CN112712189B - 一种供热需求负荷预测方法 - Google Patents

Abstract

本发明提出一种供热负荷预测方法，本方法包含如下步骤：步骤1、基于供热***负荷的相关因素，确定需求负荷预测模型的输入变量和输出变量；步骤2、对接运行数据，并对缺失、异常数据进行数据清洗，无室温数据情况下，根据运行经验数据，给定修正因素，修正样本负荷，确定负荷预测模型训练数据；步骤3、基于深度长短期记忆网络算法，训练生成供热***需求负荷预测模型；步骤4、结合经验值给出修正因素，提升预测模型精度；步骤5、在线检测模型精度，根据规则，重新训练生成需求负荷预测模型。本发明提出的供热需求负荷预测方法可以实现对供热***需求负荷的精准预测。

Description

一种供热需求负荷预测方法

技术领域

本发明涉及供热***领域，具体涉及一种应用LSTM算法与无室温数据修正的供热需求负荷预测方法。

背景技术

需求负荷的预测是实现供热***节能运行的主要途径之一。供热***的用热负荷与很多因素相关，包括建筑物的围护结构、用户的用热***、自动化条件、实际用户的反馈情况都有关系，这些复杂因素是实现准确负荷预测的难点。其次，室温测点的数据是用来评价预测负荷最关键的参数，但因为目前热网信息化水平有限，大部分二级网没有室温测点数据，对负荷预测的评价存在一定困难。神经网络算法是一种基础数据的机器学习算法，针对这种复杂关联关系的特点，比较适合于用来建立多种因素之间关系模糊的“黑箱”模型。

近年来，以循环神经网络(Recurrent Neural Networks，简称RNNs)算法为代表，被成功应用于各个领域。RNNs是一个具有循环的网络，其特点是可以将以前的发生的信息连接到当前目标，允许信息持续存在，且利用之前的发生的信息来推断当前发生的内容，这是传统的神经网络不具备的，因此，它在自然语言处理、图像识别、语音识别、电网预测、工业过程建模的应用上，取得了很大的成功，然而，RNNs神经网络，在随时时间跨度的增加时，后面时间节点对于前面时间节点信息的感知力下降，无法有效的利用历史数据中的信息，从而会出现模型失真的问题。

发明内容

针对这些问题，本发明的目的是提供一种应用深度长短期记忆算法与无室温数据修正的供热需求负荷预测方法，该方法通过在线应用深度长短期记忆(Long Short TermMemory，简称LSTM)网络算法与运行人员根据经验参数修正供热***相结合，来实现供热***需求负荷的精准预测，以克服RNNs算法在时间跨度增加时的信息流失问题，实现对供热***需求负荷的精准预测。

为解决上述问题，本发明提出一种供热需求负荷预测方法，该方法包括以下步骤：

步骤1、基于供热***负荷的相关因素，确定需求负荷预测模型的输入变量和输出变量；

步骤2、对接运行数据，并进行缺失、异常数据进行数据清洗，无室温数据情况下，根据运行经验数据，给定修正因素，修正样本负荷，确定负荷预测模型训练数据；

步骤3、基于深度长短期记忆网络算法，训练生成供热***需求负荷预测模型；

步骤4、结合经验值给出负荷修正因素，提升预测模型精度；

步骤5、在线检测模型精度，根据规则，重新训练生成需求负荷预测模型。

根据本发明的一些实施例，步骤1中需求负荷预测模型的输入变量为影响供热负荷的各种因素，输出变量的输出数据为待预测时刻的需求负荷数据，输入数据与输出数据构成负荷预测模型训练的样本集。

根据本发明的一些实施例，步骤2中的对接运行数据为实时接入输入数据，将获取的输入数据存入到负荷预测模型数据库中，并根据输入数据建立负荷预测模型的输入数据集，一定组数的输入数据集构成输入数据集矩阵。

根据本发明的一些实施例，在步骤2中，针对缺失、异常数据进行数据清洗过程，设置判断该条数据是否选作样本数据的缺失比例阈值，设置用于判断异常数据的异常数据阈值，按数据缺失比例分类进行处理：第一类、当前数据记录缺失数据条数占数据总条数的比例大于缺失比例阈值时，丢弃该组数据，样本数据条数自动补足；

