CN117910625A - 燃气负荷预测方法及系统 - Google Patents

Abstract

本申请提供一种本燃气负荷预测方法，包括以下步骤：S1、构建采暖季燃气负荷数据预测模型和非采暖季燃气负荷数据预测模型；S2、获取城市天然气负荷用气原始数据，从中提取城市燃气日维度历史负荷数据以及特征因子；S3、判断当前城市是否具有采暖季；判断城市具有采暖季时，对采暖季采用采暖季燃气负荷数据预测模型进行预测，对非采暖季采用非采暖季燃气负荷数据预测模型进行预测；判断城市不具备采暖季时，将城市燃气日维度历史负荷数据和特征因子输入至非采暖季燃气负荷数据预测模型进行预测；S4、采用修正因子对初步预测结果进行修正，以获得城市燃气负荷数据预测结果。本申请将采暖季和非采暖季分开建模，提高燃气负荷预测的准确率。

Description

燃气负荷预测方法及系统

技术领域

本申请涉及气体监测技术领域，尤其涉及一种燃气负荷预测方法及系统。

背景技术

城市燃气短期负荷预测的准确性具有重要意义。短期负荷的准确预测，可对燃气调峰起到指导性作用，有助于对管网流量进行合理的调配，可降低燃气企业经济损失，保证不同用户正常生活生产用气，保证供气系统的有效管理和供气系统的服务质量。

然而，由于城市燃气负荷的影响因素较多，很难获取和分析到主要影响因素，且容易受到外部环境的干扰，所以导致很难准确预测负荷值。基于目前对于燃气负荷预测的实现技术上，大都基于整体数据采用组合模型来实现，但燃气有独特的特征规律没有加入到模型中，从而使得预测结果不理想。

基于目前对于燃气负荷预测的特征提取上，考虑的数据维度较少，大都以温度与节假日为主要特征，且处理方式简单，没有考虑受到突发情况的影响，故预测精度不高。

发明内容

本申请的目的在于提供一种技术方案，以解决相关技术中燃气负荷预测精度不高的问题。

基于上述目的，本申请提供一种燃气负荷预测方法，方法包括以下步骤：

S1、构建采暖季燃气负荷数据预测模型和非采暖季燃气负荷数据预测模型；

S2、获取城市天然气负荷用气原始数据，从城市天然气负荷用气原始数据中提取城市燃气日维度历史负荷数据以及特征因子；

S3、判断当前城市是否具有采暖季；

响应于判断城市具有采暖季，基于城市燃气日维度历史负荷数据和特征因子，对采暖季采用采暖季燃气负荷数据预测模型进行预测，对非采暖季采用非采暖季燃气负荷数据预测模型进行预测，以获得城市燃气负荷数据初步预测结果；

响应于判断城市不具备采暖季，将城市燃气日维度历史负荷数据和特征因子输入至非采暖季燃气负荷数据预测模型进行预测，以获得城市燃气负荷数据初步预测结果；

S4、采用修正因子对城市燃气负荷数据初步预测结果进行修正，以获得城市燃气负荷数据预测结果，修正因子包括采暖季节假日修正因子和非采暖季修正因子，对于采暖季的节假日的城市燃气负荷数据初步预测结果，采用采暖季节假日修正因子进行修正，对于非采暖季的节假日的城市燃气负荷数据初步预测结果，采用非采暖季节假日修正因子进行修正。

进一步的，利用采暖季节假日修正因子进行修正包括：

设置影响窗口，影响窗口的宽度设置为采暖季节假日对该节假日前后的日燃气负荷影响的天数，将影响窗口大小和采暖季节假日输入到采暖季燃气负荷数据预测模型中，采暖季燃气负荷数据预测模型进行采暖季节假日的燃气负荷预测时对影响窗口覆盖的日期所对应的城市燃气负荷数据初步预测结果进行修正。

进一步的，利用非采暖季节假日修正因子进行修正包括：

将部分城市燃气日维度历史负荷数据作为验证集数据，计算利用非采暖季燃气负荷数据预测模型预测得的城市燃气负荷数据初步预测结果与真实燃气负荷数据之间的误差，非采暖季燃气负荷数据预测模型进行非采暖季节假日的燃气负荷预测时，将城市燃气负荷数据初步预测结果扣除误差以获得非采暖季节假日的城市燃气负荷数据预测结果。

