一种基于改进Prophet模型的用电碳排放预测方法技术

本发明专利技术公开了一种基于改进Prophet模型的用电碳排放预测方法，根据地区的用电能耗数据进行用电碳排放测算，结合LSTM对Prophet预训练预测结果的残差进行预测优化，并叠加Prophet原预测得到最终的预测结果。本方法对于地区用电碳排放的趋势相较现有方法有较为明显的效果提升，对地区的碳排放规划有一定的指导作用。指导作用。指导作用。

【技术实现步骤摘要】
一种基于改进Prophet模型的用电碳排放预测方法


[0001]本专利技术涉及一种用于节能减排领域的基于改进Prophet模型的用电碳排放预测方法。

技术介绍

[0002]近些年来，化石燃料的使用不断增加，碳排放日益上升，导致温室效应不断加重，气候变化加剧已成为全球性挑战。为此，碳排放控制要早日提上日程，预测碳排放有助于企业和地区更好的掌握自己的碳排放趋势，对经济高质量发展有重要积极作用。
[0003]现阶段主流地碳排放预测大多需要额外的特征辅助，例如人口基数，技术发达程度，经济发展程度等指标，这些指标容易出现测算困难，“噪声”严重等问题影响到预测效果。因此，需要一个更为准确、且外部辅助特征依赖较小地方式来有效进行用电碳排放的预测。

