[发明专利]一种基于天气大数据的能源负荷预测系统及方法

权利要求书

1.一种基于天气大数据的能源负荷预测系统，其特征在于，包括数据采集模块、模型学习模块和负荷预测模块；所述数据采集模块，用于天气历史数据的采集和历史能源负荷数据的采集，所述天气历史数据包括气温、湿度、风力、降雨量和光照强度，所述能源负荷历史数据包括气象局对本地区的历史观测数据、本地区温度传感器装置的测量值以及本地用户智能手机的温度感知值；此外，所述数据采集模块还需采集按照时间序列的历史能源负荷数据；

所述模型学习模块，用于将采集的数据作为训练数据集，进而学习出能源负荷预测的模型；所述能源负荷预测的模型用于对获取的天气数据进行归一化处理，形成以温度、湿度、风力、降雨量和光照强度为特征并以时间为序列的天气大数据训练集；获取历史能源负荷数据，运用梯度提升算法分析历史能源负荷数据和历史天气数据的相关性，提取影响不同能源负荷的天气特征权重值；基于提取的天气特征，建立能源负荷的预测模型；

所述负荷预测模块，用于根据能源负荷的预测模型，结合所要预测地区的天气预报数据，给出预测的能源负荷结果。

2.根据权利要求1所述基于天气大数据的能源负荷预测系统，其特征在于，所述负荷预测模块中，将待预测日期的时间序列数据和待预测日期的天气预报数据作为负荷预测模型的输入，由模型经过计算得到预测的能源负荷结果。

3.根据权利要求1所述一种基于天气大数据的能源负荷预测系统的预测方法，其特征在于，包括下述步骤：

步骤1：根据能源负荷所在地区，获取气象局关于本地气温、湿度、风力、降雨量和光照强度的天气观测数据；其次获取能源负荷所在地的温度传感器的温度测量值；此外，获取本区域用户的智能手机的温度感知值；

步骤2：对获取的天气数据进行归一化处理，形成以温度、湿度、风力、降雨量和光照强度为特征并以时间为序列的天气大数据训练集；

步骤3：获取历史能源负荷数据，提取影响不同能源负荷的天气特征权重值，进而形成完整的特征数据集；

步骤4：基于提取的天气特征，建立能源负荷的预测模型；

步骤5：结合天气预报信息，对待预测地区的能源负荷进行预测。

4.根据权利要求3所述基于天气大数据的能源负荷预测方法，其特征在于，所述步骤1中，为将不同来源的天气数据进行统一，气温、湿度、风力、降雨量和光照强度特征数据均按照一定时间间隔进行采集；其中气象局观测数据通过应用程序接口API获取，能源负荷所在地的温度传感器数据通过仪器装置获取，而用户智能手机的温度感知值则是将测量的手机电池温度或温度传感器数据转换为环境温度，其转换方法采用下述模型：

式中为一定时间间隔的平均环境温度，为在空间区域A和时间间隔h上的平均手机电池温度或手机温度传感器的温度，T₀是固定的平衡温度常数，m_j为估计系数，ε_j,h为随机扰动项，j为样本序号。

5.根据权利要3所述的基于天气大数据的能源负荷预测方法，其特征在于，所述步骤2中，对包含温度、湿度、风力、降雨量和光照强度五个特征的天气数据进行归一化处理，归一化处理的方法采用下述计算公式：

x_i＝(x_i-μ)/(max-min)(2)

式中x_i为第i个样本数据，μ为该特征下所有样本数据的均值，max、min分别代表该特征下样本数据的最大值和最小值。

6.根据权利要求3所述的基于天气大数据的能源负荷预测方法，其特征在于，所述步骤3中，提取影响不同能源负荷的天气特征权重值，进而为预测模型的建立提供参考；采用XGBoost即极限梯度提升算法进行特征提取，参照梯度提升决策树的思想，XGBoost算法的目标函数为：

其中，T代表叶子节点数，w_j代表每个叶子节点的权重，而γ和λ则为模型中控制不同部分比重的参数；通过对w_j求导数并令其等于0，可以解得：

当把原始的训练数据作为XGBoost算法的输入时，有3部分数据作为特征：历史能源负荷序列数据、时间序列数据和天气序列数据，而历史能源负荷序列数据和时间序列数据是必不可少的特征，故根据XGBoost算法得到天气序列数据中不同天气特征的特征重要性权重；所述不同天气特征包括温度、湿度、风力、降雨量和光照强度。