测能量数 据集进行预处理； 第二滑动窗口对 预处理后的原 始能量数据集采样， 获取第二训练数据集和第二 预测样本集； 第二训练数据集对第二模型进行训 练； 第二预测样本集输入训练后的第二模型生成 第二预测能量数据集； 由第一预测能量数据集和 第二预测能量数据集获取全部能量预测数据。 通 过上述方式， 本申请实施例实现了获得准确度较 高的能量预测数据。 权利要求书3页 说明书17页 附图6页 CN 115330096 A 2022.11.11 CN 115330096 A 1.一种基于时序序列的能量数据中长期预测方法， 其特征在于， 所述方法用于对m个时 间点的能量数据进行 预测， 其中m为大于1的自然数， 所述方法包括： 获取原始时间序列能量数据集； 通过第一滑动窗口对所述原始时间序列能量数据集进行采样， 获取第 一训练数据集和 第一预测样本； 根据所述第一训练数据集对第一预测模型进行训练； 将所述第一预测样本输入至训练后的所述第 一预测模型生成第 一预测能量数据集， 所 述第一预测能量数据集包 含k个第一预测能量数据， 所述 k为小于m的自然数； 对所述原始时间序列能量数据集和所述第 一预测能量数据集进行预处理， 获得预处理 后的原始时间序列能量数据集； 通过第二滑动窗口对所述预处理后的原始时间序列能量数据集进行采样， 获取第 二训 练数据集和第二预测样本集， 其中采样间隔为m， 所述第二预测样本集包含m ‑k个第二预测 样本； 根据所述第二训练数据集对第二预测模型进行训练； 将所述第二预测样本集输入训练后的所述第 二预测模型生成第 二预测能量数据集， 所 述第二预测能量数据集包 含m‑k个第二预测能量数据； 根据所述第 一预测能量数据集和所述第 二预测能量数据集获取m个时间点的能量预测 数据。 2.根据权利要求1所述的方法， 其特征在于， 所述通过第 一滑动窗口对所述原始时间序 列能量数据集进行采样， 获取第一训练数据集和第一预测样本， 包括： 所述原始时间序列 能量数据集包括N个能量数据， 设定所述第一滑动窗口长度为M+1， M， N均为自然数， M+1<N， 通过所述第一滑动窗口对所述原始时间序列能量数据集进行连续 采样， 获得第一训练数据集； 调整所述第 一滑动窗口长度为M， 将所述第一滑动窗口向后移动一个数据开始采样， 获 得第一预测样本 。 3.根据权利要求2所述的方法， 其特征在于， 所述将第 一预测样本输入至训练后的所述 第一预测模型生成第一预测能量数据集， 包括： 将所述第一预测样本 输入至训练后的所述第一预测模型， 获得第一预测能量数据； 对所述原始时间序列能量数据集和所述第 一预测能量数据进行预处理， 获得预处理后 的原始时间序列能量数据集； 将所述预处 理后的原 始时间序列能量数据集作为原 始时间序列能量数据集； 重复执行所述通过第 一滑动窗口对所述原始时间序列能量数据集进行采样的步骤， 直 至生成k个第一预测能量数据， 所述 k个第一预测能量数据组成第一预测能量数据集。 4.根据权利要求3所述的方法， 其特征在于， 所述对所述原始时间序列能量数据集和所 述第一预测能量数据集进行 预处理， 获得预处理后的原 始时间序列能量数据集， 包括： 将所述第一预测能量数据集的k个第 一预测能量数据与 所述原始时间序列能量数据集 的N个能量数据按时间顺序依 次排列进行预处理， 获得预处理后的原始 时间序列能量数据 集， 所述预处 理后的原 始时间序列能量数据集包括 N+k个能量数据。 5.根据权利要求4所述的方法， 其特征在于， 所述通过第 二滑动窗口对所述预处理后的权　利　要　求　书 1/3 页 2 CN 115330096 A 2原始时间序列能量数据集进行采样， 获取第二训练数据集和第二预测样本集， 包括： 所述第二滑动窗口长度为M ’*m+1， 其中M ’为自然数， M ’*m+1<N+k， 通过所述第二滑动窗 口对所述预处理后的原始时间序列能量数据集进 行全部采样， 其中采样间隔为m， 获得第二 训练数据集； 调整所述第二滑动窗口长度 为 （M’ ‑1） *m+1， 将所述第二滑动窗口向后移动一个数据 开 始采样， 其中采样间隔为m， 共采样m ‑k次， 获得第二预测样本集， 所述第二预测样本集包含 m‑k个第二预测样本 。 6.根据权利要求1所述的方法， 其特 征在于， 所述 k值通过如下步骤确定： 获取原始时间序列能量数据集， 所述原 始时间序列能量数据集包括 N个能量数据； 将所述原始时间序列能量数据集划分为原始时间序列实验能量数据集和原始时间序 列验证能量数据集， 所述原始时间序列实验能量数据集包括前N ‑m个能量数据， 所述原始时 间序列验证能量数据集包括后m个能量数据， 所述m为大于1的自然数； 通过第一滑动窗口对所述原始时间序列实验能量数据集进行采样， 获取第 一实验训练 数据集和第一实验预测样本； 根据所述第一实验训练数据集对第一预测模型进行训练； 将所述第一实验预测样本输入至训练后的所述第一预测模型生成第一实验预测能量 数据集， 所述第一 实验预测能量数据集包含s个第一 实验预测能量数据， 所述s为小于 m的自 然数； 对所述原始时间序列实验能量数据集和所述第 一实验预测能量数据集进行预处理， 获 得预处理后的原 始时间序列实验能量数据集； 通过第二滑动窗口对所述预处理后的原始时间序列实验能量数据集进行采样， 获取第 二实验训练数据集和 第二实验预测样本集， 其中采样间隔为m， 所述第二 实验预测样本集包 含m‑s个第二实验预测样本； 根据所述第二实验训练数据集对第二预测模型进行训练； 将所述第二实验预测样本集输入训练后的所述第二预测模型生成第二实验预测能量 数据集， 所述第二实验预测能量数据集包 含m‑s个第二实验预测能量数据； 根据所述第 一实验预测能量数据集和所述第 二实验预测能量数据集获取m个时间点的 实验预测能量数据； 将所述m个时间点的实验预测能量数据与所述原始时间序列验证能量数据集中的m个 能量数据进行比对， 确定误差值； 将所述s依次增大或减小， 重复执行上述步骤， 确定对应的误差值， 直至所述s达到预设 值； 将各所述误差值中的最小误差值对应的s值确定为 k值。 7.根据权利要求1 ‑6中任一项所述的方法， 其特征在于， 所述第一预测模型为XGBoost 模型， 所述第二预测模型为AN N模型。 8.一种基于时序 序列的能量数据中长期预测装置， 其特 征在于， 所述装置包括： 第一获取模块， 用于获取原 始时间序列能量数据集； 第一采样模块， 用于通过第一滑动 窗口对所述原始时间序列能量数据集进行采样， 获 取第一训练数据集和第一预测样本；权　利　要　求　书 2/3 页 3 CN 115330096 A 3