(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 202111570004.X (22)申请日 2021.12.21 (71)申请人 内蒙古弘睿节能科技有限公司 地址 010080 内蒙古自治区呼和浩特市回 民区钢铁路咱 家小区西区18-1-102号 (72)发明人 李智林　齐咏生　杜晓旭　闫泽峰　 田利涛　 (74)专利代理 机构 北京冬瓜知识产权代理事务 所(普通合伙) 11854 代理人 李佳 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习的换热站热负荷短期预测方 法及预测系统 (57)摘要 本发明提供了一种基于深度学习的换热站 热负荷短期预测方法以及预测系统， 所述预测方 法包括： 构建工况运行的真实数据集和模拟数据 集； 利用CNN卷积神经网络对各个数据集中的特 征进行提取， 输入到改进的LS TM预测模型中进行 训练； 利用模拟数据的预测结果对真实数据的预 测结果进行修正， 得到最终结果。 本发明的方案 通过结合真实运行历史数据集和建筑能耗模拟 数据建立对比数据集， 然后分别利用CNN卷积神 经网络提取特征， 并分别输入到改进的LSTM预测 模型中进行训练， 然后利用由真实数据和模拟数 据训练好的两个预测模型对当前值进行预测， 最 后由修正系统对两个输出结果进行修正得到最 终预测值。 整个方法提高了整个预测方法的准确 性。 权利要求书2页 说明书5页 附图3页 CN 114239973 A 2022.03.25 CN 114239973 A 1.一种基于深度学习的换 热站热负荷短期预测方法， 其特 征在于， 包括如下步骤： 构建工况运行的真实数据集和模拟数据集； 利用CNN卷积神经网络对各个数据集中的特征进行提取， 输入到改进 的LSTM预测模型 中进行训练； 利用模拟数据的预测结果对真实数据的预测结果进行修 正， 得到最终结果。 2.根据权利要求1所述的换热站热负荷 短期预测方法， 其特征在于， 在对数据集中的特 征进行提取之前， 先对特征变量进行筛选， 所述筛选方法包括： 采用基于SVM ‑RFE的特征筛 选算法对各影响因素的重要性进行分析和选择。 3.根据权利要求2所述的换热站热负荷短期预测方法， 其特征在于， 真实数据Dr由以下 表达式表示； 代表t时刻的实际热负荷值， n表示特征变量的数量， 其中SP2， ST2， SP1， Q和yr是由供 暖公司实际采集得到； 模拟数据特 征Ds由以下表达式表示： 其中， 表示t时真实模拟热负荷的值， m表示特 征向量的数量。 4.根据权利要求3所述的换热站热负荷 短期预测方法， 其特征在于， 所述对各个数据集 中的特征进行提取的方法包括： 利用卷积层来提取数据特征， 以将m维特征子集Ds映射到新特征上起到进一步的降维作 用。 5.根据权利要求4所述的换热站热负荷短期预测方法， 其特征在于， 所述提取方法包 括： 数据特征是Dr和Ds， 输出的是对应相应数据集进行特征提取的结果， 由k个卷积核组成， 其中宽度为ω， 高度为 n， n等于特征数； 在时间t， 第k个卷积核的输出为： 输出 是一个向量， 每次卷积完成后通过一个激活函数， 加入非线性因素， 把卷积层 输 出结果做非线性映射， 激活函数ReLU(x)＝max(0， x)， *表示卷积运算， Wk是第k个卷积核的 权重矩阵， 尺寸是ω ×n， bk是第k个卷积核的偏置； 在t时刻， 卷积层的输出 是： 6.根据权利要求5所述的换热站热负荷短期预测方法， 其特征在于， 所述改进的LSTM预 测模型通过训练获取到真实数据和模拟数据的长期和短期依赖信息， 以建立预测模型。 7.根据权利要求6所述的换热站热负荷 短期预测方法， 其特征在于， 利用模拟数据的预 测结果对真实数据的预测结果进行修 正的方法包括： 时刻t的真实数据预测结果和模拟数据预测结果分别表示为： 和 组合是权　利　要　求　书 1/2 页 2 CN 114239973 A 2计算评分函数如下式所示： 在公式中， 是在t时刻的实际热负荷值； U， W是可学习网络参数， γ为加入权值， 计算 分数后， 使用Sigmo id计算第一次输入信息αi的概率如下式所示： 注意力分布αi是指输入信息向量 之间的相关程度， 在为每个输入信息分配权重 后， 将其直接乘以信息向量， 然后求和在加上偏 差e， e由经验获得， 以获得校准的预测结果， 作为最终的预测结果 8.权利要求1 ‑7任一项所述的换热站热负荷短期预测方法的预测装置， 其特征在于， 包 括： 构建模块： 构建工况运行的真实数据集和模拟数据集； 训练模块： 利用CNN卷积神经网络对各个数据集中的特征进行提取， 输入到改进的LSTM 预测模型中进行训练； 修正模块： 利用模拟数据的预测结果对真实数据的预测结果进行修 正， 得到最终结果。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述程序 执行时实 现权利要求1 ‑7任一项所述换 热站热负荷短期预测方法的步骤。 10.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求 1‑7任一项所述换热站 热负荷短期预测方法的步骤。权　利　要　求　书 2/2 页 3 CN 114239973 A 3