(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111683491.0 (22)申请日 2021.12.31 (71)申请人 杭州拓深科技有限公司 地址 310052 浙江省杭州市滨江区滨安路 1181号5幢3层3 01室 (72)发明人 张轩铭　周文瑞　梁昆　 (74)专利代理 机构 杭州赛科专利代理事务所 (普通合伙) 33230 专利代理师 宋飞燕 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于LSTM对园区电器能耗精细化管理的方 法、 装置及设备 (57)摘要 本发明公开了一种基于LSTM对园区电器能 耗精细化管理的方法、 装置及设备， 步骤1， 通过 监测设备分别获取监测园区内各线路在各时刻 的能耗数据； 步骤2， 对能耗数据进行预处理， 将 预处理后的能耗数据拆分为训练集和测试集； 步 骤3， 构建LS TM模型， 基于训练集对LS TM模型进行 训练； 步骤 4， 基于测试集对训练后的LSTM模型进 行测试， 若达到预期的测试结果， 则将训练后的 LSTM模型作为能耗预测模型， 否则返回步骤3； 步 骤5， 基于能耗预测模型预测监测园区内对应的 线路的能耗情况。 本发明依据LSTM神经网络， 通 过对监测点各用电支路下能耗数据的训练学习 建立能耗预测分析模型， 能更精细的采集分析预 测园区的电力能耗， 对园区的能耗管理与制定节 能方案有重要意 义。 权利要求书1页 说明书4页 附图2页 CN 114492946 A 2022.05.13 CN 114492946 A 1.一种基于LSTM对园区电器能耗精细化管理的方法， 其特征在于， 所述方法包括以下 步骤： 步骤1， 通过监测设备分别获取监测园区内各线路在各时刻的能耗数据； 步骤2， 对能耗数据进行 预处理， 将预处 理后的能耗数据拆分为训练集和 测试集； 步骤3， 构建LSTM模型， 基于训练集对LSTM模型进行训练； 步骤4， 基于测试集对训练后的LSTM模型进行测试， 若达到预期的测试结果， 则将训练 后的LSTM模型作为能耗预测模型， 否则返回步骤3； 步骤5， 基于能耗预测模型 预测监测园区内对应的线路的能耗情况。 2.如权利要求1所述的一种基于LSTM对园区电器能耗精细化管理的方法， 其特征在于， 所述步骤2中， 对能耗数据进行预处理包括以下步骤： 将能耗数据分割为以天为单位， 对能 耗数据进行归一 化。 3.如权利要求2所述的一种基于LSTM对园区电器能耗精细化管理的方法， 其特征在于， 将能耗数据分割为以天为单位后， 先对能耗数据进行 数据清洗， 再对能耗数据进行归一 化。 4.如权利要求3所述的一种基于LSTM对园区电器能耗精细化管理的方法， 其特征在于， 所述数据清洗包括 缺失值清洗和异常值清洗 。 5.如权利要求3所述的一种基于LSTM对园区电器能耗精细化管理的方法， 其特征在于， 所述缺失值清洗为将缺失值所在时刻作为待补充时刻， 将待补充时刻的前一时刻和 后一时 刻的平均能耗数据作为待补充时刻的能耗数据。 6.如权利要求3所述的一种基于LSTM对园区电器能耗精细化管理的方法， 其特征在于， 所述异常值清洗为基于格拉布斯 准则找寻异常值， 将异常值进行 数据校正。 7.如权利要求1所述的一种基于LSTM对园区电器能耗精细化管理的方法， 其特征在于， 所述步骤4包括以下步骤： 步骤4.1， 基于测试集对训练后的LSTM模型进行测试， 获得测试 结果； 步骤4.2， 基于测试 结果和测试集计算训练后的LSTM模型的标准 误差和平均绝对误差； 步骤4.3， 判断标准误差和平均绝对误差是否分别小于第一参考值和第二参考值， 若 是， 则执行步骤5， 否则执 行步骤3。 8.