[发明专利]一种基于LSTM-RNN的冷热电联供系统负荷预测方法及系统

权利要求书

1.一种基于LSTM-RNN的冷热电联供系统负荷预测方法，其特征在于，包括以下步骤：

接收热负荷、冷负荷以及电负荷历史数据；

根据历史数据某一时刻与其之前多个时刻之间的相关性确定输入数据所采用的时间段；

根据热负荷、冷负荷以及电负荷历史数据两两之间的相关系数确定输入输出数据；

将训练集输入长短期记忆循环神经网络，训练负荷预测网络模型；

基于所述负荷预测网络模型进行负荷预测。

2.如权利要求1所述的冷热电联供系统负荷预测方法，其特征在于，确定输入数据所采用的时间段包括：

计算历史数据某一时刻与其之前多个时刻之间的自相关系数和偏相关系数，确定自相关系数绝对值均大于设定阈值的连续时间段，以及偏相关系数绝对值均大于设定阈值的连续时间段；

选取两个时间段中重叠的时间段作为输入数据所采用的时间段。

3.如权利要求1所述的冷热电联供系统负荷预测方法，其特征在于，确定输入输出数据后，还对输入输出数据执行预处理：采用零均值归一化将数据进行标准化。

4.如权利要求2所述的冷热电联供系统负荷预测方法，其特征在于，所述训练集选取方法为：定义输入数据所采用的时间段为预测周期，多个连续预测周期构成一组训练数据，选取的所述训练集由多组连续的训练数据组成。

5.如权利要求4所述的冷热电联供系统负荷预测方法，其特征在于，训练负荷预测网络模型包括：

将训练集中的各组训练数据按时间顺序依次输入到长短期记忆循环神经网络的输入层进行迭代训练，直至网络收敛；

网络收敛后基于测试集进行误差预测，进行参数优化，直至误差达到最小。

6.如权利要求5所述的冷热电联供系统负荷预测方法，其特征在于，所述长短期记忆循环神经网络包括输入层、隐藏层和输出层，其中，隐藏层包括一个sigmoid神经网络层和一个乘法结构。

7.一种基于LSTM-RNN的冷热电联供系统负荷预测系统，其特征在于，包括：

数据获取模块，接收热负荷、冷负荷以及电负荷历史数据；

相关分析模块，根据历史数据某一时刻与其之前多个时刻之间的相关性确定输入数据所采用的时间段；根据热负荷、冷负荷以及电负荷历史数据两两之间的相关系数确定输入输出数据；

模型训练模块，将训练集输入长短期记忆循环神经网络，训练负荷预测网络模型；

负荷预测模块，基于所述负荷预测网络模型进行负荷预测。

8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述基于LSTM-RNN的冷热电联供系统负荷预测方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6任一项所述基于LSTM-RNN的冷热电联供系统负荷预测方法。