CN113837464A - 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法 - Google Patents

Abstract

本发明涉及基于CNN‑LSTM‑Attention的热电联产锅炉负荷预测方法，包括步骤：S1、数据采集；S2、数据预处理；S3、将源域数据集划分为训练集和测试集，目标域数据集设置为验证集；S4、搭建CNN‑LSTM‑Attention神经网络模型；S5、保存源域模型参数再转换为目标域模型，采用各个锅炉出口蒸汽流量作为负荷的预测目标；S6、采用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。本发明的有益效果是：本发明通过建立CNN‑LSTM‑Attention神经网络模型，高效利用海量热电联合电厂机组运行数据资源，结合历史存储资源，为锅炉的寿命预测以及实时调整设备运行参数提供可靠的依据。

Description

一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法

技术领域

本发明涉及复杂设备寿命预测领域，特别涉及基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法。

背景技术

目前，中国供热行业正在经历从传统走向现代化的创新发展之路，供热系统正在逐步实现从手动到自动、智能、智慧供热的跨越。在低碳清洁能源新情境下，应对区域热用户供热需求的波动性、变化因素显著增加，针对数十分钟至数小时的短周期，开展热电厂运行调度策略的实时优化研究具有显著的应用价值。

国内部分热电厂的运行方式为母管制，各台并列运行的锅炉之间通过主蒸汽母管相互联结，所有锅炉产生的蒸汽都先送入同一根母管中，再由蒸汽母管分别送入各台汽轮机组中。母管制系统中，锅炉与汽轮机并无一一对应的关系，主蒸汽将系统分为炉侧和机侧，各机组间可以通过相互调节配合来满足负荷需要，对负荷变化的适应性较强。例如浙江桐乡电厂采用的是3台锅炉加2台汽轮机的母管制运行方式(参考图1，包括锅炉1、蒸汽母管2、母管抽气管3、减温减压装置4、汽轮机5、发电机6、凝气机7、热用户8、电用户9)，对不同锅炉和汽轮机进行负荷调度分配调节，需要提前准确预测出锅炉出口蒸汽流量的值以及变化趋势，进而充分有效的利用锅炉的全部负荷，避免资源浪费。进一步，可根据预测结果诊断锅炉当前工作状态，以作及时调整。

随着国内电力系统信息集成化的推广普及，热电厂发电机组在运行过程中积累了海量的数据，这些数据与机组的运行状态有着密不可分的联系，如何挖掘该数据背后的潜在价值并加以利用，以指导热电厂机组的优化运行，进而促进电力绿色环保发展具有重要意义。当前，国内外多采用大数据研究方法，对机组进行实时监测和优化，对提高热电厂装置效率及寿命具有一定的意义，更进一步，通过机器学习手段，根据电厂机组历史运行数据对设定工况下未来机组的运行状态(如负荷等)进行预测，从而提前做出有效的决策判断，调整机组相关联参数，以获得更高的经济效益，也具有广泛的研究价值。

近年来，随着人工智能技术的发展，越来越多的机器学习模型用于时间序列的数据预测中来。深度学习是机器学习发展最热门的分支，其中卷积神经网络(CNN)能有效处理空间信息，目前在机器视觉中广泛应用，长短期记忆(LSTM)神经网络能更好地处理时序信息，能有效地学习历史时序数据中的规律，并高效地预测未来某个时间点或时间段的数据分布情况，其在语音识别、机器翻译以及工业大数据领域的应用已相当成熟。在计算能力有限的情况下，注意力机制(Attention mechanism)作为一种资源分配方案，将有限的计算资源用于处理更重要的信息，是解决信息超载问题的主要手段。负荷预测时，增添注意力机制可以在处理大量输入信息时做灵活的取舍，选取一些关键信息处理，进而提高效率，保证精度。当前研究对热电联产设备的锅炉负荷产出的相关研究和预测相对较少。

发明内容

本发明的目的是克服现有技术中的不足，提供一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法，通过建立CNN-LSTM-Attention神经网络模型，根据电厂机组运行历史数据中与锅炉负荷相关联度较高的参数来预测未来特定时间点(段)的负荷(变化)，从而为热电联产锅炉的寿命预测以及实时调整设备运行参数提供可靠的依据。

这种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法，包括以下步骤：

S1、数据采集：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，包括炉给水流量、瞬时总给煤量、除盐水流量、一次送风机出口风量和二次送风机出口风量；将热电厂历史数据作为源域数据，将热电厂在线数据作为目标域数据；

