(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210767484.7 (22)申请日 2022.06.30 (71)申请人 浙江华云电力工程设计咨询有限公 司 地址 310014 浙江省杭州市下城区华电弄 1 号1号楼 (72)发明人 尹康　俞辰颖　黄昕颖　李丽　 钟婷婷　斯扬华　吴丹　方瑜　 吴祖咸　屠锋　 (74)专利代理 机构 杭州华鼎知识产权代理事务 所(普通合伙) 33217 专利代理师 欧阳俊 (51)Int.Cl. G06Q 10/04(2012.01) G06K 9/62(2022.01)G06N 20/00(2019.01) G06F 17/10(2006.01) G01D 21/02(2006.01) (54)发明名称 基于相似日和Op tuna-LightGBM的智能控制 柜内部环境预警评估方法 (57)摘要 本发明公开了基于相似日和Optuna ‑ LightGBM的智能控制柜内部环境预 警评估方法， 包括以下步骤： S1： 收集电气控制柜内部温湿度 历史数据与天气数据， 并处理数据中存在的缺失 值； S2:通过相似日算法从历史数据中选取与待 预测时间段相近的时间段作为模型训练集； S3： 构建基于Optuna ‑LightGBM的温湿度预测模型， 对柜内温湿度进行短期预测； S4： 设置电气控制 柜内部温湿度预警参数， 针对不同时刻的不同状 态合理确定阈值， 实现温湿度预警。 本发明的优 点是： 本发 明所建立的智能电气 控制柜内部环境 预警评估 方法根据气象因素选取相似时间段， 提 升了训练集与待预测时间段构成的训练集的相 似度， 进而提升了模型泛化能力与精度。 权利要求书2页 说明书5页 附图1页 CN 115330018 A 2022.11.11 CN 115330018 A 1.基于相似日和Optun a‑LightGBM的智能控制柜内部环境预警评估方法， 其特征在于： 包括以下步骤： S1： 收集智能控制柜内部温湿度历史数据与天气数据， 并处 理数据中存在的缺失值； S2:通过相似日算法从历史数据中选取与待预测时间段相近的时间段作为模型训练 集； S3： 构建基于Optuna ‑LightGBM的温湿度预测模型， 对柜内温湿度进行短期预测； S4： 设置智能控制柜内部温湿度预警参数， 针对不同时刻的不同状态合理确定阈值， 实 现温湿度预警。 2.如权利要求1所述的基于相似日和 Optuna‑LightGBM 的智能控制柜内部环境预警评 估方法， 其特 征在于： 步骤S1包括以下步骤： S11： 获取智能控制柜内部温湿度历史数据与天气数据包括温度、 湿度、 降水量； S12:对S11中数据中的缺失值进行就近值填充 处理， 若出现较长时间连续的缺失状况， 则删除该时间段。 3.如权利要求1所述的基于相似日和 Optuna‑LightGBM 的智能控制柜内部环境预警评 估方法， 其特 征在于： 步骤S2包括以下步骤： S21： 将历史时间序列划分为与待预测日时间长度相同的若干时间段， 并构建日特征向 量X＝|T,W,H,P|， 其中T为环境气温、 W 为控制柜外表温度、 H为相对湿度、 P为降水量； S22： 计算日特征向量中各个变量与温湿度的PEASRON相关性系数， 根据相关性系数赋 予日特征向量中不同变量权值； S23： 利用DTW算法计算每个时间段日特征向量与待预测日气象日特征向量的距离与相 似度， 根据S22中计算的权值重新调节DTW距离计算日相 似系数， 选择系数最小的几个时间 段作为模型训练集； 其中S22步骤中各环境因素的权值的确定方式如下： 其中corr()为皮尔逊相关系数计 算函数， Tt为待预测时间段环境温度时间序列， Ti为等 长度的历史环境温度时间序列， Ht为待预测时间段环境湿度时间序列， Hi为等长度的历史环 境湿度时间序列， Wt为待预测时间段柜 表温度时间序列， Wi为等长度的历史柜 表温度时间序 列， Pt为待预测时间段降水量时间序列， Pi为等长度的历史降水量时间序列； 其中S23步骤中根据S2 2中计算的权值重新调节DTW距离方式如下： λi＝ ηT·DTW(Ti,Tt)+ ηW·DTW(Wi,Wt)+ ηH·DTW(Hi,Ht)+ ηP·DTW(Pi,Pt),i∈(1,2. ..,n) 其中λi为日相似系数， DTW()为DTW距离计算公式。权　利　要　求　书 1/2 页 2 CN 115330018 A 24.如权利要求1所述的基于相似日和 Optuna‑LightGBM 的智能控制柜内部环境预警评 估方法， 其特征在于： 步骤S3所述构建基于Optuna ‑LightGBM的温湿度预测模型包括以下步 骤： S31： 根据S2步骤中所设立的训练集确立输入数据， 构建衍 生特征； S32： 将S31步骤中的数据输入到LightGBM模型中， 确认模型参数范围， 通过五折交叉 ‑ Optuna优化模型参数， 使得 预测模型的精度达 到最优； 其中步骤S31特征衍生包括将输入特征做时序一阶、 二阶差分处理， 将输入特征做交叉 衍生特征即将同量纲之间的特 征进行加减乘除处 理， 将特征进行特征等频、 等宽分箱处 理。 5.如权利要求1所述的基于相似日和 Optuna‑LightGBM 的智能控制柜内部环境预警评 估方法， 其特 征在于： 步骤S4所述智能控制柜内部温湿度预警参数设置包括以下步骤： S41： 根据S3步骤中的预测数据绘制下一个时间段的温湿度曲线， 并计算所预测时间段 内各个时刻曲线的斜 率， 与该时刻的温湿度相乘构建智能控制柜内部温湿度预警参数； S42： 计算温湿度拐点出现时刻， 得到对应的温湿度值与温湿度变化率， 该处计算所得 到的温湿度预警参数值即为阈值； S41中智能控制柜内部温湿度预警参数公式如下： 其中Tn为预测时刻的预测温度值， Tn‑1为当前时刻温度值， tn为预测时刻， tn‑1为当前时 刻， λT为温度预警参数， Hn为预测时刻的预测湿度值， Hn‑1为当前时刻湿度值， λH为湿度预警 参数； S42中温湿度拐点计算公式如下： 权　利　要　求　书 2/2 页 3 CN 115330018 A 3