亮點：提出了一種級聯LSTM模型，很有創新性

基於短期熱電聯產熱負荷預測方法級聯LSTM

CHP (combined heat and power)：熱電聯供

首先對輸入資料進行歸一化處理；

並將其分為歷史氣候和熱負荷資料。然後

將分離的資料饋送到兩個LSTM神經網路。最後，

這兩個LSTM模型被連線成另一個輸入。

LSTM模型緊跟著兩個稠密層。使用Relu函式

作為緻密層的啟用函式和亞當（自適應）

矩量法被用作梯度的優化器。這個

級聯的LSTM架構在熱環境下進行訓練和測試。

2016年11月至2017年2月7日山東日照的負荷資料。

實驗結果表明：

與簡單LSTM相比，預測精度更高。

熱電聯產熱負荷是一種強時序列資料。季節性，與溫度、溼度密切相關，風速、風向和日照強度〔2〕。

因此，溫度、氣壓、風速和溼度

如圖1所示。輸入門定義新計算的當前狀態的多少輸入允許通過。遺忘門定義了多少

先前狀態允許通過。輸出門定義了大部分內部狀態暴露給外部網路。輸入門、遺忘門和輸出的啟用函式所有的門都是乙狀函式。

Ct代表計算狀態

輸入資料分為兩部分：氣候資料和熱負荷資料。前者包括4個維度，包括溫度、氣壓、風速和溼度資料，以及後者具有1個維度，即歷史熱負荷。

構建兩個LSTM（LSTMY1和LSTMY2）接受以上兩個輸入分別。然後連線LSTM1和LSTMy2具有合併層，稱為合併。取輸出

合併層作為3路LSTM層的輸入，稱為LSTMY3。遵循LSTMY3，有兩個緻密層用於降低LSTMY3輸出到時間步長的輸出維數

對應於輸入〔17〕。啟用函式緻密層是Relu函式

使用Relu函式的原因是它具有高效梯度傳播與加速計算培訓過程。

Adam

亞當（18）演算法是基於梯度的演算法。

優化器。估計一階矩和二階矩。

採用指數移動平均的梯度矩

糾正其偏見。使用亞當的優點是：

動量可以提供更快的引數收斂；

模型收斂到區域性最優解減少；

通過設定上界來避免梯度爆炸。

學習步長。更新過程如下:

預測過程

步驟1：形成輸入和輸出資料集，其中輸入資料包括溫度、氣壓、風速、溼度資料

以及在一定時間段內的熱負荷資料和輸出資料是滯後於輸入熱量的熱負荷資料。為20個時間步載入資料

更低的誤差率，更早的收斂