[发明专利]一种考虑多尺度时间序列的供电系统成本预测方法

说明书

本发明公开了一种考虑多尺度时间序列的供电系统成本预测方法，包括如下步骤：S1、搜集供电系统历史成本数据降噪处理后，可视化得到训练集Tr和测试集Tx；S2、对历史成本数据按日为单位进行特征工程建设得到成本的数据结构；S3、采用Prophet模型对训练集Tr的多尺度时间序列进行平稳化处理；S4、采用LSTNet网络模型对分解后的时间序列各项进行建模并引入基于特征的注意力机制；S5、用测试集Tx对Prophet‑LSTNet组合预测模型进行可靠性验证；若可靠性不足，执行S4，若可靠性合格，执行S6；S6、得到的Prophet‑LSTM组合预测模型对供电系统成本进行预测，输出预测结果；Prophet‑LSTNet组合预测模型针对多尺度时间序列的多维成本数据预测，预测结果更加稳定可靠。

技术领域

本发明涉及大数据运算技术领域，具体的，涉及一种考虑多尺度时间序列的供电系统成本预测方法。

背景技术

随着大数据、云计算、移动互联技术的不断发展,预测企业经营目标需要涉及各种信息、数据的支撑越来越多，各种信息、数据的各种内在关联不断被探讨,对原有电力行业信息、数据量的价值发掘利用也日趋深入。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；根据以往的运维成本，包括人工成本、检修运维成本、营销运维成本、其他运营费用情况对未来的形式分析，实现对未来特定时间内的成本消耗的估计，它的准确预测对于国家电网对使用成本的总体把握、资金部署和投资建设等有着非常重要的意义。

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；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。

目前制约预测模型可靠性的因素有以下几个方面，一方面是当数据量很大时，构建有效的输入数据结构来刻画相应成本金额非常有必要，然而传统方法要么是选取其中少量数据维度，要么忽略已有数据之间的总体关联性质，这都导致了数据的信息缺失，使得进一步的建模受到先验限制；另一方面，基于能获取的所有数据维度，传统方法无法有效提取出其中有利于预测的高维的、相互作用的有效特征，如：时间序列模型只突出时间序列而不考虑外界因素影响，这使得利用ARIMA模型预测变化较大的成本值会出现较大偏差；这些原因导致统计预测的不精确，也就限制了传统方法的实际应用。

中国专利，公开号：CN112365086A，公开日：2021年2月12日，涉及电力成本预测技术，旨在提供一种基于LSTM优化器的电力成本预测方法。该方法包括：搜集历史电力成本数据及电力公司每日收入的日现金流数据，进行标准化预处理，准备用于训练的数据集；构建LSTM预测网络及LSTM优化器，训练并交替更新LSTM预测网络及LSTM优化器的权重参数；利用训练好的LSTM预测网络进行电力成本预测，得到预测结果。由于LSTM无法捕获非常长期的序列关系，并且选取的其中少量数据维度，忽略已有数据之间的总体关联性质，因此该方法建立的模型的可靠性较差。

发明内容

本发明的目的是解决传统预测模型对多尺度时间序列的多维数据结构预测可靠性低的问题，提出了一种考虑多尺度时间序列的供电系统成本预测方法，设计Prophet-LSTNet组合预测模型对多尺度时间序列的多维成本数据进行预测，能够反应多维数据与预测结果之间的内在联系，预测结果更加稳定可靠。

为实现上述技术目的，本发明提供的一种技术方案是，一种考虑多尺度时间序列的供电系统成本预测方法，包括如下步骤：

S1、搜集供电系统历史成本数据；对成本数据进行降噪处理后，可视化得到训练集Tr和测试集Tx；