CN113947201A - 电力分解曲线预测模型的训练方法、装置以及存储介质 - Google Patents
电力分解曲线预测模型的训练方法、装置以及存储介质 Download PDFInfo
- Publication number
- CN113947201A CN113947201A CN202110881406.5A CN202110881406A CN113947201A CN 113947201 A CN113947201 A CN 113947201A CN 202110881406 A CN202110881406 A CN 202110881406A CN 113947201 A CN113947201 A CN 113947201A
- Authority
- CN
- China
- Prior art keywords
- power
- information
- target
- training
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 185
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 33
- 230000005540 biological transmission Effects 0.000 claims description 23
- 230000009466 transformation Effects 0.000 claims description 21
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 25
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000010248 power generation Methods 0.000 description 9
- 230000007774 longterm Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提出一种电力分解曲线预测模型的训练方法、装置以及存储介质,方法包括:获取训练样本,训练样本包括电力交易市场的多个第一候选信息和第一功率预测信息,并对训练样本进行处理,得到目标训练样本,以及利用目标训练样本对目标模型进行训练,以得到电力交易市场的电力分解曲线预测模型。从而,能够利用该预测模型预测电力交易市场的功率分解曲线,有利于辅助电厂进行电力现货交易,提高收益。
Description
技术领域
本公开涉及电力交易技术领域,尤其涉及一种电力分解曲线预测模型的训练方法、装置以及存储介质。
背景技术
根据电力中长期交易规则及电力现货市场交易规则,新能源企业需向交易中心上报次日功率预测曲线,交易中心根据规则再下发次日中长期发电曲线,而交易中心下达的中长期发电曲线可能影响新能源企业的现货交易。因此,中长期分解曲线的预测对新能源企业参与电力现货交易及现货交易市场有重要意义。
发明内容
本申请提出了一种电力分解曲线预测模型的训练方法、装置以及存储介质,旨在至少在一定程度上解决相关技术中的技术问题之一。
本申请第一方面实施例提出了一种电力分解曲线预测模型的训练方法,包括:获取训练样本,训练样本包括电力交易市场的多个第一候选信息和第一功率预测信息;对训练样本进行处理,得到目标训练样本;以及利用目标训练样本对目标模型进行训练,以得到电力交易市场的电力分解曲线预测模型。
本申请第二方面实施例提出了一种电力分解曲线预测方法,包括:获取电力交易市场待预测日期的第二目标信息和第二功率预测信息;将第二目标信息和第二功率预测信息输入至上述电力分解曲线预测模型的训练方法训练得到的电力分解曲线预测模型,以得到待预测日期多个时刻点的多个功率预测值;以及将多个功率预测值依次进行连接,得到待预测日期的电力分解曲线。
本申请第三方面实施例提出了一种电力分解曲线预测模型的训练装置,包括:第一获取模块,用于获取训练样本,训练样本包括电力交易市场的多个第一候选信息和第一功率预测信息;处理模块,用于对训练样本进行处理,得到目标训练样本;以及训练模块,用于利用目标训练样本对目标模型进行训练,以得到电力交易市场的电力分解曲线预测模型。
本申请第四方面实施例提出了一种电力分解曲线预测装置,包括:第二获取模块,用于获取电力交易市场待预测日期的第二目标信息和第二功率预测信息;预测模块,用于将第二目标信息和第二功率预测信息输入至上述的电力分解曲线预测模型的训练装置训练得到的电力分解曲线预测模型,以得到待预测日期多个时刻点的多个功率预测值;以及曲线合成模块,用于将多个功率预测值依次进行连接,得到待预测日期的电力分解曲线。
本申请第五方面实施例提出了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请实施例的电力分解曲线预测模型的训练方法,或者执行本申请实施例的电力分解曲线预测方法。
本申请第六方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本申请实施例公开的电力分解曲线预测模型的训练方法,或者执行本申请实施例的电力分解曲线预测方法。
本实施例中,通过获取训练样本,训练样本包括电力交易市场的多个第一候选信息和第一功率预测信息,并对训练样本进行处理,得到目标训练样本,以及利用目标训练样本对目标模型进行训练,以得到电力交易市场的电力分解曲线预测模型,从而能够利用该预测模型预测电力交易市场的功率分解曲线,有利于辅助电厂进行电力现货交易,提高电力交易量和收益。