进一步的，修正因子还包括重要事件修正因子，利用重要事件修正因子进行修正包括：

获取事件的发生时间、持续时间，对事件发生期间的城市燃气负荷数据初步预测结果采用平均同比增长率指标进行修正，

平均同比增长率通过如下公式获得：

平均同比增长率＝(本期值-同期值)/同期值*100；

式中，本期值是指历史上事件发生期间的城市燃气日维度历史负荷数据，同期值是指历史上与事件发生同期但未发生事件时的城市燃气日维度历史负荷数据。

进一步的，步骤S2中提取特征因子包括：

对城市燃气日维度历史负荷数据进行分析以获取特征属性，任一特征属性代表影响城市燃气日维度历史负荷数据的因素；

对每一特征属性进行量化处理，以获得特征因子量化值；

将特征因子量化值输入OpenFE全自动特征生成器进行特征选择，以获得特征因子。

进一步的，对特征属性进行量化处理包括：

计算每一特征属性中每一属性类别下的燃气负荷均值；

通过肘方法确定聚类类别，采用K-Means算法，对每一属性类别下的燃气负荷均值进行聚类；

按照聚类类别，计算每个聚类类别下的燃气负荷数据在城市燃气日维度历史负荷数据中的占比，将占比作为聚类中对应属性类别的特征因子量化值。

进一步的，特征属性包括以下属性中的一种或多种：

最高温度、最低温度、早晚温差、日温差、天气状况、星期、节假日。

进一步的，城市天然气负荷用气原始数据还包括气温数据，步骤S3中判断当前城市是否具有采暖季包括：将城市燃气日维度历史负荷数据以及气温数据进行相关性计算以获得相关系数，响应于相关系数大于预设相关系数阈值，则判断城市具有采暖季。

进一步的，非采暖季燃气负荷数据预测模型包括LSTM模型和XGBoost模型，

步骤S3中，将城市燃气日维度历史负荷数据和特征因子分别输入至LSTM模型和XGBoost模型，获得第一燃气负荷预测值和第二燃气负荷预测值，将第一燃气负荷预测值和第二燃气负荷预测值作均值处理获得非采暖季的城市燃气负荷数据初步预测结果；

采暖季燃气负荷数据预测模型包括Prophet模型，将城市燃气日维度历史负荷数据和特征因子输入至Prophet模型以获得采暖季的城市燃气负荷数据初步预测结果。

本申请还提供一种燃气负荷预测系统，系统采用如上所述的燃气负荷预测方法。

根据以上说明，本申请将采暖季和非采暖季分开建模，能够提高燃气负荷预测的准确率，并针对采暖季和非采暖季的节假日的燃气负荷预测分别用不同的修正因子进行修正，进一步提高了燃气负荷预测的准确率。

附图说明

图1为本申请实施例提供的燃气负荷预测方法流程图。

图2为本申请实施例提供的提取城市燃气日维度历史负荷数据以及特征因子的流程图。

图3为本申请实施例提供的特征属性进行量化处理流程图。

具体实施方式

以下将结合附图所示的具体实施方式对本申请进行详细描述，但这些实施方式并不限制本申请，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本申请的保护范围内。

如图1所示，本申请实施例提供一种燃气负荷预测方法，包括以下步骤：

S1、构建采暖季燃气负荷数据预测模型和非采暖季燃气负荷数据预测模型；

S2、获取城市天然气负荷用气原始数据，从城市天然气负荷用气原始数据中提取城市燃气日维度历史负荷数据以及特征因子；

S3、判断当前城市是否具有采暖季；

响应于判断城市具有采暖季，基于城市燃气日维度历史负荷数据和特征因子，对采暖季采用采暖季燃气负荷数据预测模型进行预测，对非采暖季采用非采暖季燃气负荷数据预测模型进行预测，以获得城市燃气负荷数据初步预测结果；

响应于判断城市不具备采暖季，将城市燃气日维度历史负荷数据和特征因子输入至非采暖季燃气负荷数据预测模型进行预测，以获得城市燃气负荷数据初步预测结果；

S4、采用修正因子对城市燃气负荷数据初步预测结果进行修正，以获得城市燃气负荷数据预测结果。其中，修正因子包括采暖季节假日修正因子和非采暖季修正因子，对于采暖季的节假日的城市燃气负荷数据初步预测结果，采用采暖季节假日修正因子进行修正，对于非采暖季的节假日的城市燃气负荷数据初步预测结果，采用非采暖季节假日修正因子进行修正。

