基于多模态组合模型的电采暖运行成本预测方法和介质技术

本发明专利技术公开了一种基于多模态组合模型的电采暖运行成本预测方法和介质，属于电采暖运行成本预测领域，提供的计算机可读存储介质存储计算机指令，计算机指令在被运行时执行基于多模态组合模型的电采暖运行成本预测方法的步骤。方法采用与电采暖运行成本相关性超过0.5的温度、日采暖时长、采暖天数、场所面积、电费单价5个影响因素作为BP神经网络模型输入层特征参数，有利于提高预测精度，降低模型的复杂度。利用BP神经网络模型预测电采暖运行成本，然后利用Prophet模型进行BP神经网络模型的残差预测，通过BP神经网络模型和Prophet模型的有机组合，进一步提高了电采暖运行成本的预测精度，从而达到更好的预测效果。从而达到更好的预测效果。从而达到更好的预测效果。

【技术实现步骤摘要】
基于多模态组合模型的电采暖运行成本预测方法和介质


[0001]本专利技术电采暖运行成本预测领域，更为具体地，涉及一种基于多模态组合模型的电采暖运行成本预测方法和介质。

技术介绍

[0002]以碳基能源为主导的能源供给模式造成了严峻的生态环境问题，威胁着经济社会的可持续发展；开发利用可再生能源成为能源供给低碳化转型的重要战略选择，构建以风电、光伏等新能源为主体的新型电力系统是能源电力行业碳减排国家战略，风电功率受风速波动影响具有强不确定性，高比例不确定性电源联网将影响电力供应的可靠性及经济性，进而阻碍能源供给低碳化转型发展。
[0003]冬季采用电采暖方式既可以供暖，又可以有效促进新能源的消纳，减少弃风、弃光现象。同时还可以减少冬季因传统燃煤供暖而造成的空气污染问题。因此，研究电采暖成本的影响因素，建立有效的预测模型，变得尤为重要。准确的成本预测可以帮助用户做出更合理的能源消费决策，对电力供应商和能源政策制定者也具有指导作用。
[0004]然而，电采暖运行成本预测存在一些困难，首先，电采暖的运行成本受多个因素的影响，例如温度、场所面积、日采暖时长、采暖天数等。这些因素之间可能存在复杂的非线性关系，因此传统的预测方法往往难以捕捉到这种复杂性；其次，电采暖的运行成本在不同时间段和不同场所可能有较大的变化，因此需要一个灵活且具有较强泛化能力的预测模型。