技术实现思路

[0004]本专利技术的目的是为了克服现有技术的不足，提供一种基于改进Prophet模型的用电碳排放预测方法，对时间序列的用电碳排放数据进行有效的预测。
[0005]实现上述目的的一种技术方案是：一种基于改进Prophet模型的用电碳排放预测方法，包括以下步骤：
[0006]步骤1：通过数据接口、离线文件等方式对近期地区用电时序数据进行收集，并测算电力能源消耗的碳排放量：
[0007]CM
electric
＝value
electric
*0.42
[0008]其中，0.42为上海市碳排放参考因子，单位为t/Mwh；
[0009]步骤2：对于用电碳排放数据进行预处理，剔除0值，使用四分位法处理异常值，设Q1为数据的第一四分位，Q3为数据的第3四分位，IQR为Q1与Q3之差，数据位于[Q1+1.5*IQR,Q3
‑
1.5&IQR]的区间内的即为正常值，异常值小于下界设为下界，大于上界设为上界；
[0010]步骤3：建立Prophet模型，使用单一的Prophet模型对数据集进行预测，为之后的改进的Prophet模型作准备；
[0011]步骤4：调整Prophet模型的参数，观察在单一Prophet模型的范围内，能够得到的预测结果；
[0012]步骤5：将时间序列的用电碳排放数据转换为监督类型，即以前αi天的用电碳排放数据为一条样本的一个特征，对应的标签是后(1
‑
α)i天的用电碳排放数据；
[0013]步骤6：Prophet预测后得到每个时间段内的用电碳排放预测值，计算每个样本中Prophet预测值与实际值的残差res idual；
[0014]步骤7：归一化残差，用所有残差样本建立一个新的数据集；
[0015]步骤8：将残差的格式调整成LSTM的输入格式，建立神经网络模型；
[0016]步骤9：调整LSTM参数，得到最终结果。
[0017]进一步的，步骤4的具体方法为，
[0018]设c＝changepoint_scale，s＝seasonality_prior_scale，c初始为0.01，s初始为1；
[0019]根据历史数据计算用电碳排放预测结果，即[d1,d2,d3,...,dn
‑
10]所对应的yhat的值，计算RMSE；
[0020]调整c和s的值，c的范围在(0,1]之间步长为Δc，s的范围在[1,10]之间，步长为Δs,迭代输出每次循环的预测结果,计算RMSE；
[0021]循环结束，求出所得最小RMSE时，Prophet模型的参数；
[0022]将参数带入Prophet模型，得到此时单一Prophet模型的预测结果。
[0023]进一步的，步骤5的具体方法为：
[0024]本总数为n*i,以i个日期划分为一个样本，分别用以校准好的Prophet模型对前αi天进行预测，得到后(1
‑
α)i天的预测结果，α为一定比例的系数，每一行为一个样本，样本的格式如下：
[0025]ds1ds2…
yhat
αi+1
…
yhat
i
[0026]ds
i+1
ds
i+2
…
yhat
(1+α)i+1
…
yhat
2i
[0027]ds
(n
‑
1)i+1
ds
(n
‑
1)i+2
…
yhat
(n
‑
1+α)i+1
…
yhat
n*i
。
[0028][0029]进一步的，步骤7的具体方法为：
[0030]yhat的下标调整成与实际值一致，如yhat
i
所对应的实际值为ds
i
，此时的残差即为该2数之差，计算每个样本中Prophet预测值与实际值的残差residual:
[0031][0032]将残差与原特征匹配，建立一个新的样本集：
[0033]ds1ds2…
residual
αi+1
...residuals
i
[0034]ds
i+1
ds
i+2
…
residual
(1+α)i+1
...residual
2i
[0035]ds
(n
‑
1)i+1
ds
(n
‑
1)i+2
…
residual
(n
‑
1+α)i+1
...resiaual
n*i
[0036]将新样本以一定比例划分为LSTM的训练集与测试集；
[0037]先对训练集0
‑
1归一化，归一化设在划分样本之前，以防止测试集的数据泄漏到训练集中，影响预测的结果，测试集的用训练集中的X
max
和X
min
进行归一化，公式如下：
[0038][0039]进一步的，步骤8的具体方法为：
[0040]LSTM神经网络要求输入格式为[samples,timesteps,features]，将训练集转换成相应格式，其中samples为样本个数，timesteps为一个样本的时间跨度，即为样本的特征值，此处为αi，features为特征的维度，为1；将归一化之后的样本放入LSTM，构建神经网络模型。
[0041]进一步的，步骤9的具体方法为：
[0042]调整相关参数，num_layers，input_shape,epochs,batch_size，num_layers为神经元个数，input_shape以(lookback,features)为格式，其中lookback即为αi，表示对每个样本预测时，神经网络读取的历史数据，正好与样本特征一致；
[0043]epoch本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进Prophet模型的用电碳排放预测方法，其特征在于，包括以下步骤：步骤1：通过数据接口、离线文件等方式对近期地区用电时序数据进行收集，并测算电力能源消耗的碳排放量：CM
electric
＝value
electric
*0.42其中，0.42为上海市碳排放参考因子，单位为t/Mwh；步骤2：对于用电碳排放数据进行预处理，剔除0值，使用四分位法处理异常值，设Q1为数据的第一四分位，Q3为数据的第3四分位，IQR为Q1与Q3之差，数据位于[Q1+1.5*IQR,Q3
‑
1.5&IQR]的区间内的即为正常值，异常值小于下界设为下界，大于上界设为上界；步骤3：建立Prophet模型，使用单一的Prophet模型对数据集进行预测，为之后的改进的Prophet模型作准备；步骤4：调整Prophet模型的参数，观察在单一Prophet模型的范围内，能够得到的预测结果；步骤5：将时间序列的用电碳排放数据转换为监督类型，即以前αi天的用电碳排放数据为一条样本的一个特征，对应的标签是后(1
‑
α)i天的用电碳排放数据；步骤6：Prophet预测后得到每个时间段内的用电碳排放预测值，计算每个样本中Prophet预测值与实际值的残差residual；步骤7：归一化残差，用所有残差样本建立一个新的数据集；步骤8：将残差的格式调整成LSTM的输入格式，建立神经网络模型；步骤9：调整LSTM参数，得到最终结果。2.根据权利要求1所述的一种基于改进Prophet模型的用电碳排放预测方法，其特征在于，步骤4的具体方法为，设c＝changepoint_scale，s＝seasonality_prior_scale，c初始为0.01，s初始为1；根据历史数据计算用电碳排放预测结果，即[d1,d2,d3,...,dn
‑
10]所对应的yhat的值，计算RMSE；调整c和s的值，c的范围在(0,1]之间步长为Δc，s的范围在[1,10]之间，步长为Δs,迭代输出每次循环的预测结果,计算RMSE；循环结束，求出所得最小RMSE时，Prophet模型的参数；将参数带入Prophet模型，得到此时单一Prophet模型的预测结果。3.根据权利要求1所述的一种基于改进Prophet模型的用电碳排放预测方法，其特征在于，...

【专利技术属性】
技术研发人员：陈明，王钰楠，李世龙，兰森林，陈婷，唐啸，王琮，虞瑾，余虹，秦虹，宣庐峰，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：