[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

说明书

本发明是为了辅助电力部门对未来供电所运维成本进行预测，提出了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）搜集历史运维成本数据，分析数据特性；检测并修正数据异常值，准备数据集；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。

技术领域

本发明是为了辅助电力部门对未来供电所运维成本进行预测，提出了一种融合时间序 列和神经网络的供电所运维成本预测方法。

背景技术

电网企业经过多年的财务集约化和信息化建设，已初步形成一套较完整的预算管理方 案和系统支撑方案。在国资委提出“深入推进全面预算管理提升”的要求下，全面预算的理 念也日益深入人心。在日趋多变的内外部形势发展下，运维成本作为企业的血脉，对其进行 预测也日益成为电网企业财务不可或缺的决策支撑能力。

目前可用于预测的数据挖掘工具有统计分析方法，如ARIMA模型、Holt-Winters模型 等，然而这些传统统计方法缺少对复杂非线性系统的建模能力。随着深度学习的发展，长短 期记忆网络(LSTM)模型的出现解决了这个问题，被广泛应用于销售预测、股票预测、自 然语言处理等方面。然而实际上LSTM无法捕获非常长期的序列关系，因此相关研究人员设 计LSTNet模型以解决此问题。LSTNet包括卷积组件、循环神经网络组件、跳跃循环神经网 络组件以及自回归组件，可以捕捉数据的多尺度周期规律。但是LSTNet只能挖掘不同时段 的序列特征，不能对序列噪音等进行平稳处理。因此本文提出了一种融合时间序列分解和 LSTNet神经网络模型的供电所运维成本预测方案。

发明内容

本发明的主要目的在于克服现有方法的不足，提供一种融合时间序列分解和LSTNet 神经网络模型的供电所运维成本预测方案。目的是在电力供电所运维成本预测问题领域解决 上述技术问题。

本发明的解决方案是：通过分析序列特性，设计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：

(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；

(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；

(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；

(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

(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。

作为优选，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。

作为优选，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、残差三部分。其模 型如式(2)所示：