S2、数据预处理：对数据进行异常值处理、缺失值处理和归一化处理，并将数据转换为用于监督学习的数据类型，分为源域数据集和目标域数据集；

S3、将源域数据集划分为训练集和测试集，目标域数据集设置为验证集；

S4、搭建CNN-LSTM-Attention神经网络模型，该模型包括一个输入层、若干个中间层和一个输出层，依次连接；并将训练集和测试集数据代入源域模型进行训练，然后通过误差计算确定收敛后结束训练；

S5、源域模型训练结束后保存源域模型参数再转换为目标域模型，采用各个锅炉出口蒸汽流量作为负荷的预测目标，将验证集数据代入目标域模型进行预测；

S6、针对模型训练中的损失函数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。

作为优选：步骤S1中，以传感器类别为列，以采集数据个数为行，制成表格存入数据库。

作为优选：步骤S2中，所述的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`为归一化结果，数值区间为[0,1]。

作为优选：步骤S4中，所述的输入层特征映射组为多维数组，维度为功率影响因素个数。

作为优选：步骤S4中，所述的中间层包括一个卷积层、一个池化层、一个Dropout层、一个LSTM层、一个全连接层、一个Attention层和一个Flatten层；

卷积层用于提取多维输入的空间特征，以卷积核或滤波核步长为单位纵向依次与数据进行卷积操作，得到简化数据，并进行最大值池化Max-pooling操作，取特征域的最大值作为结果输出；卷积过程采用非线性激活函数构造输出特征，其数学模型描述为：

式中：

表示第i个滤波核在l层的权重；

表示第i个滤波核在l层的偏置；x^l(j)表示第l层的第j个神经元的输入；

表示第j个神经元在l+1层的输入；符号·表示内核与该局部区域的点积；

Dropout层对卷积层的参数进行部分舍弃；

LSTM层对卷积层输出的特征映射在时间方向进行特征提取，将多维输入参数与预测目标建立映射关系，以一定长度的输入值预测输出值，再用生成的输出值与输入值合并预测下一个输出；

全连接层将LSTM层提取的特征输入到Attention层中处理，Attention层是一个融合了注意力机制的全连接层，其根据输入与输出各元素的注意力分值来优化权值分配；注意力机制的计算分为两步：一是在所有输入信息上计算注意力分布，二是根据注意力分布来计算输入信息的加权平均，计算式如下：

式中：α_n为注意力分布；p表示概率；z∈[1,N]为注意力变量，表示被选择信息的索引位置；X＝[x₁,...,x_N]∈R^D×N表示N组输入信息，R表示实数集矩阵，维数为D；q为查询向量，表示输入向量与特定任务相关的信息；softmax函数将值转化为[0,1]内的概率分布；exp表示指数函数；s(x_n,q)为注意力打分函数，由下式计算：

式中：x_n为X中的一项；x^T为x向量的转置；

最后将LSTM层的输出和经Attention操作后的权值一并输入Flatten层进行维数的削减，转化为一维向量，经过输出层输出预测序列结果。

作为优选：步骤S4中，将训练集和测试集数据输入源域模型中，设置训练集和测试集的比例、模型迭代次数和单次训练送入数据批量，并实时监测其损失函数值的变化。

作为优选：步骤S6中，模型评价指标为均方根误差RMSE和平均绝对百分比误差MAPE，公式如下：

式中：N为训练样本总数；

为预测功率；L_i为实际功率；

采用MAPE作为损失函数，评价模型迭代时的收敛情况；采用RMSE作为进一步评估模型预测准确率的标准。

本发明的有益效果是：本发明提出了一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法，通过建立CNN-LSTM-Attention神经网络模型，高效利用海量热电联合电厂机组运行数据资源，结合历史存储资源，为锅炉的寿命预测以及实时调整设备运行参数提供可靠的依据。该方法利用电厂历史数据进行实验，以锅炉出口蒸汽量为预测变量，通过相关度分析提取功率影响因素，以均方根误差和平均绝对百分比误差作为模型优劣的评价标准，最终实现对未来某一时刻电厂锅炉负荷的预测。

附图说明

图1是热电厂母管制锅炉和汽轮机布置图。

图2是本发明的CNN-LSTM-Attention神经网络结构示意图。

图3是本发明基于CNN-LSTM-Attention的热电联产锅炉负荷预测流程图。

图4是本发明的预测模型参数映射图。

图5是本发明的负荷预测结果对比图(其中图a、图b、图c分别表示三次预测结果对比图)。

图6是本发明与传统方法平均绝对百分比误差MAPE对比图。

图7是本发明与传统方法均方根误差RMSE对比图。

图8是本发明与传统方法MAE方差对比图。

具体实施方式

下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

实施例一

本申请实施例一提供一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法的组成部分，包括：基于数据采集、存储、预处理，CNN-LSTM-Attention神经网络模型搭建，神经网络模型训练，时间序列预测。其中：