本公开附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本公开一实施例提供的电力分解曲线预测模型的训练方法的流程示意图;
图2是根据本公开另一实施例提供的电力分解曲线预测模型的训练方法的流程示意图;
图3是根据本公开另一实施例提供的电力分解曲线预测方法的流程示意图;
图4是本公开实施例提供的电力分解曲线模型训练及预测的流程示意图;
图5是本公开实施例提供的XGBOOST回归模型训练过程的示意图;
图6是根据本公开另一实施例提供的电力分解曲线预测模型的训练装置的示意图;
图7是根据本公开另一实施例提供的电力分解曲线预测模型的训练装置的示意图;
图8是根据本公开另一实施例提供的电力分解曲线预测装置的示意图;
图9示出了适于用来实现本申请实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本公开的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本公开,而不能理解为对本公开的限制。相反,本公开的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
针对背景技术中提到的发电曲线影响新能源企业的现货交易的技术问题,本实施例技术方案提供了一种电力分解曲线预测模型的训练方法,下面结合具体的实施例对该方法进行说明。
其中,需要说明的是,本实施例的电力分解曲线预测模型的训练方法的执行主体可以为电力分解曲线预测模型的训练装置,该装置可以由软件和/或硬件的方式实现,该装置可以配置在电子设备中,电子设备可以包括但不限于终端、服务器端等。
图1是根据本公开一实施例提供的电力分解曲线预测模型的训练方法的流程示意图,如图1所示,该方法包括:
S101:获取训练样本,训练样本包括电力交易市场的多个第一候选信息和第一功率预测信息。
本公开实施例,首先获取用于对电力分解曲线预测模型进行训练的训练样本,训练样本包括电力交易市场的多个第一候选信息和第一功率预测信息。
其中,多个第一候选信息可以是电力交易市场交易规则所涵盖披露的信息,其可以是电力交易市场的全网信息,多个第一候选信息例如:全网用电负荷、新能源负荷、联络线或西电东送等省间线路负荷、运行机组容量、非市场化机组出力、检修机组总容量、输变电检修计划、历史节点出清电价以及其它任意可能的披露信息,对此不作限制。
而第一功率预测信息,可以是各个发电企业上报的发电功率预测信息,例如:在电力交易过程中,发电企业需要向电力交易中心上报功率预测曲线,而根据该功率预测曲线可以确定该第一功率预测信息,对此不作限制。
一些实施例,训练样本中的多个第一候选信息和第一功率预测信息可以从电力交易市场的历史数据中获取,并且第一候选信息和第一功率预测信息还可以有对应关系,例如:历史数据中,相同日期的候选信息和功率预测信息作为该第一候选信息和第一功率预测信息,对此不作限制。
S102:对训练样本进行处理,得到目标训练样本。
上述获取训练样本后,进一步地,本公开实施例可以对训练样本进行处理,得到目标训练样本。
其中,对训练样本进行处理的目的是使得训练样本能够用于模型训练,即:经过处理后的目标训练样本可以作为模型训练的输入特征,从而可以采用目标训练样本对模型进行训练。
一些实施例,对训练样本进行处理可以包括对多个第一候选信息进行处理,和/或对第一功率预测信息进行处理,对此不作限制。
另一些实施例,处理的操作例如包括:对第一候选信息和/或第一功率预测信息进行筛选处理、特征工程处理、编码处理以及其它任意可能的处理操作,对此不作限制。
S103:利用目标训练样本对目标模型进行训练,以得到电力交易市场的电力分解曲线预测模型。
上述得到目标训练样本后,进一步地,利用目标训练样本对目标模型进行训练,得到电力交易市场的电力分解曲线预测模型。
其中,目标模型例如可以是任意可能的机器学习模型,并且可以采用监督学习的方式对目标模型进行训练。其中,将第一候选信息和第一功率预测信息对应的电力分解曲线作为输出参考值,更具体地,可以将该电力分解曲线中每个时刻的功率值作为输出参考值,将目标训练样本作为模型的输入特征输入至目标模型,输出对应的输出预测值,而后根据预测值和参考值对模型参数进行调整,直至模型训练完成,得到该电力分解曲线预测模型。
一些实施例,目标模型例如可以是基于XGBOOST结构的模型,也即是说,可以利用目标训练样本对基于XGBOOST结构的模型进行训练,以得到电力分解曲线预测模型。
其中,XGBOOST的基础模型可以为回归树模型,XGBOOST结构的模型包括多个回归树,求解XGBOOST可分解为对若干树模型的求解,最后将所有基模型进行求和。
在实际应用中,XGBOOST训练(求解)过程如下:
具体地,假设回归树个数为k,XGBOOST模型即为:
D={(xi,yi)}(|D|=n,xi∈Rm,yi∈R)
其中,xi表示第i个输入样本特征,yi表示第i个样本的输出即中长期分解曲线数据,回归树(CART树)的空间F为:
F={f(x)=wq(x)}(q:Rm→T,w∈RT)
其中,q代表每棵树的结构,将样本映射到对应的叶节点;T是对应树的叶节点个数;f(x)对应树的结构q和叶节点权重w。所以,XGBOOST的预测值是每棵树对应叶节点值的和。
目标是学习这k个树,所以最小化下面这个带正则项的目标函数(损失函数):
上式的第一项是损失误差,如MSE和logistic等,第二项是正则项,控制树的复杂度,以防止过拟合。上述目标函数的优化参数是模型,不能使用传统的优化方法在欧氏空间优化,但模型在训练时,是一种加法的方式,所以在第t轮,将ft加入模型,最小化下面的目标函数:
.......
