基于prophet-LightGBM组合模型的电量预测方法及系统技术方案

本发明专利技术提出一种基于prophet

【技术实现步骤摘要】
基于prophet
‑
LightGBM组合模型的电量预测方法及系统


[0001]本专利技术属于电量预测
，尤其涉及一种基于prophet
‑
LightGBM组合模型的电量预测方法及系统。

技术介绍

[0002]用电量是国民经济运行的“晴雨表”和“风向标”。准确的用电量预测可以优化电力资源的合理配置，提高电网运行的经济性和安全性，也可以为供电计划、调度计划提供理论支撑。因此，实现用电量的准确预测具有重要的价值和意义。
[0003]对用电量进行预测属于时间序列预测问题。时间序列预测就是利用过去一段时间的数据来预测未来一段时间内的信息，包括连续型预测(数值预测，范围估计)与离散型预测(事件预测)等。与回归分析预测等经典统计模型不同，时间序列模型依赖于数值在时间上的先后顺序，同样大小的值改变顺序后输入模型产生的结果是不同的。数据之间的自回归性也是时间序列预测数据的显著特征
[0004]用电量往往会受到地域、气候、经济等诸多因素的影响,呈现出复杂的变化模式，准确预测用电量并不是一件容易的事。目前学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于prophet
‑
LightGBM组合模型的电量预测方法，其特征在于，包括以下步骤：步骤S1：对电力用户的用电量和各种协变量进行数据读取，汇总成不同用电类别的电量数据，组成数据集；步骤S2：对数据集进行包括数据清洗的预处理，划分训练集和测试集；步骤S3：采用Prophet和lightGBM的组合模型对用电量进行预测，其中，采用Prophet模型可以对历史和预测时段的电量时间序列进行特征提取，构建新的数据集；再采用LightGBM模型对新数据集进行时间序列的预测，得到最终电量的预测值。2.根据权利要求1所述的基于prophet
‑
LightGBM组合模型的电量预测方法，其特征在于：步骤S1中的汇总包括行业分类汇总，依据参照国民经济行业分类总表，并定义行业序列与行业编号对应，采用行业序列作为数据连接、聚合的索引。3.根据权利要求1所述的基于prophet
‑
LightGBM组合模型的电量预测方法，其特征在于：步骤S1中所述协变量包括最高气温、最低气温、星期、是否节假日、农历、国民生产总值，共6个特征变量，其中最高温度、平均温度、最低温度由天气预报获取，是否节假日根据日历确定。4.根据权利要求1所述的基于prophet
‑
LightGBM组合模型的电量预测方法，其特征在于：步骤S2中的数据预处理包括：分析不同因素对用电量的影响情况，对于数据中的缺失值，采用历史同期的用电量进行填补；对于数据中可能存在的异常值，采用基于滑动窗口的孤立森林算法检测，并用其前后两天取平均值或线性插值的方法进行填补。5.根据权利要求1所述的基于prophet
‑
LightGBM组合模型的电量预测方法，其特征在于：步骤S3中的prophet模型,输入过去和预测时段的电量值和相应的时间戳，通过模型训练和预测得到过去和将来电量的时间信息特征，模型构成为：y(t)＝g(t)+s(t)+h(t)+∈
t
其中，y(t)为预测的电量值，g(t)为趋势项，表示用电量在非周期上面的变化趋势；s(t)为周期项，表示用电量的周期变化；h(t)为节假日项，表示非固定周期的节假日对电量预测造成的影响；∈_t为误差项，表示模型未预测到的波动；基于分段线性函数的趋势项：g(t)＝(k+a(t)
T
δ)
·
t+(m+a(t)
T
γ)其中p为序列周期长度，N为模型中使用的周期个数，a
n
b
n
表示待估计的傅里叶系数；L为节假日个数，D
i
为节假日的前后一段时间，表示节假日对电量的影响时间范围，κ
i
为服从正态分布的参数；将prophet模型提取到的包括电量趋势、周期、节假日影响的时间特征，以日期作为索引和原始数据集进行连接操作，并添加距离春节还有多少天的特征，构建获得新的数据集。
6.根据权利要求1所述的基于prophet
‑
LightGBM组合模型的电量预测方法，其特征在于：步骤S3中的lightgbm模型,首先利用互斥特征绑算法，将互斥的稀疏特征捆绑成稠密特征，以减少特征数量并提高运算效率；再利用直方图优化算法把连续的特征变量离散化，根据直方图的离散值遍历得到最佳分裂点；采用带最大深度...

【专利技术属性】
技术研发人员：钱晓瑞，詹祥澎，林女贵，沈一民，朱玲玲，肖恺，卢威，蒋宏烨，姜维伟，林雪倩，
申请(专利权)人：国网福建省电力有限公司，
类型：发明
国别省市：