一种基于LSTM神经网络算法模型的能效趋势预测的方法与流程

一种基于lstm神经网络算法模型的能效趋势预测的方法
技术领域
1.本发明涉及能效趋势预测技术领域，特别涉及一种基于lstm神经网络算法模型的能效趋势预测的方法。


背景技术：

2.能效趋势预测是指对各种能源的需求量及其比例关系的未来状况的推测。通过能源预测，可以建立能源消耗与环境保护之间的关系，有针对性地调整能源结构和工业布局。
3.lstm神经网络算法模型又称为长短期记忆模型(long-short term memory)，是一种特殊的rnn模型，是为了解决rnn模型梯度弥散的问题而提出的；在传统的rnn中，训练算法使用的是bptt，当时间比较长时，需要回传的残差会指数下降，导致网络权重更新缓慢，无法体现出rnn的长期记忆的效果，因此需要一个存储单元来存储记忆，因此lstm模型被提出。
4.近年来，随着技术飞速发展，能源消耗也随之增加，因此为了降低生产成本，响应国家的能源绿色环保理念，越来越多的实体产业都愈加重视能效趋势预测，而现有的用于预测能效趋势的算法，一般是基于传统的rnn模型，需要回传的残差会指数下降，导致网络权重更新缓慢，无法体现出长期记忆的效果，对能效趋势的预测也较为缓慢和不精准，因此需要提供一种基于lstm神经网络算法模型的能效趋势预测的方法。


技术实现要素：

5.本发明的目的在于提供一种基于lstm神经网络算法模型的能效趋势预测的方法，以解决上述背景技术中能效趋势的预测较为缓慢和不精准的问题。
6.为实现上述目的，本发明提供如下技术方案：一种基于lstm神经网络算法模型的能效趋势预测的方法，包括lstm模型和其内部系统建立通信连接的时间序列模块，所述时间序列模块包括与其通信连接的时序数据模块和db模块，所述时序数据模块用于存取时序数据，所述db模块用于对数据进行预处理，所述lstm模型还与外接的数据传输模块建立信号连接；
7.具体步骤为：
8.s01预测时，可先将实际产生的能效数据通过输入模块输入至时间序列模块中，由时间序列模块将以上数据按时间序列记录，形成时间序列记录集；
9.s02继而由时序数据模块将获得的时序数据进行存取，同时由db模块对数据进行预处理，预处理后的数据存储于db模块中；
10.s03将获得的时序数据和预处理数据输入至lstm模型中；
11.s04通过数据传输模块将基准数据和换算标准输入至lstm模型中，作为lstm模型学习的参考；
12.s05最后lstm模型通过获得的实际预处理数据和时序数据，与基准数据和换算标准进行参考对比，并计算出能效趋势数据，输出能效趋势预测结果；
13.作为本发明的一种优选技术方案，所述实际产生的能效数据包括绩效参数、生产计划、采购计划、生产消耗、生产产值和运行数据。
14.作为本发明的一种优选技术方案，所述外接的数据传输模块用于传输基准数据和换算标准至lstm模型。
15.作为本发明的一种优选技术方案，所述db模块中的数据预处理包括设置数据处理规划，进行数据汇总、分析和统计处理。
16.作为本发明的一种优选技术方案，所述能效趋势预测结果由与lstm模型建立通信连接的数据预测模块进行计算，再进行输出结果。
17.与现有技术相比，本发明的有益效果是：本发明一种基于lstm神经网络算法模型的能效趋势预测的方法：
18.通过设置有时间序列模块、时序模块和db模块，可对实际产生的能效数据进行传输、存储和预处理，并建立时间序列记录集，可对数据进行统一整理，效率较高，通过设置lstm模型对获得的数据进行计算，摒弃了传统的rnn模型，避免了出现回传的残差会指数下降，网络权重更新缓慢，无法体现出长期记忆的效果等现象，同时降低复杂背景的干扰，大大提高了能效趋势预测的效率和准确性。
附图说明
19.图1为本发明检测方法的流程示意图。
具体实施方式
20.下面将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。基于本发明中的实施例，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，都属于本发明保护的范围。
21.请参阅图1，本发明提供了一种基于lstm神经网络算法模型的能效趋势预测的方法的技术方案，包括lstm模型和其内部系统建立通信连接的时间序列模块，所述时间序列模块包括与其通信连接的时序数据模块和db模块，所述时序数据模块用于存取时序数据，所述db模块用于对数据进行预处理，所述lstm模型还与外接的数据传输模块建立信号连接；
22.具体步骤为：
23.s01预测时，可先将实际产生的能效数据通过输入模块输入至时间序列模块中，由时间序列模块将以上数据按时间序列记录，形成时间序列记录集；
24.s02继而由时序数据模块将获得的时序数据进行存取，同时由db模块对数据进行预处理，预处理后的数据存储于db模块中；
25.s03将获得的时序数据和预处理数据输入至lstm模型中；
26.s04通过数据传输模块将基准数据和换算标准输入至lstm模型中，作为lstm模型学习的参考；
27.s05最后lstm模型通过获得的实际预处理数据和时序数据，与基准数据和换算标准进行参考对比，并计算出能效趋势数据，输出能效趋势预测结果；
28.在具体的实施中，所述实际产生的能效数据包括绩效参数、生产计划、采购计划、生产消耗、生产产值和运行数据。
29.在具体的实施中，所述外接的数据传输模块用于传输基准数据和换算标准至lstm模型。
30.在具体的实施中，所述db模块中的数据预处理包括设置数据处理规划，进行数据汇总、分析和统计处理。
31.在具体的实施中，所述能效趋势预测结果由与lstm模型建立通信连接的数据预测模块进行计算，再进行输出结果。
32.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。