下面以求解第t个基模型为例,说明XGBOOST的求解过程,在第t轮,目标函数为:
接下来将目标函数进行泰勒展开,取前三项,移除高阶小无穷小项,最后目标函数转化为:
其中:
最终将关于树模型的迭代转化为关于树叶子节点的迭代,并求出最优的叶节点分数。将叶节点的最优值带入目标函数,最终目标函数的形式为:
上式可作为得分函数用来测量树结构的质量,类似与决策树的不纯度得分,只是其通过更广泛的目标函数得到。通过上式,当树结构确定时,树的结构得分只与其一阶倒数和二阶倒数有关,得分越小,说明结构越好。
通常情况下,无法枚举所有可能的树结构然后选取最优的,所以选择用一种贪婪算法来代替:从单个叶节点开始,迭代分裂来给树添加节点。节点切分后的损失函数为:
上式括号中各项分别代表左子树分数、右子树分数、不分割时的节点分数,最后γ代表加入新叶节点引入的复杂度代价,用来评估切分后的损失函数,目标是寻找一个特征及对应的值,使得切分后的损失下降最大。γ除了控制树的复杂度,另一个作用是作为阈值,只有当分裂后的增益大于γ时,才选择分裂,起到了预剪枝的作用。
不断枚举不同树的结构,利用打分函数来寻找出一个最优结构的树,接着加入到模型中,不断重复此操作。这个寻找的过程使用的即是贪心算法。选择一个特征分裂,计算损失函数最小值,然后再选一个特征分裂,又得到一个损失最小值,枚举完后找一个效果最好的,对树进行分裂,这个过程即是求解树模型又能筛选出使得损失下降最大的特征,得到特征重要性。
本实施例中,通过获取训练样本,训练样本包括电力交易市场的多个第一候选信息和第一功率预测信息,并对训练样本进行处理,得到目标训练样本,以及利用目标训练样本对目标模型进行训练,以得到电力交易市场的电力分解曲线预测模型。从而,能够利用该预测模型预测电力交易市场的功率分解曲线,有利于辅助电厂进行电力现货交易,提高电力交易量和收益。
图2是根据本公开另一实施例提供的电力分解曲线预测模型的训练方法的流程示意图,如图2所示,该方法包括:
S201:获取训练样本,训练样本包括电力交易市场的多个第一候选信息和第一功率预测信息。
S201的具体说明可以参见上述实施例,此处不再赘述。
S202:从第一候选信息中确定与电力分解曲线相关的第一目标信息。
本公开实施例,在对训练样本进行处理的过程中,可以从多个第一候选信息中确定与电力分解曲线相关的第一目标信息,即:从多个第一候选信息中筛选第一目标信息,第一目标信息可以是一个信息或者多个信息,对此不作限制。
在一个具体实例中,该电力交易中心可以对新能源电力进行交易,在这种情况下,该电力分解曲线预测模型可以对新能源电力分解曲线进行预测,对应的,从多个第一候选信息中确定的第一目标信息可以与新能源电力相关。其中,经过分析(例如:采用大数据分析方式),新能源负荷量和输电计划对新能源电力分解曲线影响最大,则筛选的第一目标信息可以为:新能源负荷量、输变电检修计划,以及其它任意可能的信息,对此不作限制。
可以理解的是,针对不同的应用场景可以确定不同的第一目标信息,从而可以训练不同的电力分解曲线预测模型,能够满足不同场景下分解曲线预测需求。
S203:根据第一目标信息和第一功率预测信息,得到目标训练样本。
进一步地,根据第一目标信息和第一功率预测信息,得到目标训练样本,也即是说,将新能源负荷量、输变电检修计划、第一功率预测信息作为该目标训练样本。从而,选择与电力分解曲线相关的第一目标数据作为训练样本,可以减少模型的输入特征,提高模型的训练速度,并且训练得到的模型能够更加符合场景需求。
一些实施例,第一目标信息中可能存在文本类型、离散型的信息,例如:输变电检修计划为离散信息,在这种情况下,确定与电力分解曲线相关的第一目标信息之后,还可以将第一目标信息中的离散信息进行编码处理,即:对输变电检修计划进行编码处理,使得编码后的输变电检修计划符合模型输入特征的要求,能够更加适用于模型训练。
举例而言,可以采用one-hot编码方式针对输变电检修计划进行编码。具体地,输变电检修计划中每新增一条输变电线路,输入数据将新增一维特征,根据训练样本中输变电检修计划与时间的对应关系,若某时刻点某条输变电无检修计划,则编码为0,否则编码为1。
进一步地,根据编码后的第一目标信息和第一功率预测信息,得到目标训练样本。
从而,本实施例训练样本的特征是一个动态变化的数据,根据样本所选日期不同,特征数量及特征值都会随之改变,因此可以丰富训练样本。
另一些实施例,还可以将第一目标信息和第一功率预测信息分别对应的时间节点信息创建类型特征,例如:对第一目标信息和第一功率预测信息对应的时间节点信息进行特征工程。
其中,可以将月份类型特征编码为1-12,分别对应每年的1-12月;将日期类型特征编码为0-6,分别对应周一至周日;将时刻点类型特征编码为1-96,分别对应二十四小时的每个时刻。
进一步地,根据第一目标信息、第一功率预测信息以及分别对应的月份类型特征、日期类型特征、时刻点类型特征,得到目标训练样本。
从而,通过对时间节点信息进行特征工程处理,可以挖掘更多的时间信息,可以为模型训练提供日期或时刻点相似信息,提高模型精度,提升收敛速度。
