(19)中华 人民共和国 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 202111408084.9 (22)申请日 2021.11.24 (71)申请人 西安西热电站信息技 术有限公司 地址 710075 陕西省西安市高新区火炬 大 厦11层B座 申请人 华能山东发电有限公司 　 华能国际电力股份有限公司日照电 厂 (72)发明人 徐创学　谢云明　李杰　王垚　 王成华　陈为钢　 (74)专利代理 机构 西安智大知识产权代理事务 所 61215 代理人 弋才富 (51)Int.Cl. G06Q 10/04(2012.01)G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06F 16/2458(2019.01) G06N 3/04(2006.01) (54)发明名称 一种基于LSTM深度学习的供暖热负荷预测 方法 (57)摘要 一种基于LSTM深度学习的供暖热负荷预测 方法， 首先采集热负荷及天气历史数据得到序列 数据集， 进行归一化处理； 将准备好的数据按比 例分成训练集和测试集， 建立供暖负荷LSTM网络 模型， 调整网络内部参数， 用训练集数据完成 LSTM模型拟合； 将预测与测试数据结合， 用来进 行模型的过拟合评估； 模型评估验证后， 将在线 采样的数据输入到验证好的LSTM网络对未来时 间的供暖负荷值进行预测。 最后， 对现有的模型 进行优化升级， 循环提升LSTM模型的预测精度； 本发明LSTM能够在更长的序列中有更佳的表现， 基于LSTM深度学习的供暖热负荷预测方法， 能长 期记录所需数据和在线预测， 预测周 期长、 预测 热负荷精度高， 满足供热企业的一个供暖季热负 荷预测要求。 权利要求书1页 说明书4页 附图4页 CN 114118571 A 2022.03.01 CN 114118571 A 1.一种基于LSTM深度学习的供暖热负荷预测方法， 其特 征在于， 包括以下步骤： 步骤1： 历史数据采集和预处理； 采集与热负荷生产相关的数据， 包括供暖生产热负荷 数据及天气数据， 按时间进 行排列得到序列样 本数据集， 并进 行归一化处理,使其数值处在 [0,1]之间， 得到数据集作为 监督学习的样本； 步骤2： 数据集分成训练集和测试集； 将准备好的序列数据按2： 1比例分成训练集和测 试集， 并保证 每个数据集能代 表完整供暖季样本； 步骤3： 建立供暖负荷预测LSTM网络模型,并调整网络内部参数； 以序列数据集中的当 前时间和过去时间的负荷值作为LSTM网络预测模型的输入序列， 来预测作为输出序列未来 时间的负荷值， 设定预测步长， 对LSTM神经网络进行建模， 网络内部参数调整包括： 按照 设 定值调整 学习率和迭代次数， 获取输入权重、 循环权重和偏差， 并分别利用门激活函数和状 态激活函数调整对应的传入门、 遗 忘门、 被选门和输出门的参数； 步骤4： 模型拟合； 训练供暖负荷LSTM网络模型， 将经过归一化处理后的训练集数据输 入LSTM网络模型进行训练， 直到网络收敛； 步骤5： 模型的过度拟合评估； 步骤4的模型拟合后， 预测步骤2得到的测试数据集； 将训 练集的模型损失和 测试集的模型损失显示在一幅图中， 判断模型 是否存在过度拟合现象； 步骤6： 模型预测； 将获取的在线采样数据输入到经过步骤5评估验证后的LSTM神经网 络对未来时间的供暖负荷值进行 预测； 步骤7： 模型循环动态优化； 设置准确度、 平衡分数和准确率评价指标对预测结果进行 评价， 当评价指标超过设定阈值时说明预测值偏差大， 每隔一个周期再执行步骤1到步骤5， 对模型进行优化升级， 循环提升LSTM模型的预测精度。权　利　要　求　书 1/1 页 2 CN 114118571 A 2一种基于LSTM深度学习的供暖热负荷预测方 法 技术领域 [0001]本发明涉及供暖技术领域， 特别涉及一种基于LSTM深度学习的供暖热负荷预测方 法。 技术背景 [0002]供暖系民生， 冷暖无小事， 冬季供暖涉及千家万户， 是一项重要的暖心工程， 更是 当前最大的民生工程。 供暖系统由热源(供给侧)、 热网及热用户(需求侧)组成。 供暖普遍采 用集中供暖方式， 由热电厂或区域锅炉供给热量。 目前供暖系统普遍存在调节 粗放、 热能浪 费、 热力不平衡等问题， 供暖节能领域有非常大的改进空间。 [0003]由于供暖系统比较复杂， 在运行过程中， 集中供暖负荷受天气 等主要因素影响， 热 负荷需求是不断变化的。 供暖负荷的多少、 特性和变化规律， 对供暖系统的运行管理、 节 能 优化、 大气环境保护都十分重要。 [0004]供暖负荷预测是在掌握热负荷变化规律的基础上， 综合考虑各种相关因素， 来预 报将来某一时段或时刻热负荷的大小， 目的是使热源供给与用户侧需求相匹配， 实现供暖 系统的高效节能运行。 如供给热量与需求热量不符， 就会造成过量供热或供暖不足， 不但影 响人们生产和 生活的需要， 同时产生能源浪费和污染环境， 尤其在当前燃煤供需紧张的形 势下， 供暖企业提前做好供暖负荷预测， 做好燃煤冬储计划对保障民生供暖显得尤为重要。 而现有供暖负荷预报方法多根据天气气温单独进 行线性预报， 或按照 历史数据进 行时序简 单建模， 其预报时长短， 精度较低， 无法满足 企业中长期供暖生产需要。 发明内容 [0005]为了克服现有技术的缺陷， 本 发明的目的在于提供一种基于LSTM深度学习的供暖 热负荷预测方法， 通过引入多变量时间序列预测的LSTM模型， 根据上一个供暖季的供暖负 荷和多因素天气影响条件， 预测下一个供暖季的供暖负荷； 满足供热企业长期和短期的供 暖负荷预测， 供热企业根据供暖热负荷预测需求， 实现稳定地热源生产供给， 具有明显的经 济效益和社会效益。 [0006]为实现上述目的， 本发明的技 术方案为： [0007]一种基于LSTM深度学习的供暖热负荷预测方法， 包括以下步骤： [0008]步骤1： 历史数据采集和预处理； 采集与热负荷生产相关的数据， 包括供暖生产热 负荷数据及天气数据， 按时间进 行排列得到序列样本数据集， 并进 行归一化处理,使其数值 处在[0,1]之间， 得到数据集作为 监督学习的样本； [0009]步骤2： 数据集分成训练集和测 试集； 将准备好的序列数据按2： 1比例分成训练集 和测试集， 并保证 每个数据集能代 表完整供暖季样本； [0010]步骤3： 建立供暖负荷预测LSTM网络模型,并调整网络内部参数； 以序列数据集中 的当前时间和过去时间的负荷值作为LSTM网络预测模型的输入序列， 来预测作为输出序列 未来时间的负荷值， 设定预测步长， 对LSTM神经网络进行建模， 网络内部参数调整包括： 按说　明　书 1/4 页 3 CN 114118571 A 3