基于Prophet模型优化及在区域用电量预测中的应用
发布时间：2022-01-24 22:09
电力是社会发展不可或缺的能源,其供应量是直接影响社会经济与科技发展的重要因素,而区域用电量预测则是改善国家电力供需不平衡状态的重要依据,区域用电量预测方法目前已成为国内外学者研究的热点问题。随着机器学习技术的快速发展,涌现出许多优秀的预测算法,如时间序列预测算法、神经网络算法等,这些算法具有善于挖掘时间因素相关特征的特点,被广泛应于解决区域用电量预测实际问题中。Prophet是一种时间序列预测算法,模型采用加法设计思想,由增长趋势、周期趋势、节假日、噪声四部分组成,在商业销量预测和时间序列预测的相关领域中表现出色。但Prophet算法各部分侧重于局部特征抓取,在预测过程中易陷入局部过拟合,导致预测误差偏大。针对Prophet模型预测行为中的部分不足,本文提出融合模型,利用XGBoost模型的正则项解决过拟合问题,并引入非线性误差修正机制对改进模型预测结果进行误差修正,从而达到减小预测误的目的。本文主要研究内容如下:（1）针对单一Prophet模型预测易陷入局部过拟合的问题,本文提出了X-Prophet融合模型。首先,根据用电量数据受特殊时间因素影响的特点,引入具有挖掘日期特征的Prop...
【文章来源】：河南大学河南省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
H(p)函数图像
132.3时间序列算法时间序列算法是研究数据因时间变化而变化的一类算法[45]。算法是基于时间序列分解和机器学习的拟合而设计的。它不仅可以处理时间序列中存在一些异常值的情况，还可以处理存在一些缺失值的情况，还可以几乎自动地预测时间序列的未来趋势。算法使用开源工具pyStan来拟合模型，因此可以在更快的时间内获得需要预测的结果。Prophet包括ARIMA和指数平滑等多种预测技术，这将使模型和参数的选择更加直观。2017年2月，Facebook开源了一款基于Python和R语言的数据预测工具——“Prophet”[22,46]。该算法是基于时间序列分解和机器学习的拟合而设计的，不仅可以处理时间序列存在一些异常值的情况，对于数据中存在部分缺失值的问题处理较好，对时间序列的未来变化趋势把控很好。其中在拟合模型时使用了pyStan这个开源工具，因此能够在较快的时间内得到需要预测的结果。在数据分析预测中，不恰当模型的选择与参数的调节经常造成预测效果偏差。而Prophet包含ARIMA、exponentialsmoothing等多种预测技术，将会使模型、参数的选择更加直观。Prophet的工作流程如图2-3所示，通过对建模和评估进行整合，实现了时间序列模型的快速迭代优化。图2-4Prophet的工作流程图
162112TjjfγTλw=Ω（）=+（3-4）(,)()iikikτlyyf∧（=）+Ω（3-5）图3-1L2正则（左）和L1（右）正则Ω）（f是正则项，用来控制数的复杂度以及防止过拟合，γ和λ表示XGBoost自定义系数，T表示每棵树的叶节点数，w表示每个叶节点上的分数集。φτ）（是损失误差项，∧iy表示模型的预测值，iy表示第i个样本的类别标签，k表示树的数量，kf表示第k棵树模型。3.1.2Prophet算法原理Prophet是一种加法回归模型，由趋势、季节趋势、节假日、噪声四部分组成：()()()()tpt=gt+st+ht+ε（3-6）g(t)表示趋势部分，主要对时间序列中的非周期变化进行响应，如分段线性增长或者逻辑增长等；s(t)表示季节趋势部分，默认单位为周或年；h(t)表示节假日部分，表示当天是否是节假日；tε表示噪声部分。趋势部分g(t)是Prophet中的重要部分，它有两个重要函数，一个是基于分段线性函数，另一个是基于逻辑回归函数。基于分段逻辑回归增长模型形如：
【参考文献】：
期刊论文
[1]基于随机森林算法的中短期用电量预测[J]. 乔黎伟,王静怡,郭炜,李国文,韩俊杰. 电力科学与技术学报. 2020(02)
[2]基于ARIMA模型的广州市年用电量预测[J]. 贾朝勇,潘玉荣,夏福全. 蚌埠学院学报. 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算法预测住房月租金的应用分析[J]. 谢勇,项薇,季孟忠,彭俊,黄益槐. 计算机应用与软件. 2019(09)
[5]基于Prophet-随机森林优化模型的空气质量指数规模预测[J]. 常恬君,过仲阳,徐丽丽. 环境污染与防治. 2019(07)
[6]基于套索算法和高斯过程回归的中长期居民用电量概率预测[J]. 王宏伟,黄元生,姜雨晴,刘诗剑. 华北电力大学学报(自然科学版). 2019(06)
[7]改进的XGBoost模型在股票预测中的应用[J]. 王燕,郭元凯. 计算机工程与应用. 2019(20)
[8]细分行业用电的CPI预测方法[J]. 王一博,王晓蓉,王新迎,何远舵,王亚沙,赵俊峰. 计算机应用. 2018(S2)
[9]基于大数据平台的电采暖用电量预测分析[J]. 杨烁,孙钦斐,朱洁,陈平. 电子技术应用. 2018(11)