根据以上说明，本申请将采暖季和非采暖季分开建模，不同的用气周期有不同的规律，故分开建模能够抓住每个用气周期影响燃气负荷的关键因素，进而能够提高燃气负荷预测的准确率。

如图2所示，作为一种可选的实现方式，步骤S2中从城市天然气负荷用气原始数据中提取城市燃气日维度历史负荷数据包括以下步骤：

S21、城市天然气负荷用气原始数据包括城市天然气负荷用气累积读数，通过差分计算得到城市燃气日维度历史负荷数据。城市燃气日维度历史负荷数据为每日的日燃气负荷数据集合。差分计算公式如下；

Δx＝x_k+1-x_k

式中，x_k+1表示第k+1日的城市天然气负荷用气累积读数，Δx表示日燃气负荷数据。

S22、对城市燃气日维度历史负荷数据进行数据处理，包含对缺失值的处理和对异常值的处理。

本申请实施例中，对于缺失值采用均值填补法，计算公式如下：

其中，x_k表示第k日的燃气负荷值。

对于数据中的异常值采用移动平均法进行修正，计算公式如下：

其中，x_k表示第k日的燃气负荷值，y_t表示第t日修正后的燃气负荷值，N表示移动平均法的窗口大小。

作为一种可选的实现方式，步骤S2中，提取特征因子包括：

S23、对城市燃气日维度历史负荷数据进行分析以获取特征属性，任一特征属性代表影响城市燃气日维度历史负荷数据的因素；

S24、对每一特征属性进行量化处理，以获得特征因子量化值；

S25、将特征因子量化值输入OpenFE全自动特征生成器进行特征选择，以获得特征因子。

作为一种可选的实现方式，步骤S23中，可以通过多种方式对城市燃气日维度历史负荷数据进行分析以获取特征属性，本申请实施例中提供以下五种分析方式。

第一种获取方式为图形分析法。对城市燃气日维度历史负荷数据绘制时序图，寻找图中极小值点，发现极小值点对应的时间均为法定的节假日时期。节假日包含国家法定节假日：元旦、春节、劳动、端午、中秋及国庆节。在放假期间，燃气负荷产生明显变化，但同时也具有一定的规律性。

第二种获取方式为相似度计算。例如，获取当地最高温度、最低温度数据，分别将最高温度和最低温度与城市燃气日维度历史负荷数据进行相似度计算以获得相关系数，相关系数的计算结果在0.8附近，相关性较高，故可以将最高温度、最低温度数据增加到模型中作为特征属性。本申请采用皮尔逊相关性公式，具体计算方式如下所示：

其中，X_i表示日温度数据，表示日温度数据平均值，Y_i表示日燃气负荷数据，/>表示日燃气负荷数据，n为有效天数；

当相关系数为0时，X和Y之间无关；当相关系数越靠近1时，表明随机变量之间呈现较强正相关关系，即X值增大(减小)，Y值增大(减小)；当相关系数越靠近-1时，表明随机变量之间呈现较强负相关关系，即X值增加(减小)，Y值减小(增大)；按照经验通过

表1中的取值范围(相关系数绝对值)判断向量的相关程度：

取值范围	相关程度
		0.8-1.0	极度相关
0.6-0.8	强相关
		0.4-0.6	中等程度相关
0.2-0.4	弱相关
		0-0.2	极弱相关或不相关

表1

第三种特征属性的获取方式为数据的探索性分析(EDA)。对城市燃气日维度历史负荷数据进行自相关分析，相关性计算公式如下：

其中，N为序列长度，x_t表示日燃气负荷数据，表示日燃气负荷数据平均值。

查看ACF图中各种滞后值的峰值。与第一个显著峰值对应的滞后可以给出周期的估计，故将星期指标加入到模型中作为特征属性。

第四种特征属性的获取方式为行业经验法(常识法)，对天气状况进行分析。天气状况指标是指天气类型，通常天气类型会影响出行计划和企业的生产安排，具体考虑的指标如表2所示：

天气	类型
		晴	1
多云	2
		雾	3
阴	4
		小雨	5
中雨	6
		大雨	7
暴雨	8
		雷阵雨	8
小雪	9
		中雪	10
大雪	11

表2

第五种特征属性的获取方式是模型误差反推法。具体计算方式如下：将上述变量(温度、天气状况、星期、节假日指标)输入到预测模型中，采用LSTM模型和XGBoost模型对燃气负荷进行预测，预测结果与真实值进行比较，计算误差百分比，计算公式如下：

