[发明专利]一种基于Prophet-LSTM模型的用户用电能耗预测方法

说明书

本发明公开了一种基于Prophet‑LSTM模型的用户用电能耗预测方法，包括如下步骤：S1、通过智能电表获取用户用电能耗的历史数据，历史数据包括时序数据、天气温度数据和节假日数据；S2、历史数据数据预处理归一化：原始用电能耗数据为：X＝{x₁，x₂，...，x_n}，对原始数据预处理包括对缺失值、异常值、重复值以及无效值进行处理；S3、构建Prophet预测模型，将处理后历史用电能耗数据X′＝{x′₁，x′₂，...，x′_n}输入到Prophet模型中，进行Prophet预测；S4、为防止预测过拟合，结合改进的长短时记忆网络LSTM模型进行组合预测；S5、衡量和验证组合模型的拟合度与预测效果，用常用评价指标。本发明分析用电能耗数据的特征和规律，提高预测模型的精确度，对国家电网及各供电公司制定有效的供电服务有重要的指导意义。

技术领域

本发明设计时间序列分析和能耗预测领域，具体涉及一种基于Prophet-LSTM模型的用户用电能耗预测方法。

背景技术

对用户用电能耗进行分析预测，能够为国家电网或供电公司提供判断用户用电是否出现异常状况并提供相应的解决方案，相关的供电公司可以参照用电能耗的预测趋势，及时调整供电决策方案计划，提高供电服务的高效性和可靠性，促进节能减排意识发展，构建节约用电型社会。许多学者在此方面了一定的研究，但是用户用电能耗预测受到用户用电行为、负荷变化、节假日以及季节变化等诸多因素的综合影响，从而导致时间序列出现不平衡的趋势变化，而常用的预测模型没有对数据进行细致分解，导致预测结果欠佳。因此，建立高效的用户用电能耗预测模型是电力领域研究的热点之一。而Prophet是一种时间序列预测模型，一开始用于商业预测，如经济金融业等。它具有操作简单，参数模型复杂度低，计算预测时间短以及预测效果好等优点，迅速在各领域流行起来，但Prophet模型存在着在特殊时间点陷入过拟合的缺点，在展现时间序列的复合特征方面也存在不足，因此针对单一的预测模型存在的这弊端，会导致预测效果不好，本文提出利用改进的LSTM模型与Prophet模型结合的策略，融合两个模型的优势，来减少预测误差。

发明内容

本发明针对现有技术存在的技术问题，对用户用电历史能耗数据进行处理分析预测，提出一种基于Prophet-LSTM模型的用户用电能耗预测方法，组合模型不仅可以对用户历史能耗数据进行处理，还对数据中的趋势变化、节假日效应以及季节性趋势进行预测处理，能够很好的处理异常值、缺失值以及时间序列的复合特征，以提高预测结果精确度。

为了实现上述发明的目的，本发明采取如下的技术方案：

一种基于Prophet-LSTM模型的用户用电能耗预测方法，所述方法包括如下步骤：

S1、通过智能电表获取用户用电能耗的历史数据，历史数据包括时序数据、天气温度数据和节假日数据；其中时序数据包括不同时间的用电能耗数据，用来描述供电量需求量随着时间变化的情况。

S2、历史数据数据预处理归一化

原始用电能耗数据为：X＝{x₁，x₂，...，x_n}，对原始数据预处理包括对缺失值、异常值、重复值以及无效值进行处理；

进一步地，步骤2的具体实现：

(1)缺失数据与重复数据采用平均值、最大最小值计算方法代替缺失值或删除重复值；

(2)异常数据和无效数据采用统计方法计算出异常值和无效值进行删除或替代；

(3)对处理好的数据进行数据归一化处理：利用公式进行数据预处理，其中x_i是历史数据实际值，x_max是历史数据值，x_min是历史数据最小值，x_i^*是归一化处理后的数据。