基于SOM-BP神经网络改进Prophet模型的短期负荷预测方法

技术领域

本发明属于电力系统短期负荷预测技术领域，特别涉及一种基于SOM-BP神经网络改进Prophet模型的短期负荷预测方法。

背景技术

准确有效的短期用电负荷预测和经济合理的调度指令与发电计划能够有效提高电力系统的安全性和可靠性，降低新能源出力波动带来的不利影响，未来电力系统对于高精度的短期负荷预测需求将更为迫切。然而，综合能源系统和储能技术的发展使得电力系统的能量交易与消耗情况更为复杂，干扰负荷预测准确性的因素不断增加，负荷预测难度不断攀升。

人工智能技术因其较高的预测精度和应用价值常被用于短期负荷预测相关的研究。随机森林算法、GBDT(gradient boosted decision tree，梯度增强决策树)算法、XGboost(extreme gradient boosting，极端的梯度增加)模型、LSTM(long short termmemory长短期记忆)模型、自回归移动模型、时间卷积网络等模型已经较为广泛地应用于短期负荷的预测中，也取得较快的模型的收敛速度和较高的预测精度。上述已有研究大多仅考虑历史数据周期性规律或时间序列变化趋势的单一特征，侧重对数据的变化趋势进行预测，缺失针对单点值的预测功能，少有模型同时考虑历史数据中的其它非功率信息数据，其准确性和稳定性往往难以提高。

发明内容

针对上述问题，本发明的目的在于提供一种基于SOM-BP神经网络改进Prophet模型的短期负荷预测方法，该方法首先利用SOM-BP神经网络充分挖掘历史数据中的其它非功率信息，对短期负荷的单点值进行预测。其次基于Prophet时序预测模型对历史数据中的功率信息进行预测，同时考虑节假日影响对数据进行周期非线性拟合，得到负荷数据的时序趋势预测信息。通过反复计算所提模型对历史数据的拟合误差，对所提模型的关键超参数进行反馈调节。而后通过倒数误差法将负荷单点预测值和时序趋势预测结果进行拟合，得到短期负荷预测结果。

一种基于SOM-BP神经网络改进Prophet模型的短期负荷预测方法，包括以下步骤：

步骤1：分别提取历史数据的功率信息和非功率信息，所述功率信息包括日期、时刻及其对应的负荷值，所述非功率信息包括日期、时刻及其对应的气温；

步骤2：对数据进行预处理，将特殊日期赋予不同的权重值，形成训练数据集和测试数据集，其中测试数据集为随机选取，与训练数据无交集；

步骤3：将训练数据和测试数据中的多维非功率信息数据输入到SOM神经网络模型中，根据输出层神经元拓扑结构得到相似日集合，即每一个测试数据，即预测日，都有对应的若干组训练数据，共同构成相似日数据集合；找到预测日对应的相似日集合，将其中的训练数据非功率信息作为BP神经网络的输入，对预测日单点负荷值进行预测；

步骤4：根据所述功率信息，汇同被预测日时刻信息导入到Prophet时序模型中，得到负荷时序趋势预测结果；

步骤5：计算预测结果与训练数据的拟合误差，并分别反馈至SOM-BP神经网络和Prophet时序模型中，通过反复调节优化所提改进模型的关键超参数，使其处于最佳性能状态；

步骤6：通过最佳性能状态的模型对预测日单点负荷值和时序趋势进行预测，采用误差倒数法拟合得到最终负荷预测结果。

进一步的，所述SOM神经网络由输入层和竞争层组成，每个输入层神经元都连接到所有的竞争层神经元，竞争层灵活组成一维或者二维排列X；竞争层通过WTA机制对输入数据进行反复学习，激活与输入数据相似度最高的神经元，同时抑制其他神经元，使相似度较高的样本落入同一个或位置相近的神经元，从而实现对输入数据的相似度计算和聚类。

更进一步的，所述步骤3中对预测日单点负荷值进行预测具体包括：

步骤3.1：对历史数据中的非功率信息数据进行归一化处理，包括负荷数据对应的日期、时刻、温度；选取随机数作为SOM神经网络模型输入权重的初始值，设置初始邻域和训练次数；

步骤3.2：随机选取非功率信息数据作为SOM神经网络模型的输入向量并将其导入至输入层神经元中；一个输入向量为一个训练样本；

步骤3.3：计算输入向量与所有竞争层神经元的空间距离，按照WTA原则选取距离最近的神经元作为获胜神经元，并更新获胜神经元及其周边邻域的连接权重；

步骤3.4：选取新的输入向量，重复步骤3.2～3.3，直到达到训练次数上限，完成SOM神经网络模型训练部分；

步骤3.5：设计BP神经网络模型的输入输出层，由于SOM神经网络模型的输入向量为相似日集合，BP神经网络的输入层节点数与相似日集合维度一致；输出层为预测日某时刻的负荷数据，节点数为1；

