[发明专利]一种基于LSTM神经网络的能耗预测方法

权利要求书

1.一种基于LSTM神经网络的能耗预测方法，其特征在于，所述能耗预测方法：

折算总能耗数据；

提取能耗数据集；

数据处理所述能耗数据集；

归一化处理所述能耗数据集中的各能耗数据；

建立并训练学习模型；

根据已训练的所述学习模型输出预测结果。

2.如权利要求1所述的一种基于LSTM神经网络的能耗预测方法，其特征在于，在折算总能耗数据之前还包括：

采集系统采集各类能源数据；

搭建数据存储资源，所述数据存储资源包括：HBase数据库集群，天气数据库，OSS文件数据库及工厂参数数据库；

各类能种数据导入，所述各类能种数据导入包括：所述各类能源数据导入所述HBase数据库集群，历史天气状况导入所述天气数据库，生产排班计划导入所述OSS文件数据库，工厂设备种类及使用的能种参数导入所述工厂参数数据库。

3.如权利要求1所述的一种基于LSTM神经网络的能耗预测方法，其特征在于，在输出预测结果之后还包括将所述预测结果保存至相关联的数据库中。

4.如权利要求1所述的一种基于LSTM神经网络的能耗预测方法，其特征在于，所述数据处理包括：去噪和补充缺失数据。

5.如权利要求4所述的一种基于LSTM神经网络的能耗预测方法，其特征在于，所述去噪采用Savizkey-Golay算法，去除异常能耗数据将能耗数据平滑处理去除噪声点。

6.如权利要求4所述的一种基于LSTM神经网络的能耗预测方法，其特征在于，所述补充缺失数据采用邻近插值法，利用离它最近的两端的数据估算缺失点数据。

7.如权利要求1所述的一种基于LSTM神经网络的能耗预测方法，其特征在于，通过训练集和验证集对所述学习模型进行训练并使误差在允许范围。

8.如权利要求1-7任一项所述的能耗预测方法，其特征在于，所述学习模型均采用预先训练和微调更新相结合，所述预先训练时初始化网络结构，通过较大的迭代次数得到相对精确的预测模型，然后读取最新数据通过较小的迭代次数进行所述微调更新。