[发明专利]一种基于LSTM神经网络的能耗预测方法

说明书

本发明公开了一种基于LSTM神经网络的能耗预测方法，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，本发明能够对各类能种高频率能源数据进行有效储存和高效管理，能够快速查询和处理海量历史能耗数据和天气数据，有效解决了能耗数据储存困难和查询速度慢的问题。

技术领域

本发明涉及能耗预测领域，具体涉及一种在汽车生产行业中使用LSTM神经网络进行能耗预测的方法。

背景技术

能耗预测已经广泛的应用到钢铁企业，造纸企业，电力系统等方面。但是在汽车生产行业应用较少，然而汽车原材料的生产阶段是能源消耗量最大的环节，其次是汽车组装阶段，最后是汽车喷漆阶段。天然气和电是汽车生产企业的最主要的能源消耗品种。在汽车生产过程中需要消耗大量的自来水，天然气，高温热水，蒸汽，电，压缩空气等。汽车生产企业属于高耗能企业，对汽车生产企业的能耗预测有助于帮助企业提前规划好能源储备以及节约相关环节能耗使用量。

传统能耗预测方法难以挖掘多维影响因素对能耗使用量的影响。无法做到大规模数据实时挖掘、高效管理。不能对汽车企业生产排班情况进行及时修建预测模型，并且传统能耗预测算法精度不高，受人为影响因素较大。因此，如何根据汽车生产企业的具体情况，对各类能种能源数据进行有效存储和高效管理，进而提高查询速度和预测精度是目前有待解决的问题。

发明内容

本发明要解决的技术问题是传统能耗预测方法难以挖掘多维影响因素不能及时预测且精度不高，人为影响因素大，提供一种基于LSTM(长短期记忆，Long Short TermMemory)神经网络的能耗预测方法。

本发明是通过下述技术方案来解决上述技术问题：

一种基于LSTM神经网络的能耗预测方法，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。

较佳地，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：分布式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。

较佳地，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。

较佳地，所述数据处理包括：去噪和补充缺失数据。

进一步地，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。

进一步地，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。

较佳地，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。

较佳地，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。