CN105608333A - 一种考虑多区域差异的气象敏感电量挖掘方法 - Google Patents

Abstract

本发明公开了一种考虑多区域差异的气象敏感电量挖掘方法，其综合考虑了多个被挖掘地区的电量与温度、湿度、降雨量等各种气象因素的非线性关系；通过X-12-ARIMA等技术，能够精细化剥离电量的长期趋势分量即自然增长量，有效的捕捉到电量随气象等条件和日类型的变化规律，从而实现了对特定区域每日气象敏感电量的精度挖掘，利用该气象敏感电量能够有利于深入分析电量变化的根本原因，进而指导短期电量预测。

Description

一种考虑多区域差异的气象敏感电量挖掘方法

技术领域

本发明涉及一种考虑多区域差异的气象敏感电量挖掘方法，属于电网负荷预测领域。

背景技术

随着社会经济的发展和人民生活水平的提高，工业厂家越来越重视产品的制造工艺，人们越来越追求更舒适的工作生活环境。保持特定的环境恒定在某一温度或在一定范围内波动成为生产生活的重要保障。例如，部分电子产品生产车间需要将温度控制在合适水平，以降低次品率；居民安装空调设备，保证夏季室内的凉爽。这些用于保证环境温度、湿度等在一定范围内的用电设备被称为“气象敏感设备”，这些设备所产生的电量定义为“气象敏感电量”。

从总的电量需求中有效剥离出气象敏感电量具有重要的意义，主要体现在两个方面：1，有助于深入分析电量变化的机理，剥离出的非气象敏感电量能够较为准确反映经济的发展；2，有助于更准确的电量预测，通过分析非气象敏感电量和气象敏感电量的基本规律，分别开展预测将有利于提高预测精度。

目前对气象敏感电量的挖掘主要有两种方法。一是将当年春秋季的平均电量当作基本电量，其他季节电量与其做减法即得到气象敏感电量；另一种则是利用线性回归开展灵敏度分析，从而计算气象敏感电量。这些分析方法虽然简单，但可能存在较大的偏差，其不足之处至少体现在三个方面：1)传统的分析方法主要是对温度的考虑，或者温度、湿度等各种气象因素的简单组合考虑，缺乏对温度、湿度等非线性组合等的考虑；2)气象敏感电量的计算没有充分考虑电量的自然增长，没有精细化考虑与剥离电量自然增长量；3)缺乏对气象敏感电量的进一步分析，比如气象敏感电量与经济等因素的关系。

发明内容

本发明所要解决的技术问题是：提供一种考虑多区域差异的气象敏感电量挖掘方法。

解决上述技术问题，本发明所采用的技术方案如下：

一种考虑多区域差异的气象敏感电量挖掘方法，包括：

步骤S1，对于N个被挖掘地区，采集每一个被挖掘地区在当前时间之前连续3年以上的日度电量数据、气象条件数据和对应于采集日期的日类型信息，其中，气象条件包括温度、湿度和降雨量，日类型分为工作日和休息日，N为正整数，数据采集时间记为M天，第i个被挖掘地区在所述数据采集时间内第d天的日度电量、气象条件和日类型分别记为Y_id、W_id和D_id，i为1至N之间的正整数，d为1至M之间的正整数；

步骤S2，计算出剥离长期趋势分量后，每一个所述被挖掘地区在所述数据采集时间内每一天的日度电量Y′_id；

步骤S3，按照量纲的不同，分别对步骤S1采集到的所述每一个被挖掘地区在所述数据采集时间内每一天的气象条件W_id和步骤S2计算得到的所述每一个被挖掘地区在所述数据采集时间内每一天剥离长期趋势分量后的日度电量Y′_id进行标幺化处理，使得所述气象条件W_id和日度电量Y′_id均线性映射到[0,1]之间；

步骤S4，建立关系数据集，该关系数据集对应每一个所述被挖掘地区均含有M条关系数据，其中，该关系数据集对应第i个被挖掘地区的第d条关系数据由所述第i个被挖掘地区在所述数据采集时间内第d天的日类型D_id以及标幺化处理后的气象条件W_id和日度电量Y′_id组成；

