峰谷电价时段预测方法、装置、计算机设备、介质

技术领域

本申请涉及电网调控技术领域，特别是涉及一种峰谷电价时段预测方法、装置、计算机设备、介质。

背景技术

随着科技的进步，电动汽车越来越普及，而随着电动汽车的广泛应用，电动汽车充电时对电网所造成的负荷越来越重。当大量的电动汽车在用电高峰期进行充电时会导致电网的负荷过重，而过重的电网负荷会影响电网的供电质量，从而使得电网供电产生波动，反过来会影响居民的正常用电。

目前，为了解决电网供电能力的问题，通常采用扩大电网规模的方式来满足电动汽车日益增长的需求。

然而，电动汽车的充电具有较大的间歇性，通常集中在某些固定的时间进行充电，从而使得电网负荷的波动较大，在电动汽车不充电时使得电网的供电资源被浪费。而峰谷电价时段能够一定程度上影响电动汽车的充电时间。因此，如何合理的制定峰谷电价时段，降低电网负荷的波动，是目前需要解决的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够对使得电网负荷波动最小的峰谷电价时段进行预测的峰谷电价时段预测方法、装置、计算机设备、介质。

一种峰谷电价时段预测方法，所述方法包括：获取在不同峰谷电价时段下的历史电网负荷数据；基于不同峰谷电价时段与对应的历史电网负荷数据，构建初始预测模型，其中，所述初始预测模型包括不同峰谷电价时段与历史电网负荷数据之间的对应关系；采用遗传算法调整所述初始预测模型中的建模参数，直到采用所述初始预测模型预测得到的电网负荷数据与历史电网负荷数据一致，得到目标预测模型；在预设的峰谷电价时段约束条件下，以电网负荷数据波动最小为目标，采用所述目标预测模型预测目标峰谷电价时段。

在其中一个实施例中，所述基于不同峰谷电价时段与对应的历史电网负荷数据，构建初始预测模型，包括：将多个不同峰谷电价时段与对应的历史电网负荷数据作为训练样本，采用最小二乘法确定不同峰谷电价时段与对应的历史电网负荷数据之间的对应关系，构建所述初始预测模型。

在其中一个实施例中，所述采用遗传算法调整所述初始预测模型的中的建模参数，直到采用所述初始预测模型预测得到的电网负荷数据与历史电网负荷数据一致，得到目标预测模型，包括：获取预设的适应度函数，其中，所述适应度函数包括采用所述初始预测模型预测得到的电网负荷数据与历史电网负荷数据的关系的适应度函数值；采用遗传算法调整所述初始预测模型的中的建模参数，直到采用调整后的初始预测模型预测得到的电网负荷数据与历史电网负荷数据的关系的适应度函数值小于预设阈值，将当前的初始预测模型作为所述目标预测模型。

在其中一个实施例中，所述采用遗传算法调整所述初始预测模型的中的建模参数，包括：基于所述建模参数，生成对应的遗传算法种群，所述种群包括多个个体；通过轮盘赌选择算法，根据各个所述个体的适应度，对所述多个个体进行筛选，得到筛选后的个体组成的第一种群；通过算数交叉算法将所述第一种群中的个体进行线性组合，得到第二种群；通过均匀变异算法调整所述第二种群中的个体的基因值，得到调整后的建模参数。

在其中一个实施例中，所述直到采用调整后的初始预测模型预测得到的电网负荷数据与历史电网负荷数据的关系的适应度函数值小于预设阈值，将当前的初始预测模型作为所述目标预测模型，包括：基于调整后的建模参数更新所述初始预测模型；采用更新后的初始预测模型得到预测电网负荷数据；若采用更新后的初始预测模型得到的预测电网负荷数据与历史电网负荷数据的关系的适应度函数值大于或等于所述预设阈值，则重新采用遗传算法调整所述建模参数，直到采用新的初始预测模型得到的预测电网负荷数据与历史电网负荷数据的关系的适应度函数值小于预设阈值，则将当前的初始预测模型作为所述目标预测模型。

