一种基于LSTM神经网络的能耗预测方法技术

本发明专利技术公开了一种基于LSTM神经网络的能耗预测方法，所述能耗预测方法：折算总能耗数据，提取能耗数据集，数据处理所述能耗数据集，归一化处理所述能耗数据集中的各能耗数据，建立并训练学习模型，根据已训练的所述学习模型输出预测结果，本发明专利技术能够对各类能种高频率能源数据进行有效储存和高效管理，能够快速查询和处理海量历史能耗数据和天气数据，有效解决了能耗数据储存困难和查询速度慢的问题。

【技术实现步骤摘要】
一种基于LSTM神经网络的能耗预测方法
本专利技术涉及能耗预测领域，具体涉及一种在汽车生产行业中使用LSTM神经网络进行能耗预测的方法。
技术介绍
能耗预测已经广泛的应用到钢铁企业，造纸企业，电力系统等方面。但是在汽车生产行业应用较少，然而汽车原材料的生产阶段是能源消耗量最大的环节，其次是汽车组装阶段，最后是汽车喷漆阶段。天然气和电是汽车生产企业的最主要的能源消耗品种。在汽车生产过程中需要消耗大量的自来水，天然气，高温热水，蒸汽，电，压缩空气等。汽车生产企业属于高耗能企业，对汽车生产企业的能耗预测有助于帮助企业提前规划好能源储备以及节约相关环节能耗使用量。传统能耗预测方法难以挖掘多维影响因素对能耗使用量的影响。无法做到大规模数据实时挖掘、高效管理。不能对汽车企业生产排班情况进行及时修建预测模型，并且传统能耗预测算法精度不高，受人为影响因素较大。因此，如何根据汽车生产企业的具体情况，对各类能种能源数据进行有效存储和高效管理，进而提高查询速度和预测精度是目前有待解决的问题。
技术实现思路
本专利技术要解决的技术问题是传统能耗预测方法难以挖掘多维影响因素不能及时预测且精度不高，人为影响因素大，提供一种基于LSTM(长短期记忆，LongShortTermMemory)神经网络的能耗预测方法。本专利技术是通过下述技术方案来解决上述技术问题：一种基于LSTM神经网络的能耗预测方法，所述能耗预测方法：折算总能耗数据；提取能耗数据集；数据处理所述能耗数据集；归一化处理所述能耗数据集中的各能耗数据；建立并训练学习模型；根据已训练的所述学习模型输出预测结果。较佳地，在折算总能耗数据之前还包括：采集系统采集各类能源数据；搭建数据存储资源，所述数据存储资源包括：分布式HBase数据库集群，天气数据库，OSS文件数据库及工厂参数数据库；各类能种数据导入，所述各类能种数据导入包括：所述各类能源数据导入所述HBase数据库集群，历史天气状况导入所述天气数据库，生产排班计划导入所述OSS文件数据库，工厂设备种类及使用的能种参数导入所述工厂参数数据库。较佳地，在输出预测结果之后还包括将所述预测结果保存至相关联的数据库中。较佳地，所述数据处理包括：去噪和补充缺失数据。进一步地，所述去噪采用Savizkey-Golay算法，去除异常能耗数据将能耗数据平滑处理去除噪声点。进一步地，所述补充缺失数据采用邻近插值法，利用离它最近的两端的数据估算缺失点数据。较佳地，通过训练集和验证集对所述学习模型进行训练并使误差在允许范围。较佳地，所述学习模型均采用预先训练和微调更新相结合，所述预先训练时初始化网络结构，通过较大的迭代次数得到相对精确的预测模型，然后读取最新数据通过较小的迭代次数进行所述微调更新。在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本专利技术各较佳实例。本专利技术的积极进步效果在于：能够对各类能种高频率能源数据进行有效储存和高效管理，能够快速查询和处理海量历史能耗数据和天气数据，有效解决了能耗数据储存困难和查询速度慢的问题。附图说明图1为本专利技术一种基于LSTM神经网络的能耗预测方法一实施例中的方法流程图；图2为本专利技术一种基于LSTM神经网络的能耗预测方法一实施例中的预测效果图；图3为本专利技术一种基于LSTM神经网络的能耗预测方法一实施例中的LSTM单元体系结构图。具体实施方式为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的首选实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本申请的公开内容更加透彻全面。需要说明的是，当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件并与之结合为一体，或者可能同时存在居中元件。本文所使用的术语“安装”、“一端”、“另一端”以及类似的表述只是为了说明的目的。除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的
的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。如图1所示为本专利技术一实施例中的方法流程图，其中，采集系统采集汽车生产行业中需要大量消耗的电，燃料油及天然气数据信息，考虑多维因素的影响搭建数据存储资源，建立大数据HBase数据库集群，关系型型数据库MySQL(结构化查询语言，MyStructuredQueryLanguage)如天气数据库及OSS(对象存储服务，ObjectStorageService)文件数据库如生产排班计划OSS文件库及工厂参数数据库，以及之间的连接规则。在一个示例中，能耗预测方法的输入特征向量由历史折算能耗数据、日期类型、时间戳、最高气温、最低气温、生产排班计划、工厂参数构成，共5维数据，即input(t)＝[Load(t),DayType(t),t,Tmax,Tmin]式中，Load为该点能耗值；DayType为日期类型，周日取1，周六取0.5，工作日取0；t为时刻值，取值范围为1到96；Tmax、Tmin分别为该日最高温度和最低温度。输出向量为预测时刻能耗值，即output(t)＝Load(t+1)，确立输入输出特征向量后，建立单层LSTM模型，经测试确定网络隐含层神经元个数为12个。为提高网络的预测效果及处理效率，需选择合理的阶数。本文通过计算能耗曲线时间序列的自相关系数以确定模型阶数，各阶自相关系数能够反映各滞时状态间的相关关系，即可以反映序列的周期规律，时间序列xi的k阶自相关系数ck的计算公式为：式中，为时间序列xi的均值，n为时间序列的长度，以日前能耗预测为例，计算历史能耗数据集的自相关系数，可知能耗曲线具有显著的周期性，其周期长度与一天96点重合，且与预测日前一天的相关系数最高。选取自相关系数的峰值点作为滚动预测的阶数，故取96作为日前能耗预测的阶数。在一个示例中，将各类能种数据导入相对应的数据库中，采集系统中采集的电，燃料油及天然气能源数据信息转换为ActiveMQ中间文件后导入HBase数据库集群中的各RegionSever中，利用程序接口将当地的历史天气状况如温度，湿度，云况导入到天气数据库中，采用人工手动置入生产排班计划数据导入OSS文件数据库中，将工厂的设备种类以及使用的能种参数导入工厂参数数据库，根据存储于HBase数据库集群中的历史能耗数据和实时输入的各类能种数据根据能耗折算系数进行折算得到总能耗数据。在一个示例中，对总能耗数据进行提取得到能耗数据集，对能耗数据集中的数据进行数据处理。在一个可选的示例中，采用Savitazky-Golay算法去除异常能耗数据，将能耗数据集中的数据平滑处理去本文档来自技高网...