第二类、当前数据记录缺失数据条数占数据总条数的比例小于等于缺失比例阈值，对数据进行补全处理；

第三类、当前数据异常判断超过异常数据阈值时，将异常数据丢弃后视为缺失数据，按第一类或第二类的方法对进行数据补充，对异常数据完成替换处理；

第四类、对没有室温测点的数据，增加负荷的修正因素，接合符合的修正因素对样本的负荷进行修正，以修正后的数据作为样本的输入数据与输出数据。

根据本发明的一些实施例，第二类处理方法包括：

缺失特征为非连续值时，补全方法采用前后数值算术平均数法；

缺失特征为连续值时，补全方法采用插值法。

根据本发明的一些实施例，对输入数据与输出数据进行标准化处理，标准化后的数据作为负荷预测训练模型的样本数据。

根据本发明的一些实施例，在步骤3的构造需求负荷预测模型步骤中，深度长短期记忆网络结构由输入层、隐藏层和输出层构成，输入层、隐藏层和输出层分别对应各自的系数，根据系数建立输入层、隐藏层和输出层之间的关系，通过算法优化系数形成需求负荷预测模型。

根据本发明的一些实施例，深度长短期记忆网络由长短期记忆单元链接而成，每个长短期记忆单元包括：

输入门，控制长短期记忆单元的信息是否需要被更新；

遗忘门，控制长短期记忆单元的信息是否需要被删除；

输出门，控制长短期记忆单元的信息是否需要在激活向量中被反映，其中，所用到的激活函数采用sigmoid函数。

根据本发明的一些实施例，在步骤3中，以均方差作为需求负荷预测模型训练的损失函数，设定迭代收敛系数，当损失函数小于迭代收敛系数时，完成需求负荷预测模型训练并得到用于预测需求负荷的需求负荷预测模型。

根据本发明的一些实施例，在步骤5中，当需求负荷预测模型计算值与实际测量值的精度偏差超过迭代收敛系数时，重新训练模型，重新训练模型的步骤包括：

步骤5.1、基于需求负荷预测模型，接入当前时刻的输入数据，计算当前时刻的需求负荷预测模型的预测负荷值；

步骤5.2、抓取当前时刻各站点的运行数据，计算站点当前时刻的消耗负荷；

步骤5.3、计算需求负荷预测模型的偏差精度；

步骤5.4、当偏差精度小于等于迭代收敛系数时，模型需求负荷预测不进行修正；

步骤5.5、当偏差精度大于迭代收敛系数时，从当前时刻的时间节点开始，读取时间区间中输入与输出的历史数据，重新训练模型，时间区间为与输入数据集矩阵中输入数据集组数相同组数的时间间隔的区间；当时间区间中出现缺失数据，则区间前移，直至满足输入数据集组数不变。

本发明的有益效果是：本发明采用深度LSTM网络方法中的特殊的“门”结构，对历史数据信息进行有效的记忆或筛选，解决传统RNNs神经网络无法有效利用远期数据信息的问题；其次，本发明结合了运行经验反馈的数据，作为负荷预测模型的修正，使预测负荷更加符合实际需求，提升了负荷预测模型的精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。

图1是本发明提供的供热需求负荷预测方法的主要步骤框图；

图2是本发明提供的供热需求负荷预测方法的数据对接示意图；

图3是本发明提供的供热需求负荷预测方法的LSTM网络的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。

需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”、“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。

基于上述目的，本发明实施例提出了一种供热需求负荷预测方法。

图1示出的是本发明提供的供热需求负荷预测方法的主要步骤框图。根据图1所示，本发明提出的一种应用深度长短期记忆算法与无室温数据修正的供热需求负荷预测方法，主要步骤包括：框S100所示的步骤1、基于供热***负荷的相关因素，确定需求负荷预测模型的输入变量和输出变量；框S200所示的步骤2、对接运行数据，并对缺失、异常数据进行数据清洗，无室温数据情况下，根据运行经验数据，给定修正因素，修正样本负荷，确定负荷预测模型训练数据；框S300所示的步骤3、基于深度长短期记忆网络算法，训练生成供热***需求负荷预测模型；框S400所示的步骤4、结合经验值给出负荷修正因素，提升预测模型精度；框S500所示的步骤5、在线检测模型精度，根据规则，重新训练生成需求负荷预测模型。