技术实现思路

[0005]本专利技术的目的是为了解决传统方法预测电采暖成本通常基于历史数据建立回归模型，难以捕捉到数据之间的非线性关系，导致预测精度较低的问题，而提出了一种基于多模态组合模型的电采暖运行成本预测方法，利用神经网络进行预测，可以更好地处理这种非线性关系，提高预测精度。同时，神经网络具有良好的自适应性和鲁棒性，能够更好地适应不同的环境和数据变化，可以不断根据新数据进行模型优化，进一步提高预测精度。
[0006]为达到上述目的，本专利技术采用如下技术方案：本专利技术的第一方面是提出了一种基于多模态组合模型的电采暖运行成本预测方法，该方法包括：根据影响因素与电采暖运行成本的相关性，确定用于预测电采暖运行成本的影响因素，所述影响因素由温度、日采暖时长、采暖天数、场所面积和电费单价组成；构建BP神经网络模型，BP神经网络模型包括输入层、隐含层和输出层3层网络结构；将温度、日采暖时长、采暖天数、场所面积和电费单价5个影响因素作为BP神经网络模型的输入向量，输入BP神经网络模型中，电采暖运行成本作为BP神经网络模型的输出数据，并将BP神经网络模型的输入数据作为预测结果一；利用Prophet模型对BP神经网络产生的残差时间序列进行预测，得到残差的预测结果，并将残差的预测结果作为预测结果二；
将预测结果一和预测结果二进行相加，得到基于多模态组合模型的电采暖运行成本的预测值。
[0007]进一步，所述温度、日采暖时长、采暖天数、场所面积以及电费单价5个影响因素中的每个影响因素与电采暖运行成本的相关性均超过0.5。
[0008]进一步，BP神经网络模型的隐含层单元数的计算公式如下：，其中为数据集中样本的数量，为隐含层单元数，为输入层单元数，为之间的常数，当损失函数最小时，得到的数值，表示从个不同元素中，不重复地选出个元素的一个组合；如果，，隐含层单元数的确定有如下两个方式，即：方式一、，其中为输出层单元数，为输入层单元数，为[1，10]之间的常数；方式二、 ，其中为输入层单元数，该方式对隐含层单元数的设定从3个节点开始增加至13个，用于来测量不同数量的隐含层单元数对模型误差的影响，最后选择最优结果的数量作为隐含层单元数。
[0009]进一步，BP神经网络模型的隐含层设置为5层。
[0010]进一步，电采暖运行成本预测的残差计算公式如下：，其中表示电采暖运行成本的真实值，表示电采暖运行成本的预测值。
[0011]进一步，Prophet模型是将一个残差时间序列看作由3种成分组成：趋势项、季节项、假期项；，其中为原始的残差时间序列；为趋势项，用于反映残差时间序列的非周期性变化；为季节项，反映残差时间序列的周期性变化；为假期项，表示不规律的假期项所产生的影响；为误差项，表示未考虑到的因素对残差时间序列所造成的影响。
[0012]根据本专利技术的另一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令在被运行时执行如前所述的基于多模态组合模型的电采暖运行成本预测方法的步骤。
[0013]通过上述设计方案，本专利技术可以带来如下有益效果：1、本专利技术提出的基于多模态组合模型的电采暖运行成本预测方法，采用与电采暖运行成本相关性超过0.5的温度、日采暖时长、采暖天数、场所面积、电费单价5个关键影响因素作为BP神经网络模型输入层特征参数，有利于提高预测精度，降低模型的复杂度。此外，该方法具备较强的数据处理能力，能够自动去除异常值等干扰因素。
[0014]2、本专利技术分别利用BP神经网络模型预测未来电采暖运行成本，然后利用Prophet
模型进行BP神经网络模型的残差预测。通过BP神经网络模型和Prophet模型的有机组合，进一步提高了电采暖运行成本的预测精度，从而达到更好的预测效果；该方法具有较强的泛化能力，能够适应不同的采暖场景。
附图说明
[0015]此处的附图说明用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术示意性实施例及其说明用于理解本专利技术，并不构成本专利技术的不当限定，在附图中：图1为基于多模态组合模型的电采暖运行成本预测方法的流程图；图2为BP神经网络模型架构图。
实施方式
[0016]如图1和图2所示，本专利技术提供了一种基于多模态组合模型的电采暖运行成本预测方法，首先，考虑温度、日采暖时长、采暖天数、场所面积和电费单价5个影响因素的影响，构建BP神经网络模型，对电采暖运行成本进行预测，计算预测残差，接着利用Prophet模型对残差进行预测，得到残差的预测结果，最后，将BP神经网络模型的预测结果与Prophet模型的预测结果进行加和，得到最后的预测结果，作为基于多模态组合模型的电采暖运行成本的预测值；具体过程包括：（1）针对电采暖运行成本数据与影响因素数据，设计了BP神经网络模型的输入层、输出层和隐藏层，利用数据训练了BP神经网络模型，得到预测电采暖运行成本的BP神经网络模型；（2）利用Prophet模型，对BP神经网络模型产生的残差时间序列进行预测；（3）设计了基于BP神经网络和Prophet时间序列的组合预测模型，预测电采暖运行成本。
[0017]为使得本专利技术的目的、特征、优点能够更加的明显和易懂，下面结合本专利技术的实施例中的附图，对本专利技术中的技术方案进行清楚完整地描述。显然，本专利技术不受下述实施例的限制，可根据本专利技术的技术方案与实际情况来确定具体的实施方式。为了避免混淆本专利技术的实质，公知的方法、过程和流程并没有详细叙述。
[0018]基于多模态组合模型的电采暖运行成本预测方法，包括：S1、电采暖运行成本影响因素分析通过查阅相关资料发现影响电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模态组合模型的电采暖运行成本预测方法，其特征在于，该方法包括：根据影响因素与电采暖运行成本的相关性，确定用于预测电采暖运行成本的影响因素，所述影响因素由温度、日采暖时长、采暖天数、场所面积和电费单价组成；构建BP神经网络模型，BP神经网络模型包括输入层、隐含层和输出层3层网络结构；将温度、日采暖时长、采暖天数、场所面积和电费单价5个影响因素作为BP神经网络模型的输入向量，输入BP神经网络模型中，电采暖运行成本作为BP神经网络模型的输出数据，并将BP神经网络模型的输入数据作为预测结果一；利用Prophet模型对BP神经网络产生的残差时间序列进行预测，得到残差的预测结果，并将残差的预测结果作为预测结果二；将预测结果一和预测结果二进行相加，得到基于多模态组合模型的电采暖运行成本的预测值。2.根据权利要求1所述的基于多模态组合模型的电采暖运行成本预测方法，其特征在于：所述温度、日采暖时长、采暖天数、场所面积以及电费单价5个影响因素中的每个影响因素与电采暖运行成本的相关性均超过0.5。3.根据权利要求1所述的基于多模态组合模型的电采暖运行成本预测方法，其特征在于：BP神经网络模型的隐含层单元数的计算公式如下：，其中为数据集中样本的数量，为隐含层单元数，为输入层单元数，为间的常数，当损失函数最小时，得到的数值，表示从个不同元素中，不重复地选出个元素的一个组合；如果，，隐含...

【专利技术属性】
技术研发人员：王珏昕，刘乐，于龙军，李国华，赵阳，陈新玲，王大业，刘家岩，田世杰，张剑锋，杨文博，邵云龙，于舰，张海勇，曲阳，
申请(专利权)人：国网吉林省电力有限公司长春供电公司，
类型：发明
国别省市：