[发明专利]基于Prophet-LSTNet组合模型的供电成本分析预测方法

说明书

本发明公开了基于Prophet‑LSTNet组合模型的供电成本分析预测方法，解决了现有技术的不足，包括以下步骤：步骤1，获取一段时间内历史每日供电成本数据，并将供电成本数据输入Prophet模型；步骤2，通过Prophet模型对供电成本数据分解成非线性趋势成分数据、季节性成分数据以及假日成分数据；步骤3，进行特征工程建设，得到供电成本数据的多维特征；步骤4，将供电成本数据的多维特征作为参数输入LSTNet模型，将非线性趋势成分数据输入LSTNet模型，对LSTNet模型进行训练，寻找供电成本数据的多维特征与非线性趋势成分数据之间的依赖关系，训练并交替更新LSTNet模型及非线性趋势成分数据权重参数；步骤5，对供电成本进行预测，得到预测结果。

技术领域

本发明涉及配电网技术领域，尤其是指一种基于Prophet-LSTNet组合模型的供电成本分析预测方法。

背景技术

电网供电成本预测是指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、其他运营费用等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。目前相关研究很少，主要原因是电网规模庞大、分布地域广阔、运行条件繁琐，造成电网供电所数据波动特别大，数据短期无连续性，使得其预测非常困难。

目前可用于预测的数据挖掘工具主要是一些传统统计分析方法，如时间序列分析、线性/非线性回归模型、灰色系统模型、最大熵马尔可夫模型等，其中时间序列分析方法突出了时间因素在预测中的作用，因此被广泛应用于经济预测。

在时间序列分析方法中，最常用的是Box和Jenkins提出的ARIMA模型，但是以下两方面原因使得传统统计模型不能很好的预测成本变化：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。

为了很好的利用历史数据(大数据)预测成本，构建有效的输入数据结构来刻画相应成本金额是非常有必要的，因此对大数据处理和挖掘的需求也应运而生，其中代表性的方法就神经网络方法，在过去的十多年，基于深度学习的神经网络方法已经被广泛应用于数据处理，Hochreiter和Schmidhuber在1997 年提出的LSTM（长短期记忆网络）神经网络模型被广泛用在股票预测，手写识别，语音识别，电量预测等。

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。

发明内容

本发明的目的是克服现有技术中的缺点，提供一种基于Prophet-LSTNet组合模型的供电成本分析预测方法。

本发明的目的是通过下述技术方案予以实现：

一种基于Prophet-LSTNet组合模型的供电成本分析预测方法，包括以下步骤：

步骤1，获取一段时间内历史每日供电成本数据，并将供电成本数据进行数据清洗，然后将数据清洗完成后的供电成本数据输入Prophet模型；

步骤2，通过Prophet模型对供电成本数据分解成非线性趋势成分数据、季节性成分数据以及假日成分数据；

步骤3，进行特征工程建设，对供电成本相关信息进行挖掘分析，得到供电成本数据的多维特征；