在其中一个实施例中，所述采用所述目标预测模型预测使得电网负荷数据波动最小的峰谷电价时段，包括：

在预设的峰谷电价时段约束条件下，随机生成峰谷电价时段的初始遗传算法种群，所述种群包括多个个体；分别将多个个体代入目标预测模型中，得到多个预测电网负荷数据；基于多个预测电网负荷数据，分别确定各预测电网负荷数据对应的波动；将波动值小于设定阈值的预测电网负荷数据对应的个体筛选出来作为精英个体保留；将所述精英个体采用遗传算法进行选择、交叉、变异处理，得到新的种群；将所述新的种群重新代入所述目标预测模型中，返回执行所述分别将多个个体代入目标预测模型中，得到多个预测电网负荷数据的步骤，直到返回执行的执行次数达到设定次数；将当前的波动值最小的电网负荷数据所对应的个体作为目标个体，所述目标个体包括峰谷电价时段。

在其中一个实施例中，所述预设的峰谷电价时段约束条件包括：峰谷电价时段分别在符合电网标准的峰电价时段范围和谷电价时段范围内。

一种峰谷电价时段预测装置，所述装置包括：

数据获取模块，用于获取在不同峰谷电价时段下的历史电网负荷数据；

初始模型构建模块，用于基于不同峰谷电价时段与对应的历史电网负荷数据，构建初始预测模型，其中，所述初始预测模型包括不同峰谷电价时段与历史电网负荷数据之间的对应关系；

目标模型获取模块，用于采用遗传算法调整所述初始预测模型中的建模参数，直到采用所述初始预测模型预测得到的电网负荷数据与历史电网负荷数据一致，得到目标预测模型；

预测模块，用于在预设的峰谷电价时段约束条件下，以电网负荷数据波动最小为目标，采用所述目标预测模型预测目标峰谷电价时段。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取在不同峰谷电价时段下的历史电网负荷数据；基于不同峰谷电价时段与对应的历史电网负荷数据，构建初始预测模型，其中，所述初始预测模型包括不同峰谷电价时段与历史电网负荷数据之间的对应关系；采用遗传算法调整所述初始预测模型中的建模参数，直到采用所述初始预测模型预测得到的电网负荷数据与历史电网负荷数据一致，得到目标预测模型；在预设的峰谷电价时段约束条件下，以电网负荷数据波动最小为目标，采用所述目标预测模型预测目标峰谷电价时段。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取在不同峰谷电价时段下的历史电网负荷数据；基于不同峰谷电价时段与对应的历史电网负荷数据，构建初始预测模型，其中，所述初始预测模型包括不同峰谷电价时段与历史电网负荷数据之间的对应关系；采用遗传算法调整所述初始预测模型中的建模参数，直到采用所述初始预测模型预测得到的电网负荷数据与历史电网负荷数据一致，得到目标预测模型；在预设的峰谷电价时段约束条件下，以电网负荷数据波动最小为目标，采用所述目标预测模型预测目标峰谷电价时段。

上述峰谷电价时段预测方法、装置、计算机设备、介质。通过获取在不同峰谷电价时段下的历史电网负荷数据，从而得到了原始的数据样本，便于根据大量的不同峰谷电价时段下的历史电网负荷数据作为原始数据，对未来的峰谷电价时段和对应的电网负荷数据进行预测。然后根据基于不同峰谷电价时段与对应的历史电网负荷数据，构建初始预测模型，从而可以初步建立起峰谷电价时段与电网负荷数据之间的对应关系，便于后续分析不同的峰谷电价时段对于电网负荷的影响。然后采用遗传算法调整初始预测模型的中的建模参数，直到采用初始预测模型预测得到的电网负荷数据与历史电网负荷数据一致，得到目标预测模型，从而通过遗传算法，对初始预测模型中的建模参数进行了优化，优化目标是使得预测模型预测出来的电网负荷数据与实际的历史电网负荷数据一致，得到目标预测模型，也就是说，采用目标预测模型对电网负荷数据进行预测，其预测结果的准确度较高，至少是与已知的实际数据是一致的。然后在预设的峰谷电价时段约束条件下，采用目标预测模型预测使得电网负荷数据波动最小的峰谷电价时段。从而能够得到使得电网负荷数据波动最小的峰谷电价时段，有利于合理的制定电网的峰谷电价时段，使得电网负荷的波动降低。