步骤S5，选取出所述关系数据集中属于所需进行气象敏感电量挖掘季节时间范围内的关系数据，并以选取出的每一条关系数据作为一个训练样本来建立模型训练数据集；

步骤S6，用神经网络模型分别对所述模型训练数据集中日类型D_id为工作日的训练样本和日类型D_id为休息日的训练样本进行参数训练，以对其中的气象条件W_id和日度电量Y′_id该两种数据进行拟合，得到所述N个被挖掘地区从日类型D和气象条件W到日度电量Y′的神经网络函数映射关系Y′＝f_ANN(W,D)；

用支持向量机模型分别对所述模型训练数据集中日类型D_id为工作日的训练样本和日类型D_id为休息日的训练样本进行参数训练，以对其中的气象条件W_id和日度电量Y′_id该两种数据进行拟合，得到所述N个被挖掘地区从日类型D和气象条件W到日度电量Y′的向量机函数映射关系Y′＝f_SVM(W,D)；

用多元线性回归模型分别对所述模型训练数据集中日类型D_id为工作日的训练样本和日类型D_id为休息日的训练样本进行参数训练，以对其中的气象条件W_id和日度电量Y′_id该两种数据进行拟合，得到所述N个被挖掘地区从日类型D和气象条件W到日度电量Y′的多元线性回归函数映射关系Y′＝f_MLR(W,D)；

步骤S7，通过对步骤S6得到的三个函数映射关系进行交叉验证，得到所述三个函数映射关系的拟合相对均方根误差并分别记为RMSE_ANN、RMSE_SVM和RMSE_MLR，并按照下式(5)、(6)和(7)计算出所述三个函数映射关系的权重，以得到如下式(8)的所述N个被挖掘地区从日类型D和气象条件W到日度电量Y′的加权平均函数映射关系Y′＝f(W,D)：

${\mathrm{\ω}}_{ANN}=\frac{1/{\mathrm{RMSE}}_{ANN}}{1/{\mathrm{RMSE}}_{ANN}+1/{\mathrm{RMSE}}_{SVM}+1/{\mathrm{RMSE}}_{MLR}}---\left(5\right)$

${\mathrm{\ω}}_{SVM}=\frac{1/{\mathrm{RMSE}}_{SVM}}{1/{\mathrm{RMSE}}_{ANN}+1/{\mathrm{RMSE}}_{SVM}+1/{\mathrm{RMSE}}_{MLR}}---\left(6\right)$

${\mathrm{\ω}}_{MLR}=\frac{1/{\mathrm{RMSE}}_{MLR}}{1/{\mathrm{RMSE}}_{ANN}+1/{\mathrm{RMSE}}_{SVM}+1/{\mathrm{RMSE}}_{MLR}}---\left(7\right)$

Y′＝f(W,D)＝ω_ANNf_ANN(W,D)+ω_SVMf_SVM(W,D)+ω_MLRf_MLR(W,D)(8)

式中，ω_ANN、ω_SVM、ω_MLR依次为神经网络函数映射关系、支持向量机函数映射关系、多元线性回归函数映射关系的权重；

步骤S8，依据步骤S7得到的加权平均函数映射关系Y′＝f(W,D)，按照下式(9)计算任意一个所述被挖掘地区在所述数据采集时间内的任意一天的气象敏感电量：

B_id＝f(W＝W_id,D＝D_id)-f(W＝W_i0,D＝D_id)(9)

式中，B_id表示第i个被挖掘地区在所述数据采集时间内第d天的气象敏感电量，W_i0为预设的第i个被挖掘地区的最舒适气象条件。

其中，所述的步骤S2，具体的计算过程包括：

步骤S201，将步骤1采集到的每一个被挖掘地区的日度电量均聚合成月度电量，并对每一个被挖掘地区每一个月的月度电量进行X-12-ARIMA季节分解，得到：

Y_im＝T_im+S_im+IR_im+H_im(1)

式中，Y_im表示第i个被挖掘地区在所述数据采集时间内第m个月份的月度电量，T_im、S_im、IR_im和H_im分别表示由Y_im分解得到的长期趋势分量、季节循环分量、节假日分量和不规则分量；

步骤S202，按照下式(2)计算每一个被挖掘地区每一天的长期趋势分量：

T_id＝T_im/D_m(2)