步骤3.6：设计BP神经网络的隐含层，并计算隐含层初始神经元个数，经验公式如下所示：

式中，x为输入层神经元个数；y为输出层神经元个数；β为调节参数；

步骤3.7：设定输入层、隐含层中各个节点的连接权重值和初始阈值，初始权重和阈值处于(-1,1)之间；

步骤3.8：选取S型正切函数作为隐含层激励函数，选取S型对数函数作为输出层神经元激励函数；输入相似日数据集合对BP神经网络模型进行训练，得到预测日负荷单点值预测结果。

更进一步的，所述步骤4中Prophet时序模型用于时间序列趋势预测，考虑历史数据中功率信息数据的周期性、时序变化趋势、节假日影响、长时间尺度下的数据惯性，实现对功率信息数据的周期性、非线性拟合；计算公式如下：

F

h(t)＝Z(t)μ                       (6)

Z(t)＝[1(t∈D

μ～Normal(0,k)          (8)

式中，F

更进一步的，所述步骤5具体包括：

通过误差倒数法将SOM-BP神经网络模型和Prophet模型的预测结果进行拟合，拟合方法如下：

F(t)＝α

式中，F

更进一步的，所述SOM神经网络模型的超参数包括训练次数、输出层尺寸设计、初始学习效率；所述BP神经网络模型的调优超参数包括网络迭代次数、隐含层神经元个数、目标期望误差；所述Prophet模型的超参数包括变化点数量、变化点先验灵活度、年拟合度、季节拟合度、周拟合度、天拟合度。

本发明的有益效果是：本发明通过SOM神经网络对历史非功率信息数据聚类计算得到相似日集合，而后采用BP神经网络对相似日数据进行训练得到单点负荷值预测结果。重点考虑历史数据的周期性和时序变化趋势，基于Prophet时序模型对历史负荷数据进行周期非线性拟合。通过历史数据拟合误差反馈，调整优化模型关键超参数，最后基于误差倒数法组合得到短期负荷预测结果；本发明提改进预测模型预测精度更高，且在拟合非工作日负荷曲线等方面具有优势。

附图说明

图1是本发明所述方法的步骤流程图。

图2是不同变化点数和周拟合度下所提模型的预测准确率图。

图3为某一工作日负荷曲线图。

图4为某一工作日误差曲线图。

图5为某一非工作日负荷曲线图。

图6为某一非工作日误差曲线图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细说明。由历史数据处理、单点值预测、时序趋势模型、预测信息修正、模型超参数调优等步骤组成；首先对历史负荷数据进行处理，将气温、年度、季度、节假日、工作日等非功率信息数据输入SOM神经网络模型，通过空间聚类获取历史数据的相似日集合；其次基于BP前馈神经网络模型对预测日相对应的相似日负荷数据进行训练，对预测日的单点值负荷进行预测；而后采用Prophet模型对历史负荷数据进行周期性非线性拟合，得到时序趋势预测结果；最后通过拟合误差反馈对模型超参数进行调整和优化，得到短期负荷的预测值。

一种基于SOM-BP神经网络改进Prophet模型的短期负荷预测方法，包括以下步骤：

步骤1：分别提取历史数据的功率信息和非功率信息，功率信息由日期、时刻及其对应的负荷值组成，非功率信息由日期、时刻及其对应的气温组成。

步骤2：对数据进行预处理，将特殊日期赋予不同的权重值，如节假日、周末等。形成训练数据集和测试数据集，其中测试数据集为随机选取，与训练数据无交集。

步骤3：将训练数据和测试数据中的多维非功率信息数据输入到SOM神经网络模型中，根据输出层神经元拓扑结构得到相似日集合，即每一个测试数据(预测日)都有对应的若干组训练数据，共同构成相似日数据集合。

步骤4：找到预测日对应的相似日集合，将其中的训练数据非功率信息作为BP神经网络的输入，对预测日单点负荷值进行预测。

步骤5：根据步骤1中得出的训练数据功率信息，汇同被预测日时刻信息导入到Prophet时序模型中，得到负荷时序趋势预测结果。

步骤6：计算预测结果与训练数据的拟合误差，并分别反馈至SOM-BP神经网络和Prophet时序模型中，通过反复调节优化所提改进模型的关键超参数，使其处于最佳性能状态。