附图说明

为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为一个实施例中峰谷电价时段预测方法的流程图；

图2为一个实施例中确定目标预测模型的方法的流程图；

图3为一个实施例中采用遗传算法优化建模参数的方法的流程图；

图4为另一个实施例中确定目标预测模型的方法的流程图；

图5为一个实施例中确定最优化的峰谷电价时段的方法的流程图；

图6为一个实施例中峰谷电价时段预测装置的结构图；

图7为一个实施例中计算机设备的内部结构图。

具体实施方式

为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使本申请的公开内容更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。

可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。

在此使用时，单数形式的“一”、“一个”和“所述/该”也可以包括复数形式，除非上下文清楚指出另外的方式。还应当理解的是，术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在，但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。

在一个实施例中，如图1所示，提供了一种峰谷电价时段预测方法，该方法包括：

步骤S100，获取在不同峰谷电价时段下的历史电网负荷数据。

具体地，可以对某一地的峰电价时段和谷电价时段设置为某一测试值，然后测试记录在该峰电价时段和谷电价时段下，该地预设天数内的电网负荷数据，从而作为与该峰谷电价时段对应的历史电网负荷数据。例如，在第一天，将峰电价时段设置为7点到21点，谷电价时段设置为0点到6点，然后测试在这样的峰谷电价时段下，电网的负荷数据是多少。在第二天，将峰电价时段设置为8点到22点，谷电价时段设置为0点到7点，然后测试在这样的峰谷电价时段下，电网的负荷数据是多少。依次类推，获得大量的不同峰谷电价时段下的电网负荷数据。

示例性地，电网负荷数据是电网中电动汽车的无序充电功率加上电网中电动汽车的有序充电功率再加上电网基础负荷。

具体地，用户的充电意愿与峰谷电价的时段之间存在一定的关系，通过控制峰谷电价的时段，能够一定程度的影响用户的充电意愿，即可以调控在不同时段下用户的充电概率。进而能调整电网在不同时刻的负荷。从而通过调整峰谷电价的时段，使得各个时刻的电网负荷近乎相同，均匀的分散用户的充电时间，即可降低电网负荷的波动，保护电网，提高用电效率。

示例性地，在峰电价时段和谷电价时段之外的时段为平电价时段。峰电价时段内的电价大于平电价时段内的电价大于谷电价时段内的电价。

步骤S110，基于不同峰谷电价时段与对应的历史电网负荷数据，构建初始预测模型，其中，初始预测模型包括不同峰谷电价时段与历史电网负荷数据之间的对应关系。

具体地，可以采用预测模型，也可以采用神经网络模型，将大量的不同峰谷电价时段-历史电网负荷数据的样本数据输入初始的预测模型中，采用最小二乘法确定预测模型中的建模参数，即可构建初始预测模型。或者构建初始神经网络模型，然后采用大量的峰谷电价时段-历史电网负荷数据的样本数据对神经网络模型进行训练。即可得到初始预测模型。

步骤S120，采用遗传算法调整初始预测模型中的建模参数，直到采用初始预测模型预测得到的电网负荷数据与历史电网负荷数据一致，得到目标预测模型。

具体地，采用遗传算法，对初始预测模型中的建模参数进行调整，例如可以将建模参数作为变量输入matlab(美国MathWorks公司出品的商业数学软件)软件的遗传算法工具箱中作为种群的个体、设置初始种群规模、设置选择算子、设置交叉算子、设置变异算子，然后运行遗传算法工具箱，即可得到优化后的建模参数。然后采用优化后的建模参数得到的预测模型，输入峰谷电价时段，得到预测的电网负荷数据，然后看该预测电网数据与历史电网负荷数据是否一致，以此来判断该预测模型的准确度是否达标，将预测得到的电网负荷数据与历史电网负荷数据一致的初始预测模型作为目标预测模型。例如，已经通过历史的实验得到了当峰电价时段设置为7点到21点，谷电价时段设置为0点到6点时，电网的负荷数据曲线为A，然后将峰电价时段设置为7点到21点，谷电价时段设置为0点到6点输入预测模型，看预测模型输出的电网的负荷数据曲线是否与曲线A一致，以此来判断该预测模型的准确度是否达标。

