[发明专利]一种基于多变量LSTM的联合循环发电机组负荷预测方法

权利要求书

1.一种基于多变量LSTM的联合循环发电机组负荷预测方法，其特征在于，包括以下步骤：

S1、数据采集：采集两组联合循环机组运行数据；根据实际需求布置相关传感器，采集与联合循环功率预测相关联的状态参数，包括空气质量流量、大气温度、压气机进口空气温度及中压过热器出口蒸汽流量；

S2、数据预处理：对数据进行相关性分析，确定联合循环功率影响因素，并对其进行异常值处理、缺失值处理，归一化处理，并将数据转换为用于监督学习的数据类型；

S3、将其中一个机组数据划分为训练集和测试集，另外一个机组数据设置为验证集；

S4、搭建多变量输入LSTM神经网络模型：搭建神经网络，该网络包括一个输入层、一个中间层和一个输出层，依次连接，对时间序列数据进行特征提取和预测；并将训练集和测试集数据代入模型进行训练，设置训练集和测试集的比例、模型迭代次数、单次训练送入数据批量，并实时监测其损失函数值的变化；

S5、将验证集数据代入模型进行预测，采用联合循环功率作为机组负荷的预测目标；

S6、针对模型训练中的损失值和预测中的均方根误差两种评价指标对模型进行评价；

S7、生成真实值-预测值曲线图，直观评估模型的预测效果。

2.根据权利要求1所述的基于多变量LSTM的联合循环发电机组负荷预测方法，其特征在于：所述步骤S1中，数据采集系统利用数据库技术，建立数据库管理系统，实现数据的交互和有效存储；该系统一方面与用户和云端进行数据交互，另一方面存储系统的部分历史数据，为机器学习模块提供训练样本。

3.根据权利要求1所述的基于多变量LSTM的联合循环发电机组负荷预测方法，其特征在于：所述步骤S2中，所述的相关性分析采用皮尔森相关系数分析法，缺失值处理为均值补全法，通过缺失值两侧值的平均数补全空缺；异常值处理则直接舍弃，其中异常值是指偏离机组正常工作时状态参数范围的值；归一化处理采用最大最小值归一化，公式为：

式中：X_max为样本数据的最大值，X_min为样本数据的最小值，X_norm为归一化结果，数值区间为[0,1]。

4.根据权利要求1所述的基于多变量LSTM的联合循环发电机组负荷预测方法，其特征在于：所述步骤S4中，所述的输入层特征映射组为多维数组，其中采用步长为3滑动窗口将数组转化为用于监督学习的数据格式，将前3个时间点的功率影响因素和功率值与当前时间点的功率值进行映射。

5.根据权利要求1所述的基于多变量LSTM的联合循环发电机组负荷预测方法，其特征在于：所述步骤S4中，多变量输入的LSTM网络模型预测是将设定时间步长n的数据与t时刻的待预测数据建立滑动窗口，即[t-n,t-1]时间段的输入数据和预测数据作为特征，t时刻的待预测值作为标签，用过去n个多变量输入来预测当前时刻的标签值，并依次在数据集上滑动，直至最后一个标签。