对误差百分比数值较大点进行数值分析，发现该些点对应的温差较大，即在温差大的点刚好是燃气负荷变化的拐点，也是预测模型误差大的点。具体指标计算公式如下：

早晚温差值＝每日最高温度-每日最低温度

日温差值＝当日最低温度-前一日最低温度

根据以上说明，本申请通过多种分析方式结合以获得影响城市燃气日维度历史负荷数据的各个特征属性。作为一种可选的实现方式，本申请实施例中特征属性包括以下属性中的一种或多种：最高温度、最低温度、早晚温差、日温差、天气状况、星期、节假日。

如图3所示，步骤S24中，对特征属性进行量化处理包括：

S241、计算每一特征属性中每一属性类别下的燃气负荷均值；

S242、通过肘方法确定聚类类别，采用K-Means算法，对每一属性类别下的燃气负荷均值进行聚类；

S243、按照聚类类别，计算每个聚类类别下的燃气负荷数据在城市燃气日维度历史负荷数据中的占比，将占比作为聚类中对应属性类别的特征因子量化值。

具体的，对于每一特征属性，都有与该特征属性对应的至少两个属性类别。以天气这一特征属性为例，可以有如表2所示的十一种属性类别，以星期特征属性为例，有周一至周日七个属性类别。下面以星期这一特征属性为例对步骤S24中特征属性的量化处理进行说明。

在步骤S241中，计算“星期”这一特征属性中周一至周日七个属性类别的燃气负荷均值。即，假设本申请在步骤S21中提取了一年的城市燃气日维度历史负荷数据，则在计算“周一”这一属性类别下的燃气负荷均值时，将这一年中所有周一时的日燃气负荷数据相加并除以这一年中的周一天数即可获得“周一”这一属性类别下的燃气负荷均值。类似的，可以计算剩余的周二至周日的属性类别下的燃气负荷均值。

在步骤S242中，通过肘方法确定聚类类别。根据计算可知，可以将星期这一特征属性各个属性类别的日燃气负荷数据按照工作日和休息日分为两个聚类类别。

在步骤S243中，计算工作日这一聚类类别下燃气负荷数据在城市燃气日维度历史负荷数据中的占比，并将占比作为工作日这一聚类类别中周一至周五属性类别的特征因子量化值。同理，计算休息日这一聚类类别下燃气负荷数据在城市燃气日维度历史负荷数据中的占比，并将占比作为休息日这一聚类类别中周六和周日属性类别的特征因子量化值。

根据以上说明，本申请实施例提供的方法通过上述的对特征属性聚类加权重的量化处理过程，使得特征因子量化值能够更有效反映对燃气负荷的影响，进而在后续的燃气负荷预测中可以提高预测的准确度。

并且，在步骤S25中，将特征因子量化值输入OpenFE全自动特征生成器进行特征选择，通过这种方式，可以将已有的特征属性进行组合与变换以生成更有效的特征因子，进而可以提升预测模型在数据集上的预测能力。

作为一种可选的实现方式，城市天然气负荷用气原始数据还包括气温数据，步骤S3中判断当前城市是否具有采暖季包括：将城市燃气日维度历史负荷数据以及气温数据进行相关性计算以获得相关系数，响应于相关系数大于预设相关系数阈值，则判断城市具有采暖季。

作为一种可选的实现方式，本申请实施例中，非采暖季燃气负荷数据预测模型包括LSTM模型和XGBoost模型，

步骤S3中，将城市燃气日维度历史负荷数据和特征因子分别输入至LSTM模型和XGBoost模型，获得第一燃气负荷预测值和第二燃气负荷预测值，将第一燃气负荷预测值和第二燃气负荷预测值作均值处理获得非采暖季的城市燃气负荷数据初步预测结果；

