[发明专利]一种基于集成长短期记忆网络的冶金企业能耗预测方法

摘要

本发明公开了一种基于集成长短期记忆网络的冶金企业能耗预测方法，其步骤包括：1收集冶金企业能耗数据并进行预处理；2使用长短期记忆网络提取冶金企业能耗数据的深度学习特征；3构建多个冶金企业能耗数据的训练集，训练多个冶金企业能耗数据的支持向量回归预测模型；4使用Jensen‑Shannon散度对K个训练好的支持向量回归预测模型进行选择，使用自适应线性归一化结合方法对所选择的支持向量回归预测模型的结果进行融合。本发明能解决单个冶金企业能耗数据的支持向量回归预测模型鲁棒性不强的问题，提冶金企业能耗数据的预测效果。

主权项

1.一种基于集成长短期记忆网络的冶金企业能耗预测方法，其特征是按照如下步骤进行：/n步骤1，收集冶金企业能耗数据并进行预处理：/n步骤1.1，收集冶金企业能耗历史数据组成原始数据集合，记为P＝{p₁,p₂,...,p_m,...,p_M}，p_m为原始数据集合P中第m天的冶金企业能耗数据，1≤m≤M，M表示原始数据集合P中的总数；/n步骤1.2，检查原始数据集合P是否存在缺失值，若存在缺失值，对所有缺失值用原始数据集合P中所有冶金企业能耗数据的平均值进行填充后，再对填充后的原始数据集合中所有冶金企业能耗数据进行归一化处理，得到归一化后的冶金企业能耗数据集；否则，直接对原始数据集合P中所有冶金企业能耗数据进行归一化处理，得到归一化后的冶金企业能耗数据集；/n步骤1.3，使用滑动窗口对归一化后的冶金企业能耗数据集进行样本划分，得到冶金企业能耗数据的N个样本，记为样本集D＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n),...,(x_N,y_N)}，其中，(x_n,y_n)表示冶金企业能耗数据的第n个样本，x_n表示冶金企业能耗数据第n个样本的样本向量，且表示冶金企业能耗数据第n个样本的样本向量x_n中第a-1个属性，该属性表示为冶金企业能耗数据经过归一化处理后的每天的综合能耗值；y_n表示冶金企业能耗数据第n个样本的样本向量x_n的目标输出值，且a表示第n个样本的长度；/n步骤2，使用长短期记忆网络提取冶金企业能耗数据的深度学习特征：/n将冶金企业能耗数据的样本集D中的样本依次输入长短期记忆网络中，得到最后一层隐藏层的输出并作为冶金企业能耗数据的深度学习特征，从而得到冶金企业能耗数据的特征集L＝{(h₁,y₁),(h₂,y₂),...,(h_n,y_n),...,(h_N,y_N)}，其中，(h_n,y_n)表示冶金企业能耗数据的第n个特征样本，h_n表示冶金企业能耗数据第n个特征样本的深度学习特征，其形式为向量；/n步骤3，构建多个冶金企业能耗数据的训练集，训练多个冶金企业能耗数据的支持向量回归预测模型；/n步骤3.1，使用自助采样法对冶金企业能耗数据的特征集L进行K次采样，得到K个包含R个特征样本的训练集{DS₁,DS₂,…,DS_k,…,DS_K}，其中，DS_k表示第k个包含R个特征样本的训练集，且表示第k个训练集DS_k中第r个特征样本，表示第k个训练集DS_k中第r个特征样本的深度学习特征，表示第k个训练集DS_k中第r个特征样本的目标输出值，1≤r≤R，1≤k≤K；/n步骤3.2，以径向基核函数作为支持向量回归预测模型的映射函数，以ε-不敏感损失函数作为支持向量回归预测模型的损失函数；/n将K个冶金企业能耗数据的训练集{DS₁,DS₂,…,DS_k,…,DS_K}中的特征样本依次输入到支持向量回归预测模型进行训练，从而获得K个训练好的冶金企业能耗数据的支持向量回归预测模型；/n步骤4，使用Jensen-Shannon散度对K个训练好的支持向量回归预测模型进行选择，使用自适应线性归一化结合方法对所选择的支持向量回归预测模型的结果进行融合：/n步骤4.1，利用式(1)对第k个训练好的冶金企业能耗数据的支持向量回归预测模型进行Jensen-Shannon散度的计算，得到第k个训练好的冶金企业能耗数据的支持向量回归预测模型的Jensen-Shannon散度从而得到K个Jensen-Shannon散度：/n /n式(1)中，表示第k个训练好的支持向量回归预测模型在第r个冶金企业能耗数据的特征样本的预测值，β₁和β₂分别表示特征样本的目标输出值和预测值的权重，β₁,β₂≥0且β₁+β₂＝1；/n步骤4.2，对K个冶金企业能耗数据的支持向量回归预测模型的Jensen-Shannon散度分别与阈值θ进行比较，并选择Jensen-Shannon散度小于阈值θ的所有W个训练好的支持向量回归预测模型，其中θ的取值范围为(0,1)；/n步骤4.3，利用式(2)所示的自适应线性归一化方法建立W个训练好的支持向量回归预测模型在冶金企业能耗数据的特征集L上的优化模型：/n /n式(2)中，E表示由W个元素且元素值为1组成的向量，且E＝[1,1,...,1]^T，η表示W个训练好的支持向量回归预测模型的权重向量，且η＝[η₁,η₂,...,η_w,...,η_W]^T，η_w表示第w个训练好的支持向量回归预测模型的权重，且1≤w≤W，e_n表示W个训练好的支持向量回归预测模型在冶金企业能耗数据的特征集L中第n个特征样本(h_n,y_n)上的绝对误差向量，且表示第w个训练好的支持向量回归预测模型在第n个特征样本上的绝对误差，并有：/n /n式(3)中，f_w(h_n)表示第w个训练好的支持向量回归预测模型在冶金企业能耗数据的特征集L中第n个特征样本(h_n,y_n)的预测结果；/n步骤4.5，利用拉格朗日函数对式(2)进行优化求解，得到式(4)所示的W个训练好的支持向量回归预测模型的权重向量η：/n /n步骤4.6，利用W个训练好的支持向量回归预测模型对给定新的特征样本h_new进行预测，得到预测结果向量f(h_new)；/n利用式(5)所示的使用自适应线性归一化结合方法对W个训练好的支持向量回归预测模型的预测结果进行融合，从而得到新的特征样本h_new的最终预测结果F(h_new)：/n /n