S204:利用目标训练样本对目标模型进行训练,以得到电力交易市场的电力分解曲线预测模型。
S204的具体说明可以参见上述实施例,此处不再赘述。
本实施例中,通过获取训练样本,训练样本包括电力交易市场的多个第一候选信息和第一功率预测信息,并对训练样本进行处理,得到目标训练样本,以及利用目标训练样本对目标模型进行训练,以得到电力交易市场的电力分解曲线预测模型。从而,能够利用该预测模型预测电力交易市场的功率分解曲线,有利于辅助电厂进行电力现货交易,提高电力交易量和收益。并且,在对训练样本进行处理的过程中,可以选择与电力分解曲线相关的第一目标数据作为训练样本,可以减少模型的输入特征,提高模型的训练速度,并且训练得到的模型能够更加符合场景需求。并且,对输变电检修计划进行编码处理,使得编码后的输变电检修计划符合模型输入特征的要求,能够更加适用于模型训练。此外,通过对时间节点信息进行特征工程处理,可以挖掘更多的时间信息,可以为模型训练提供日期或时刻点相似信息,提高模型精度,提升收敛速度。
图3是根据本公开另一实施例提供的电力分解曲线预测方法的流程示意图,如图3所示,该方法包括:
S301:获取电力交易市场待预测日期的第二目标信息和第二功率预测信息。
其中,第二目标信息可以是待预测日期的电力交易市场披露信息中的部分信息,第二目标信息例如:新能源负荷量、输变电检修计划,也即是说,获取电力交易市场待预测日期的新能源负荷量、输变电检修计划作为该第二目标信息。
而第二功率预测信息,可以是待预测日期各个发电企业上报的发电功率预测信息,例如:新能源发电企业上报的新能源发电功率预测曲线,对此不作限制。
可以理解的是,第二目标信息和第二功率预测信息是待预测的信息,可以根据第二目标信息和第二功率预测信息预测对应的电力分解曲线。
S302:将第二目标信息和第二功率预测信息输入至上述的电力分解曲线预测模型的训练方法训练得到的电力分解曲线预测模型,以得到待预测日期多个时刻点的多个功率预测值。
进一步地,将第二目标信息和第二功率预测信息输入至上述的电力分解曲线预测模型的训练方法训练得到的电力分解曲线预测模型,也即是说,将待预测日期的新能源负荷量、输变电检修计划、第二功率预测信息,输入至上述实施例训练得到的电力分解曲线预测模型,输出待预测日期多个时刻点的多个功率预测值,例如:输出96个时刻点分别对应的功率预测值。
需要说明的是,在将待预测日期的新能源负荷量、输变电检修计划、第二功率预测信息输入模型之前,还可以对输变电检修计划进行编码处理,对时间信息进行特征工程处理,具体处理方式同理于上述实施例,此处不再赘述。
S303:将多个功率预测值依次进行连接,得到待预测日期的电力分解曲线。
上述得到多个功率预测值之后,可以将多个功率预测值依次进行连接,即:将多个功率预测值进行连接作图,得到的曲线图为待预测日期的电力分解曲线。
本实施例中,可以采用电力分解曲线预测模型对第二目标信息和第二功率预测信息进行预测,得到对应的电力分解曲线。从而,利用该预测模型预测电力交易市场的功率分解曲线,有利于辅助电厂进行电力现货交易,提高收益。
在实际应用中,图4是本公开实施例提供的电力分解曲线模型训练及预测的流程示意图,如图4所示,首先导入现货市场披露文件(对应于上述实施例中的第一候选信息),进一步地导入电厂功率调整曲线(对应于第一功率预测信息),进一步地解析文件并进行分析筛选调整(对应于从第一候选信息筛选第一目标信息),进一步地对第一目标信息进行one-hot编码,并对时间节点进行特征工程,进一步地对XGBOOST回归模型寻优参数范围设置,并采用处理后的第一目标信息和第一功率预测信息对XGBOOST回归模型求解训练,得到XGBOOST回归模型,进一步地将预测日披露数据(第二目标数据)、功率曲线数据(第二功率预测信息)进行特征解析处理(编码、特征工程等),并采用XGBOOST回归模型进行预测,得到中长期分解曲线预测(对应于电力分解曲线)。
此外,图5是本公开实施例提供的XGBOOST回归模型训练过程的示意图,如图5所示,首先设置XGBOOST回归寻优参数范围,并采用训练集(训练样本或者目标训练样本)对XGBOOST回归模型进行求解训练,其中,训练集中五分之四作为训练集,五分之一作为验证集,对XGBOOST模型进行回归预测,其中计算每套参数下5个验证集的平均准确率,进一步地输出验证集上平均准确率最高的参数组合作为XGBOOST模型的参数,进一步地,基于预测日的披露数据、功率曲线数据进行预测。
图6是根据本公开另一实施例提供的电力分解曲线预测模型的训练装置的示意图。如图6所示,该电力分解曲线预测模型的训练装置60包括:
第一获取模块601,用于获取训练样本,训练样本包括电力交易市场的多个第一候选信息和第一功率预测信息;
处理模块602,用于对训练样本进行处理,得到目标训练样本;以及
训练模块603,用于利用目标训练样本对目标模型进行训练,以得到电力交易市场的电力分解曲线预测模型。
可选地,一些实施例,训练模块603,具体用于:利用目标训练样本对基于XGBOOST结构的模型进行训练,以得到电力分解曲线预测模型,其中,XGBOOST结构的模型包括多个回归树。
