[发明专利]一种基于K近邻异常检测和Prophet模型的电量分解和预测方法

权利要求书

1.一种基于K近邻异常检测和Prophet模型的电量分解和预测方法，其特征在于，包括如下步骤：

(1)将时序的电量序列看成一组离散的点，对每一个数据点，使用K近邻方法找出它的K近邻点，并计算每个点的K近邻距离；

(2)再通过每个点的K近邻点集合计算反向K近邻；

(3)K近邻和反向K近邻的并集构成了每个点的影响空间，通过影响空间计算每个点的INFLO值，剔除INFLO值较大的点；

(4)对处理后的电量序列使用Prophet模型进行分解建模，将一维电量序列分解成趋势、季节性、节假日影响三个成分，分别对三个成分的表达式进行拟合，以此来进行电量序列变化的分析和预测；

步骤(4)中，Prophet模型将电量序列分为三个成分：

x(t)＝g(t)+s(t)+h(t)+∈_tt为正整数

g(t)用来表征数据整体的趋势走向，s(t)代表电量的周期性变化，h(t)是节假日成分，∈_t表示模型拟合误差；

其中，

(51)趋势的模型为线性模型或非线性模型，

线性模型的表达式如下：

g(t)＝(k+α(t)^Tδ)t+(m+α(t)^Tγ)

k是增长率，δ表示的是一个增长率调整的向量，模型增长率发生变化的点为变异点，假设变异点的数量为S，分别在时间点s_j，j＝1，...，S，δ_j表示的是在s_j点增长率的调整值；模型在任意时间点t的增长率等于基础增长率k加上这个时间点之前的速率调整值：可以通过定义一个长度为S的一维向量α(t)，a_j(t)∈{0，1}来表示：

在t≥s_j时，a_j(t)＝1；其余情况，a_j(t)＝0；

这样，在时间点t的速率为k+α(t)^Tδ，m是模型偏置，γ_j＝-s_jδ_j；

非线性模型的表达式如下：

C是饱和值，表明函数g(t)所能增长到的最大值，其他的变量定义和线性模型一样，

(52)季节性成分用一个傅里叶级数表示，表达式如下：

P表示周期，a_n和b_n为待拟合的参数，拟合此傅里叶序列模型需要估计2N个参数β＝[a₁，b₁，...，a_N，b_N]^T，N越大模型可以拟合的频率越大，N取10拟合以年为周期的周期性成分；定义则

s(t)＝y(t)β

参数β先验估计服从0均值方差σ²的正态分布，即，β～Normal(0，σ²)；

(53)设每一个节日i，D_i为每年这个节日的日期；对每一个节假日指定一个参数κ_i 表示这个节假日所造成的电量影响大小，生成如下回归矩阵：

Z(t)＝[1(t∈D₁)，...，1(t∈D_L)]

h(t)＝Z(t)κ，

同时假设κ～Normal(0，v²)。

2.如权利要求1所述的基于K近邻异常检测和Prophet模型的电量分解和预测方法，其特征在于，步骤(1)包括以下步骤：

设一组电量序列为：

X＝[x(1)，x(2)，x(3)，...，x(n)]

式中，n为序列采样点个数，计算每两点之间的欧几里得距离得到距离矩阵{d_ij}_n×n：

d_ij＝dis(x(i)，x(j))1≤i，j≤n

根据距离矩阵可以得到距离每个点x(i)最近的k个点，称这k个点为x(i)的K近邻，计为NN_k(x(i))，根据K近邻计算每个点的K近邻距离：

K_dis(x(i))＝Max(d_ij)x(j)∈NN_k(x(i))。