进一步，框S100所示的步骤1，基于供热***负荷的相关因素，确定负荷预测模型的输入输出变量，其中：LSTM网络算法属于一种机器学习类算法，基于机器学习算法建立负荷预测模型的第一步是分析与负荷模型有关的关联因素，确定输入变量与输出变量，继而基于供热***历史运行工况的数据集，采用算法训练，来建立负荷预测的“黑箱”模型。

供热***中的需求负荷预测，是指维持用户侧室内温度达到18℃的需求负荷，因此，负荷预测模型的输出为待预测负荷值。

负荷预测模型的输入数据是影响供热负荷的各种因素，本发明中负荷的输入数据X包括：下一时刻的气象数据U、当天是否为节假日L等因素、上一时刻的实际负荷Q_s与用户侧室温数据T，输出数据为待预测时刻的需求负荷数据Q_x。因此，供热***历史运行工况中的输入数据X与输出数据Q_x则构成了负荷预测模型训练的样本集。

本发明中的需求负荷预测的对象可以为热源、热力站或热用户。其中气象数据、节假日数据、室温数据为公共数据条件，负荷数据为个性数据，对象为热源时，则Q_s为该热源生产的所有负荷；对象为热力站时，则Q_s为该站点所供应二级网的输出负荷；对象为单个热用户时，Qs为该用户上一时刻消耗的热负荷。以下说明以热力站点为例。

进一步，框S200所示的步骤2，对接运行数据，并进行缺失、异常数据进行数据清洗，无室温数据情况下，根据运行经验给定修正因素，修正样本负荷，确定负荷预测模型训练数据，包括：步骤2.1，与运行数据进行对接；步骤2.2，对缺失、异常数据进行数据清洗；以及步骤2.3，数据标准化处理，确定训练模型的输入与输出数据样本集。

进一步，步骤2.1，与运行数据进行对接，其中：本发明提出对供热负荷进行在线预测，因此，实时接入运行数据，是对运行数据进行处理，继而进行建模的前提工作。

图2是本发明提供的供热需求负荷预测方法的数据对接示意图。数据对接涉及到的输入数据包括气象数据、节假日数据、上一时刻实际负荷、用户侧室温数据。气象数据、节假日数据通过读取第三方数据库1的约定第三方数据接口2获得，其中，气象数据包括：下一时刻的室外温度、空气湿度、风向、光照条件等参数；实际负荷、用户侧室温数据可采用OPC或其他方式，读取供热企业运行数据库。计算实际负荷的相关数据包括供热自动化***采集的各站点一级网供水温度、一级网回水温度、一级网流量；用户侧室温数据，即热用户室内温度的测点数据，输出数据为历史运行工况中各热力站点的供热负荷Q数据。

数据对接的目的是建立负荷预测模型的数据集，实现方式是根据规定时间间隔，通过数据对接软件3读取第三方数据接口2或自控***数据库4，抓取需求数据存取到负荷预测模型数据库5，令单次抓取的数据特征为n个，模型训练数据集为m组，则输入数据集矩阵X可表示为：

其中，x_ij代表第i个样本输入数据的第j个特征数据。

进一步，步骤2.2，对缺失、异常数据进行数据清洗，包括：数据清洗过程中，主要处理的是缺失数据、异常数据，达到去除异常、纠正错误、补足缺失的目的。

在数据采集与传输的过程中，会出现数据的缺失或异常现象。针对数据缺失的情况，按数据缺失比例进行分类，处理方法如下：

设该当前条数据为Y＝[y1，y2，...，yi，...，yn]，

(1)如当前数据记录缺失数据条数占数据总条数的比例超过θ％时，即：

则进行丢弃处理，丢弃掉该组数据后，样本数据条数自动补足，以满足m组数据的标准；

(2)当缺失比例如小于θ％时，需要对数据进行补全处理，缺失特征为非连续值yk时，采用前后数值算术平均数法，则缺失特征yk：

当缺失比例如小于θ％时，且缺失特征为连续值yk、yk+p时，因为供热***数据测量时间间隔较短，一般为数十秒或几分钟，因此，运行数据的特性看成一个连续变化的过程，补全方法采用插值法。则：