可选地,一些实施例,图7是根据本公开另一实施例提供的电力分解曲线预测模型的训练装置的示意图,如图7所示,该处理模块602,包括:
筛选子模块6021,用于从多个第一候选信息中确定与电力分解曲线相关的第一目标信息;以及
训练子模块6022,用于根据第一目标信息和第一功率预测信息,得到目标训练样本。
可选地,一些实施例,训练子模块6022,具体用于:将第一目标信息中的离散信息进行编码处理;以及根据编码后的第一目标信息和第一功率预测信息,得到目标训练样本。
可选地,一些实施例,训练子模块6022,具体用于:将第一目标信息和第一功率预测信息分别对应的时间节点信息创建类型特征,其中,将月份类型特征编码为1-12,分别对应每年的1-12月;将日期类型特征编码为0-6,分别对应周一至周日;将时刻点类型特征编码为1-96,分别对应二十四小时的每个时刻;以及根据第一目标信息、第一功率预测信息以及分别对应的月份类型特征、日期类型特征、时刻点类型特征,得到目标训练样本。
可选地,一些实施例,第一目标信息包括:新能源负荷量、输变电检修计划。
图8是根据本公开另一实施例提供的电力分解曲线预测装置的示意图。如图8所示,该电力分解曲线预测装置80包括:
第二获取模块801,用于获取电力交易市场待预测日期的第二目标信息和第二功率预测信息;
预测模块802,用于将第二目标信息和第二功率预测信息输入至上述电力分解曲线预测模型的训练装置训练得到的电力分解曲线预测模型,以得到待预测日期多个时刻点的多个功率预测值;以及
曲线合成模块803,用于将多个功率预测值依次进行连接,得到待预测日期的电力分解曲线。
本实施例中,通过获取训练样本,训练样本包括电力交易市场的多个第一候选信息和第一功率预测信息,并对训练样本进行处理,得到目标训练样本,以及利用目标训练样本对目标模型进行训练,以得到电力交易市场的电力分解曲线预测模型。从而,能够利用该预测模型预测电力交易市场的功率分解曲线,有利于辅助电厂进行电力现货交易,提高电力交易量和收益。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
为了实现上述实施例,本申请还提出一种计算机程序产品,当计算机程序产品中的指令处理器执行时,执行如本申请前述实施例提出的电力分解曲线预测模型的训练方法,或者执行如本申请前述实施例提出的电力分解曲线预测方法。
图9示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图9显示的计算机设备12仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图9所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图9未显示,通常称为“硬盘驱动器”)。
尽管图9中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用,例如实现前述实施例中提及的电力分解曲线预测模型的训练方法,或者电力分解曲线预测方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (16)
1.一种电力分解曲线预测模型的训练方法,其特征在于,包括:
获取训练样本,所述训练样本包括电力交易市场的多个第一候选信息和第一功率预测信息;
对所述训练样本进行处理,得到目标训练样本;以及
利用所述目标训练样本对目标模型进行训练,以得到所述电力交易市场的电力分解曲线预测模型。
2.如权利要求1所述的方法,其特征在于,利用所述目标训练样本对目标模型进行训练,以得到所述电力交易市场的电力分解曲线预测模型,包括:
利用所述目标训练样本对基于XGBOOST结构的模型进行训练,以得到所述电力分解曲线预测模型,其中,所述XGBOOST结构的模型包括多个回归树。
3.如权利要求1所述的方法,其特征在于,对所述训练样本进行处理,得到目标训练样本,包括:
从所述多个第一候选信息中确定与电力分解曲线相关的第一目标信息;以及
根据所述第一目标信息和所述第一功率预测信息,得到所述目标训练样本。
4.如权利要求3所述的方法,其特征在于,根据所述第一目标信息和所述第一功率预测信息,得到所述目标训练样本,包括:
将所述第一目标信息中的离散信息进行编码处理;以及
根据编码后的所述第一目标信息和所述第一功率预测信息,得到所述目标训练样本。
5.如权利要求3所述的方法,其特征在于,根据所述第一目标信息和所述第一功率预测信息,得到所述目标训练样本,还包括:
将所述第一目标信息和所述第一功率预测信息分别对应的时间节点信息创建类型特征,其中,
将月份类型特征编码为1-12,分别对应每年的1-12月;
将日期类型特征编码为0-6,分别对应周一至周日;
将时刻点类型特征编码为1-96,分别对应二十四小时的每个时刻;以及
根据所述第一目标信息、所述第一功率预测信息以及分别对应的月份类型特征、日期类型特征、时刻点类型特征,得到所述目标训练样本。
6.如权利要求3-5任一项所述的方法,其特征在于,所述第一目标信息包括:新能源负荷量、输变电检修计划。