式中，T_id表示第i个被挖掘地区在所述数据采集时间内第d天的长期趋势分量，第d天属于所述第m个月份，D_m为所述第m个月份的天数；

步骤S203，按照以下(3)计算出剥离长期趋势分量后，每一个所述被挖掘地区在所述数据采集时间内每一天的日度电量：

Y′_id＝Y_id-T_id(3)

式中，Y′_id表示第i个被挖掘地区在所述数据采集时间内第d天剥离长期趋势分量后的日度电量。

作为本发明的一种实施方式，所述的步骤S5中，所述所需进行气象敏感电量挖掘季节包含一年四季中的任意一个季度或者多个季度。

4.根据权利要求1至3任意一项所述的气象敏感电量挖掘方法，其特征在于：所述的气象敏感电量挖掘方法还包括：

步骤S9，按照下式(10)计算任意一个所述被挖掘地区在属于所述数据采集时间的任意特定时期内的气象敏感电量：

$B_{iT}=\underset{t\∈T}{\Σ}{B}_{it}---\left(10\right)$

式中，B_iT表示第i个被挖掘地区在属于所述数据采集时间的特定时期T内的气象敏感电量，特定时期T包含所述数据采集时间内的任意一天或多天。

5.根据权利要求1至3任意一项所述的气象敏感电量挖掘方法，其特征在于：所述的气象敏感电量挖掘方法还包括：

步骤S10，按照下式(11)计算任意一个所述被挖掘地区在属于所述数据采集时间的任意特定时期内的气象敏感指数：

${\mathrm{WI}}_{iT}=\frac{\underset{t\∈T}{\Σ}{B}_{it}}{\underset{t\∈T}{\Σ}(T_{it}-T_{i0})}---\left(11\right)$

式中，WI_iT表示第i个被挖掘地区在属于所述数据采集时间的特定时期T内的气象敏感指数，特定时期T包含所述数据采集时间内的任意一天或多天，T_it为第i个被挖掘地区在特定时期T中第t天的实际温度，T_i0为第i个被挖掘地区在特定时期T中第t天的基准温度。

作为本发明的一种优选实施方式，所述的步骤S8中，每一个被挖掘地区的最舒适气象条件W_i0均预设为：温度为22°、湿度为相对湿度100、降雨量为0。

与现有技术相比，本发明具有以下有益效果：

第一，本发明通过步骤S1至步骤S8，综合考虑了多个被挖掘地区的电量与温度、湿度、降雨量等各种气象因素的非线性关系；通过X-12-ARIMA等技术，能够精细化剥离电量的长期趋势分量即自然增长量，有效的捕捉到电量随气象等条件和日类型的变化规律，从而实现了对特定区域每日气象敏感电量的精度挖掘，利用该气象敏感电量能够有利于深入分析电量变化的根本原因，进而指导短期电量预测。

第二，本发明通过步骤9和10，实现了对特定区域每日气象敏感指数的挖掘。

附图说明

下面结合附图和具体实施例对本发明作进一步的详细说明：

图1为本发明的气象敏感电量挖掘方法的流程框图。

具体实施方式

如图1所示，本发明考虑多区域差异的气象敏感电量挖掘方法，包括：

步骤S1，对于N个被挖掘地区，采集每一个被挖掘地区在当前时间之前连续3年以上的日度电量数据、气象条件数据和对应于采集日期的日类型信息，其中，气象条件包括温度、湿度和降雨量，日类型分为工作日和休息日，休息日包括周六日和法定节假日，N为正整数，数据采集时间记为M天，第i个被挖掘地区在所述数据采集时间内第d天的日度电量、气象条件和日类型分别记为Y_id、W_id和D_id，i为1至N之间的正整数，d为1至M之间的正整数；

步骤S2，计算出剥离长期趋势分量后，每一个所述被挖掘地区在所述数据采集时间内每一天的日度电量Y′_id，具体的计算过程包括：

步骤S201，将步骤1采集到的每一个被挖掘地区的日度电量均聚合成月度电量，并对每一个被挖掘地区每一个月的月度电量进行X-12-ARIMA季节分解，得到：

Y_im＝T_im+S_im+IR_im+H_im(1)

式中，Y_im表示第i个被挖掘地区在所述数据采集时间内第m个月份的月度电量，T_im、S_im、IR_im和H_im分别表示由Y_im分解得到的长期趋势分量、季节循环分量、节假日分量和不规则分量；