一种基于LSTM对园区电器能耗精细化管理的装置， 其特征在于， 包括数据采集模块、 数据处理模块、 能耗预测模块， 所述数据采集模块用于获取各线路在各时刻的能耗数据； 所 述数据处理模块用于对能耗数据进行数据预处理； 所述能耗预测模块用于 建立能耗预测模 型并基于所述能耗预测模型获取对应线路在下一时刻的能耗情况。 9.如权利要求8所述的一种基于LSTM对园区电器能耗精细化管理的装置， 其特征在于， 所述能耗预测模块包括模型建立单元、 模型训练单元及模型测试单元， 所述模型建立单元 用于构建LSTM模型； 所述模型训练单元用于对所述LSTM模型进行训练； 所述模型测试单元 用于对所述训练后的LSTM模型进行测试。 10.一种电子设备， 其特 征在于， 包括： 存储器， 用于存 储计算机可 执行程序； 数据处理装置， 用于读取所述存储器中的计算机可执行程序， 以执行权利要求1至7中 任一项所述的基于LSTM对园区电器能耗精细化管理的方法。权　利　要　求　书 1/1 页 2 CN 114492946 A 2基于LSTM对园区电器能耗 精细化管理的方 法、 装置及设备 技术领域 [0001]本发明属于电器能耗 统计技术领域， 具体来说涉及一种基于LSTM对园区电器能耗 精细化管理的方法。 背景技术 [0002]随着我国经济社会的发展和环境资源压力越来越大， 节能减排形势严峻， 园区需 要按照要求进行能耗管理并制 定相应的节能方案， 但是园区节 能管理往往缺少合适指标， 无法为园区精细化节能方案决策的通过提供支撑 。 [0003]现有的能耗预测手段有在用电测基于固定时间间隔的能耗数据作简单的回归分 析， 或是从电网等供电测层面提供能耗供给的预测； 这些预测结果或是不够精细， 或是仅能 解决电力申报问题， 难以对学 校或企业园区场景 下的节能决策提供支撑 。 发明内容 [0004]本发明的目的在于提供一种基于LSTM对园区电器能耗精细化管理的方法、 装置及 设备， 以解决背景技 术中提出的问题。 [0005]为实现上述目的， 本发明提供技 术方案如下： [0006]一种基于LSTM对园区电器能耗精细化管理的方法， 所述方法包括以下步骤： 步骤 1， 通过监测设备分别获取监测园区内各线路在各时刻的能耗数据； 步骤2， 对能耗数据进 行 预处理， 将预 处理后的能耗数据拆 分为训练集和测试集； 步骤3， 构建LSTM模 型， 基于训练集 对LSTM模型进行训练； 步骤4， 基于测试集对训练后的LSTM模型进行测试， 若达到预期的测 试结果， 则将训练后的LSTM模型作为能耗预测模型， 否则返回步骤3； 步骤5， 基于能耗预测 模型预测监测园区内对应的线路的能耗情况。 [0007]优选地， 所述步骤2中， 对能耗数据进行预处理包括以下步骤： 将能耗数据分割为 以天为单位， 对能耗数据进行归一 化。 [0008]优选地， 将能耗数据分割为以天为单位后， 先对能耗数据进行数据清洗， 再对能耗 数据进行归一 化。 [0009]优选地， 所述数据清洗包括 缺失值清洗和异常值清洗 。 [0010]优选地， 所述缺失值清洗为将缺失值所在时刻作为待补充时刻， 将待补充时刻的 前一时刻和后一时刻的平均能耗数据作为待补充时刻的能耗数据。 [0011]优选地， 所述异常值清洗为基于格拉布斯准则找寻异常值， 将异常值进行数据校 正。 [0012]优选地， 所述 步骤4包括以下步骤： [0013]步骤4.1， 基于测试集对训练后的LSTM模型进行测试， 获得测试 结果； [0014]步骤4.2， 基于测试结果和测试集计算训练后的LSTM模型的标准误差和平均绝对 误差； [0015]步骤4.3， 判断标准误差和平均绝对误差是否分别小于第一参考值和第二参考值，说　明　书 1/4 页 3 CN 114492946 A 3