[发明专利]一种短时期建筑热负荷预测的方法

说明书

本发明公开了一种短时期建筑热负荷预测的方法，首先选取给定时间段内的气象数据和供热量数据，构建数据集作为输入变量；对输入变量的数据进行预处理；利用长短期记忆LSTM网络对预处理后的输入变量进行特征提取，实现高层次的特征学习；在LSTM网络中加入Attention机制，通过分配注意力权重，对LSTM网络输出特征中影响输出变量的关键特征赋予更大的权重；最后再运行一个LSTM网络实现短时期建筑热负荷预测。该方法能够解决传统热负荷预测方法无法深入挖掘数据特征以及LSTM网络处理长序列时信息丢失的问题，从而提高热负荷预测的精度。

技术领域

本发明涉及供暖系统热运行调控技术领域，尤其涉及一种短时期建筑热负荷预测的方法。

背景技术

供热负荷对供热系统有着极为重要的意义，集中供热系统中各子系统的给定值都是由预测热负荷所决定的，因此实现及时准确的热负荷预测是提高集中供暖质量的基础，热负荷主要受循环水流量、供回水温度、室外气温、光照、室外风速等多种因素影响，且具有数据量大、随机性高、变化快等特点，热负荷预测指通过对历史数据的分析挖掘，对未来热负荷进行推算、预测的过程。

现有技术中传统热负荷预测方法主要有时间序列、回归、灰色预测、BP神经网络以及支持向量机等，这些模型虽然能预测热负荷，但都属于浅层挖掘方法，无法深入挖掘热负荷数据的随机性和非线性特征，这会使预测精度不高。长短期记忆网络(LSTM，Long Short-Term Memory)是一种改进的循环神经网络，是深度学习领域的一项重要研究成果，利用LSTM网络预测热负荷可以深度挖掘热负荷数据，然而传统的LSTM网络是将所有输入特征编码成固定长度的向量表示，当输入序列长度较长时，容易造成信息丢失，难以学到合理的向量表示，使得热负荷预测精度不高。

发明内容

本发明的目的是提供一种短时期建筑热负荷预测的方法，该方法能够解决传统热负荷预测方法无法深入挖掘数据特征以及LSTM网络处理长序列时信息丢失的问题，从而提高热负荷预测的精度。

本发明的目的是通过以下技术方案实现的：

一种短时期建筑热负荷预测的方法，所述方法包括：

步骤1、选取给定时间段内的气象数据和供热量数据，构建数据集作为输入变量；

步骤2、对输入变量的数据进行预处理，具体包括坏数据的识别和修复以及数据的标准化处理；

步骤3、利用长短期记忆LSTM网络对预处理后的输入变量进行特征提取，实现高层次的特征学习；

步骤4、在LSTM网络中加入Attention机制，通过分配注意力权重，对LSTM网络输出特征中影响输出变量的关键特征赋予更大的权重；所述输出变量是指滞后于所述输入变量时间m个周期后的热负荷预测数据；

步骤5、将经过步骤4Attention机制赋值权重后的输出特征再输入一个LSTM网络，重复步骤3的操作，输出预测结果，实现短时期建筑热负荷预测。

由上述本发明提供的技术方案可以看出，上述方法能够解决传统热负荷预测方法无法深入挖掘数据特征以及LSTM网络处理长序列时信息丢失的问题，从而提高热负荷预测的精度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的短时期建筑热负荷预测的方法流程示意图；

图2为本发明实施例所述标准LSTM网络的结构示意图；

图3为本发明所举案例数据集进行数据预处理的示意图；