[发明专利]一种基于LSTM循环神经网络的天然气负荷预测方法

权利要求书

1.一种基于LSTM循环神经网络的天然气负荷预测方法，其特征在于，该方法包括以下步骤：

步骤1：在互联网上采集与燃气负荷预测相关的信息，并与燃气用量资料相整合，得到历史数据；

步骤2：对所有历史数据进行预处理；

步骤3：通过特征子集选择针对经过预处理的历史数据进行特征筛选，得到作为预测中使用的特征；

步骤4：构建LSTM循环神经网络模型并利用预测中使用的特征的训练集对其进行训练；

步骤5：利用预测中使用的特征的验证集修正优化LSTM循环神经网络模型，得到最终训练完毕的LSTM循环神经网络模型；

步骤6：将待预测日的特征输入值训练完毕的LSTM循环神经网络模型中得到待预测日的燃气负荷预测值。

2.根据权利要求1所述的一种基于LSTM循环神经网络的天然气负荷预测方法，其特征在于，所述的步骤1中的与燃气负荷预测相关的信息包括天气温度、气象条件、风速和节日情况。

3.根据权利要求1所述的一种基于LSTM循环神经网络的天然气负荷预测方法，其特征在于，所述的步骤1中的燃气用量资料包括用气量和各类用户数量。

4.根据权利要求1所述的一种基于LSTM循环神经网络的天然气负荷预测方法，其特征在于，所述的步骤2中的预处理包括属性构造、数据清洗、数据变换。

5.根据权利要求4所述的一种基于LSTM循环神经网络的天然气负荷预测方法，其特征在于，所述的数据清洗具体包括：删除原始数据集中的无关数据、重复数据和平滑噪声数据，并筛选掉与挖掘无关的数据，处理缺失值和异常值。

6.根据权利要求4所述的一种基于LSTM循环神经网络的天然气负荷预测方法，其特征在于，所述的数据变换具体包括：对原始数据集进行规范化处理，即将数据转换成设定的格式。

7.根据权利要求1所述的一种基于LSTM循环神经网络的天然气负荷预测方法，其特征在于，所述的步骤1具体包括通过python在互联网上采集与燃气负荷预测相关的信息，并与燃气用量资料相整合，得到历史数据。

8.根据权利要求1所述的一种基于LSTM循环神经网络的天然气负荷预测方法，其特征在于，所述的步骤3包括以下分步骤：

步骤31：通过最佳子集选择算法、最小角度回归算法和glmnet算法分别针对经过预处理的历史数据选择得到最佳子集；

步骤32：根据三种算法得到的结果确定最终作为预测中使用的特征。