[发明专利]基于Prophet-LSTNet组合模型的供电成本分析预测方法

权利要求书

1.基于Prophet-LSTNet组合模型的供电成本分析预测方法，其特征是，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；

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；供电成本数据的多维特征包括发电量分布、供电行业分布、多种发电类型发电功率、日期；

步骤5，通过LSTNet模型、季节性成分数据以及假日成分数据结合对供电成本进行预测，得到预测结果；

所述的数据清洗包括异常值数据清洗，异常值数据清洗的方法为首先判断数据的正负情况，若数据为负值，则判断该数据为异常并删除，若数据为正值，则通过分位数检测处理数据中的异常值：计算第一四分位数Q1和第三四分位数Q3，异常值是位于四分位数范围之外的数据点，计算方式如下：

其中，，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；

所述的步骤1中数据清洗包括缺失值数据清洗，缺失值数据清洗的方法为首先寻找缺失值相邻的若干日的供电成本数据，根据若干日的数据构建拟合曲线，然后确定缺失值对应的日期在拟合曲线上的拟合数值，该拟合数值即为缺失值匹配的供电成本数据，在历史每日供电成本数据中对该缺失值进行补充；

基于Prophet-LSTNet组合模型的供电成本分析预测方法还对补充的缺失值进行验证，具体方法为首先确定该缺失值对应的日期信息，确定该日期信息的数据特征，然后寻找在一段时间内所有与该日期信息的数据特征相同的其他日期的供电成本数据，并对这些数据特征相同的数据进行聚类分析，确定聚类中心点，计算补充的缺失值与距离中心点的欧式距离，若欧式距离小于设定的阈值，则确定补充的缺失值可信，若欧式距离大于等于设定的阈值，则判断不中的缺失值不可信，则重新确定缺失值相邻的若干日的供电成本数据的数量，直到确定补充的缺失值可信，或重新确定缺失值相邻的若干日的供电成本数据的数量的次数超过设定的次数为止；

Prophet模型对供电成本数据分解成非线性趋势成分数据的具体方法为使用逻辑增长模型进行建模，建模的形式如下式表示：

，

其中C代表承载容量，k代表增长率，m表示曲线的中点；

Prophet模型对季节性成分数据以及假日成分数据通过傅里叶级数来模拟周期效应模型；

所述的LSTNet模型具体包括：

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，也就是时间维度的局部依赖关系；

循环组件：使用 LSTM 函数实现，捕获数据的时间依赖性；

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，实现 Skip-LSTM过程，捕捉更长期的信息并充分利用序列的周期性；

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

注意力机制组件：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度对于非线性趋势成分起关键作用，以实现不同重要性的维度权值不同的目标。