(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202111408084.9
(22)申请日 2021.11.24
(71)申请人 西安西热电站信息技术有限公司
地址 710075 陕西省西安市高新区火炬大
厦11层B座
申请人 华能山东发电有限公司
华能国际电力股份有限公司日照电
厂
(72)发明人 徐创学 谢云明 李杰 王垚
王成华 陈为钢
(74)专利代理机构 西安智大知识产权代理事务
所 61215
代理人 弋才富
(51)Int.Cl.
G06Q 10/04(2012.01)
G06Q 10/06(2012.01)G06Q 50/06(2012.01)G06F 16/2458(2019.01)G06N 3/04(2006.01)
(54)发明名称一种基于LSTM深度学习的供暖热负荷预测方法(57)摘要一种基于LSTM深度学习的供暖热负荷预测方法，首先采集热负荷及天气历史数据得到序列数据集，进行归一化处理；将准备好的数据按比例分成训练集和测试集，建立供暖负荷LSTM网络模型，调整网络内部参数，用训练集数据完成LSTM模型拟合；将预测与测试数据结合，用来进行模型的过拟合评估；模型评估验证后，将在线采样的数据输入到验证好的LSTM网络对未来时间的供暖负荷值进行预测。最后，对现有的模型进行优化升级，循环提升LSTM模型的预测精度；本发明LSTM能够在更长的序列中有更佳的表现，基于LSTM深度学习的供暖热负荷预测方法，能长期记录所需数据和在线预测，预测周期长、预测热负荷精度高，满足供热企业的一个供暖季热负 荷预测要求。权利要求书1页 说明书4页 附图4页CN 114118571 A 2022.03.01
C N 114118571
A
1.一种基于LSTM深度学习的供暖热负荷预测方法，其特征在于，包括以下步骤：
步骤1：历史数据采集和预处理；采集与热负荷生产相关的数据，包括供暖生产热负荷数据及天气数据，按时间进行排列得到序列样本数据集，并进行归一化处理，使其数值处在
[0,1]之间，得到数据集作为监督学习的样本；
步骤2：数据集分成训练集和测试集；将准备好的序列数据按2：1比例分成训练集和测试集，并保证每个数据集能代表完整供暖季样本；
步骤3：建立供暖负荷预测LSTM网络模型，并调整网络内部参数；以序列数据集中的当前时间和过去时间的负荷值作为LSTM网络预测模型的输入序列，来预测作为输出序列未来时间的负荷值，设定预测步长，对LSTM神经网络进行建模，网络内部参数调整包括：按照设定值调整学习率和迭代次数，获取输入权重、循环权重和偏差，并分别利用门激活函数和状
态激活函数调整对应的传入门、遗忘门、
被选门和输出门的参数；步骤4：模型拟合；训练供暖负荷LSTM网络模型，将经过归一化处理后的训练集数据输入LSTM网络模型进行训练，直到网络收敛；
步骤5：模型的过度拟合评估；步骤4的模型拟合后，预测步骤2得到的测试数据集；将训练集的模型损失和测试集的模型损失显示在一幅图中，判断模型是否存在过度拟合现象；
步骤6：模型预测；将获取的在线采样数据输入到经过步骤5评估验证后的LSTM神经网络对未来时间的供暖负荷值进行预测；
步骤7：模型循环动态优化；设置准确度、平衡分数和准确率评价指标对预测结果进行评价，当评价指标超过设定阈值时说明预测值偏差大，每隔一个周期再执行步骤1到步骤5，对模型进行优化升级，循环提升LSTM模型的预测精度。
权 利 要 求 书1/1页CN 114118571 A
一种基于LSTM深度学习的供暖热负荷预测方法
技术领域
[0001]本发明涉及供暖技术领域，特别涉及一种基于LSTM深度学习的供暖热负荷预测方法。
技术背景
[0002]供暖系民生，冷暖无小事，冬季供暖涉及千家万户，是一项重要的暖心工程，更是当前最大的民生工程。供暖系统由热源(供给侧)、热网及热用户(需求侧)组成。供暖普遍采用集中供暖方式，由热电厂或区域锅炉供给热量。目前供暖系统普遍存在调节粗放、热能浪费、热力不平衡等问题，供暖节能领域有非常大的改进空间。
[0003]由于供暖系统比较复杂，在运行过程中，集中供暖负荷受天气等主要因素影响，热负荷需求是不
断变化的。供暖负荷的多少、特性和变化规律，对供暖系统的运行管理、节能优化、大气环境保护都十分重要。
