基于混合专家系统及时间序列的电能量预测方法和系统技术方案

本发明专利技术提供一种基于混合专家系统及时间序列的电能量预测方法和系统，其中方法包括构建时间序列专家模型；基于AIC准则利用网格搜索对时间序列专家模型进行超参数搜索；分别对各个时间序列专家模型以选择的超参数进行参数优化；基于神经网络线性层构建门控模型，将门控模型与参数优化后的时间序列专家模型进行联合训练，并基于不同的输入，利用门控模块将参数优化后的时间序列专家模型进行混合，得到混合专家模型，以混合专家模型预测电能量。本发明专利技术引入带有基于神经网络的门控模块的混合专家系统，基于特征输入灵活地组合专家模型，基于门控模型构建专家模型间的不同权重，使用多个专家模型进行预测，提升电能量预测的精度。精度。精度。

【技术实现步骤摘要】
基于混合专家系统及时间序列的电能量预测方法和系统


[0001]本专利技术属于电能预测
，尤其涉及一种基于混合专家系统及时间序列的电能量预测方法和系统。

技术介绍

[0002]电能量预测任务旨在根据给定的特征(如日期，气温等)预测相应的电能量数值。电能量预测技术可以大致分为基于时间序列方法的技术以及基于机器学习方法的技术。
[0003]时间序列方法由于其对数据序列周期性的优秀建模能力，在电能量预测任务被广泛使用。电能量预测任务的预测场景具有一定复杂性：不同城市，不同行业间的电能量序列往往具有不同的周期性规律，同时其所对应最优模型也不尽相同。引入专家系统的思想，基于不同的预测场景构建不同的专家模型成为了一种思路。在机器学习方法中，专家系统往往面向相应任务构建若干个专家模型，再基于一系列规则决定专家系统中针对不同的预测场景采用具体的某个专家模型进行预测。
[0004]然而，传统的专家系统往往采用固定的打分函数或者规则选取某个专家模型，一方面，采取固定的规则进行选择的方式针对不同的输入缺乏灵活性，另一方面，选取单一专家模型预测的方式忽视了不同专家模型间的异同，造成电能量预测结果在精度上的损失。

技术实现思路

[0005]本专利技术针对现有技术中的不足，提供一种基于混合专家系统及时间序列的电能量预测方法和系统。
[0006]第一方面，本专利技术提供一种基于混合专家系统及时间序列的电能量预测方法，包括：
[0007]构建时间序列专家模型；时间序列专家模型包括SARIMA模型、SARIMAX模型和基于LASSO回归模型和SARIMA模型的比例修正SARIMA模型；
[0008]基于AIC准则利用网格搜索对时间序列专家模型进行超参数搜索；
[0009]分别对各个时间序列专家模型以选择的超参数进行参数优化；
[0010]基于神经网络线性层构建门控模型，将门控模型与参数优化后的时间序列专家模型进行联合训练，并基于不同的输入，利用门控模块将参数优化后的时间序列专家模型进行混合，得到混合专家模型，以混合专家模型预测电能量。
[0011]进一步地，所述构建时间序列专家模型；时间序列专家模型包括SARIMA模型、SARIMAX模型和基于LASSO回归模型和SARIMA模型的比例修正SARIMA模型，包括：
[0012]构建SARIMA模型表达式：
[0013][0014]其中，为自回归函数；Φ(B
S
)为季节自回归函数；Y(t)为t时刻的电能量；c为常数偏置项；θ(B)为滑动平均函数；Θ(B
S
)为季节滑动平均函数；ε
t
为t时刻的白噪声；d为非季节性差分阶数；D为季节性差分阶数；为自回归函数系数；B
p
为p阶后退算子；B为后退算子；p为非季节性自回归阶数；S为季节周期长度；Φ
P
为季节自回归函数系数；B
PS
为PS阶后退算子；θ
q
为滑动平均函数系数；P为季节性自回归阶数；B
q
为q阶后退算子；Θ
Q
为季节滑动平均函数；B
QS
为QS阶后退算子；q为非季节性滑动平均阶数；Q为季节性滑动平均阶数；
[0015]构建SARIMAX模型表达式：
[0016][0017]其中，X为额外特征矩阵；β为额外特征矩阵系数；
[0018]构建基于LASSO回归模型和SARIMA模型的比例修正SARIMA模型表达式：
[0019][0020]其中，f(t)为训练完成的SARIMA模型；为训练完成的SARIMA模型在t时刻的电能量预测值；y
t
为t时刻的电能量真实值；r
t
为训练完成的SARIMA模型在t时刻的电能量预测误差；X
t
为t时刻的额外特征；X
k
为k时刻的额外特征；w为LASSO回归模型系数；λ为L2范数项系数；Ω(w)为L2范数；r(X
k
)为LASSO回归模型在k时刻的预测值；w
*
为r(X
k
)在预测误差上的拟合参数；p(k)为比例修正SARIMA模型在k时刻的预测值；f(k)为SARIMA模型在k时刻的预测值。
[0021]进一步地，所述基于神经网络线性层构建门控模型，将门控模型与参数优化后的时间序列专家模型进行联合训练，并基于不同的输入，利用门控模块将参数优化后的时间序列专家模型进行混合，得到混合专家模型，以混合专家模型预测电能量，包括：
[0022]构建门控模型表达式：
[0023][0024]其中，X为额外特征矩阵；为全连接层，m为额外特征输入维度，n为专家模型的数量；
[0025]构建门控模型与参数优化后的时间序列专家模型联合训练表达式：
[0026]h(t)＝∑
k
g
k
(X
t
)f
k
(t,X
t
)；
[0027]L＝∑
t
||y
t
‑
h(t)||2+λ
k
∑
k
AIC(f
k
(t,X
t
),y
t
)；
[0028]其中，h(t)为t时刻混合专家模型输出的预测电能量；f
k
(t,X
t
)为t时刻第k个时间序列专家模型；λ
k
为第k个时间序列专家模型进行联合训练时的训练权重；L为联合训练损失函数；
[0029]以t时刻混合专家模型的输出预测电能量。
[0030]第二方面，本专利技术提供一种基于混合专家系统及时间序列的电能量预测系统，包括：
[0031]第一构建模块，用于构建时间序列专家模型；时间序列专家模型包括SARIMA模型、SARIMAX模型和基于LASSO回归模型和SARIMA模型的比例修正SARIMA模型；
[0032]超参数搜索模块，用于基于AIC准则利用网格搜索对时间序列专家模型进行超参数搜索；
[0033]参数优化模块，用于分别对各个时间序列专家模型以选择的超参数进行参数优化；
[0034]第二构建模块，用于基于神经网络线性层构建门控模型，将门控模型与参数优化后的时间序列专家模型进行联合训练，并基于不同的输入，利用门控模块将参数优化后的时间序列专家模型进行混合，得到混合专家模型，以混合专家模型预测电能量。
[0035]进一步地，所述第一构建模块，包括：
[0036]第一构建单元，用于构建SARIMA模型表达式：
[0037][0038]其中，为自回归函数；Φ(B
S
)为季节自回归函数；Y(t)为t时刻的电能量；c为常数偏置项；θ(B)为滑动平均函数；Θ(B
S
)为季节滑动平均函数；ε
t...

