[发明专利]一种基于EEMD-Prophet算法的医院能耗预测方法

说明书

本发明涉及一种基于EEMD‑Prophet算法的医院能耗预测方法，采用全新设计思路，考虑医院内部能耗因素的同时，提出行业特征模式利用，加入医院的业务量因素与医院所在地区的气温因素的考虑，再应用EEMD去除噪音处理、数据跨域补充、能耗点位特征分类，通过获得医院各点位分别对应目标时间节点的能耗预测结果，进而获得目标医院对应目标时间节点的能耗预测结果，高效实现目标医院对应目标时间节点的能耗预测。

技术领域

本发明涉及一种基于EEMD-Prophet算法的医院能耗预测方法，属于能耗预测技术领域。

背景技术

医院的能耗支出占据了医院后勤成本的很大比例，为了响应国家节能减排号召、降低医院运营成本，同时也为了提升医院能耗监测的准确性和有效性，整体提升医院运行安全性，必须实现对医院能耗的高精度分析预测。

医院能耗受所处地理位置、气候特征、当地社会经济发展水平、建筑节能参数、医院规模类型、医院业务量等诸多因素影响，因此医院能耗是一个多维度非线性模型，目前在学术界和工业界都没有研究出准确可靠的医院能耗预测模型，也没有发展出稳定可靠的预测方法。

传统的能耗预测方法包括两大类，一类是基于确定性模型的方法，另一类是基于机器学习的方法。基于确定性模型的方法，通常需要将影响医院能耗的各种因素进行总结归纳和量化表达，然后以这些变量作为基础，从物理和数学两方面入手找到与能耗的解析表达式，最后利用表达式对未来能耗进行预测。基于机器学习的方法则不关心变量和预测量的准确关系，寄希望于从大量观测数据中自动学习能耗与各影响因素之间的复杂联系，然后通过这种黑箱模型进行预测。

传统方式建立的模型是非线形、强耦合、多变量、不确定的复杂动态系统模型，因此出现了建模困难、计算复杂度高、计算精度低、预测准确度低等问题。

根据国家政策的要求，以及物联网技术、大数据技术的发展，很多大中型医院逐步建立了能耗采集系统。通过在医院大量部署能耗采集传感器，全方位实时采集目标区域的能耗数据，并实现对采集数据的存储、统计、分析和展示。这些能耗采集系统可根据不同点位区域、不同目的、不同时间尺度(连续采样、周期性采样(秒、分、时、日))进行灵活配置。随着时间的积累，采集系统即可形成规模庞大的时间序列数据库，这为基于时间序列的高精度医院能耗预测提供了基础和可能。

时间序列预测已被广泛研究，但放之四海而皆准的方法却几乎没有，但凡所谓的通用模型，其精度往往达不到要求。近年来PROPHET算法因在时间序列预测上的可靠性而广受关注。

Prophet算法是一种针对时间序列进行分解分析的方法，它把时间序列y(t)分解成四大项，即y(t)＝g(t)+s(t)+h(t)+ε(t)，其中，g(t)为趋势项，表示的是时间序列在非周期上的变化趋势；s(t)为周期项或，一般是以周或者年为单位；h(t)为节假日因素，表示在当天是否存在节假日；ε(t)为误差项或者剩余项。

其中，g(t)的计算方式位：g(t)是一个逻辑回归函数，C表示曲线的最大渐进值，k表示曲线增长率，m表示曲线中点，在现实环境中，这三个参数不是常数，而是随时间变化的变量，因此用于C(t)、k(t)、m(t)表示，这三个参数的确定，将极大影响最终趋势项的预测准确性。

s(t)的计算方式为：s(t)是傅立叶级数，用它来模拟时间序列的周期性，为对应余弦波和正弦波对应的频率，a_n和b_n分别为对应频率余弦波和正弦波的幅度值，这些参数最终影响周期项的预测准确性。

Prophet算法对于具有明显时间依赖性的量有高精度的预测结果，因此它的局限性和缺陷也非常明显：

1)算法只考虑了时间特征，而缺乏明确的特征工程，这种特征可能决定了预测的结果。比如对医院能耗来说，影响它的核心因素主要包括能耗类型、时间分布和空间分布、业务分布等，而Prophet方法则忽略了这些。