(3)针对异常数据，即某一时刻该数据发生突变，也需要进行替换处理。判断异常数据y_p为的方法为：

当时，将异常数据丢弃后视为缺失数据，采用上述方法(1)与方法(2)进行异常数据替换。

其中：

l_i为第i条数据缺失数据特征的数量；

θ：判断该条数据是否选作样本数据的缺失比例阈值；

y^*为第一列所有特征数据的均值；

β：判断异常数据的阈值。

(4)对没有室温测点的数据，增加负荷的修正因素，并处理样本负荷数据。在没有室温的条件下，二级网供水温度、回水温度作为运行人员判断站点供热是否达标的依据，对应于每个热力站点，有各自需求的供水温度与回水温度，当实际温度超过需求温度时，代表过供，反之则欠供，因此，以该参数来判断站点负荷是否满足要求，建立负荷预测模型的修正参数，针对各热力站负荷进行修正，方法如下：按照室外温度区间[T_low，T_up]，划分为z个室外工况，即U＝[U₁,U₂,...,U_j,...U_z]^T，由运行人员给定z个工况下各站点二级网需求供水温度Ts的经验值与二级网需求回水温度Tr的经验值，该经验值主要为根据入户测量的室温数据与供回水温度之间的关系，即，例如某一工况下测量得到的室内温度为18度，此时二级网供水温度为50度，则该温度为该站点的二级网需求供水温度。并得到对应工况下供水温度的修正因素λ_s，λ_s＝[λ_s1,λ_s2,...,λ_sj,...λ_sz]^T，与二级网回水温度的修正参数α_r，α_r＝[α_r1,α_r2,...,α_rj,...α_rz]^T，则：

与/>

则工况Ui，与之对应的二级网供回温度修正因素为[λ_sj、λ_rj]，则针对该工况下，无室温条件下站点负荷数据按修正因素修正为：Q_s'_j＝Q_sj×λ_sj×λ_rj

如无测量的数量数据， 则结合样本数据的室外工况U，对样本的负荷进行修正，以修正后的数据作为样本的输入与输出数据。

步骤2.3，采用正规化方法，对数据数据进行标准化化处理，确定训练模型的输入与输出数据样本集，包括：

令输入数据集矩阵X，每一列数据进行归一化处理， 处理方法如下：

对数据序列进行X进行变换，变换规则为：

处理后数据矩阵Z：

其中，

为每一列特征数据的均值；

s为第一列特征数据的标准差。

将标准化后的数据作为负荷预测训练模型的样本数据。

进一步，框S300所示的步骤3，基于深度LSTM网络算法，训练生成供热***需求负荷预测模型，包括：步骤3.1，基于深度LSTM网络算法，构造负荷预测模型；步骤3.2，训练生成负荷预测模型。

进一步，步骤3.1，应用深度LSTM网络算法，构造负荷预测模型，包括：深度LSTM网络结构是由输入层、隐藏层和输出层构成。输入层即作为模型的输入条件接口，即影响负荷的各种因素；隐藏层是LSTM的中间层，一般包含多个，当前隐藏层的输入为上一个隐藏层的输出，当前隐藏层的输出为下一个隐藏层的输入；输出层即通过模型计算当前输入条件下的负荷预测值。网络的每一层有对应的系数，通过该系数来建立输入层、隐藏层与输出层之间的联系。采用算法去优化各层的系数，以“损失函数”来评估网络的收敛效果，来建立输入数据与输出数据之间的特征，在模型参数校准达到条件后，即形成需求负荷预测模型。

图3是本发明提供的供热需求负荷预测方法的LSTM网络的结构示意图。与RNNs网络类似，LSTM网络由完全相同的LSTM单元6链接而成，但LSTM单元较RNNs单元复杂，也更加有利于信息更新。每个LSTM单元，包含3种特殊的“门”结构，通过不同的“门”结构的应用，来实现对“远期记忆”信息的删除或更新，达到更好的训练效果。LSTM单元的具体计算过程如下所述：

遗忘门7：

输入门8：

记忆单元状态：

输出门9：

其中，σ为激活函数；x^<t＞为时间步为t时网络的输入数据；a^<t＞时间步为t时LSTM单元隐藏层的输出数据；W_f、W_u、W_c、W_o以及b_f、b_u、b_c、b_o为同一层所有LSTM单元共有的参数，通过网络训练生成的值。