采暖季燃气负荷数据预测模型包括Prophet模型，将城市燃气日维度历史负荷数据和特征因子输入至Prophet模型以获得采暖季的城市燃气负荷数据初步预测结果。

作为一种可选的实现方式，本申请实施例提供的修正因子包括采暖季节假日修正因子、非采暖季节假日修正因子和重要事件修正因子。

对于采暖季的节假日的城市燃气负荷数据初步预测结果，采用采暖季节假日修正因子进行修正；

利用采暖季节假日修正因子进行修正包括：

设置影响窗口，影响窗口的宽度设置为采暖季节假日对该节假日前后的日燃气负荷影响的天数，将影响窗口大小和采暖季节假日输入到采暖季燃气负荷数据预测模型中，采暖季燃气负荷数据预测模型进行采暖季节假日的燃气负荷预测时对影响窗口覆盖的日期所对应的城市燃气负荷数据初步预测结果进行修正。

具体的，本申请研究发现，在采暖季的节假日，尤其是春节，节假日对于日燃气负荷的影响不局限与节假日期间，还会对节假日前后产生影响，对此，本申请利用采暖季节假日修正因子进行修正，设置影响窗口，影响窗口覆盖的日期所对应的城市燃气负荷数据初步预测结果进行修正，进而可以提高预测的准确性。

对于非采暖季的节假日的城市燃气负荷数据初步预测结果，采用非采暖季节假日修正因子进行修正；

利用非采暖季节假日修正因子进行修正包括：

将部分城市燃气日维度历史负荷数据作为验证集数据，计算利用非采暖季燃气负荷数据预测模型预测得的城市燃气负荷数据初步预测结果与真实燃气负荷数据之间的误差，非采暖季燃气负荷数据预测模型进行非采暖季节假日的燃气负荷预测时，将城市燃气负荷数据初步预测结果扣除误差以获得非采暖季节假日的城市燃气负荷数据预测结果。

具体的，非采暖季节假日采用误差修正方式进行计算，计算公式如下：

基于同期历史数据的预测值和真实值，计算误差百分比。在预测时扣除误差以获得非采暖季节假日的城市燃气负荷数据预测结果。

重要事件是指会对城市产生重大影响的事件，如疫情、重大会议等。利用重要事件修正因子进行修正包括：

获取事件的发生时间、持续时间，对事件发生期间的城市燃气负荷数据初步预测结果采用平均同比增长率指标进行修正，

平均同比增长率通过如下公式获得：

平均同比增长率＝(本期值-同期值)/同期值*100；

式中，本期值是指历史上事件发生期间的城市燃气日维度历史负荷数据，同期值是指历史上与事件发生同期但未发生事件时的城市燃气日维度历史负荷数据。

作为另一种可选的实现方式，重要事件影响也可以通过专家经验进行人工修正。

根据以上说明，本申请采用不同的修正方式对预测结果进行分段修正。目前大多专利采用组合模型预测，预测精度都有所提高，但对于用气突变点的还是存在较大的误差。本申请提供的预测方法在组合预测模型的基础上，对于外部影响因素进行修正，通过在预测结果上增加修正因子，使得预测精度更高。

本申请还提供一种燃气负荷预测系统，系统采用如上所述的燃气负荷预测方法。

以上所揭露的仅为本申请的较佳实施例而已，然其并非用以限定本申请之权利范围，本领域普通技术人员可以理解：在不脱离本申请及所附的权利要求的精神和范围内，改变、修饰、替代、组合、简化，均应为等效的置换方式，仍属于发明所涵盖的范围。

Claims (10)

1.一种燃气负荷预测方法，其特征在于，

所述方法包括以下步骤：

S1、构建采暖季燃气负荷数据预测模型和非采暖季燃气负荷数据预测模型；

S2、获取城市天然气负荷用气原始数据，从所述城市天然气负荷用气原始数据中提取城市燃气日维度历史负荷数据以及特征因子；

S3、判断当前城市是否具有采暖季；

响应于判断所述城市具有采暖季，基于所述城市燃气日维度历史负荷数据和所述特征因子，对采暖季采用所述采暖季燃气负荷数据预测模型进行预测，对非采暖季采用所述非采暖季燃气负荷数据预测模型进行预测，以获得城市燃气负荷数据初步预测结果；

响应于判断所述城市不具备采暖季，将所述城市燃气日维度历史负荷数据和所述特征因子输入至所述非采暖季燃气负荷数据预测模型进行预测，以获得城市燃气负荷数据初步预测结果；

S4、采用修正因子对所述城市燃气负荷数据初步预测结果进行修正，以获得城市燃气负荷数据预测结果，所述修正因子包括采暖季节假日修正因子和非采暖季修正因子，对于采暖季的节假日的城市燃气负荷数据初步预测结果，采用所述采暖季节假日修正因子进行修正，对于非采暖季的节假日的城市燃气负荷数据初步预测结果，采用所述非采暖季节假日修正因子进行修正。

