一种短时期建筑热负荷预测的方法与流程

本发明涉及供暖系统热运行调控技术领域，尤其涉及一种短时期建筑热负荷预测的方法。

背景技术：

供热负荷对供热系统有着极为重要的意义，集中供热系统中各子系统的给定值都是由预测热负荷所决定的，因此实现及时准确的热负荷预测是提高集中供暖质量的基础，热负荷主要受循环水流量、供回水温度、室外气温、光照、室外风速等多种因素影响，且具有数据量大、随机性高、变化快等特点，热负荷预测指通过对历史数据的分析挖掘，对未来热负荷进行推算、预测的过程。

现有技术中传统热负荷预测方法主要有时间序列、回归、灰色预测、bp神经网络以及支持向量机等，这些模型虽然能预测热负荷，但都属于浅层挖掘方法，无法深入挖掘热负荷数据的随机性和非线性特征，这会使预测精度不高。长短期记忆网络(lstm，longshort-termmemory)是一种改进的循环神经网络，是深度学习领域的一项重要研究成果，利用lstm网络预测热负荷可以深度挖掘热负荷数据，然而传统的lstm网络是将所有输入特征编码成固定长度的向量表示，当输入序列长度较长时，容易造成信息丢失，难以学到合理的向量表示，使得热负荷预测精度不高。

技术实现要素：

本发明的目的是提供一种短时期建筑热负荷预测的方法，该方法能够解决传统热负荷预测方法无法深入挖掘数据特征以及lstm网络处理长序列时信息丢失的问题，从而提高热负荷预测的精度。

本发明的目的是通过以下技术方案实现的：

一种短时期建筑热负荷预测的方法，所述方法包括：

步骤1、选取给定时间段内的气象数据和供热量数据，构建数据集作为输入变量；

步骤2、对输入变量的数据进行预处理，具体包括坏数据的识别和修复以及数据的标准化处理；

步骤3、利用长短期记忆lstm网络对预处理后的输入变量进行特征提取，实现高层次的特征学习；

步骤4、在lstm网络中加入attention机制，通过分配注意力权重，对lstm网络输出特征中影响输出变量的关键特征赋予更大的权重；所述输出变量是指滞后于所述输入变量时间m个周期后的热负荷预测数据；

步骤5、将经过步骤4attention机制赋值权重后的输出特征再输入一个lstm网络，重复步骤3的操作，输出预测结果，实现短时期建筑热负荷预测。

由上述本发明提供的技术方案可以看出，上述方法能够解决传统热负荷预测方法无法深入挖掘数据特征以及lstm网络处理长序列时信息丢失的问题，从而提高热负荷预测的精度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的短时期建筑热负荷预测的方法流程示意图；

图2为本发明实施例所述标准lstm网络的结构示意图；

图3为本发明所举案例数据集进行数据预处理的示意图；

图4为本发明所举案例通过基于attention机制的lstm网络得到的热负荷预测值示意图；

图5为本发明所举案例热负荷预测值与真实值的相对误差示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

下面将结合附图对本发明实施例作进一步地详细描述，如图1所示为本发明实施例提供的短时期建筑热负荷预测的方法流程示意图，所述方法包括：

步骤1、选取给定时间段内的气象数据和供热量数据，构建数据集作为输入变量；

步骤2、对输入变量的数据进行预处理，具体包括坏数据的识别和修复以及数据的标准化处理；

在该步骤中，由于作为输入变量的数据集会因为各种原因有所缺失，出现偏差较大的数据或者空数据，因而要对数据进行预处理，降低个别坏数据对预测准确度的影响。最后对修复好的数据进行标准化，方便后续处理，具体过程为：

1)识别输入变量数据中的坏数据，首先利用下式1计算数据的均值和方差：

上式中，qm,i为第m天第i时刻的负荷值；分别为其均值和方差；m为总天数；

然后基于3σ原理，利用下式2实现坏数据识别：

上式中，σi为的标准差；ε为设置的阈值，通常取1～1.5；

若负荷数据不满足式2，则为正常数据，将其保留；若负荷数据满足式2，则判定为坏数据，进行后续修正处理。

2)修复识别的坏数据，修复坏数据的公式如下：

上式中，为第m天第i时刻的负荷修正值；qm±1,i为qm,i前后2个同类日第i时刻的负荷值；表示qm,i前后2个相似日第i时刻的负荷值；α，β，γ为权重系数；

3)然后进行数据标准化处理，具体是对输入变量数据使用min-max标准化，使标准化后的结果都位于0～1之间，进而将数据的量纲统一，消除数据之间量纲差异对预测结果产生的影响，min-max标准化的计算公式如下：

