一种基于LSTM深度学习的供暖热负荷预测方法技术

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；本发明专利技术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。荷预测要求。荷预测要求。

【技术实现步骤摘要】
一种基于LSTM深度学习的供暖热负荷预测方法


[0001]本专利技术涉及供暖
，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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：徐创学，谢云明，李杰，王垚，王成华，陈为钢，
申请(专利权)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，
类型：发明
国别省市：