步骤S202，由于长期趋势分量是随经济自然增长的，可以认为电量在一个月内的长期趋势分量是保持不变的，因此，按照下式(2)计算每一个被挖掘地区每一天的长期趋势分量：

T_id＝T_im/D_m(2)

式中，T_id表示第i个被挖掘地区在所述数据采集时间内第d天的长期趋势分量，第d天属于所述第m个月份，D_m为所述第m个月份的天数；

步骤S203，按照以下(3)计算出剥离长期趋势分量后，每一个所述被挖掘地区在所述数据采集时间内每一天的日度电量：

Y′_id＝Y_id-T_id(3)

式中，Y′_id表示第i个被挖掘地区在所述数据采集时间内第d天剥离长期趋势分量后的日度电量；

其中，由于日电量由长期增长趋势T、气象敏感电量TS、每天的基本电量B和随机分量ε四部分组成，因此，上述Y′_id＝Y_id-T_id＝TS_id+B_id+ε_id，也即：Y′_id与第i个被挖掘地区在所述数据采集时间内第d天的气象敏感电量TS_id、基本电量B_id和随机分量ε_id相关。

步骤S3，按照量纲的不同，分别对步骤S1采集到的所述每一个被挖掘地区在所述数据采集时间内每一天的气象条件W_id和步骤S2计算得到的所述每一个被挖掘地区在所述数据采集时间内每一天剥离长期趋势分量后的日度电量Y′_id进行标幺化处理，使得所述气象条件W_id和日度电量Y′_id均线性映射到[0,1]之间；

其中，需要进行所述标幺化处理的数据包括温度、湿度和降雨量该三个气象条件W_id以及日度电量Y′_id共四种数据对象，每一种数据对象均可按下式(4)进行标幺化处理：

$x_{id}^{\′}=\frac{x_{id}-x_{i\min }}{x_{i\max }-x_{i\min }}---\left(4\right)$

式中，x_id、x_imin、x_imax和x′_id分别表示所述第i个被挖掘地区的同一种数据对象在所述数据采集时间内第d天的取值、在所述数据采集时间内的最小值、在所述数据采集时间内的最大值和在所述数据采集时间内第d天的标幺化取值。

步骤S4，建立关系数据集，该关系数据集对应每一个所述被挖掘地区均含有M条关系数据，其中，该关系数据集对应第i个被挖掘地区的第d条关系数据由所述第i个被挖掘地区在所述数据采集时间内第d天的日类型D_id以及标幺化处理后的气象条件W_id和日度电量Y′_id组成；

步骤S5，选取出所述关系数据集中属于所需进行气象敏感电量挖掘季节时间范围内的关系数据，并以选取出的每一条关系数据作为一个训练样本来建立模型训练数据集，其中，所述所需进行气象敏感电量挖掘季节包含一年四季中的任意一个季度或者多个季度，也即：本发明可以依据进行气象敏感电量挖掘的目的，针对不同的季节来挖掘出对应所选出季节的气象敏感电量，例如，当需要对冬季和夏季的电量与气象进行回归分析时，训练样本则需来自于冬季和夏季；又如，当需要对春季和秋季的电量与气象进行回归分析时，训练样本则由春季和秋季共同组成；

步骤S6，用神经网络模型分别对所述模型训练数据集中日类型D_id为工作日的训练样本和日类型D_id为休息日的训练样本进行参数训练，以对其中的气象条件W_id和日度电量Y′_id该两种数据进行拟合，得到所述N个被挖掘地区从日类型D和气象条件W到日度电量Y′的神经网络函数映射关系Y′＝f_ANN(W,D)；

用支持向量机模型分别对所述模型训练数据集中日类型D_id为工作日的训练样本和日类型D_id为休息日的训练样本进行参数训练，以对其中的气象条件W_id和日度电量Y′_id该两种数据进行拟合，得到所述N个被挖掘地区从日类型D和气象条件W到日度电量Y′的向量机函数映射关系Y′＝f_SVM(W,D)；

用多元线性回归模型分别对所述模型训练数据集中日类型D_id为工作日的训练样本和日类型D_id为休息日的训练样本进行参数训练，以对其中的气象条件W_id和日度电量Y′_id该两种数据进行拟合，得到所述N个被挖掘地区从日类型D和气象条件W到日度电量Y′的多元线性回归函数映射关系Y′＝f_MLR(W,D)；