[10]基于时序分解的用电负荷分析与预测[J]. 王旭强,陈艳龙,杨青,刘红昌. 计算机工程与应用. 2018(20)
硕士论文
[1]基于PV发电量及负荷预测的家庭能源管理调度算法研究[D]. 杨坤豪.电子科技大学 2019
[2]基于Cart树和Boosting算法的股票预测模型[D]. 王禹.哈尔滨理工大学 2018
[3]区域电网饱和电力需求预测方法研究[D]. 薛季良.上海交通大学 2013
[4]地方电力系统中长期负荷预测软件的研制[D]. 申亮.华北电力大学（河北） 2007
本文编号：3607386
【文章来源】：河南大学河南省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
H(p)函数图像
132.3时间序列算法时间序列算法是研究数据因时间变化而变化的一类算法[45]。算法是基于时间序列分解和机器学习的拟合而设计的。它不仅可以处理时间序列中存在一些异常值的情况，还可以处理存在一些缺失值的情况，还可以几乎自动地预测时间序列的未来趋势。算法使用开源工具pyStan来拟合模型，因此可以在更快的时间内获得需要预测的结果。Prophet包括ARIMA和指数平滑等多种预测技术，这将使模型和参数的选择更加直观。2017年2月，Facebook开源了一款基于Python和R语言的数据预测工具——“Prophet”[22,46]。该算法是基于时间序列分解和机器学习的拟合而设计的，不仅可以处理时间序列存在一些异常值的情况，对于数据中存在部分缺失值的问题处理较好，对时间序列的未来变化趋势把控很好。其中在拟合模型时使用了pyStan这个开源工具，因此能够在较快的时间内得到需要预测的结果。在数据分析预测中，不恰当模型的选择与参数的调节经常造成预测效果偏差。而Prophet包含ARIMA、exponentialsmoothing等多种预测技术，将会使模型、参数的选择更加直观。Prophet的工作流程如图2-3所示，通过对建模和评估进行整合，实现了时间序列模型的快速迭代优化。图2-4Prophet的工作流程图
162112TjjfγTλw=Ω（）=+（3-4）(,)()iikikτlyyf∧（=）+Ω（3-5）图3-1L2正则（左）和L1（右）正则Ω）（f是正则项，用来控制数的复杂度以及防止过拟合，γ和λ表示XGBoost自定义系数，T表示每棵树的叶节点数，w表示每个叶节点上的分数集。φτ）（是损失误差项，∧iy表示模型的预测值，iy表示第i个样本的类别标签，k表示树的数量，kf表示第k棵树模型。3.1.2Prophet算法原理Prophet是一种加法回归模型，由趋势、季节趋势、节假日、噪声四部分组成：()()()()tpt=gt+st+ht+ε（3-6）g(t)表示趋势部分，主要对时间序列中的非周期变化进行响应，如分段线性增长或者逻辑增长等；s(t)表示季节趋势部分，默认单位为周或年；h(t)表示节假日部分，表示当天是否是节假日；tε表示噪声部分。趋势部分g(t)是Prophet中的重要部分，它有两个重要函数，一个是基于分段线性函数，另一个是基于逻辑回归函数。基于分段逻辑回归增长模型形如：
【参考文献】：
期刊论文
[1]基于随机森林算法的中短期用电量预测[J]. 乔黎伟,王静怡,郭炜,李国文,韩俊杰. 电力科学与技术学报. 2020(02)
[2]基于ARIMA模型的广州市年用电量预测[J]. 贾朝勇,潘玉荣,夏福全. 蚌埠学院学报. 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算法预测住房月租金的应用分析[J]. 谢勇,项薇,季孟忠,彭俊,黄益槐. 计算机应用与软件. 2019(09)
[5]基于Prophet-随机森林优化模型的空气质量指数规模预测[J]. 常恬君,过仲阳,徐丽丽. 环境污染与防治. 2019(07)
[6]基于套索算法和高斯过程回归的中长期居民用电量概率预测[J]. 王宏伟,黄元生,姜雨晴,刘诗剑. 华北电力大学学报(自然科学版). 2019(06)
[7]改进的XGBoost模型在股票预测中的应用[J]. 王燕,郭元凯. 计算机工程与应用. 2019(20)
[8]细分行业用电的CPI预测方法[J]. 王一博,王晓蓉,王新迎,何远舵,王亚沙,赵俊峰. 计算机应用. 2018(S2)
[9]基于大数据平台的电采暖用电量预测分析[J]. 杨烁,孙钦斐,朱洁,陈平. 电子技术应用. 2018(11)
[10]基于时序分解的用电负荷分析与预测[J]. 王旭强,陈艳龙,杨青,刘红昌. 计算机工程与应用. 2018(20)
硕士论文
[1]基于PV发电量及负荷预测的家庭能源管理调度算法研究[D]. 杨坤豪.电子科技大学 2019
[2]基于Cart树和Boosting算法的股票预测模型[D]. 王禹.哈尔滨理工大学 2018
[3]区域电网饱和电力需求预测方法研究[D]. 薛季良.上海交通大学 2013
[4]地方电力系统中长期负荷预测软件的研制[D]. 申亮.华北电力大学（河北） 2007
本文编号：3607386
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3607386.html
