[发明专利]一种基于集成长短期记忆网络的冶金企业能耗预测方法

说明书

本发明公开了一种基于集成长短期记忆网络的冶金企业能耗预测方法，其步骤包括：1收集冶金企业能耗数据并进行预处理；2使用长短期记忆网络提取冶金企业能耗数据的深度学习特征；3构建多个冶金企业能耗数据的训练集，训练多个冶金企业能耗数据的支持向量回归预测模型；4使用Jensen‑Shannon散度对K个训练好的支持向量回归预测模型进行选择，使用自适应线性归一化结合方法对所选择的支持向量回归预测模型的结果进行融合。本发明能解决单个冶金企业能耗数据的支持向量回归预测模型鲁棒性不强的问题，提冶金企业能耗数据的预测效果。

技术领域

本发明涉及冶金企业能耗预测技术领域，主要涉及一种基于集成长短期记忆网络的冶金企业能耗预测方法。

背景技术

能源是国民经济发展的重要物质基础，是决定未来国家科技发展、经济发展和国防建设的重要保障。节约能源是我国经济和社会发展的一项长远战略方针，也是当前一项极为紧迫的任务。但是随着冶金工业的发展，能源的问题变得越来越严重，尤其是冶金企业在生产钢铁、铜等产品中，如果生产计划安排得不合理，或者管理的手段不够强，将会浪费大量的能源。冶金企业能耗预测精度的提高，有助于冶金企业合理安排生产计划，提高物料的利用率，减少不必要的能源消耗。

目前，冶金企业能耗预测方法一般分为三类：基于物理模型的预测方法、基于统计模型的预测方法和基于机器学习的预测方法。基于物理模型的预测方法主要依据专家知识对冶金企业能耗数据进行建模，成本较高昂且建模较困难。基于统计模型的预测方法是通过收集大量的历史冶金企业能耗统计数据，运用一定的统计模型来建立冶金企业能耗预测模型，代表方法有移动平均模型、自回归移动平均模型等。基于统计模型的预测方法虽然能较好的处理线性时间序列数据，但是不能很好地预测非线性时间序列数据。基于机器学习的预测方法凭借其较强的非线性拟合与泛化能力，广泛运用于冶金企业能耗预测，近年来受到了越来越多的关注，代表方法有随机森林、支持向量回归、神经网络等。传统的基于机器学习的预测方法通常需要进行复杂的特征工程。例如，首先，在数据集上进行探索性数据分析；然后，需要对数据进行降维处理；最后，要仔细选择数据的代表特征进行预测。目前，单个预测模型在冶金企业能耗预测领域应用较为广泛，但是单个预测模型的鲁棒性不强，无法取得较好的预测效果。虽然，集成学习方法在冶金企业能耗预测中也得到了应用，但是由于冶金企业能耗数据具有较强的随机性和波动性，基学习器在冶金企业能耗数据上的预测性能也各有差异。

发明内容

为了解决现有技术中存在的上述问题，本发明提供一种基于集成长短期记忆网络的冶金企业能耗预测方法，以期能充分考虑冶金企业能耗数据的时间特性以及单个预测模型的性能，通过采用集成方法解决单个冶金企业能耗数据的支持向量回归预测模型鲁棒性不强问题，从而提高冶金企业能耗数据的预测效果。

本发明为达到上述发明目的，采用以下技术方案：

本发明一种基于集成长短期记忆网络的冶金企业能耗预测方法的特点是按照如下步骤进行：

步骤1，收集冶金企业能耗数据并进行预处理：

步骤1.1，收集冶金企业能耗历史数据组成原始数据集合，记为P＝{p₁,p₂,...,p_m,...,p_M}，p_m为原始数据集合P中第m天的冶金企业能耗数据，1≤m≤M，M表示原始数据集合P中的总数；

步骤1.2，检查原始数据集合P是否存在缺失值，若存在缺失值，对所有缺失值用原始数据集合P中所有冶金企业能耗数据的平均值进行填充后，再对填充后的原始数据集合中所有冶金企业能耗数据进行归一化处理，得到归一化后的冶金企业能耗数据集；否则，直接对原始数据集合P中所有冶金企业能耗数据进行归一化处理，得到归一化后的冶金企业能耗数据集；