【技术实现步骤摘要】
一种基于Prophet-LSTM模型的用户用电能耗预测方法
本专利技术设计时间序列分析和能耗预测领域，具体涉及一种基于Prophet-LSTM模型的用户用电能耗预测方法。
技术介绍
对用户用电能耗进行分析预测，能够为国家电网或供电公司提供判断用户用电是否出现异常状况并提供相应的解决方案，相关的供电公司可以参照用电能耗的预测趋势，及时调整供电决策方案计划，提高供电服务的高效性和可靠性，促进节能减排意识发展，构建节约用电型社会。许多学者在此方面了一定的研究，但是用户用电能耗预测受到用户用电行为、负荷变化、节假日以及季节变化等诸多因素的综合影响，从而导致时间序列出现不平衡的趋势变化，而常用的预测模型没有对数据进行细致分解，导致预测结果欠佳。因此，建立高效的用户用电能耗预测模型是电力领域研究的热点之一。而Prophet是一种时间序列预测模型，一开始用于商业预测，如经济金融业等。它具有操作简单，参数模型复杂度低，计算预测时间短以及预测效果好等优点，迅速在各领域流行起来，但Prophet模型存在着在特殊时间点陷入过拟合的缺点，在展现时间...
【技术保护点】
1.一种基于Prophet-LSTM模型的用户用电能耗预测方法，其特征在于，包括如下步骤：/nS1、通过智能电表获取用户用电能耗的历史数据，历史数据包括时序数据、天气温度数据和节假日数据；其中时序数据包括不同时间的用电能耗数据，用来描述供电量需求量随着时间变化的情况；/nS2、历史数据数据预处理归一化：原始用电能耗数据为：X＝{x
【技术特征摘要】
1.一种基于Prophet-LSTM模型的用户用电能耗预测方法，其特征在于，包括如下步骤：
S1、通过智能电表获取用户用电能耗的历史数据，历史数据包括时序数据、天气温度数据和节假日数据；其中时序数据包括不同时间的用电能耗数据，用来描述供电量需求量随着时间变化的情况；
S2、历史数据数据预处理归一化：原始用电能耗数据为：X＝{x1，x2，...，xn}，对原始数据预处理包括对缺失值、异常值、重复值以及无效值进行处理；
S3、构建Prophet预测模型，将处理后历史用电能耗数据X′＝{x′1，x′2，...，x′n}输入到Prophet模型中，进行Prophet预测；
S4、为防止预测过拟合，结合改进的长短时记忆网络LSTM模型进行组合预测；
S5、衡量和验证组合模型的拟合度与预测效果，用以下两个常用评价指标：均方根误差RMSE和平均绝对百分比MAPE，公式如下：
其中xi表示第i时刻时间序列真实值，di表示同一时刻时间序列预测值。
2.根据权利要求1所述的一种基于Prophet-LSTM模型的用户用电能耗预测方法，其特征在于，所述步骤2的具体实现：
2.1、缺失数据与重复数据采用平均值、最大最小值计算方法代替缺失值或删除重复值；
2.2、异常数据和无效数据采用统计方法计算出异常值和无效值进行删除或替代；
2.3、对处理好的数据进行数据归一化处理：利用公式进行数据预处理，其中xi是历史数据实际值，xmax是历史数据值，xmin是历史数据最小值，xi*是归一化处理后的数据。
3.根据权利要求1所述的一种基于Prophet-LSTM模型的用户用电能耗预测方法，其特征在于，步骤S3的具体实现过程为：
3.1、选取历史用电能耗数据样本数据，将选取的数据分成训练集数据Xr′＝{x′r1，x′r2，...，x′rn}和测试集数据Xt′＝{x′r1，x′t2，...，x′tn}；
3.2、对训练数据建立的Prophet模型进行检验；
3.3、训练集数据进行模型训练，测试集数据初步评估模型，并进行测试结果的参数调整，确定最终模型的趋势函数模型、周期个数和增长率、季节性和节假日拟合度，以此来进行用电能耗序列变化的分析和预测；通过Prophet预测模型能够表现出时间序列发展过程，描绘时间序列趋势变化，得到不同的量化值；最终得到Prophet模型预测值P(t)。
4.根据权利要求3所述的一种基于Prophet-LSTM模型的用户用电能耗预测方法，其特征在于，对训练数据建立的Prophet模型进行检验的步骤如下：
a、Prophet模型将用电能耗时间序列数据分解为三个部分：趋势变化、节假日和季节趋势；分解函数公式如下：y(t)＝g(t)+h(t)+s(t)+εt，其中g(t)是趋势变化函数，用来处理预测值中的非周期性变化；h(t)是节假日项表...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。