步骤8：通过最佳性能状态的模型对预测日单点负荷值和时序趋势进行预测，采用误差倒数法拟合得到最终负荷预测结果。

所提改进负荷预测模型的结构如图1所示。

在上述步骤中所述SOM-BP神经网络模型、Prophet模型具体如下：

1、SOM-BP神经网络模型：

是自组织地图(Self Organizing Maps，SOM)神经网络模型由芬兰科学家Kohonen于1981年提出，是一种典型的竞争型神经网络模型，由输入层和竞争层组成，每个输入层神经元都连接到所有的竞争层神经元，竞争层可以灵活组成一维或者二维排列X。

SOM神经网络模型能够将任意维度的输入数据映射到竞争层，并在保持数据原有拓扑结构的基础上实现高维数据的降维处理。竞争层通过WTA(Winner-Takes-All胜者全得)机制对输入数据进行反复学习，激活与输入数据相似度最高的神经元，同时抑制其他神经元，使相似度较高的样本落入同一个或位置相近的神经元，从而实现对输入数据的相似度计算和聚类。

BP前馈神经网络模型由Rumelhart等人于1986年提出，由输入层、隐含层和输出层构成，其高度非线性和强泛化能力使其广泛应用于时间序列预测和函数逼近等场景。BP前馈神经网络模型的核心思想为数据信息的正向传播和误差信息的反向传递。模型通过对样本数据的训练反复修正网络的连接权重值和阈值，实现反向传递误差的梯度下降，使输出结果逐渐接近期望值。

本发明所提SOM-BP神经网络模型的核心功能为单点值预测。具体实现步骤如下所示：

(1)对历史数据中的非功率信息数据进行归一化处理，包括负荷数据对应的日期、时刻、温度等。选取随机数作为SOM神经网络模型输入权重的初始值，设置初始邻域和训练次数。

(2)随机选取非功率信息数据作为SOM神经网络模型的输入向量并将其导入至输入层神经元中。一个输入向量为一个训练样本，包含某日对应的24小时气温，年度，季度，月度，工作日、节假日等信息。

(3)计算输入向量与所有竞争层神经元的空间距离，按照WTA原则选取距离最近的神经元作为获胜神经元并更新获胜神经元及其周边邻域的连接权重。

(4)选取新的输入向量，重复步骤(2)～(3)，直到达到训练次数上限，完成SOM神经网络模型训练部分。

(5)设计BP神经网络模型的输入输出层，由于SOM神经网络模型的输入向量为相似日集合，共计30维，因此BP神经网络的输入层节点数为30。输出层为预测日某时刻的负荷数据，节点数为1。

(6)设计BP神经网络的隐含层，本发明设计1层隐含层神经元模型，并参照经验公式计算隐含层初始神经元个数，经验公式如下所示。

式中，x为输入层神经元个数，即30；y为输出层神经元个数，即1；β为调节参数，通常取1到10之间的某个整数，本发明中初始值设置为10，后续根据误差反馈进行超参数调节。

(7)设定输入层、隐含层中各个节点的连接权重值和初始阈值，初始权重和阈值处于(-1,1)之间。

(8)选取S型正切函数作为隐含层激励函数，选取S型对数函数作为输出层神经元激励函数。输入相似日数据集合对BP神经网络模型进行训练，得到预测日负荷单点值预测结果。

本发明所提SOM-BP神经网络模型首先对历史数据进行聚类,而后通过神经网络模型进行学习，大大降低了模型的训练工作量。此外，由于相似日集合降低了数据的噪声，使无效数据被覆盖剔除，因此SOM-BP神经网络模型的单点值预测结果能够达到较高精度。

2、Prophet模型：

Prophet模型是Facebook于2017年发布的开源时间序列预测模型，集成了时间序列分解和机器学习两大模块。其核心功能是对时间序列数据进行拟合，对于节日效应和趋势拐点具有很强的处理能力，能够应对历史数据中的缺失部分和数据噪声,常用于网络流量预测。Prophet属于自加性模型，由趋势项、周期项、节日项以及误差等4部分组成。本发明所提Prophet时序模型的优势为时间序列趋势预测，该部分主要考虑历史数据中功率信息数据的周期性、时序变化趋势、节假日影响、长时间尺度下的数据惯性等，实现对功率信息数据的周期性、非线性拟合。公式(2)～(8)为该部分的核心计算公式。

F

h(t)＝Z(t)μ             (6)

Z(t)＝[1(t∈D

μ～Normal(0,k)          (8)

式中，δ为服从正态分布的误差项，用于反映模型中未预测到的负荷偶然性波动；g(t)为趋势函数，用于拟合功率信息数据的时间序列非周期性变化；C(t)为模型容量函数；r为增长率；u为偏置参数；t