2.根据权利要求1所述的燃气负荷预测方法，其特征在于，

利用所述采暖季节假日修正因子进行修正包括：

设置影响窗口，所述影响窗口的宽度设置为采暖季节假日对该节假日前后的日燃气负荷影响的天数，将影响窗口大小和所述采暖季节假日输入到所述采暖季燃气负荷数据预测模型中，所述采暖季燃气负荷数据预测模型进行采暖季节假日的燃气负荷预测时对所述影响窗口覆盖的日期所对应的城市燃气负荷数据初步预测结果进行修正。

3.根据权利要求1所述的燃气负荷预测方法，其特征在于，

利用所述非采暖季节假日修正因子进行修正包括：

将部分所述城市燃气日维度历史负荷数据作为验证集数据，计算利用所述非采暖季燃气负荷数据预测模型预测得的城市燃气负荷数据初步预测结果与真实燃气负荷数据之间的误差，所述非采暖季燃气负荷数据预测模型进行非采暖季节假日的燃气负荷预测时，将城市燃气负荷数据初步预测结果扣除所述误差以获得非采暖季节假日的城市燃气负荷数据预测结果。

4.根据权利要求1所述的燃气负荷预测方法，其特征在于，

所述修正因子还包括重要事件修正因子，利用所述重要事件修正因子进行修正包括：

获取事件的发生时间、持续时间，对事件发生期间的城市燃气负荷数据初步预测结果采用平均同比增长率指标进行修正，

平均同比增长率通过如下公式获得：

平均同比增长率＝(本期值-同期值)/同期值*100；

式中，本期值是指历史上事件发生期间的城市燃气日维度历史负荷数据，同期值是指历史上与所述事件发生同期但未发生所述事件时的城市燃气日维度历史负荷数据。

5.根据权利要求1所述的燃气负荷预测方法，其特征在于，

所述步骤S2中提取所述特征因子包括：

对所述城市燃气日维度历史负荷数据进行分析以获取特征属性，任一所述特征属性代表影响所述城市燃气日维度历史负荷数据的因素；

对每一所述特征属性进行量化处理，以获得特征因子量化值；

将所述特征因子量化值输入OpenFE全自动特征生成器进行特征选择，以获得所述特征因子。

6.根据权利要求5所述的燃气负荷预测方法，其特征在于，

对所述特征属性进行量化处理包括：

计算每一所述特征属性中每一属性类别下的燃气负荷均值；

通过肘方法确定聚类类别，采用K-Means算法，对每一所述属性类别下的所述燃气负荷均值进行聚类；

按照所述聚类类别，计算每个所述聚类类别下的燃气负荷数据在城市燃气日维度历史负荷数据中的占比，将所述占比作为聚类中对应属性类别的特征因子量化值。

7.根据权利要求5所述的燃气负荷预测方法，其特征在于，

所述特征属性包括以下属性中的一种或多种：

最高温度、最低温度、早晚温差、日温差、天气状况、星期、节假日。

8.根据权利要求1所述的燃气负荷预测方法，其特征在于，

所述城市天然气负荷用气原始数据还包括气温数据，步骤S3中判断当前城市是否具有采暖季包括：将城市燃气日维度历史负荷数据以及所述气温数据进行相关性计算以获得相关系数，响应于所述相关系数大于预设相关系数阈值，则判断所述城市具有采暖季。

9.根据权利要求1所述的燃气负荷预测方法，其特征在于，

所述非采暖季燃气负荷数据预测模型包括LSTM模型和XGBoost模型，

步骤S3中，所述将所述城市燃气日维度历史负荷数据和所述特征因子分别输入至LSTM模型和XGBoost模型，获得第一燃气负荷预测值和第二燃气负荷预测值，将第一燃气负荷预测值和第二燃气负荷预测值作均值处理获得非采暖季的城市燃气负荷数据初步预测结果；

所述采暖季燃气负荷数据预测模型包括Prophet模型，将所述城市燃气日维度历史负荷数据和所述特征因子输入至所述Prophet模型以获得采暖季的城市燃气负荷数据初步预测结果。

10.一种燃气负荷预测系统，其特征在于，所述系统采用如权利要求1至9任一项所述的燃气负荷预测方法。