步骤S130，在预设的峰谷电价时段约束条件下，以电网负荷数据波动最小为目标，采用目标预测模型预测目标峰谷电价时段。

示例性地，预设的峰谷电价时段约束条件可以包括：

一、峰谷电价时段分别在符合电网标准的峰电价时段范围和谷电价时段范围内。

其中，t

二、用电量需求约束，

其中，t

三、电动汽车荷电状态约束，

电动汽车电量过低无法满足车主正常行驶需求，而过度充电又会损害电池寿命，则电动汽车荷电状态应满足：

其中SOC

四、充电时刻约束，

充电时刻应满足车主的行车要求，考虑到车主的出行习惯，其充电时刻t需满足；

t∈[T

其中，T

具体地，采用如下公式确定波动值：

其中，Z为电网负荷曲线的峰谷差率也就是波动值，

在本实施例中，通过获取在不同峰谷电价时段下的历史电网负荷数据，从而得到了原始的数据样本，便于根据大量的不同峰谷电价时段下的历史电网负荷数据作为原始数据，对未来的峰谷电价时段和对应的电网负荷数据进行预测。然后根据基于不同峰谷电价时段与对应的历史电网负荷数据，构建初始预测模型，从而可以初步建立起峰谷电价时段与电网负荷数据之间的对应关系，便于后续分析不同的峰谷电价时段对于电网负荷的影响。然后采用遗传算法调整初始预测模型的中的建模参数，直到采用初始预测模型预测得到的电网负荷数据与历史电网负荷数据一致，得到目标预测模型，从而通过遗传算法，对初始预测模型中的建模参数进行了优化，优化目标是使得预测模型预测出来的电网负荷数据与实际的历史电网负荷数据一致，得到目标预测模型，也就是说，采用目标预测模型对电网负荷数据进行预测，其预测结果的准确度较高，至少是与已知的实际数据是一致的。然后在预设的峰谷电价时段约束条件下，采用目标预测模型预测使得电网负荷数据波动最小的峰谷电价时段。从而能够得到使得电网负荷数据波动最小的峰谷电价时段，有利于合理的制定电网的峰谷电价时段，使得电网负荷的波动降低。

在一个实施例中，步骤S110，基于不同峰谷电价时段与对应的历史电网负荷数据，构建初始预测模型，具体包括：将多个不同峰谷电价时段与对应的历史电网负荷数据作为训练样本，采用最小二乘法确定不同峰谷电价时段与对应的历史电网负荷数据之间的对应关系，构建初始预测模型。

具体地，采用最小二乘法，分别建立不同的峰谷电价时段与对应的历史电网负荷数据之间的多项式，然后采用不同的峰谷电价时段与对应的历史电网负荷数据对多项式中的待定系数进行计算，最终可以得到一个最大程度符合多个峰谷电价时段与对应的历史电网负荷样本数据的模型，将其作为初始预测模型。

示例性地，假设将峰谷电价时段W和电网负荷数据Q分别用数字来表示。假设目前存在三组峰谷电价时段-电网负荷数据的样本数据，即存在三个(W，Q)的点：(1，6)、(3，5)、(5，7)。

则有6＝1*C、5＝2*C、7＝3*C。

采用最小二乘法，L(C)＝[6-C]

利用L(C)对C偏微分，令L(C)最小，可得

所以C＝2.643。即通过最小二乘法求得了建模参数。

在本实施例中，通过最小二乘法，建立起了峰谷电价时段与对应的历史电网负荷数据之间的模型，即得到了初始的预测模型。

在一个实施例中，如图2所示，步骤S120，采用遗传算法调整初始预测模型的中的建模参数，直到采用初始预测模型预测得到的电网负荷数据与历史电网负荷数据一致，得到目标预测模型。包括：

步骤S200，获取预设的适应度函数，其中，适应度函数包括采用初始预测模型预测得到的电网负荷数据与历史电网负荷数据的关系的适应度函数值。

示例性地，适应度函数的公式如下：

其中，F为适应度函数值，

步骤S210，采用遗传算法调整初始预测模型的中的建模参数，直到采用调整后的初始预测模型预测得到的电网负荷数据与历史电网负荷数据的关系的适应度函数值小于预设阈值，将当前的初始预测模型作为目标预测模型。

具体地，将建模参数作为变量输入matlab(美国MathWorks公司出品的商业数学软件)软件的遗传算法工具箱中作为种群的个体、设置初始种群规模、设置选择算子、设置交叉算子、设置变异算子，然后运行遗传算法工具箱，即可得到优化后的参数。

