买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：国网安徽省电力有限公司电力科学研究院;合肥工业大学

摘要：本发明公开了一种基于LSTNet的重点控排企业“碳耗‑能耗‑产出”预测方法，包括：1、对采集到的“碳耗‑能耗‑产出”数据进行预处理并划分数据集；2、设计基于长期和短期时间序列的深度神经网络结构3、基于长期和短期时间序列的深度神经网络结构得到测试集样本的预测结果。本发明通过基于LSTNet深度神经网络来提供时间序列的细粒度分析，可以动态的捕获数据在时域和频域上的特征，以提高动态预测精度，满足了准确化快速化的实际需求。

主权项：1.一种基于LSTNet的重点控排企业“碳耗-能耗-产出”预测方法，其特征在于，是按如下步骤进行：步骤1、构建输入数据集Tr和输出数据集Te；步骤1.1、采集生产设备的“碳耗-能耗-产出”数据，并构建生产数据集，记为D＝{X，Y}，其中，X为生产设备的碳耗能耗数据，Y为生产设备的产出数据；步骤1.2、将生产数据集D分为输入数据集Tr和输出数据集Te；记为Tr＝{x1，x2…xk…xK}，xk表示生产设备的第k条输入数据，且xk＝{xk，1，xk，2…xk，t…xk，T}，xk，t表示生产设备的第k条输入数据xk的第t个时间步长数据，且xk，t＝{Ck，1，Ek，1，Ck，2，Ek，2，…Ck，t，Ek，t…Ck，T，Ek，T}，其中，Ck，t表示生产设备的第k条输入数据xk的第t个时间步长的碳耗数据，Ek，t表示生产设备的第k条输入数据xk的第t个时间步长的能耗数据；Te＝{y1，y2…yk…yK}，yk表示生产设备的第k条输入数据xk的产出数据，且yk＝{yk，1，yk，2…yk，t…yk，T}，yk，t表示生产设备的第k条输入数据xk的第t个时间步长xk，t的产出数据；1≤k≤K；1≤t≤T；步骤2、构建LSTNet网络结构，包括：卷积组件CNN、递归组件GRU、注意力层、自回归组件；步骤2.1、所述生产设备的第k条输入数据xk输入到卷积组件CNN中，并利用式1提取时间特征，得到生产设备的第k条输入数据xk的第t个时间步长数据xk，t的短期局部特征输出sk，t：sk，t＝RELUWcn*xk，t+bcn1式1中，Wcn表示生产设备的第k条输入数据xk的第t个时间步长数据xt，k在卷积组件CNN中卷积层的权重矩阵；bcn表示生产设备的第k条输入数据xk的第t个时间步长数据xt，k在卷积组件CNN中卷积层的偏置向量；RELU表示激活函数；*表示卷积运算；步骤2.2、构建递归组件GRU，包括：重置门、更新门、当前记忆单元、最终记忆单元；步骤2.2.1、所述生产设备的第k条输入数据xk的第t个时间步长数据xt，k的短期局部特征输出sk，t输入所述递归组件GRU中，所述重置门利用式2得到生产设备的第k条输入数据xk的第t个时间步长数据xt，k的短期特征的重置门输出rk，t：rk，t＝sigmoidWsrsk，t+Whrhk，t-1+br2式2中，Wsr表示生产设备的第k条输入数据xk的第t个时间步长数据xt，k的短期特征输出sk，t在重置门中的权重矩阵；Whr表示生产设备的第k条输入数据xk的第t-1个时间步长数据xt-1，k的短期局部特征输出sk，t-1的上一时间步长时记忆hk，t-1在重置门中的权重矩阵；br表示重置门的偏置向量；sigmoid表示激活函数；步骤2.2.2、所述更新门利用式3得到生产设备的第k条输入数据xk的第t个时间步长数据xt，k的短期局部特征sk，t的更新门输出uk，t：uk，t＝sigmoidWsusk，t+Whuhk，t-1+bu3式3中，Wsu表示生产设备的第k条输入数据xk的第t个时间步长数据xt，k的短期局部特征输出sk，t在更新门中的权重矩阵；Whu表示生产设备的第k条输入数据xk的第t-1个时间步长数据xt-1，k的短期特征输出sk，t-1的上一时间步长时记忆hk，t-1在更新门中的权重矩阵；bu表示更新门的偏置向量；步骤2.2.3、所述当前记忆单元利用式4得到生产设备的第k条输入数据xk的第t个时间步长数据xt，k的短期局部特征sk，t的当前结点信息ck，t：ck，t＝RELUWscsk，t+rk，t⊙Whchk，t-1+bc4在式4中，Wsc表示生产设备的第k条输入数据xk的第t个时间步长数据xt，k的短期局部特征输出sk，t在当前记忆单元中的权重矩阵；Whc表示生产设备的第k条输入数据xk的第t-1个时间步长数据xt-1，k的短期局部特征sk，t-1输出的上一时间步长时记忆hk，t-1在当前记忆单元中的权重矩阵；bu表示当前记忆单元的偏置向量；⊙表示逐元素乘法；步骤2.2.4、所述最终记忆单元利用式5得到生产设备的第k条输入数据xk的第t个时间步长数据sk，t的短期局部特征的长时记忆hk，t：hk，t＝1-uk，t⊙hk，t-1+uk，t⊙ck，t5步骤2.3、所述注意力层利用式6得到生产设备的第k条输入数据xk的第t个时间步长数据xk，t的短期局部特征sk，t的长时记忆特征向量vk，t，从而得到生产设备的第k条输入数据xk的所有时间步长的长时记忆Hk＝{hk，1，hk，2…hk，t…hk，T}的特征向量Vk＝{vk，1，vk，2…vk，t…vk，T}；vk，t＝Wauhk，t+bau6式6中，Wau和bau分别表示生产设备的第k条输入数据xk的第t个时间步长数据xt，k的短期特征sk，t的更新后的长时记忆hk，t的权重矩阵和偏差向量；所述注意力层利用式7得到生产设备的第k条输入数据xk的第t个时间步长数据xk，t的短期局部特征sk，t的长时记忆特征向量vk，t的标准化权重αk，t： 式7中，表示生产设备的第k条输入数据xk的第t个时间步长数据xk，t的短期局部特征sk，t的长时记忆特征向量vk，t的转置，uw是随机初始化的总体短期局部特征向量；所述注意力层利用式8得到加权平均后的生产设备的第k条输入数据xk，t的短期预测分量 步骤2.4、所述自回归组件利用式9得到生产设备的第k条输入数据xk的线性预测分量 式9中，War和bar分别表示生产设备的第k条生产数据yk第t个时间步长数据yk，t的权重矩阵和偏差向量；步骤2.5、利用式10得到生产设备的第k条输入数据xk的预测产出

全文数据：

权利要求：

百度查询： 国网安徽省电力有限公司电力科学研究院 合肥工业大学 基于LSTNet的重点控排企业“碳耗-能耗-产出”预测方法