因此，遗忘门通过与c^<t＞做点乘，决定是否保留t-1时间步记忆单元原始状态；输入门通过/>与/>做点乘，决定是否更新t时间步记忆单元状态；遗忘门计算得到时间步t时的记忆单元状态c^<t＞后，经过tanh非线性函数输出，与输出门/>做点乘得到t时间步下隐藏层a^<t＞。通过算法训练后确定/>即为控制LSTM网络单元的信息是否需要被更新(输入门)、是否需要被删除(遗忘门)、以及是否需要在激活向量中被反映(输出门)的门结构。

门的激活函数采用sigmoid函数，此函数值可以在(0，1)区间内充分光滑。网络采用全连接层作为负荷预测值的模型输出值输入为隐藏层数据a^<t＞，即：

其中，Wdense是该网络最后一层的权重系数，b是贝叶斯参数，二者均通过网络训练得到；actv()是激活函数，本发明采取线性函数作为激活函数。则基于LSTM网络结构，可构造负荷预测模型

进一步，步骤3.2，训练生成负荷预测模型，包括：采用算法对模型的系数进行训练，以均方差作为模型训练的“损失函数”，损失函数越小，即代表模型训练的越好。均方差表达式为:

设定迭代收敛系数ε，当满足时，完成模型训练，即可得到用于预测需求的模型/>

进一步，步骤S500，在线检测模型精度，根据规则，重新训练生成负荷预测模型，包括：当模型计算值与实际测量值发生偏差时，即模型开始出现失准的情况，当精度偏差超过ε时，需要重新训练模型。重新训练模型的步骤如下：

(1)基于负荷预测模型接入当前时刻输入数据，计算当前时刻t1时的模型预测负荷值/>

(2)抓取当前时刻，各站点的运行数据，计算该站点当前时刻的消耗负荷Q_x。

(3)计算模型的偏差精度

(4)当时，模型不进行修正；当/>时，转入第(5)步。

(5)选取t1时间节点1；选取t2时间节点2，其中，t1与t2时间间隔为m*Δt；读取时间区间[t1，t2]内输入与输出的历史数据，重新训练模型；如该时间区间内出现缺失数据，时间区间前移，直至满足m组模型训练样本数据要求。

以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。

应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。

上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims (10)

1.一种供热需求负荷预测方法，其特征在于，所述方法包括以下步骤：

步骤1、基于供热***负荷的相关因素，确定需求负荷预测模型的输入变量和输出变量，其中，

需求负荷预测是指维持用户侧室内温度达到18℃的需求负荷；输入变量包括：下一时刻的气象数据、当天是否为节假日、上一时刻的实际负荷与用户侧室温数据；

步骤2、对接运行数据，并对缺失、异常数据进行数据清洗，无室温数据情况下，基于修正因素修正样本负荷，确定负荷预测模型训练数据；

步骤3、基于深度长短期记忆网络算法，训练生成供热***需求负荷预测模型；

步骤4、结合所述修正因素，提升预测模型精度；

步骤5、在线检测模型精度，根据规则，重新训练生成需求负荷预测模型；

其中，对没有室温测点的数据，增加负荷的修正因素，结合所述负荷的修正因素对样本的负荷进行修正，以修正后的数据作为样本的输入数据与输出数据，具体方法为：

按照室外温度区间[T_low，T_up]，划分为z个室外工况U＝[U₁，U₂，...，U_j，...U_z]^T，由运行人员给定z个工况下各站点二级网需求供水温度Ts的经验值与二级网需求回水温度Tr的经验值，并得到对应工况下供水温度的修正因素λ_s，λ_s＝[λ_s1，λ_s2，...，λ_sj，...λ_sz]^T、与二级网回水温度的修正参数α_r，α_r＝[α_r1，α_r2，..，α_rj，...α_rz]^T，则：

与/>

则工况Ui，与之对应的二级网供回温度修正因素为[λ_sj、λ_rj]，则针对该工况下，无室温条件下站点负荷数据按修正因素修正为：Q′_sj＝Q_sj×λ_sj×λ_rj，其中，