步骤S7，通过对步骤S6得到的三个函数映射关系进行交叉验证，得到所述三个函数映射关系的拟合相对均方根误差并分别记为RMSE_ANN、RMSE_SVM和RMSE_MLR，并按照下式(5)、(6)和(7)计算出所述三个函数映射关系的权重，以得到如下式(8)的所述N个被挖掘地区从日类型D和气象条件W到日度电量Y′的加权平均函数映射关系Y′＝f(W,D)：

${\mathrm{\ω}}_{ANN}=\frac{1/{\mathrm{RMSE}}_{ANN}}{1/{\mathrm{RMSE}}_{ANN}+1/{\mathrm{RMSE}}_{SVM}+1/{\mathrm{RMSE}}_{MLR}}---\left(5\right)$

${\mathrm{\ω}}_{SVM}=\frac{1/{\mathrm{RMSE}}_{SVM}}{1/{\mathrm{RMSE}}_{ANN}+1/{\mathrm{RMSE}}_{SVM}+1/{\mathrm{RMSE}}_{MLR}}---\left(6\right)$

${\mathrm{\ω}}_{MLR}=\frac{1/{\mathrm{RMSE}}_{MLR}}{1/{\mathrm{RMSE}}_{ANN}+1/{\mathrm{RMSE}}_{SVM}+1/{\mathrm{RMSE}}_{MLR}}---\left(7\right)$

Y′＝f(W,D)＝ω_ANNf_ANN(W,D)+ω_SVMf_SVM(W,D)+ω_MLRf_MLR(W,D)(8)

式中，ω_ANN、ω_SVM、ω_MLR依次为神经网络函数映射关系、支持向量机函数映射关系、多元线性回归函数映射关系的权重；

步骤S8，依据步骤S7得到的加权平均函数映射关系Y′＝f(W,D)，按照下式(9)计算任意一个所述被挖掘地区在所述数据采集时间内的任意一天的气象敏感电量：

B_id＝f(W＝W_id,D＝D_id)-f(W＝W_i0,D＝D_id)(9)

式中，B_id表示第i个被挖掘地区在所述数据采集时间内第d天的气象敏感电量，W_i0为预设的第i个被挖掘地区的最舒适气象条件，优选的，每一个被挖掘地区的最舒适气象条件W_i0均预设为：温度为22°、湿度为相对湿度100、降雨量为0。

步骤S9，按照下式(10)计算任意一个所述被挖掘地区在属于所述数据采集时间的任意特定时期内的气象敏感电量：

$B_{iT}=\underset{t\∈T}{\Σ}{B}_{it}---\left(10\right)$

式中，B_iT表示第i个被挖掘地区在属于所述数据采集时间的特定时期T内的气象敏感电量，特定时期T包含所述数据采集时间内的任意一天或多天。

步骤S10，按照下式(11)计算任意一个所述被挖掘地区在属于所述数据采集时间的任意特定时期内的气象敏感指数：

${\mathrm{WI}}_{iT}=\frac{\underset{t\∈T}{\Σ}{B}_{it}}{\underset{t\∈T}{\Σ}(T_{it}-T_{i0})}---\left(11\right)$

式中，WI_iT表示第i个被挖掘地区在属于所述数据采集时间的特定时期T内的气象敏感指数，该气象敏感指数WI_iT反映了第i个被挖掘地区单位温升对应的电量增长量，特定时期T包含所述数据采集时间内的任意一天或多天，T_it为第i个被挖掘地区在特定时期T中第t天的实际温度，T_i0为第i个被挖掘地区在特定时期T中第t天的基准温度，基准温度可根据实际情况进行设定，一般取值为22℃。

另外，本发明所挖掘到的气象敏感指数可用于以下用途：利用逐步回归，可以对各区域的气象敏感指数和各经济因素进行筛选和拟合，分析影响气象敏感指数的重要因素。具体的方法为：广泛收集各地区不同年份的经济社会数据，包括城镇人口、农村人口、GDP、进出口总额、地方公共费用、货运量等，然后计算每个地区每年的气象敏感指数，并利用逐步回归对气象敏感指数和经济社会数据进行相关性分析，从而筛选影响气象敏感指数的经济主导因素。