【技术保护点】

【技术特征摘要】
1.一种基于混合专家系统及时间序列的电能量预测方法，其特征在于，包括：构建时间序列专家模型；时间序列专家模型包括SARIMA模型、SARIMAX模型和基于LASSO回归模型和SARIMA模型的比例修正SARIMA模型；基于AIC准则利用网格搜索对时间序列专家模型进行超参数搜索；分别对各个时间序列专家模型以选择的超参数进行参数优化；基于神经网络线性层构建门控模型，将门控模型与参数优化后的时间序列专家模型进行联合训练，并基于不同的输入，利用门控模块将参数优化后的时间序列专家模型进行混合，得到混合专家模型，以混合专家模型预测电能量。2.根据权利要求1所述的基于混合专家系统及时间序列的电能量预测方法，其特征在于，所述构建时间序列专家模型；时间序列专家模型包括SARIMA模型、SARIMAX模型和基于LASSO回归模型和SARIMA模型的比例修正SARIMA模型，包括：构建SARIMA模型表达式：其中，为自回归函数；Φ(B
S
)为季节自回归函数；Y(t)为t时刻的电能量；c为常数偏置项；θ(B)为滑动平均函数；Θ(B
S
)为季节滑动平均函数；ε
t
为t时刻的白噪声；d为非季节性差分阶数；D为季节性差分阶数；为自回归函数系数；B
p
为p阶后退算子；B为后退算子；p为非季节性自回归阶数；S为季节周期长度；Φ
P
为季节自回归函数系数；B
PS
为PS阶后退算子；θ
q
为滑动平均函数系数；P为季节性自回归阶数；B
q
为q阶后退算子；Θ
Q
为季节滑动平均函数；B
QS
为QS阶后退算子；q为非季节性滑动平均阶数；Q为季节性滑动平均阶数；构建SARIMAX模型表达式：其中，X为额外特征矩阵；β为额外特征矩阵系数；构建基于LASSO回归模型和SARIMA模型的比例修正SARIMA模型表达式：其中，f(t)为训练完成的SARIMA模型；为训练完成的SARIMA模型在t时刻的电能量预测值；y
t
为t时刻的电能量真实值；r
t
为训练完成的SARIMA模型在t时刻的电能量预测误差；
X
t
为t时刻的额外特征；X
k
为k时刻的额外特征；w为LASSO回归模型系数；λ为L2范数项系数；Ω(w)为L2范数；r(X
k
)为LASSO回归模型在k时刻的预测值；w
*
为r(X
k
)在预测误差上的拟合参数；p(k)为比例修正SARIMA模型在k时刻的预测值；f(k)为SARIMA模型在k时刻的预测值。3.根据权利要求2所述的基于混合专家系统及时间序列的电能量预测方法，其特征在于，所述基于神经网络线性层构建门控模型，将门控模型与参数优化后的时间序列专家模型进行联合训练，并基于不同的输入，利用门控模块将参数优化后的时间序列专家模型进行混合，得到混合专家模型，以混合专家模型预测电能量，包括：构建门控模型表达式：其中，X为额外特征矩阵；为全连接层，m为额外特征输入维度，n为专家模型的数量；构建门控模型与参数优化后的时间序列专家模型联合训练表达式：h(t)＝∑
k
g
k
(X
t
)f
k
(t,X
t
)；L＝∑
t
||y
t
‑
h(t)||2+λ
k
∑
k
AIC(f
k
(t,X
t
),y
t
)；其中，h(t)为t时刻混合专家模型输出的预测电能量；f
k
(t,X
t
)为t时刻第k个时间序列专家模型；λ
k
为第k个时间序列专家模型进行联合训练时的训练权重；L为联合训练损失函数；以t时刻混合专家模型的输出预测电能量。4.一种基于混合专家系统及时间序列的电能量预测系统，其特征在于，包括：第一构建模块，用于构建时间序列专家模型；时间序列专家模型包括SARIMA...

【专利技术属性】
技术研发人员：黄青青，于怡，陈心仪，谢林枫，康浴宇，沈明溪，王淑云，孙毓聪，张鸿鸣，包琰琪，
申请(专利权)人：江苏方天电力技术有限公司，
类型：发明
国别省市：