7.一种电力分解曲线预测方法,其特征在于,包括:
获取电力交易市场待预测日期的第二目标信息和第二功率预测信息;
将所述第二目标信息和第二功率预测信息输入至上述权利要求1-6任一项所述的电力分解曲线预测模型的训练方法训练得到的电力分解曲线预测模型,以得到待预测日期多个时刻点的多个功率预测值;以及
将所述多个功率预测值依次进行连接,得到所述待预测日期的电力分解曲线。
8.一种电力分解曲线预测模型的训练装置,其特征在于,包括:
第一获取模块,用于获取训练样本,所述训练样本包括电力交易市场的多个第一候选信息和第一功率预测信息;
处理模块,用于对所述训练样本进行处理,得到目标训练样本;以及
训练模块,用于利用所述目标训练样本对目标模型进行训练,以得到所述电力交易市场的电力分解曲线预测模型。
9.如权利要求8所述的装置,其特征在于,所述训练模块,具体用于:
利用所述目标训练样本对基于XGBOOST结构的模型进行训练,以得到所述电力分解曲线预测模型,其中,所述XGBOOST结构的模型包括多个回归树。
10.如权利要求8所述的装置,其特征在于,所述处理模块,包括:
筛选子模块,用于从所述多个第一候选信息中确定与电力分解曲线相关的第一目标信息;以及
训练子模块,用于根据所述第一目标信息和所述第一功率预测信息,得到所述目标训练样本。
11.如权利要求10所述的装置,其特征在于,所述训练子模块,具体用于:
将所述第一目标信息中的离散信息进行编码处理;以及
根据编码后的所述第一目标信息和所述第一功率预测信息,得到所述目标训练样本。
12.如权利要求11所述的装置,其特征在于,所述训练子模块,具体用于:
将所述第一目标信息和所述第一功率预测信息分别对应的时间节点信息创建类型特征,其中,
将月份类型特征编码为1-12,分别对应每年的1-12月;
将日期类型特征编码为0-6,分别对应周一至周日;
将时刻点类型特征编码为1-96,分别对应二十四小时的每个时刻;以及
根据所述第一目标信息、所述第一功率预测信息以及分别对应的月份类型特征、日期类型特征、时刻点类型特征,得到所述目标训练样本。
13.如权利要求10-12任一项所述的装置,其特征在于,所述第一目标信息包括:新能源负荷量、输变电检修计划。
14.一种电力分解曲线预测装置,其特征在于,包括:
第二获取模块,用于获取电力交易市场待预测日期的第二目标信息和第二功率预测信息;
预测模块,用于将所述第二目标信息和第二功率预测信息输入至上述权利要求8-13任一项所述的电力分解曲线预测模型的训练装置训练得到的电力分解曲线预测模型,以得到待预测日期多个时刻点的多个功率预测值;以及
曲线合成模块,用于将所述多个功率预测值依次进行连接,得到所述待预测日期的电力分解曲线。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法,或者执行权利要求7所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法,或者执行权利要求7所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110881406.5A CN113947201A (zh) | 2021-08-02 | 2021-08-02 | 电力分解曲线预测模型的训练方法、装置以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110881406.5A CN113947201A (zh) | 2021-08-02 | 2021-08-02 | 电力分解曲线预测模型的训练方法、装置以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113947201A true CN113947201A (zh) | 2022-01-18 |
Family
ID=79327736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110881406.5A Pending CN113947201A (zh) | 2021-08-02 | 2021-08-02 | 电力分解曲线预测模型的训练方法、装置以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947201A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107895211A (zh) * | 2017-11-27 | 2018-04-10 | 上海积成能源科技有限公司 | 一种基于大数据的中长期电力负荷预测方法和系统 |
CN109858674A (zh) * | 2018-12-27 | 2019-06-07 | 国网浙江省电力有限公司 | 基于XGBoost算法的月度负荷预测方法 |
CN109858783A (zh) * | 2019-01-16 | 2019-06-07 | 国能日新科技股份有限公司 | 风电场电力交易辅助决策支持系统及辅助决策支持方法 |