根据上述求得的适应度函数值作为参考，不断调整预测模型中的建模参数。根据每一次调整后的参数，所构建的预测模型预测出的预测电网负荷数据与实际的电网负荷数据再重新代入上述适应度公式中，确定的适应度函数值会越来越小，直到低于预设值，则判定此时的预测模型达标，作为目标预测模型。

在本实施例中，通过遗传算法对预测模型进行优化，从而提高了预测模型的预测准确性，能够更加准确的根据峰谷电价时段来预测电网负荷数据。

在一个实施例中，如图3所示，步骤S210，采用遗传算法调整初始预测模型的中的建模参数，包括：

步骤S300，基于建模参数，生成对应的遗传算法种群，种群包括多个个体。

具体地，对建模参数进行实数编码，将两个参数转换为染色体的形式，即，将两个参数转换为基因码的形式，便于通过遗传算法处理。再将两个参数作为变量输入matlab的遗传算法工具箱，然后设置种群的规模为200。

步骤S310，通过轮盘赌选择算法，根据各个个体的适应度，对多个个体进行筛选，得到筛选后的个体组成的第一种群。

具体地，遗传算子包括选择算子、交叉算子和变异算子。

遗传算法使用选择算子通过某种方式对群体中的个体进行优胜劣汰操作，使适应度高的个体大概率被遗传到下一代中，使群体中个体的适应度值不断接近最优解。常用的选择算子有轮盘赌选择、随机竞争选择、最优保存策略及排挤选择。在轮盘赌选择方法中，适应度值越高，被选中的可能性就越大，进入下一代的概率就越大；而随机竞争选择与轮盘赌选择基本一样，在随机竞争选择中，每次按轮盘赌选择机制选取一对个体，然后让这两个个体进行竞争，适应度高的被选中，如此反复，直到选满为止；在最优保存策略中，当前群体中适应度最高的个体不参与交叉和变异运算，而是用它来替换掉本代群体中经过交叉、变异操作后产生的适应度最低的个体；在排挤选择方法中，使新生成的子代代替或排挤相似的旧父代个体。轮盘赌选择算法的公式如下：

f

其中，F

步骤S320，通过算数交叉算法将第一种群中的个体进行线性组合，得到第二种群。

具体地，遗传算法使用交叉算子对两个匹配个体按某种方式交换其部分基因，从而形成两个新的个体，决定了遗传算法的全局搜索能力。常用的交叉算子有单点交叉、两点交叉、多点交叉及算术交叉等。单点交叉是指在个体编码串中只随机设置一个交叉点，然后在该点互相交换两个配对个体的部分染色体；两点交叉与多点交叉是指在个体编码串中随机设置了两个交叉点，然后再进行部分基因交换；算术交叉是指由两个个体的线性组成而产生出两个新的个体。

假设在两个染色体

其中，a和b均为0～1之间的随机常数，

步骤S330，通过均匀变异算法调整第二种群中的个体的基因值，得到调整后的建模参数。

具体地，遗传算法使用变异算子采用某种方式使个体基因码中的部分替换成其他基因码中的相应部分，从而形成一个新个体，能够避免由于选择和交叉运算而造成的某些信息丢失，保证遗传算法的有效性。常用的变异算子有基本位突变、均匀变异、边界变异和高斯近似变异等。基本位突变是指个体编码串中以变异概率随机指定的某一位或某几位基因座上的值作变异运算；均匀变异是指分别用符合某一范围内均匀分布的随机数，以某一较小的概率来替换个体编码串中各个基因座上的原有基因值；边界变异是指随机地取基因座的两个对应边界基因值之一去替代原有基因值；高斯近似变异是指进行变异操作使用符合正态分布的一个随机数来替换原有的基因值。假设，使用均匀变异算法对第i个个体的第j个基因a

其中，b

在本实施例中，采用遗传算法对建模参数进行了优化，从而提高了预测模型的准确性。

在一个实施例中，如图4所示，步骤S210，直到采用调整后的初始预测模型预测得到的电网负荷数据与历史电网负荷数据的关系的适应度函数值小于预设阈值，将此时的初始预测模型作为目标预测模型。包括：

