電力是社會(huì)發(fā)展不可或缺的能源,其供應(yīng)量是直接影響社會(huì)經(jīng)濟(jì)與科技發(fā)展的重要因素,而區(qū)域用電量預(yù)測(cè)則是改善國(guó)家電力供需不平衡狀態(tài)的重要依據(jù),區(qū)域用電量預(yù)測(cè)方法目前已成為國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)問(wèn)題。隨著機(jī)器學(xué)習(xí)技術(shù)的快速發(fā)展,涌現(xiàn)出許多優(yōu)秀的預(yù)測(cè)算法,如時(shí)間序列預(yù)測(cè)算法、神經(jīng)網(wǎng)絡(luò)算法等,這些算法具有善于挖掘時(shí)間因素相關(guān)特征的特點(diǎn),被廣泛應(yīng)于解決區(qū)域用電量預(yù)測(cè)實(shí)際問(wèn)題中。Prophet是一種時(shí)間序列預(yù)測(cè)算法,模型采用加法設(shè)計(jì)思想,由增長(zhǎng)趨勢(shì)、周期趨勢(shì)、節(jié)假日、噪聲四部分組成,在商業(yè)銷量預(yù)測(cè)和時(shí)間序列預(yù)測(cè)的相關(guān)領(lǐng)域中表現(xiàn)出色。但Prophet算法各部分側(cè)重于局部特征抓取,在預(yù)測(cè)過(guò)程中易陷入局部過(guò)擬合,導(dǎo)致預(yù)測(cè)誤差偏大。針對(duì)Prophet模型預(yù)測(cè)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(xiàng)解決過(guò)擬合問(wèn)題,并引入非線性誤差修正機(jī)制對(duì)改進(jìn)模型預(yù)測(cè)結(jié)果進(jìn)行誤差修正,從而達(dá)到減小預(yù)測(cè)誤的目的。本文主要研究?jī)?nèi)容如下:（1）針對(duì)單一Prophet模型預(yù)測(cè)易陷入局部過(guò)擬合的問(wèn)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(shí)間因素影響的特點(diǎn),引入具有挖掘日期特征的Prop... 

【文章來(lái)源】：河南大學(xué)河南省

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

H(p)函數(shù)圖像

132.3時(shí)間序列算法時(shí)間序列算法是研究數(shù)據(jù)因時(shí)間變化而變化的一類算法[45]。算法是基于時(shí)間序列分解和機(jī)器學(xué)習(xí)的擬合而設(shè)計(jì)的。它不僅可以處理時(shí)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(dòng)地預(yù)測(cè)時(shí)間序列的未來(lái)趨勢(shì)。算法使用開源工具pyStan來(lái)擬合模型，因此可以在更快的時(shí)間內(nèi)獲得需要預(yù)測(cè)的結(jié)果。Prophet包括ARIMA和指數(shù)平滑等多種預(yù)測(cè)技術(shù)，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(yǔ)言的數(shù)據(jù)預(yù)測(cè)工具——“Prophet”[22,46]。該算法是基于時(shí)間序列分解和機(jī)器學(xué)習(xí)的擬合而設(shè)計(jì)的，不僅可以處理時(shí)間序列存在一些異常值的情況，對(duì)于數(shù)據(jù)中存在部分缺失值的問(wèn)題處理較好，對(duì)時(shí)間序列的未來(lái)變化趨勢(shì)把控很好。其中在擬合模型時(shí)使用了pyStan這個(gè)開源工具，因此能夠在較快的時(shí)間內(nèi)得到需要預(yù)測(cè)的結(jié)果。在數(shù)據(jù)分析預(yù)測(cè)中，不恰當(dāng)模型的選擇與參數(shù)的調(diào)節(jié)經(jīng)常造成預(yù)測(cè)效果偏差。而Prophet包含ARIMA、exponentialsmoothing等多種預(yù)測(cè)技術(shù)，將會(huì)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(guò)對(duì)建模和評(píng)估進(jìn)行整合，實(shí)現(xiàn)了時(shí)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(xiàng)，用來(lái)控制數(shù)的復(fù)雜度以及防止過(guò)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(diǎn)數(shù)，w表示每個(gè)葉節(jié)點(diǎn)上的分?jǐn)?shù)集。φτ）（是損失誤差項(xiàng)，∧iy表示模型的預(yù)測(cè)值，iy表示第i個(gè)樣本的類別標(biāo)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(shì)、季節(jié)趨勢(shì)、節(jié)假日、噪聲四部分組成：()()()()tpt=gt+st+ht+ε（3-6）g(t)表示趨勢(shì)部分，主要對(duì)時(shí)間序列中的非周期變化進(jìn)行響應(yīng)，如分段線性增長(zhǎng)或者邏輯增長(zhǎng)等；s(t)表示季節(jié)趨勢(shì)部分，默認(rèn)單位為周或年；h(t)表示節(jié)假日部分，表示當(dāng)天是否是節(jié)假日；tε表示噪聲部分。趨勢(shì)部分g(t)是Prophet中的重要部分，它有兩個(gè)重要函數(shù)，一個(gè)是基于分段線性函數(shù)，另一個(gè)是基于邏輯回歸函數(shù)�；诜侄芜壿嫽貧w增長(zhǎng)模型形如：

【參考文獻(xiàn)】：
期刊論文
[1]基于隨機(jī)森林算法的中短期用電量預(yù)測(cè)[J]. 喬黎偉,王靜怡,郭煒,李國(guó)文,韓俊杰.  電力科學(xué)與技術(shù)學(xué)報(bào). 2020(02)
[2]基于ARIMA模型的廣州市年用電量預(yù)測(cè)[J]. 賈朝勇,潘玉榮,夏福全.  蚌埠學(xué)院學(xué)報(bào). 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(yù)測(cè)住房月租金的應(yīng)用分析[J]. 謝勇,項(xiàng)薇,季孟忠,彭俊,黃益槐.  計(jì)算機(jī)應(yīng)用與軟件. 2019(09)
[5]基于Prophet-隨機(jī)森林優(yōu)化模型的空氣質(zhì)量指數(shù)規(guī)模預(yù)測(cè)[J]. 常恬君,過(guò)仲陽(yáng),徐麗麗.  環(huán)境污染與防治. 2019(07)
[6]基于套索算法和高斯過(guò)程回歸的中長(zhǎng)期居民用電量概率預(yù)測(cè)[J]. 王宏偉,黃元生,姜雨晴,劉詩(shī)劍.  華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(06)
[7]改進(jìn)的XGBoost模型在股票預(yù)測(cè)中的應(yīng)用[J]. 王燕,郭元?jiǎng)P.  計(jì)算機(jī)工程與應(yīng)用. 2019(20)
[8]細(xì)分行業(yè)用電的CPI預(yù)測(cè)方法[J]. 王一博,王曉蓉,王新迎,何遠(yuǎn)舵,王亞沙,趙俊峰.  計(jì)算機(jī)應(yīng)用. 2018(S2)
[9]基于大數(shù)據(jù)平臺(tái)的電采暖用電量預(yù)測(cè)分析[J]. 楊爍,孫欽斐,朱潔,陳平.  電子技術(shù)應(yīng)用. 2018(11)
[10]基于時(shí)序分解的用電負(fù)荷分析與預(yù)測(cè)[J]. 王旭強(qiáng),陳艷龍,楊青,劉紅昌.  計(jì)算機(jī)工程與應(yīng)用. 2018(20)

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



本文編號(hào)：3607386