[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

说明书

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。将时序的电量序列看作一群离散的点，对每一个数据点，使用K近邻方法找出它的K近邻点，即距离此点最近的K个点。再通过每个点的K近邻点集合计算反向K近邻，K近邻和反向K近邻的并集构成了每个点的影响空间(IS)。通过影响空间计算每个点的INFLO值，对每个点的INFLO值进行排序，剔除INFLO值较大的点。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。本发明应用于电量序列的分析和短期预测。

技术领域

本发明涉及时间序列分析和预测技术领域，尤其涉及一种基于K近邻异常检测和Prophet模型的电量分解和预测方法。

背景技术

时间序列分析(Time-Series Analysis)是统计学科的一个分支，通过将原来的序列分解为四部分来看——趋势、周期、时期和不稳定因素，然后综合这些因素，提出序列预测。它包括一般统计分析(如自相关分析，谱分析等)，统计模型的建立与推断，以及关于时间序列的最优预测、控制与滤波等内容。经典的统计分析都假定数据序列具有独立性，而时间序列分析则侧重研究数据序列的互相依赖关系。其模型类型主要分为ARIMA类和指数平滑类。因为机器学习在特征提取和多维非线性建模上的优势，近年来被认为是用于时间序列建模的传统的统计方法的一个替代方案。

然而，传统方法如ARIMA、指数平滑等，其思想都是建立序列变量之间的自相关性，需要保证序列发展的宽平稳(WSS)，不适应于线性增长的序列。机器学习方法存在的过拟合效应会增加预测误差，不能对原始序列进行分解等。在电量预测当中，电量的变化情况多种多样，且季节性成分明显，上述的方法不适用于电量的分解和预测。

发明内容

本发明所要解决的技术问题在于，提供一种基于K近邻异常检测和Prophet模型的电量分解和预测方法，可应用于电量序列的分解和预测。

本发明的技术方案为：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(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)))。

步骤(2)中，通过每个点的K近邻点集合计算反向K近邻，计为RNN_k(x(i))。