3、预测结果修正及模型超参数调优

为提高模型预测的准确率和稳定性，本发明通过误差倒数法将SOM-BP神经网络模型和Prophet模型的预测结果进行拟合。具体拟合方法如下所示。

F(t)＝α

式中，F

模型参数的设置将显著影响模型的性能和预测精度，因此本发明所提改进负荷预测模型通过计算历史数据拟合误差δ

4、实施例

(1)算例介绍

为验证本发明所提基于SOM-BP神经网络改进Prophet模型的短期负荷预测方法的有效性，采用阿里云天池大数据竞赛负荷预测数据集中2004年1月1日到2007年9月13日的历史负荷数据作为模型训练数据，2007年9月14日到9月20日的负荷数据作为测试数据。上述数据包括年、月、日、星期、节假日、24小时气温、24小时负荷等信息，共计约8万余条。本发明所采用的计算机平台硬件配置为Intel i5 11400f，16GB内存，GTX730显卡。同时，为评价所提改进模型的预测结果，参考国家电网公司所采用的负荷预测评价标准，分别为绝对百分比误差y

(2)关键超参数调优

首先对模型进行关键超参数调优和训练验证，SOM-BP神经网络模型和Prophet模型的最优超参数设置如表1所示。

表1各模型最优超参数

如表1所示，Prophet时序模型的超参数为6个。通过对历史数据拟合误差的计算和超参数的反馈优化，得出变化点数量和周拟合度对模型的预测精度影响最为显著。为防止超参数的调节优化陷入局部最优，本发明以默认初始值为中心对上述两个超参数进行多点训练测试，分别计算不同变化点数量和周拟合度下模型的预测精度，具体结果如图2所示。

由图2可以看出，当变化点数等于16，周拟合度等于30时所提模型的预测准确率最高。若不进行多点超参数测试，模型参数设置非常容易陷入局部最优的情况。

(3)算例结果分析

将训练数据导入最佳性能状态模型中，对测试数据进行负荷预测。为进行对比分析，分别基于SOM-BP模型、Prophet模型和随机森林模型对测试数据进行负荷预测，并将预测结果同实际负荷曲线进行对比。

测试数据中某一工作日的实际负荷曲线与各模型的负荷预测曲线如图3所示。不同模型各时间节点的相对误差如图4所示。由图3和图4可以看出，相较于其他模型，本发明所提改进模型的预测负荷曲线与实际负荷曲线更加贴合，上下偏离范围较小，本发明所提改进模型综合了Prophet模型和SOM-BP模型的优势，预测负荷曲线的波形和整体水平值都更为贴近实际负荷曲线。

非工作日(节假日)和工作日在负荷的整体水平和曲线波形上往往有较大差异，为说明本发明所提改进模型对非工作日的负荷预测也有较好效果，给出某一非工作日各模型的负荷预测曲线和相对误差曲线，如图5和图6所示。

由图5和图6可知，非工作日的负荷整体水平值更低，同时其波形和工作日相比也有较大差异。晚高峰16～20h之间,非工作日波形更加平缓，因此非工作日的负荷预测更加考验模型的拟合能力和灵活性。在20h处附近，SOM-BP神经网络模型的单点值预测结果低于实际值，而Prophet模型的预测值由于拟合了时序变化趋势，使得其预测曲线按照时序惯性而高于实际值。相比之下，本发明所提改进模型在非工作日也有非常好的预测性能，整体水平值和波形趋势都更加接近实际负荷。本发明所提改进模型通过误差倒数法将二者进行拟合，使得两个模型的误差相互抵消缩小，得到了更准确的预测结果。由图6亦可看出，在20h前后，SOM-BP神经网络模型的相对误差在0％以下，Prophet模型的相对误差在0％以上，而本发明所提改进模型预测结果的误差更加接近0％水平线。综上，本发明所提改进模型的负荷预测曲线无论是在时序趋势变化，还是在整体值的拟合度都优于其他几个模型，保证了预测结果的准确性和稳定性。

根据各模型168小时的负荷预测结果，分别计算了绝对百分比误差y

表2 168小时预测结果评价指标

由表2可知，本发明所提改进模型在168小时尺度下的绝对百分比误差、均方根误差和预测精度均优于其他三个模型。尤其是绝对百分比误差，相较于随机森林模型降低了0.898个百分点。同时，平均预测精度由SOM-BP神经网络模型的96.764％、Prophet模型的96.892％提升到了97.155％。

以上所述，仅为本发明的具体实施例，但并不因此限值本发明的专利保护范围，凡是利用本发明说明书以及附图内容进行等效变化或替换，直接或间接运用到其他相关技术领域，都应包括在本发明的保护范围之内。