步骤S400，基于调整后的建模参数更新初始预测模型。

具体地，根据采用遗传算法优化调整后的建模参数，可以构建新的初始预测模型。

步骤S410，采用更新后的初始预测模型得到预测电网负荷数据。

具体地，根据上述求得的适应度函数值作为参考，不断调整预测模型中的建模参数。根据新的建模参数构建新的初始预测模型，然后采用新的初始预测模型预测出的预测电网负荷数据与实际的电网负荷数据再重新代入上述适应度公式中，确定的适应度函数值会越来越小，直到低于预设值，则判定此时的预测模型达标，作为目标预测模型。

步骤S420，若采用更新后的初始预测模型得到的预测电网负荷数据与历史电网负荷数据的关系的适应度函数值大于或等于预设阈值，则重新采用遗传算法调整建模参数，直到采用新的初始预测模型得到的预测电网负荷数据与历史电网负荷数据的关系的适应度函数值小于预设阈值，则将当前的初始预测模型作为目标预测模型。

具体地，如果新的初始预测模型得到的预测电网负荷数据与历史电网负荷数据的关系的适应度函数值大于或等于预设阈值，则代表新的初始预测模型预测出来的电网负荷数据与实际的电网负荷数据之间不一致，代表新的初始预测模型的预测准确度还不够，因此重新采用遗传算法调整建模参数，再重新构建新的初始预测模型，直到得到目标预测模型。

在本实施例中，通过对预测模型的建模参数进行调整，从而得到了能够准确预测电网负荷数据的目标预测模型。

在一个实施例中，如图5所示，步骤S130，在预设的峰谷电价时段约束条件下，采用目标预测模型预测使得电网负荷数据波动最小的峰谷电价时段。包括：

步骤S500，在预设的峰谷电价时段约束条件下，随机生成峰谷电价时段的初始遗传算法种群，种群包括多个个体。

具体地，在满足预设的峰谷电价时段约束条件的情况下，随机生成200个个体，每个个体包括(峰电价时段开始时刻、峰电价持续时长、谷电价时段开始时刻、谷电价持续时长)。

步骤S510，分别将多个个体代入目标预测模型中，得到多个预测电网负荷数据。

具体地，将多个个体分别代入目标预测模型中，采用目标预测模型对不同的峰谷电价时段进行预测，就可以得到多个预测出来的电网负荷数据。

步骤S520，基于多个预测电网负荷数据，分别确定各预测电网负荷数据对应的波动。

具体地，采用如下公式确定波动值：

其中，Z为电网负荷曲线的峰谷差率也就是波动值，

步骤S530，将波动值小于设定阈值的预测电网负荷数据对应的个体筛选出来作为精英个体保留。

具体地，算出了多个预测电网负荷数据对应的波动值，然后对其进行排序，筛选出波动值小于设定阈值的预测电网负荷数据对应的个体，作为精英个体。

步骤S540，判断迭代次数是否达到最大遗传代数，若达到最大遗传代数则执行步骤S560。若未达到最大遗传代数则执行步骤S550。

示例性地，最大遗传代数可以根据实际情况进行确定，一般认为是使得遗传算法的结果收敛的次数，即就算继续迭代，结果也不会发生变化的代数。

步骤S550，将精英个体采用遗传算法进行选择、交叉、变异处理，得到新的种群。在执行完步骤S550后，返回执行步骤S510。

具体地，采用遗传算法，将精英个体作为初始种群，对齐进行选择、交叉、变异处理，得到子代种群，从而实现了对精英个体的优化。

步骤S560，将当前的波动值最小的电网负荷数据所对应的个体作为目标个体，目标个体包括峰谷电价时段。

具体地，对波动值的判断可以是采用对应的适应度函数进行判断，例如：

其中，Fit(Z(t

具体地，在迭代次数达到最大遗传代数时，则代表个体已经被优化到最佳了，将此时的每个个体对应的电网负荷数据的波动值进行排序，选择其中波动值最小的电网负荷数据对应的个体，作为目标个体。即实现了以电网负荷数据的波动值最小为优化目标，得到最优的峰谷电价时段。