本发明不局限于上述具体实施方式，根据上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，本发明还可以做出其它多种形式的等效修改、替换或变更，均落在本发明的保护范围之中。

Claims (6)

1.一种考虑多区域差异的气象敏感电量挖掘方法，包括：

步骤S1，对于N个被挖掘地区，采集每一个被挖掘地区在当前时间之前连续3年以上的日度电量数据、气象条件数据和对应于采集日期的日类型信息，其中，气象条件包括温度、湿度和降雨量，日类型分为工作日和休息日，N为正整数，数据采集时间记为M天，第i个被挖掘地区在所述数据采集时间内第d天的日度电量、气象条件和日类型分别记为Y_id、W_id和D_id，i为1至N之间的正整数，d为1至M之间的正整数；

步骤S2，计算出剥离长期趋势分量后，每一个所述被挖掘地区在所述数据采集时间内每一天的日度电量Y′_id；

步骤S3，按照量纲的不同，分别对步骤S1采集到的所述每一个被挖掘地区在所述数据采集时间内每一天的气象条件W_id和步骤S2计算得到的所述每一个被挖掘地区在所述数据采集时间内每一天剥离长期趋势分量后的日度电量Y′_id进行标幺化处理，使得所述气象条件W_id和日度电量Y′_id均线性映射到[0,1]之间；

步骤S4，建立关系数据集，该关系数据集对应每一个所述被挖掘地区均含有M条关系数据，其中，该关系数据集对应第i个被挖掘地区的第d条关系数据由所述第i个被挖掘地区在所述数据采集时间内第d天的日类型D_id以及标幺化处理后的气象条件W_id和日度电量Y′_id组成；

步骤S5，选取出所述关系数据集中属于所需进行气象敏感电量挖掘季节时间范围内的关系数据，并以选取出的每一条关系数据作为一个训练样本来建立模型训练数据集；

步骤S6，用神经网络模型分别对所述模型训练数据集中日类型D_id为工作日的训练样本和日类型D_id为休息日的训练样本进行参数训练，以对其中的气象条件W_id和日度电量Y′_id该两种数据进行拟合，得到所述N个被挖掘地区从日类型D和气象条件W到日度电量Y′的神经网络函数映射关系Y′＝f_ANN(W,D)；

用支持向量机模型分别对所述模型训练数据集中日类型D_id为工作日的训练样本和日类型D_id为休息日的训练样本进行参数训练，以对其中的气象条件W_id和日度电量Y′_id该两种数据进行拟合，得到所述N个被挖掘地区从日类型D和气象条件W到日度电量Y′的向量机函数映射关系Y′＝f_SVM(W,D)；

用多元线性回归模型分别对所述模型训练数据集中日类型D_id为工作日的训练样本和日类型D_id为休息日的训练样本进行参数训练，以对其中的气象条件W_id和日度电量Y′_id该两种数据进行拟合，得到所述N个被挖掘地区从日类型D和气象条件W到日度电量Y′的多元线性回归函数映射关系Y′＝f_MLR(W,D)；

步骤S7，通过对步骤S6得到的三个函数映射关系进行交叉验证，得到所述三个函数映射关系的拟合相对均方根误差并分别记为RMSE_ANN、RMSE_SVM和RMSE_MLR，并按照下式(5)、(6)和(7)计算出所述三个函数映射关系的权重，以得到如下式(8)的所述N个被挖掘地区从日类型D和气象条件W到日度电量Y′的加权平均函数映射关系Y′＝f(W,D)：

${\mathrm{\ω}}_{ANN}=\frac{1/{\mathrm{RMSE}}_{ANN}}{1/{\mathrm{RMSE}}_{ANN}+1/{\mathrm{RMSE}}_{SVM}+1/{\mathrm{RMSE}}_{MLR}}---\left(5\right)$

${\mathrm{\ω}}_{SVM}=\frac{1/{\mathrm{RMSE}}_{SVM}}{1/{\mathrm{RMSE}}_{ANN}+1/{\mathrm{RMSE}}_{SVM}+1/{\mathrm{RMSE}}_{MLR}}---\left(6\right)$