【技术保护点】
1.一种基于LSTM神经网络的能耗预测方法，其特征在于，所述能耗预测方法：/n折算总能耗数据；/n提取能耗数据集；/n数据处理所述能耗数据集；/n归一化处理所述能耗数据集中的各能耗数据；/n建立并训练学习模型；/n根据已训练的所述学习模型输出预测结果。/n

【技术特征摘要】
1.一种基于LSTM神经网络的能耗预测方法，其特征在于，所述能耗预测方法：
折算总能耗数据；
提取能耗数据集；
数据处理所述能耗数据集；
归一化处理所述能耗数据集中的各能耗数据；
建立并训练学习模型；
根据已训练的所述学习模型输出预测结果。


2.如权利要求1所述的一种基于LSTM神经网络的能耗预测方法，其特征在于，在折算总能耗数据之前还包括：
采集系统采集各类能源数据；
搭建数据存储资源，所述数据存储资源包括：HBase数据库集群，天气数据库，OSS文件数据库及工厂参数数据库；
各类能种数据导入，所述各类能种数据导入包括：所述各类能源数据导入所述HBase数据库集群，历史天气状况导入所述天气数据库，生产排班计划导入所述OSS文件数据库，工厂设备种类及使用的能种参数导入所述工厂参数数据库。


3.如权利要求1所述的一种基于LSTM神经网络的能耗预测方法，其特征在于，在输出预测结果之后还包括将所述预测结果保存至相关...

【专利技术属性】
技术研发人员：冯永发，綦孝文，汪鹏敏，陈佩达，麻萍叶，张婷婷，龙凯，张川，
申请(专利权)人：上海凯营新能源技术有限公司，
类型：发明
国别省市：上海;31