示例性地，用户的用电满意度可以用如下公式表示：

其中，ε为用户满意度，P

在本实施例中，通过遗传算法对峰谷电价时段进行寻优，直到找到使得电网负荷数据的波动值最小的峰谷电价时段，从而实现了对峰谷电价时段的合理设计。能够最大程度的降低电网负荷的波动，提高用户的充电满意度。

应该理解的是，虽然图1-图5流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-图5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图6所示，提供了一种峰谷电价时段预测装置，装置包括：数据获取模块601、初始模型构建模块602、目标模型获取模块603、预测模块604。其中：

数据获取模块601，用于获取在不同峰谷电价时段下的历史电网负荷数据。

初始模型构建模块602，用于基于不同峰谷电价时段与对应的历史电网负荷数据，构建初始预测模型，其中，初始预测模型包括不同峰谷电价时段与历史电网负荷数据之间的对应关系。

目标模型获取模块603，用于采用遗传算法调整初始预测模型中的建模参数，直到采用初始预测模型预测得到的电网负荷数据与历史电网负荷数据一致，得到目标预测模型。

预测模块604，用于在预设的峰谷电价时段约束条件下，以电网负荷数据波动最小为目标，采用目标预测模型预测目标峰谷电价时段。

在一个实施例中，目标模型获取模块603进一步包括：函数获取单元、模型优化单元。其中：

函数获取单元，用于获取预设的适应度函数，其中，适应度函数包括采用初始预测模型预测得到的电网负荷数据与历史电网负荷数据的关系的适应度函数值。

模型优化单元，用于采用遗传算法调整初始预测模型的中的建模参数，直到采用调整后的初始预测模型预测得到的电网负荷数据与历史电网负荷数据的关系的适应度函数值小于预设阈值，将当前的初始预测模型作为目标预测模型。

在一个实施例中，目标模型获取模块603进一步包括：

种群生成单元，用于基于建模参数，生成对应的遗传算法种群，种群包括多个个体。

选择单元，用于通过轮盘赌选择算法，根据各个个体的适应度，对多个个体进行筛选，得到筛选后的个体组成的第一种群。

交叉单元，用于通过算数交叉算法将第一种群中的个体进行线性组合，得到第二种群。

变异单元，用于通过均匀变异算法调整第二种群中的个体的基因值，得到调整后的建模参数。

在一个实施例中，目标模型获取模块603进一步包括：

构建单元，用于基于调整后的建模参数构建更新初始预测模型。

预测单元，用于采用更新后的初始预测模型得到预测电网负荷数据。

调整单元，用于若采用更新后的初始预测模型得到的预测电网负荷数据与历史电网负荷数据的关系的适应度函数值大于或等于预设阈值，则重新采用遗传算法调整建模参数，直到采用新的初始预测模型得到的预测电网负荷数据与历史电网负荷数据的关系的适应度函数值小于预设阈值，则将当前的初始预测模型作为目标预测模型。

在一个实施例中，预测模块604进一步包括：

在预设的峰谷电价时段约束条件下，随机生成峰谷电价时段的初始遗传算法种群，种群包括多个个体；

数据预测单元，用于分别将多个个体代入目标预测模型中，得到多个预测电网负荷数据。

波动确定单元，用于基于多个预测电网负荷数据，分别确定各预测电网负荷数据对应的波动。

筛选单元，用于将波动值小于设定阈值的预测电网负荷数据对应的个体筛选出来作为精英个体保留。

处理单元，用于将精英个体采用遗传算法进行选择、交叉、变异处理，得到新的种群。

迭代单元，用于将新的种群重新代入目标预测模型中，返回执行分别将多个个体代入目标预测模型中，得到多个预测电网负荷数据的步骤，直到返回执行的执行次数达到设定次数。

目标确定单元，用于将当前的波动值最小的电网负荷数据所对应的个体作为目标个体，目标个体包括峰谷电价时段。

关于峰谷电价时段预测装置的具体限定可以参见上文中对于峰谷电价时段预测方法的限定，在此不再赘述。上述峰谷电价时段预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。需要说明的是，本申请实施例中对模块的划分是示意性的，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。

在一个实施例中，提供了一种计算机设备，该计算机设备内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种峰谷电价时段预测方法。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

在本说明书的描述中，参考术语“有些实施例”、“其他实施例”、“理想实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特征包含于本发明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描述不一定指的是相同的实施例或示例。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。