[发明专利]电力现货市场中分布式特征数据选择方法

说明书

电力现货市场中分布式特征数据选择方法,解决了现有选择数据时不能同时兼顾成本及构建学习模型的准确率的问题，属于电力数据分析领域。包括：数据买家端确定用户侧学习模型、样本数据集及所缺少的电力数据类型及数据量，形成查询发送至数据卖家端，数据卖家端返回相对应的给定数据集给数据买家端；数据买家端联合优化用户侧学习模型准确率、用户支付、边缘服务器任务处理延迟和区块链的上传延迟以用户侧学习模型准确率最大化，支付和延迟最小化为目标，建立目标函数；求解目标函数，选择给定数据集中符合目标函数的特征数据，数据卖家端将选择的特征数据上传到区块链，数据买家端通过区块链支付并获取数据，并将数据加入至样本数据集中。

技术领域

本发明涉及一种电力现货市场中分布式特征数据选择方法，属于电力数据分析领域。

背景技术

随着信息技术的飞速发展，能源互联网中的各种边缘设备已经生成了大量描述有意义 信息的电力数据。可以使用复杂的技术从此类电力数据中获得商业需求和财务见解，这使 得电力数据资源成为人类社会必不可少的生产要素和战略资源。由于隐藏在各种电力数据 中的重要财务和社会价值，知识发现，旨在从大量电力数据中发现基础知识，在学术界和 工业界都是一个热门话题。

但是，对于能源互联网中的大量电力数据，电力现货市场中的金融知识发现是非常困 难。数据驱动决策在金融知识发现中很流行，这正在改变科学，商业和社会活动。假设特 征数据在给定的数据集中是多余的，这样的方法可以快速准确地提供有关小型数据的知识， 因此，如果没有足够的特征数据，它们将无法提供令人信服的有价值的知识。但是，缺少 特征数据是金融知识发现中的普遍现象，由于金融活动通常包含复杂的特征，通常由不同 的组织拥有。虽然可以从历史数据中生成一些特征数据来完成学习任务，仍然存在难以准 确生成的特征数据，这使得获取特征成为学习金融知识的主要障碍。因此，需要从不同的 特征数据卖家那里购买特征数据。但是，由于预算通常是有限的，这对于设计策略以在特 征数据的成本和用户侧学习模型的准确性之间进行权衡取舍至关重要。

对于购买者而言，确定特征的重要性也具有挑战性，这也决定了在预算有限的情况下 使学习模型获得最佳性能的策略。电力特征数据选择是解决此问题的有效技术。电力特征 数据选择的目的是从原始特征集中找到最合适的电力特征子集从而使构建的学习模型更 好，更快。此外，特征数据选择可以加快数据处理速度，节省计算成本。

电力特征数据选择已经在数据挖掘和机器学习的中得到了广泛的研究。尽管已经进行 了广泛的研究，但是大多数现有的特征数据选择研究都没有考虑数据成本，收集训练数据 的全部信息可能是非常昂贵的。此外，由于数据量和数据维数的不断增加，对于单台机器 来说无论是存储还是计算都存在计算任务重的问题。

发明内容

针对现有从电力现货市场的原始电力特征数据集中找到的特征数据子集不能同时兼顾 成本及构建学习模型的准确率的问题，本发明提供一种电力现货市场中分布式特征数据选 择方法。

本发明的一种电力现货市场中分布式特征数据选择方法，所述方法基于区块链的系统实 现，该系统包括数据卖家端、数据买家端、边缘计算服务器和区块链；

所述方法包括：

S1、数据买家端确定用户侧学习模型、样本数据集及样本数据集所缺少的电力数据类型及数据量， 根据缺少的电力数据类型及数据量形成查询发送至数据卖家端，数据卖家端返回相对应的给定数据集 给数据买家端；

S2、数据买家端联合优化用户侧学习模型准确率、用户支付、任务处理延迟和区块链的上传延迟 以用户侧学习模型准确率最大化，支付和延迟最小化为目标，建立目标函数：

s.t.φ_d(x)≤budget

0≤|x|≤Size