λ_sj为第j个工况下的供水温度的修正因素；

T_sj为第j个工况下的经验供水温度；

为当前需求工况g对应的供水温度，采用第j个工况参数进行修正计算；

λ_rj为第j个工况下的回水温度的修正因素；

T_rj为第j个工况对应的经验回水温度；

为当前需求工况g对应的回水温度，采用第j个工况参数进行修正计算。

2.根据权利要求1所述的供热需求负荷预测方法，其特征在于，所述步骤1中所述需求负荷预测模型的所述输入变量为影响供热负荷的各种因素，所述输出变量的输出数据为待预测时刻的需求负荷数据，输入数据与输出数据构成负荷预测模型训练的样本集。

3.根据权利要求1所述的供热需求负荷预测方法，其特征在于，所述步骤2中的所述对接运行数据为实时接入输入数据，将获取的输入数据存入到负荷预测模型数据库中，并根据输入数据建立负荷预测模型的输入数据集，一定组数的输入数据集构成输入数据集矩阵。

4.根据权利要求1所述的供热需求负荷预测方法，其特征在于，所述步骤2中，针对缺失、异常数据进行数据清洗过程包括设置判断其中至少一条数据是否选作样本数据的缺失比例阈值，设置用于判断异常数据的异常数据阈值，按数据缺失比例分类进行处理：第一类、当前数据记录缺失数据条数占数据总条数的比例大于所述缺失比例阈值时，丢弃该组数据，样本数据条数自动补足；

第二类、当前数据记录缺失数据条数占数据总条数的比例小于等于所述缺失比例阈值，对数据进行补全处理；

第三类、当前数据异常判断超过所述异常数据阈值时，将异常数据丢弃后视为缺失数据，按第一类或第二类的方法对进行数据补充，对异常数据完成替换处理。

5.根据权利要求4所述的供热需求负荷预测方法，其特征在于，所述第二类处理方法包括：

缺失特征为非连续值时，补全方法采用前后数值算术平均数法；

缺失特征为连续值时，补全方法采用插值法。

6.根据权利要求5所述的供热需求负荷预测方法，其特征在于，对输入数据与输出数据进行标准化处理，标准化后的数据作为负荷预测训练模型的样本数据。

7.根据权利要求4所述的供热需求负荷预测方法，其特征在于，在所述步骤3的构造需求负荷预测模型步骤中，深度长短期记忆网络结构由输入层、隐藏层和输出层构成，所述输入层、隐藏层和输出层分别对应各自的系数，根据所述系数建立所述输入层、隐藏层和输出层之间的关系，通过算法优化所述系数形成需求负荷预测模型。

8.根据权利要求1所述的供热需求负荷预测方法，其特征在于，深度长短期记忆网络由长短期记忆单元链接而成，每个所述长短期记忆单元包括：

输入门，所述输入门控制所述长短期记忆单元的信息是否需要被更新；

遗忘门，所述遗忘门控制所述长短期记忆单元的信息是否需要被删除；

输出门，所述输出门控制所述长短期记忆单元的信息是否需要在激活向量中被反映，其中，所用到的激活函数采用sigmoid函数。

9.根据权利要求1所述的供热需求负荷预测方法，其特征在于，在所述步骤3中，以均方差作为需求负荷预测模型训练的损失函数，设定迭代收敛系数，当所述损失函数小于所述迭代收敛系数时，完成所述需求负荷预测模型训练并得到用于预测需求负荷的需求负荷预测模型。

10.根据权利要求9所述的供热需求负荷预测方法，其特征在于，在所述步骤5中，当所述需求负荷预测模型计算值与实际测量值的精度偏差超过所述迭代收敛系数时，重新训练模型，重新训练模型的步骤包括：

步骤5.1、基于所述需求负荷预测模型，接入当前时刻的输入数据，计算当前时刻的所述需求负荷预测模型的预测负荷值；

步骤5.2、抓取当前时刻各站点的运行数据，计算所述站点当前时刻的消耗负荷；

步骤5.3、计算所述需求负荷预测模型的偏差精度；

步骤5.4、当所述偏差精度小于等于所述迭代收敛系数时，所述模型需求负荷预测不进行修正；

步骤5.5、当所述偏差精度大于所述迭代收敛系数时，从当前时刻的时间节点开始，读取时间区间中输入与输出的历史数据，重新训练模型，所述时间区间为与输入数据集矩阵中输入数据集组数相同组数的时间间隔的区间；

当所述时间区间中出现缺失数据，则所述区间前移，直至满足输入数据集组数不变。