[0004]供暖负荷预测是在掌握热负荷变化规律的基础上，综合考虑各种相关因素，来预报将来某一时段或时刻热负荷的大小，目的是使热源供给与用户侧需求相匹配，实现供暖系统的高效节能运行。如供给热量与需求热量不符，就会造成过量供热或供暖不足，不但影响人们生产和生活的需要，同时产生能源浪费和污染环境，尤其在当前燃煤供需紧张的形势下，供暖企业提前做好供暖负荷预测，做好燃煤冬储计划对保障民生供暖显得尤为重要。而现有供暖负荷预报方法多根据天气气温单独进行线性预报，或按照历史数据进行时序简单建模，其预报时长短，精度较低，无法满足企业中长期供暖生产需要。
发明内容
[0005]为了克服现有技术的缺陷，本发明的目的在于提供一种基于LSTM深度学习的供暖热负荷预测方法，通过引入多变量时间序列预测的LSTM模型，根据上一个供暖季的供暖负荷和多因素天气影响条件，预测下一个供暖季的供暖负荷；满足供热企业长期和短期的供暖负荷预测，供热企业根据供暖热负荷预测需求，实现稳定地热源生产供给，具有明显的经济效益和社会效益。
[0006]为实现上述目的，本发明的技术方案为：
[0007]一种基于LSTM深度学习的供暖热负荷预测方法，包括以下步骤：
[0008]步骤1：历史数据采集和预处理；采集与热负荷生产相关的数据，包括供暖生产热负荷数据及天气数据，按时间进行排列得到序列样本数据集，并进行归一化处理，使其数值处在[0,1]之间，得到数据集作为监督学习的样本；
[0009]步骤2：数据集分成训练集和测试集；将准备好的序列数据按2：1比例分成训练集和测试集，并保证每个数据集能代表完整供暖季样本；
[0010]步骤3：建立供暖负荷预测LSTM网络模型，并调整网络内部参数；以序列数据集中的当前时间和过去时间的负荷值作为LSTM网络预测模型的输入序列，来预测作为输出序列未来时间的负荷值，设定预测步长，对LSTM神经网络进行建模，网络内部参数调整包括：按
照设定值调整学习率和迭代次数，获取输入权重、循环权重和偏差，并分别利用门激活函数和状态激活函数调整对应的传入门、遗忘门、被选门和输出门的参数；
[0011]步骤4：模型拟合；训练供暖负荷LSTM网络模型，将经过归一化处理后的训练集数据输入LSTM网络模型进行训练，直到网络收敛；
[0012]步骤5：模型的过度拟合评估；步骤4的模型拟合后，预测步骤2得到的测试数据集；将训练集的模型损失和测试集的模型损失显示在一幅图中，判断模型是否存在过度拟合现象；
[0013]步骤6：模型预测；将获取的在线采样数据输入到经过步骤5评估验证后的LSTM神经网络对未来时间的供暖负荷值进行预测；
[0014]步骤7：模型循环动态优化；设置准确度、平衡分数和准确率评价指标对预测结果进行评价，当评价指标超过设定阈值时说明预测值偏差大，每隔一个周期再执行步骤1到步骤5，对模型进行优化升级，循环提升LSTM模型的预测精度。
[0015]本发明的有益效果：
[0016]本发明是一种基于LSTM深度学习的供暖热负荷预测方法，模型监督学习设定为：根据上一个供暖季(时间段)的供暖负荷和天气影响条件，预测下一个供暖季(时间段)的供暖负荷情况。首先从企业生产监控系统的历史数据中采集与热负荷生产相关的数据，包括供暖生产热负荷数据及天气数据，并按时间进行排列得到序列样本数据集，并进行归一化处理；将准备好的数据按比例分成训练集和测试集；建立供暖负荷预测LSTM网络模型，调整网络内部参数；将所述归一化后的训练集数据输入所述供暖负荷LSTM网络模型进行模型训练，引入动量法，动态修改各参数的学习率，完成LSTM网络模型拟合；将预测与测试数据相结合，并用预期的供暖负荷来调整测试数据集的规模，将模型训练和测试损失显示在一幅图中，判断模型是否存在过度拟合现象；模型评估验证后，将在线采样的数据输入到验证好的LSTM神经网络对未来时间的供暖负荷值进行预测；最后，设置准确度、平衡分数和准确率对结果进行评价，对于预测值差别较大的情况，每隔一个周期对现有的模型进行优化升级，循环提升LSTM模型的预测精度。
附图说明
[0017]图1是本发明提供的用于建立供暖负荷预测的供暖季供暖负荷数据样例。[0018]图2是是本发明提供的用于建立供暖负荷预测的供暖季天气数据样例。
[0019]图3是本发明提供的供暖负荷预测方法实施的步骤示意图。
