電力是社會發(fā)展不可或缺的能源,其供應量是直接影響社會經(jīng)濟與科技發(fā)展的重要因素,而區(qū)域用電量預測則是改善國家電力供需不平衡狀態(tài)的重要依據(jù),區(qū)域用電量預測方法目前已成為國內外學者研究的熱點問題。隨著機器學習技術的快速發(fā)展,涌現(xiàn)出許多優(yōu)秀的預測算法,如時間序列預測算法、神經(jīng)網(wǎng)絡算法等,這些算法具有善于挖掘時間因素相關特征的特點,被廣泛應于解決區(qū)域用電量預測實際問題中。Prophet是一種時間序列預測算法,模型采用加法設計思想,由增長趨勢、周期趨勢、節(jié)假日、噪聲四部分組成,在商業(yè)銷量預測和時間序列預測的相關領域中表現(xiàn)出色。但Prophet算法各部分側重于局部特征抓取,在預測過程中易陷入局部過擬合,導致預測誤差偏大。針對Prophet模型預測行為中的部分不足,本文提出融合模型,利用XGBoost模型的正則項解決過擬合問題,并引入非線性誤差修正機制對改進模型預測結果進行誤差修正,從而達到減小預測誤的目的。本文主要研究內容如下:（1）針對單一Prophet模型預測易陷入局部過擬合的問題,本文提出了X-Prophet融合模型。首先,根據(jù)用電量數(shù)據(jù)受特殊時間因素影響的特點,引入具有挖掘日期特征的Prop... 

【文章來源】：河南大學河南省

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

H(p)函數(shù)圖像

132.3時間序列算法時間序列算法是研究數(shù)據(jù)因時間變化而變化的一類算法[45]。算法是基于時間序列分解和機器學習的擬合而設計的。它不僅可以處理時間序列中存在一些異常值的情況，還可以處理存在一些缺失值的情況，還可以幾乎自動地預測時間序列的未來趨勢。算法使用開源工具pyStan來擬合模型，因此可以在更快的時間內獲得需要預測的結果。Prophet包括ARIMA和指數(shù)平滑等多種預測技術，這將使模型和參數(shù)的選擇更加直觀。2017年2月，F(xiàn)acebook開源了一款基于Python和R語言的數(shù)據(jù)預測工具——“Prophet”[22,46]。該算法是基于時間序列分解和機器學習的擬合而設計的，不僅可以處理時間序列存在一些異常值的情況，對于數(shù)據(jù)中存在部分缺失值的問題處理較好，對時間序列的未來變化趨勢把控很好。其中在擬合模型時使用了pyStan這個開源工具，因此能夠在較快的時間內得到需要預測的結果。在數(shù)據(jù)分析預測中，不恰當模型的選擇與參數(shù)的調節(jié)經(jīng)常造成預測效果偏差。而Prophet包含ARIMA、exponentialsmoothing等多種預測技術，將會使模型、參數(shù)的選擇更加直觀。Prophet的工作流程如圖2-3所示，通過對建模和評估進行整合，實現(xiàn)了時間序列模型的快速迭代優(yōu)化。圖2-4Prophet的工作流程圖

162112TjjfγTλw=Ω（）=+（3-4）(,)()iikikτlyyf∧（=）+Ω（3-5）圖3-1L2正則（左）和L1（右）正則Ω）（f是正則項，用來控制數(shù)的復雜度以及防止過擬合，γ和λ表示XGBoost自定義系數(shù)，T表示每棵樹的葉節(jié)點數(shù)，w表示每個葉節(jié)點上的分數(shù)集。φτ）（是損失誤差項，∧iy表示模型的預測值，iy表示第i個樣本的類別標簽，k表示樹的數(shù)量，kf表示第k棵樹模型。3.1.2Prophet算法原理Prophet是一種加法回歸模型，由趨勢、季節(jié)趨勢、節(jié)假日、噪聲四部分組成：()()()()tpt=gt+st+ht+ε（3-6）g(t)表示趨勢部分，主要對時間序列中的非周期變化進行響應，如分段線性增長或者邏輯增長等；s(t)表示季節(jié)趨勢部分，默認單位為周或年；h(t)表示節(jié)假日部分，表示當天是否是節(jié)假日；tε表示噪聲部分。趨勢部分g(t)是Prophet中的重要部分，它有兩個重要函數(shù)，一個是基于分段線性函數(shù)，另一個是基于邏輯回歸函數(shù)�；诜侄芜壿嫽貧w增長模型形如：

【參考文獻】：
期刊論文
[1]基于隨機森林算法的中短期用電量預測[J]. 喬黎偉,王靜怡,郭煒,李國文,韓俊杰.  電力科學與技術學報. 2020(02)
[2]基于ARIMA模型的廣州市年用電量預測[J]. 賈朝勇,潘玉榮,夏福全.  蚌埠學院學報. 2019(05)
[3]Short-term mixed electricity demand and price forecasting using adaptive autoregressive moving average and functional link neural network[J]. Sujit Kumar DASH,Pradipta Kishore DASH.  Journal of Modern Power Systems and Clean Energy. 2019(05)
[4]基于Xgboost和LightGBM算法預測住房月租金的應用分析[J]. 謝勇,項薇,季孟忠,彭俊,黃益槐.  計算機應用與軟件. 2019(09)
[5]基于Prophet-隨機森林優(yōu)化模型的空氣質量指數(shù)規(guī)模預測[J]. 常恬君,過仲陽,徐麗麗.  環(huán)境污染與防治. 2019(07)
[6]基于套索算法和高斯過程回歸的中長期居民用電量概率預測[J]. 王宏偉,黃元生,姜雨晴,劉詩劍.  華北電力大學學報(自然科學版). 2019(06)
[7]改進的XGBoost模型在股票預測中的應用[J]. 王燕,郭元凱.  計算機工程與應用. 2019(20)
[8]細分行業(yè)用電的CPI預測方法[J]. 王一博,王曉蓉,王新迎,何遠舵,王亞沙,趙俊峰.  計算機應用. 2018(S2)
[9]基于大數(shù)據(jù)平臺的電采暖用電量預測分析[J]. 楊爍,孫欽斐,朱潔,陳平.  電子技術應用. 2018(11)
[10]基于時序分解的用電負荷分析與預測[J]. 王旭強,陳艷龍,楊青,劉紅昌.  計算機工程與應用. 2018(20)

碩士論文
[1]基于PV發(fā)電量及負荷預測的家庭能源管理調度算法研究[D]. 楊坤豪.電子科技大學 2019
[2]基于Cart樹和Boosting算法的股票預測模型[D]. 王禹.哈爾濱理工大學 2018
[3]區(qū)域電網(wǎng)飽和電力需求預測方法研究[D]. 薛季良.上海交通大學 2013
[4]地方電力系統(tǒng)中長期負荷預測軟件的研制[D]. 申亮.華北電力大學（河北） 2007



本文編號：3607386