${\mathrm{\ω}}_{MLR}=\frac{1/{\mathrm{RMSE}}_{MLR}}{1/{\mathrm{RMSE}}_{ANN}+1/{\mathrm{RMSE}}_{SVM}+1/{\mathrm{RMSE}}_{MLR}}---\left(7\right)$

Y′＝f(W,D)＝ω_ANNf_ANN(W,D)+ω_SVMf_SVM(W,D)+ω_MLRf_MLR(W,D)(8)

式中，ω_ANN、ω_SVM、ω_MLR依次为神经网络函数映射关系、支持向量机函数映射关系、多元线性回归函数映射关系的权重；

步骤S8，依据步骤S7得到的加权平均函数映射关系Y′＝f(W,D)，按照下式(9)计算任意一个所述被挖掘地区在所述数据采集时间内的任意一天的气象敏感电量：

B_id＝f(W＝W_id,D＝D_id)-f(W＝W_i0,D＝D_id)(9)

式中，B_id表示第i个被挖掘地区在所述数据采集时间内第d天的气象敏感电量，W_i0为预设的第i个被挖掘地区的最舒适气象条件。

2.根据权利要求1所述的气象敏感电量挖掘方法，其特征在于：所述的步骤S2，具体的计算过程包括：

步骤S201，将步骤1采集到的每一个被挖掘地区的日度电量均聚合成月度电量，并对每一个被挖掘地区每一个月的月度电量进行X-12-ARIMA季节分解，得到：

Y_im＝T_im+S_im+IR_im+H_im(1)

式中，Y_im表示第i个被挖掘地区在所述数据采集时间内第m个月份的月度电量，T_im、S_im、IR_im和H_im分别表示由Y_im分解得到的长期趋势分量、季节循环分量、节假日分量和不规则分量；

步骤S202，按照下式(2)计算每一个被挖掘地区每一天的长期趋势分量：

T_id＝T_im/D_m(2)

式中，T_id表示第i个被挖掘地区在所述数据采集时间内第d天的长期趋势分量，第d天属于所述第m个月份，D_m为所述第m个月份的天数；

步骤S203，按照以下(3)计算出剥离长期趋势分量后，每一个所述被挖掘地区在所述数据采集时间内每一天的日度电量：

Y′_id＝Y_id-T_id(3)

式中，Y′_id表示第i个被挖掘地区在所述数据采集时间内第d天剥离长期趋势分量后的日度电量。

3.根据权利要求1所述的气象敏感电量挖掘方法，其特征在于：所述的步骤S5中，所述所需进行气象敏感电量挖掘季节包含一年四季中的任意一个季度或者多个季度。

4.根据权利要求1至3任意一项所述的气象敏感电量挖掘方法，其特征在于：所述的气象敏感电量挖掘方法还包括：

步骤S9，按照下式(10)计算任意一个所述被挖掘地区在属于所述数据采集时间的任意特定时期内的气象敏感电量：

$B_{iT}=\underset{t\∈T}{\Σ}{B}_{it}---\left(10\right)$

式中，B_iT表示第i个被挖掘地区在属于所述数据采集时间的特定时期T内的气象敏感电量，特定时期T包含所述数据采集时间内的任意一天或多天。

5.根据权利要求1至3任意一项所述的气象敏感电量挖掘方法，其特征在于：所述的气象敏感电量挖掘方法还包括：

步骤S10，按照下式(11)计算任意一个所述被挖掘地区在属于所述数据采集时间的任意特定时期内的气象敏感指数：

${\mathrm{WI}}_{iT}=\frac{\underset{t\∈T}{\Σ}{B}_{it}}{\underset{t\∈T}{\Σ}(T_{it}-T_{i0})}---\left(11\right)$

式中，WI_iT表示第i个被挖掘地区在属于所述数据采集时间的特定时期T内的气象敏感指数，特定时期T包含所述数据采集时间内的任意一天或多天，T_it为第i个被挖掘地区在特定时期T中第t天的实际温度，T_i0为第i个被挖掘地区在特定时期T中第t天的基准温度。

6.根据权利要求1至3任意一项所述的气象敏感电量挖掘方法，其特征在于：所述的步骤S8中，每一个被挖掘地区的最舒适气象条件W_i0均预设为：温度为22°、湿度为相对湿度100、降雨量为0。