[0020]图4是本发明提供的供暖负荷预测LSTM网络模型图。
[0021]图5是判断LSTM模型过拟合的训练、测试损失评估图。
具体实施方式
[0022]下面结合附图，通过具体实施方式对本发明进一步说明。
[0023]参照图3所示，一种基于LSTM深度学习的供暖热负荷预测方法，包括以下步骤：[0024]步骤1：历史数据采集和预处理；为LSTM模型准备信息数据集，从企业生产监控系统的历史数据中采集与热负荷生产相关的数据，包括供暖生产热负荷数据及天气数据，按时间进行排列得到序列样本数据集，并进行归一化处理，使其数值处在[0,1]之间，得到数
据集作为监督学习的样本；
[0025]首先要采集历史样本数据。这些数据一般从企业生产监控(SCADA/SIS/ERP)系统中通过API/SDK接口获取，如果系统中不能直接获取热负荷数据，也可从相关指标数据(供汽/水流量、供汽/水温度、回水温度、供汽/水压力、回水压力)在线换算成供暖热负荷数据，并按时间进行排列得到序列样本数据集，图1为某供热企业一个供暖季(2018.11.10‑2019.3.16)的供暖负荷序列样本集。我们选取与供暖热负荷主要影响的天气温度作为关联数据，采集同期同地方的天气最高温度和天气最低温度与供暖负荷组成原始数据集，如图2
所示。原始采集序列表示为：S
t ＝{X
t
(1),X
t
(2),X
t
(3),...X
t
(u)},X
t
∈{U,I}，对原始采集数
据进行归一化数据预处理，计算公式如下：
[0026]X
i ＝(X
i
‑X
min
)
/(X
max
‑X
min
)
[0027]其中：X
i
‑‑该采集样本中的第i个值的归一化值；
[0028]X
i
‑‑该采集样本中的第i个值；
[0029]X
min
‑‑该采集样本中的最小值；
[0030]X
max
‑‑该采集样本中的最大值。
[0031]步骤2：数据集分成训练集和测试集；将准备好的数据按2：1比例分成训练集和测试集。为了加快模型训练，我们使用2年的数据来拟合模型，然后用其余1年的数据进行评估。即训练集与测试集数据规模为2：1，并能保证每个数据集能代表一个完整供暖季样本。[0032]步骤3：建立供暖负荷预测LSTM网络模型，并调整网络内部参数；以序列数据集中的当前时间和过去时间的负荷值作为LSTM网络预测模型的输入序列，来预测作为输出序列未来时间的负荷值，设定预测步长，对LSTM神经网络进行建模，网络内部参数调整包括：按照设定值调整学习率和迭代次数，获取输入权重、循环权重和偏差，并分别利用门激活函数和状态激活函数调整对应的传入门、遗忘门、被选门和输出门的参数。
[0033]如图4所示。LST模型包括：数据采样层a、数据预处理层b、输入层c、LSTM层d、dropout层e、全连接层f、SoftMax层g和分类输出层h。其中：a层用来采集一个供暖季的供暖负荷及天气数据，b层用于对a层数据进行归一化预处理，c层用于数据分集并转换格式，d层用于LSTM网络训练，e层用于监督网络过拟合，最后f、g、h和i层用于输出和优化结果。[0034]步骤4：模型拟合；训练供暖负荷LSTM网络模型，将经过归一化处理后的训练集数据输入LSTM网络模型进行训练，直到网络收敛，使用平均绝对误差(MAE)损失函数和随机梯度下降的Adam版本，一方面动态的修改各参数的学习率，另一方面引入动量法，使得参数更新有更多的机会跳出局部最优。
[0035]步骤5：模型的过度拟合评估；拟合后，我们可以预测经过步骤2得到的测试数据集，并用预期的供暖负荷来调整测试数据集的规模。将训练集的模型损失和测试集的模型损失显示在一幅图中，判断模型是否存在过度拟合现象。
[0036]通过初始预测值和实际值，采用与变量相同的单元误差的均方根误差(RMSE)来计算模型的误差分数。在每个训练epoch结束时输出训练和测试的损失。最后输出该模型对测试数据集的最终RMSE，如附图5所示，我们可以看到，该模型取得了不错的RMSE测试结果(3.836)。
[0037]步骤6：模型预测。模型验证后，将获取的在线采样数据输入到经步骤5评估验证后的LSTM神经网络对未来时间的供暖负荷值进行预测。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议