[發明專利]一種基于周期回饋LSTM的供熱需求量預估方法、系統及設備

在審

• 申請號: 202110256564.1
• 申請日: 2021-03-09
• 公開（公告）號: CN112862213A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 徐瑩;楊豫森;王保民;鐘迪;黃永琪
• 申請（專利權）人: 中國華能集團清潔能源技術研究院有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 王艾華

本發明公開一種基于周期回饋LSTM的供熱需求量預估方法、系統及裝置，方法為：根據當前時刻的輸入，并結合隱狀態對細胞狀態進行遺忘，對歷史誤用信息進行濾除，篩選cell狀態；由所述隱狀態和輸入特征向量經過一層全連接層處理，并由tanh函數對值域進行約束，對當前的新增狀態進行門控約束，并與第一步篩選后的cell狀態進行融合，得到更新后的cell狀態；所述更新的cell狀態的值域利用tanh函數進行變換，再由輸出門進行信息約束，得到當前狀態，即系統當前所需要的供暖量預估值；LSTM通過門控狀態來控制傳輸狀態，能記住需要長時間記憶的，并且不斷忘記不重要的信息，在周期回饋LSTM中，將前一天同一時刻的熱量需求作為一個很重要參數，大大提高了預測準確度。

技術領域

本發明屬于供熱優化技術領域，特別涉及一種基于周期回饋LSTM的供熱需求量預估方法、系統及設備。

背景技術

為了進行節能減排，同時能確保冬季有足夠的供熱量，需要提前對一些樓宇、園區的供熱需求量先進行預估，再根據預估量進行供熱。目前，供熱需求量是根據建筑物面積來進行估算，或者參考過去幾年供熱的平均值來進行估算。這些方法雖然簡單，但是隨著全球氣溫不斷變化和建筑結構變化，往往預測非常不準確，導致供熱量與實際需求量不匹配，經常會供熱不足或者供熱過多造成能源損失。

利用LSTM遞歸神經網絡算法來預測供熱需求，則可以將大數據在傳統供熱行業里進行應用，實現智慧供熱。遞歸神經網絡是帶有循環的網絡，允許信息持續存在，它將每一個時間點發生的事件進行分類，對先前事件進行推理來得出后來的事件。相對于之前的粗略預估方法，利用遞歸神經網絡算法預估非常準確，可以真正做到將能源最高效的利用，實現了節能減排。

在供熱需求預估中，根據建筑物自身的特點以及室內外溫度，我們可以獲取到很多有用的信息：包括建筑物面積，建筑物通風量，建筑物內平均人流量，當前室外氣溫，當前室內氣溫，建筑物內電器耗能等。這些特征信息都是和所需供暖量強相關的特征，非常適合用來預測供暖量；另一方面，這些特征量獲取相對容易，獲取成本很低，并且可以實現實時采集和更新。獲取這些特征信息后，再把它們作為遞歸神經網絡里的輸入序列，編碼為特征向量，最后將其解碼作為輸出序列，即可獲取供熱需求的預測值。

遞歸神經網絡算法中，傳統的LSTM模型會先用一些LSTM單元來對輸入序列進行學習，然后用固定長度的向量來表示，然后再用一些LSTM單元來讀取這種向量，并將其解碼作為輸出序列。這種結構的模型在很多預測問題上都取得了很好的結果，也是目前的主流預測方法，在很多其他領域也取得了不錯的預測效果。

然而，對于供熱需求的預測來說，傳統的LSTM模型存在一個問題：這些特征信息(建筑物面積，室內外溫度，人流量等)作為輸入序列，不論長短都將被編碼成一個固定長度的向量表示，在解碼時則會受限于該固定長度的向量表示。這限制了供熱預估模型的性能，尤其是隨著預測天數增加，輸入序列比較長時，則會因為信息太多而無法保留全部的必要信息了，這種情況下，傳統的LSTM模型性能會變得很差。可參考論文Sequence to SequenceLearning with Neural Networks和Long Short-Term Memory所記載內容。

發明內容

為了解決現有技術中存在的問題，本發明提供一種基于周期回饋LSTM的供熱需求量預估方法、系統及設備，基于周期回饋LSTM的供熱需求量預估方法，打破了傳統編碼解碼結構都依賴于內部一個固定長度向量的限制，通過保留LSTM編碼器對輸入序列的中間輸出結果。

為了達到上述目的，本發明的技術方案是：一種基于周期回饋LSTM的供熱需求量預估方法，包括以下過程：

根據當前時刻的特征向量，并結合隱狀態對cell狀態進行遺忘，對歷史誤用信息進行濾除，篩選cell狀態；

將隱狀態和當前時刻的特征向量經過一層全連接層處理，并由tanh函數對其值域進行約束，然后對當前的新增狀態進行門控約束，并與篩選后的cell狀態進行融合，得到更新后的cell狀態；