上式中，x代表输入变量数据；xmin代表输入变量数据的最小值；xmax代表输入变量数据的最大值；y代表标准化后的数据。

步骤3、利用长短期记忆lstm网络对预处理后的输入变量进行特征提取，实现高层次的特征学习；

在该步骤中，如图2所示为本发明实施例所述标准lstm网络的结构示意图，参考图2：长短期记忆lstm网络对神经元引入遗忘门、输入门、输出门三个判断条件，输入门、输出门用来读取、输出和修正参数；遗忘门用于以一定的概率控制是否遗忘上一层的隐藏细胞状态，该遗忘门的计算公式如下：

ft＝σ(wf·[ht-1,xt]+bf)(5)

上式中，wf是遗忘门的权重矩阵；σ是sigmoid函数；bf是遗忘门的偏置项；ht-1和xt分别表示上一个细胞的输出和当前细胞的输入；[ht-1,xt]表示把两个向量连接成一个更长的向量；ft代表遗忘门的输出；

所述输入门由两部分组成，第一部分使用σ激活函数，输出为it；第二部分使用tanh激活函数，输出为at，两者输出结果的数学表达式为：

it＝σ(wi·[ht-1,xt]+bi)(6)

at＝tanh(wa·[ht-1,xt]+ba)(7)

上式中，wi是输入门的权重矩阵；bi是输入门的偏置项；it代表输入门的输出；wa和ba分别为备选的用来更新的细胞状态at的权重矩阵和偏置项；

在研究lstm输出门之前，要先查看lstm的细胞状态，所述遗忘门和输入门的输出都会作用于新的细胞状态ct，新的细胞状态ct由两部分组成，第一部分是旧的细胞状态ct-1和遗忘门的输出ft的乘积，第二部分是输入门的输出it和at的乘积，具体表示为：

ct＝ftct-1+itat(8)

有了新的细胞状态ct，就可以研究输出门，隐藏状态ht的更新由两部分组成，第一部分是输出门的输出ot，第二部分是由新的细胞状态ct和tanh激活函数组成，两部分的计算公式具体为：

ot＝σ(wo·[ht-1,xt]+bo)(9)

ht＝ottanhct(10)

上式中，wo是输出门的权重矩阵；bo是输出门的偏置项；ot代表输出门的输出。

步骤4、在lstm网络中加入attention机制，通过分配注意力权重，对lstm网络输出特征中影响输出变量的关键特征赋予更大的权重；所述输出变量是指滞后于所述输入变量时间m个周期后的热负荷预测数据；

在该步骤中，所加入的attention机制是通过保留lstm编码器对输入序列的中间输出结果，然后训练一个模型来对这些输入序列进行选择性的学习，并且在该模型输出时将输出序列与之进行关联；所述attention机制具体为一个相似性度量，若当前输入与目标状态约相似，那么当前输入的权重就会越大，它是一种模拟人脑注意力的模型。

步骤5、将经过步骤4attention机制赋值权重后的输出特征再输入一个lstm网络，重复步骤3的操作，输出预测结果，实现短时期建筑热负荷预测。

下面以具体的实例对上述方法的实施过程进行详细描述，在本实例中，所采用的数据集为青岛某换热站2018年11月30日至2019年4月5日每一小时的气象数据和热负荷数据，具体过程为：

首先对数据集进行数据预处理，其中对气象数据中的离散天气数据利用get_dummies进行one-hot独热编码处理，其次进行相关性数据分析，如图3所示为本发明所举案例数据集进行数据预处理示意图；

数据集划分：将2018年12月15日00:00:00至2018年12月31日23:00:00的数据划分为训练集，将2019年1月1日00:00:00至2018年1月31日23:00:00的数据划分为测试集。将attention机制作为2个lstm网络的接口，首先通过一个lstm网络处理输入序列，实现高层次的特征学习，输入、输出激活函数都采用“relu”；其次，attention机制对lstm网络输出特征合理分配注意力权重，最后再运行一个lstm网络实现短时期建筑热负荷预测。其中，lstm网络的模型设置具体如下：

定义模型：使用input_dim参数，将其设置为9，这与数据的维度一致；使用dense类定义完全连接层。

编译模型：编译模型使模型能够有效得使用keras封装的数值运算，指定用于评估一组权重的损失函数(loss)为mean_squared_error，用于搜索网络不同权重的优化器(optimizer)为adam。

训练模型：在使用模型预测新数据前，需要先对模型进行训练。训练模型通过调用模型fit()函数，训练过程设置epochs参数，将其设置为3000，并将batch_size设置为data_train.shape[0]。

最后利用训练好的模型实现短期建筑热负荷预测，如图4所示为本发明所举案例通过基于attention机制的lstm网络得到的热负荷预测值示意图，如图5所示为本发明所举案例热负荷预测值与真实值的相对误差示意图，从图4和5可以看出基于attention机制的lstm网络在短期建筑热负荷预测中有很好的效果。

值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

综上所述，本发明实施例所述方法通过lstm网络深入挖掘数据集的数据特征，利用引入的attention机制打破了传统编码器-解码器结构在编解码时都依赖于内部一个固定长度向量的限制，同时对lstm网络的输出特征合理分配注意力权重，从而提高了热负荷预测的精度。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。