[发明专利]基于prophet-LightGBM组合模型的电量预测方法及系统

说明书

本发明提出一种基于prophet‑LightGBM组合模型的电量预测方法及系统，汇总分类不同地区用户的日度用电数据组成数据集,并对数据集预处理；根据预测需求将历史电量数据划分为训练集和测试集；采用Prophet和lightGBM的组合模型对用电量进行预测，先用Prophet模型对电量时间序列提取时序特征，构建新的数据集，再利用梯度提升LightGBM算法对新数据集进行电量预测；并通过日度预测误差和月度预测误差评估模型预测准确性。与使用单个模型预测的结果进行比较，说明本发明具有较高的预测准确度。

技术领域

本发明属于电量预测技术领域，尤其涉及一种基于prophet-LightGBM组合模型的电量预测方法及系统。

背景技术

用电量是国民经济运行的“晴雨表”和“风向标”。准确的用电量预测可以优化电力资源的合理配置，提高电网运行的经济性和安全性，也可以为供电计划、调度计划提供理论支撑。因此，实现用电量的准确预测具有重要的价值和意义。

对用电量进行预测属于时间序列预测问题。时间序列预测就是利用过去一段时间的数据来预测未来一段时间内的信息，包括连续型预测(数值预测，范围估计)与离散型预测(事件预测)等。与回归分析预测等经典统计模型不同，时间序列模型依赖于数值在时间上的先后顺序，同样大小的值改变顺序后输入模型产生的结果是不同的。数据之间的自回归性也是时间序列预测数据的显著特征

用电量往往会受到地域、气候、经济等诸多因素的影响,呈现出复杂的变化模式，准确预测用电量并不是一件容易的事。目前学术界和工业界比较常用的电量预测模型主要有以下三大类：经典统计学时间序列模型、基于特征工程技术的机器学习模型、神经网络模型。经典统计学时间序列模型虽然理论成熟，容易设计，但是自由度较低，泛化能力较差，预测准确率有待提高。基于特征工程技术的机器学习模型，自由度较高、解释性较好，但是预测精度依赖特征工程质量，对于特征工程有极高的要求，特征选取的好坏直接决定了电量预测准确率的高低。近年来流行的神经网络模型，自由度高、端到端训练、定制化网络设计，但神经网络模型对数据量要求高，较小的数据量无法发挥出网络的作用，而本次的预测数据量偏少，不宜采用神经网络模型。组合不同预测模型在实际场景中极为重要,能够结合不同算法的优势,提高预测准确率。

发明内容

针对现有方案存在的缺陷和不足，本发明一种基于prophet-LightGBM组合模型的电量预测方法及系统，将Prophet算法提取的时间特征与原有特征结合，再利用LightGBM算法进行电量预测，可以有效地提高电量预测准确性。

其汇总分类不同地区用户的日度用电数据组成数据集,并对数据集预处理；根据预测需求将历史电量数据划分为训练集和测试集；采用Prophet和lightGBM的组合模型对用电量进行预测，先用Prophet模型对电量时间序列提取时序特征，构建新的数据集，再利用梯度提升LightGBM算法对新数据集进行电量预测；并通过日度预测误差和月度预测误差评估模型预测准确性。

与使用单个模型预测的结果进行比较，说明本发明具有较高的预测准确度。

其具体采用以下技术方案：

一种基于prophet-LightGBM组合模型的电量预测方法，其特征在于，包括以下步骤：

步骤S1：对电力用户的用电量和各种协变量进行数据读取，汇总成不同用电类别的电量数据，组成数据集；

步骤S2：对数据集进行包括数据清洗的预处理，划分训练集和测试集；

步骤S3：采用Prophet和lightGBM的组合模型对用电量进行预测，其中，采用Prophet模型可以对历史和预测时段的电量时间序列进行特征提取，构建新的数据集；再采用LightGBM模型对新数据集进行时间序列的预测，得到最终电量的预测值。