[发明专利]一种基于循环神经网络的多类别能耗预测方法

权利要求书

1.一种基于循环神经网络的多类别能耗预测方法，其特征在于，预先训练形成一循环神经网络模型，采用所述循环神经网络模型对多类别能耗进行预测，所述基于循环神经网络的多类别能耗预测方法包括：

步骤S1、于所述循环神经网络模型的基础上加载原始能耗数据，并从所述原始能耗数据中判断出缺失值与异常值，并对所述缺失值与所述异常值进行检测与处理；

步骤S2、以所述原始能耗数据为基础，从所述原始能耗数据中提取时序特征数据并建立所述循环神经网络模型的特征集合，然后对所述特征集合进行归一化处理；

步骤S3、对归一化处理之后的所述特征集合进行分批训练，结合非时序特征数据建立多类别输出神经网络，对多类别输出神经网络输出的多类别能耗数据进行预测。

2.根据权利要求1所述的基于循环神经网络的多类别能耗预测方法，其特征在于，于所述步骤S1中，使用箱形图分析法检测所述缺失值与所述异常值。

3.根据权利要求1所述的基于循环神经网络的多类别能耗预测方法，其特征在于，所述步骤S1包括：

步骤S10、于所述循环神经网络模型的基础上加载所述原始能耗数据，并从所述原始能耗数据中判断所述原始能耗数据是否存在缺失值；

若存在，则进行所述缺失值处理；

若不存在，则进行步骤S11；

所述步骤S11、计算所述原始能耗数据的相对能耗值，并判断所述相对能耗值是否存在异常值；

若存在，则进行所述异常值处理；

若不存在，则进行步骤S12；

所述步骤S12、对所述相对能耗值进行分类别处理；

步骤S13、计算并存储处理之后的所述相对能耗值至所述原始能耗数据模型中。

4.根据权利要求3所述的基于循环神经网络的多类别能耗预测方法，其特征在于，于所述步骤S10中，对预先设定具有约束关系的所述原始能耗数据，利用有效数据统计并计算对应时刻占对应时间段总能耗的比例，然后按比例进行填补所述缺失值；

对预先设定不具有约束关系的所述原始能耗数据，利用前后时刻对应的有效数据的平均值进行填补所述缺失值。

5.根据权利要求1所述的基于循环神经网络的多类别能耗预测方法，其特征在于，所述步骤S2包括：

步骤S20、以所述原始能耗数据为基础，并将所述原始能耗数据分为测试数据与训练数据；

步骤S21、分别对所述测试数据与所述训练数据提取所述时序特征数据，并建立所述循环神经网络模型的特征集合，然后使用线性归一化方法对所述训练数据进行归一化处理，然后利用所述训练数据归一化处理的参数对所述测试数据进行处理。

6.根据权利要求5所述的基于循环神经网络的多类别能耗预测方法，其特征在于，所述步骤S3包括：

步骤S30、对所述测试数据进行分批训练；

步骤S31、预设第一阶段使用所述历史能耗数据作为第一基本特征，根据所述第一基本特征建立循环神经网络并输出；

步骤S32、预设第二阶段使用输出的所述循环神经网络作为基本特征，并参考所述非时序特征数据，建立所述多类别输出神经网络，对多类别输出神经网络输出的多类别能耗数据进行预测。

7.根据权利要求6所述的基于循环神经网络的多类别能耗预测方法，其特征在于，于所述第一阶段建立一门控循环单元神经网络，所述门控循环单元神经网络对所述历史能耗数据进行建模；

所述门控循环单元神经网络包括更新门控单元与重置门控单元，所述更新门控单元决定所述历史能耗数据前一时刻的状态信息被送入当前状态的程度，所述重置门控单元决定忽略所述历史能耗数据前一时刻的状态信息到的程度。

8.根据权利要求7所述的基于循环神经网络的多类别能耗预测方法，其特征在于，于所述第二阶段建立一多类别输出神经网络，所述多类别输出神经网络通过所述门控循环单元神经网络与所述非时序特征数据共同构建。

9.根据权利要求1所述的基于循环神经网络的多类别能耗预测方法，其特征在于，所述非时序特征数据包括时间特征、天气特征。

10.根据权利要求1所述的基于循环神经网络的多类别能耗预测方法，其特征在于，所述原始能耗数据包括照明能耗数据、空调能耗数据、动力能耗数据及其它能耗数据类别。