[发明专利]一种基于周期回馈LSTM的供热需求量预估方法、系统及设备

说明书

本发明公开一种基于周期回馈LSTM的供热需求量预估方法、系统及装置，方法为：根据当前时刻的输入，并结合隐状态对细胞状态进行遗忘，对历史误用信息进行滤除，筛选cell状态；由所述隐状态和输入特征向量经过一层全连接层处理，并由tanh函数对值域进行约束，对当前的新增状态进行门控约束，并与第一步筛选后的cell状态进行融合，得到更新后的cell状态；所述更新的cell状态的值域利用tanh函数进行变换，再由输出门进行信息约束，得到当前状态，即系统当前所需要的供暖量预估值；LSTM通过门控状态来控制传输状态，能记住需要长时间记忆的，并且不断忘记不重要的信息，在周期回馈LSTM中，将前一天同一时刻的热量需求作为一个很重要参数，大大提高了预测准确度。

技术领域

本发明属于供热优化技术领域，特别涉及一种基于周期回馈LSTM的供热需求量预估方法、系统及设备。

背景技术

为了进行节能减排，同时能确保冬季有足够的供热量，需要提前对一些楼宇、园区的供热需求量先进行预估，再根据预估量进行供热。目前，供热需求量是根据建筑物面积来进行估算，或者参考过去几年供热的平均值来进行估算。这些方法虽然简单，但是随着全球气温不断变化和建筑结构变化，往往预测非常不准确，导致供热量与实际需求量不匹配，经常会供热不足或者供热过多造成能源损失。

利用LSTM递归神经网络算法来预测供热需求，则可以将大数据在传统供热行业里进行应用，实现智慧供热。递归神经网络是带有循环的网络，允许信息持续存在，它将每一个时间点发生的事件进行分类，对先前事件进行推理来得出后来的事件。相对于之前的粗略预估方法，利用递归神经网络算法预估非常准确，可以真正做到将能源最高效的利用，实现了节能减排。

在供热需求预估中，根据建筑物自身的特点以及室内外温度，我们可以获取到很多有用的信息：包括建筑物面积，建筑物通风量，建筑物内平均人流量，当前室外气温，当前室内气温，建筑物内电器耗能等。这些特征信息都是和所需供暖量强相关的特征，非常适合用来预测供暖量；另一方面，这些特征量获取相对容易，获取成本很低，并且可以实现实时采集和更新。获取这些特征信息后，再把它们作为递归神经网络里的输入序列，编码为特征向量，最后将其解码作为输出序列，即可获取供热需求的预测值。

递归神经网络算法中，传统的LSTM模型会先用一些LSTM单元来对输入序列进行学习，然后用固定长度的向量来表示，然后再用一些LSTM单元来读取这种向量，并将其解码作为输出序列。这种结构的模型在很多预测问题上都取得了很好的结果，也是目前的主流预测方法，在很多其他领域也取得了不错的预测效果。

然而，对于供热需求的预测来说，传统的LSTM模型存在一个问题：这些特征信息(建筑物面积，室内外温度，人流量等)作为输入序列，不论长短都将被编码成一个固定长度的向量表示，在解码时则会受限于该固定长度的向量表示。这限制了供热预估模型的性能，尤其是随着预测天数增加，输入序列比较长时，则会因为信息太多而无法保留全部的必要信息了，这种情况下，传统的LSTM模型性能会变得很差。可参考论文Sequence to SequenceLearning with Neural Networks和Long Short-Term Memory所记载内容。

发明内容

为了解决现有技术中存在的问题，本发明提供一种基于周期回馈LSTM的供热需求量预估方法、系统及设备，基于周期回馈LSTM的供热需求量预估方法，打破了传统编码解码结构都依赖于内部一个固定长度向量的限制，通过保留LSTM编码器对输入序列的中间输出结果。

为了达到上述目的，本发明的技术方案是：一种基于周期回馈LSTM的供热需求量预估方法，包括以下过程：

根据当前时刻的特征向量，并结合隐状态对cell状态进行遗忘，对历史误用信息进行滤除，筛选cell状态；

将隐状态和当前时刻的特征向量经过一层全连接层处理，并由tanh函数对其值域进行约束，然后对当前的新增状态进行门控约束，并与筛选后的cell状态进行融合，得到更新后的cell状态；