CN109978233A (zh) * | 2019-02-20 | 2019-07-05 | 中国电力科学研究院有限公司 | 一种考虑中长期电量交易合同的日前优化调度方法及系统 |
CN110400168A (zh) * | 2019-07-01 | 2019-11-01 | 新奥数能科技有限公司 | 一种电力中长期交易曲线分解的方法及系统 |
CN110543988A (zh) * | 2019-08-28 | 2019-12-06 | 上海电力大学 | 一种基于XGBoost算法的光伏短期出力预测系统及方法 |
CN110866658A (zh) * | 2019-12-05 | 2020-03-06 | 国网江苏省电力有限公司南通供电分公司 | 一种城市电网中长期负荷预测方法 |
CN110969285A (zh) * | 2019-10-29 | 2020-04-07 | 京东方科技集团股份有限公司 | 预测模型训练方法、预测方法、装置、设备及介质 |
CN111127203A (zh) * | 2019-12-16 | 2020-05-08 | 新奥数能科技有限公司 | 中长期电力交易方案确定方法及装置 |
CN111340273A (zh) * | 2020-02-17 | 2020-06-26 | 南京邮电大学 | 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法 |
CN111950805A (zh) * | 2020-08-25 | 2020-11-17 | 润联软件系统(深圳)有限公司 | 中长期电力负荷预测方法、装置、计算机设备及存储介质 |
CN111985701A (zh) * | 2020-07-31 | 2020-11-24 | 国网上海市电力公司 | 一种基于供电企业大数据模型库的用电预测方法 |
CN112580901A (zh) * | 2021-02-23 | 2021-03-30 | 国能日新科技股份有限公司 | 基于市场供需和区域气象预测的日前交易策略方法及系统 |
CN112651770A (zh) * | 2020-12-07 | 2021-04-13 | 山东大学 | 电力现货市场售电商负荷申报优化方法及系统 |
-
2021
- 2021-08-02 CN CN202110881406.5A patent/CN113947201A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107895211A (zh) * | 2017-11-27 | 2018-04-10 | 上海积成能源科技有限公司 | 一种基于大数据的中长期电力负荷预测方法和系统 |
CN109858674A (zh) * | 2018-12-27 | 2019-06-07 | 国网浙江省电力有限公司 | 基于XGBoost算法的月度负荷预测方法 |
CN109858783A (zh) * | 2019-01-16 | 2019-06-07 | 国能日新科技股份有限公司 | 风电场电力交易辅助决策支持系统及辅助决策支持方法 |
CN109978233A (zh) * | 2019-02-20 | 2019-07-05 | 中国电力科学研究院有限公司 | 一种考虑中长期电量交易合同的日前优化调度方法及系统 |
CN110400168A (zh) * | 2019-07-01 | 2019-11-01 | 新奥数能科技有限公司 | 一种电力中长期交易曲线分解的方法及系统 |
CN110543988A (zh) * | 2019-08-28 | 2019-12-06 | 上海电力大学 | 一种基于XGBoost算法的光伏短期出力预测系统及方法 |
CN110969285A (zh) * | 2019-10-29 | 2020-04-07 | 京东方科技集团股份有限公司 | 预测模型训练方法、预测方法、装置、设备及介质 |
CN110866658A (zh) * | 2019-12-05 | 2020-03-06 | 国网江苏省电力有限公司南通供电分公司 | 一种城市电网中长期负荷预测方法 |
CN111127203A (zh) * | 2019-12-16 | 2020-05-08 | 新奥数能科技有限公司 | 中长期电力交易方案确定方法及装置 |
CN111340273A (zh) * | 2020-02-17 | 2020-06-26 | 南京邮电大学 | 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法 |
CN111985701A (zh) * | 2020-07-31 | 2020-11-24 | 国网上海市电力公司 | 一种基于供电企业大数据模型库的用电预测方法 |
CN111950805A (zh) * | 2020-08-25 | 2020-11-17 | 润联软件系统(深圳)有限公司 | 中长期电力负荷预测方法、装置、计算机设备及存储介质 |
