[发明专利]一种融合时间序列和神经网络的供电所运维成本预测方法

权利要求书

1.一种融合时间序列和神经网络的供电所运维成本预测方法，包括以下步骤：

步骤(1)搜集历史供电所运维成本数据，通过可视化方法分析数据特性；并进行标准化预处理，检测并修正数据中的异常值，准备用于训练的数据集；

步骤(2)采用Prophet模型对数据序列进行平稳化处理，提取并预测序列的趋势成分；

步骤(3)进行特征工程建设，对供电所信息进行挖掘分析，得到供电所的运维成本数据的特征；

步骤(4)构建LSTNet网络模型进行训练，引入基于特征的注意力机制，训练并交替更新LSTNet预测网络及权重参数；

步骤(5)利用训练好的Prophet-LSTM组合预测网络进行供电所运维成本预测，得到预测结果。

2.根据权利要求1所述的一种融合时间序列和神经网络的供电所运维成本预测方法，其特征在于，所述步骤(1)具体包括：

(1.1)绘制折线图观察数据特性，确定序列是非平稳的，具有趋势性、长短周期性；

(1.2)删除历史数据中的负值，通过分位数检测处理数据中的异常值，计算第一和第三四分位数(Q1、Q3)，异常值是位于四分位数范围之外的数据点x_i，计算方式如式(1)所示：

x_i＞Q3+k(IQR)∧x_i＜Q1-k(IQR) (1)

其中IQR＝Q3-Q1，k≥0，当超过异常值上限的数据使用异常值上限代替，低于异常值下限的数据使用异常值下限代替。

3.根据权利要求1或2所述的一种融合时间序列和神经网络的供电所运维成本预测方法，其特征在于，所述步骤(2)具体包括：

(2.1)使用STL时间序列分解算法，将原始序列分解成趋势项、季节项以及残差三部分，其模型如式(2)所示：

y(t)＝g(t)+s(t)+h(t)+ε_t (2)

其中g(t)是趋势成分，用来拟合数据的非周期性变化，s(t)是季节性成分，h(t)是假日成分，表示当天是否是节假日ε_t代表误差项；

(2.2)Prophet模型对序列的分解，包括趋势成分、周成分、年成分以及额外添加回归成分，其预测结果计算如式(3)所示：

4.根据权利要求1或2所述的一种融合时间序列和神经网络的供电所运维成本预测方法，其特征在于，所述步骤(3)具体包括：

(3.1)时间维度特征包括运维成本数据所在的月份、周几、一月中的第几周以及是否为节假日；

(3.2)成分维度特征包括人工成本、检修运维成本、营销运维成本以及其他运营费用。

5.根据权利要求1或2所述的一种融合时间序列和神经网络的供电所运维成本预测方法，其特征在于，所述步骤(4)具体包括：

LSTNet模型由五部分组成，如下：

(4.1)一维卷积组件：使用Conv1D函数实现，利用卷积层提取时间序列的短期特征，同时捕捉多维变量之间的短期模式，即时间维度的局部依赖；

(4.2)循环组件：使用LSTM函数实现，捕获数据的时间依赖性以及短周期模式；

(4.3)循环跳跃组件：使用Lambda层对输入数据维度进行整理，实现数据跳跃短周期链接，然后再输入LSTM层，从而实现Skip-LSTM，捕捉更长期的信息并充分利用序列的周期性；

(4.4)自回归组件：同样使用Lambda层令数据跳跃短周期链接，消除周期性，再通过Dense层模拟自回归过程；

(4.5)注意力机制：使用基于Softmax激活函数的Dense层实现，使用注意力机制决定哪些维对于预测维起关键作用，以实现不同重要性的维度权值不同的目标；

损失函数为平均绝对误差，计算公式如式(4)所示：

6.根据权利要求1或2所述的一种融合时间序列和神经网络的供电所运维成本预测方法，其特征在于，所述步骤(5)具体包括：

(5.1)对测试的数据进行与步骤(1)相同的标准化预处理，将数据集按照3∶1∶1的比例划分为训练集、验证集和测试集；

(5.2)将步骤(5.1)所获数据输入经训练的Prophet-LSTNet预测网络，用网格法确定深度卷积神经网络模型的超参数，多次实验记录最佳的超参数，通过的迭代之后，输出网络预测的结果。