CN112651770A (zh) * | 2020-12-07 | 2021-04-13 | 山东大学 | 电力现货市场售电商负荷申报优化方法及系统 |
CN112580901A (zh) * | 2021-02-23 | 2021-03-30 | 国能日新科技股份有限公司 | 基于市场供需和区域气象预测的日前交易策略方法及系统 |
Non-Patent Citations (3)
Title |
---|
张向荣 等: "《人工智能前沿技术丛书 模式识别》", 30 September 2019, 西安电子科技大学出版社, pages: 135 - 141 * |
高琳等: "电力系统短期负荷预测的多神经网络Boosting集成模型", 《西安交通大学学报》 * |
高琳等: "电力系统短期负荷预测的多神经网络Boosting集成模型", 《西安交通大学学报》, no. 10, 10 October 2004 (2004-10-10), pages 38 - 42 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4661250B2 (ja) | 予測方法、予測装置および予測プログラム | |
CN110019401B (zh) | 件量预测方法、装置、设备及其存储介质 | |
CN107133699A (zh) | 电影票房趋势预测方法和装置、设备、存储介质 | |
Yang et al. | Modeling of EAD and LGD: Empirical approaches and technical implementation | |
Cao et al. | Early warning of enterprise decline in a life cycle using neural networks and rough set theory | |
CN112132356A (zh) | 一种基于时空图注意力机制的股价预测方法 | |
CN116340726A (zh) | 一种能源经济大数据清洗方法、系统、设备及存储介质 | |
Kim et al. | Tutorial on time series prediction using 1D-CNN and BiLSTM: A case example of peak electricity demand and system marginal price prediction | |
CN112381664A (zh) | 电网短期负荷预测方法、预测装置及存储介质 | |
CN109657851A (zh) | 事件驱动型的股价预测方法、装置、设备及存储介质 | |
Wang et al. | A transformer-based multi-entity load forecasting method for integrated energy systems | |
CN114118570A (zh) | 业务数据预测方法及装置、电子设备和存储介质 | |
CN113848936A (zh) | 路径规划方法、装置、电子设备和计算机可读存储介质 | |
CN111695967A (zh) | 一种报价的确定方法、装置、设备及存储介质 | |
CN116823468A (zh) | 一种基于sac的高频量化交易控制方法、系统及存储介质 | |
CN113947201A (zh) | 电力分解曲线预测模型的训练方法、装置以及存储介质 | |
CN109902870A (zh) | 基于AdaBoost回归树模型的电网投资预测方法 | |
CN113835964B (zh) | 基于小样本学习的云数据中心服务器能耗预测方法 | |
CN115759469A (zh) | 一种针对峰值负荷及其出现时间的预测方法及其装置 | |
CN116257758A (zh) | 模型训练方法、人群拓展方法、介质、装置和计算设备 | |
CN113010687B (zh) | 一种习题标签预测方法、装置、存储介质以及计算机设备 | |
KR101830090B1 (ko) | 포트폴리오 최적화 시스템 및 그 방법, 그리고 이 방법이 구현된 계산 프로그램을 저장하는 실행 가능한 디지털 매체 | |
CN113570455A (zh) | 股票推荐方法及装置、计算机设备、存储介质 | |
Steinmetz et al. | Bootstrap consistency for the Mack bootstrap | |
Girish et al. | Stock Market Time Series Forecasting using Long Short-Term Memory |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220118 |
|
RJ01 | Rejection of invention patent application after publication |