数据采集部分：根据实际需求布置相关传感器，采集与本发明联合循环功率预测相关联的状态参数，包括炉给水流量、瞬时总给煤量、除盐水流量、一次送风机出口风量和二次送风机出口风量等，以传感器类别为列，以采集数据个数为行，制成表格存入Sqlserver数据库。

数据存储部分：利用Sql server数据库技术，建立热电联产发电机组工作状态数据库管理系统，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，实现接受来自用户的数据、提前为用户缓存数据、向云端上传数据等功能，另一方面存储系统的部分历史数据，为深度学习模块提供训练样本。

数据预处理部分：需将采集得到的原始状态参数进行缺失值、异常值及归一化处理，以保证后续模型训练的效率。

进一步地，所述的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`为归一化结果，数值区间为[0,1]。

CNN-LSTM-Attention神经网络模型搭建部分：采用Python语言搭建神经网络，该网络包括一个输入层、多个中间层(隐含层)和一个输出层(具体网络结构可以根据特定的数据规模进行调整)，依次连接，可以对时间序列数据进行特征提取和预测，如图2所示。

进一步地，所述的输入层特征映射组为多维数组(维度即为功率影响因素个数)，其中采用步长为24滑动窗口将数组转化为可用于监督学习的数据格式，将前24小时的负荷影响因素和负荷值与当前时间点的负荷值进行映射。

进一步地，所述的隐含层中，包含一个卷积层、一个池化层、一个Dropout层、一个LSTM层、一个全连接层、一个Attention层和一个Flatten层。

所述的CNN是一种具有局部连接、权值共享等特性的深层前馈神经网络，其在处理图像数据方面具有独特的优势；LSTM是循环神经网络的一种变体，一方面能够有效的挖掘时序数据的时间特性，另一方面能够解决梯度爆炸或消失问题；Attention机制是一种计算资源分配手段，其提取序列中不同元素对标签的关联程度来有效的分配模型计算时的权重，只选择一些关键的信息输入进行处理，以提高神经网络的效率。本文的热电厂锅炉负荷预测是一个多维时间序列预测一维时间序列(Seq2Seq)的问题，其输入量为影响负荷的多维因素，输出为一段时间负荷的数值。

卷积层部分用于提取多维输入的空间特征，以卷积核或滤波核(Kernel)步长为单位纵向依次与数据进行卷积操作，得到简化数据，并进行最大值池化(Max-pooling)操作，取特征域的最大值作为结果输出。卷积过程一般采用非线性激活函数构造输出特征，其数学模型描述为：

式中：

表示第i个滤波核在l层的权重，

表示第i个滤波核在l层的偏置，x^l(j)表示第l层的第j个神经元的输入，

表示第j个神经元在l+1层的输入，即第j个神经元在l层的输出。符号·表示内核与该局部区域的点积。该模型中的卷积层部分，对输入的多维时间序列进行卷积操作，能够提取各个维度元素之间的空间分布特性，提高深度挖掘效果，并且卷积神经网络拥有权值共享的特性，网络参数进行削减，对模型训练效率有着大幅度提升。

Dropout操作对卷积层的参数进行部分舍弃，从而降低神经网络的复杂度，提高训练效率。

LSTM层对卷积层输出的特征映射(长×宽的矩阵)在时间(长度)方向进行特征提取，将多维输入参数与预测目标建立映射关系，以一定长度的输入值预测输出值，再用生成的输出值与输入值合并预测下一个输出。

全连接层将LSTM层提取的特征输入到Attention层中处理，Attention层是一个融合了注意力机制的全连接层，其根据输入与输出各元素的注意力分值来优化权值分配。注意力机制的计算分为两步：一是在所有输入信息上计算注意力分布，二是根据注意力分布来计算输入信息的加权平均，计算式如下：

式中：α_n为注意力分布；p表示概率；z∈[1,N]为注意力变量，表示被选择信息的索引位置；X＝[x₁,...,x_N]∈R^D×N表示N组输入信息，R表示实数集矩阵，维数为D；q为查询向量，是表示输入向量与特定任务相关的信息；softmax函数将值转化为[0,1]内的概率分布；exp表示指数函数；s(x_n,q)为注意力打分函数，可由下式计算：

式中：x_n为X中的一项；x^T为x向量的转置。

最后将LSTM层的输出和经Attention操作后的权值一并输入Flatten(压平)层进行维数的削减，转化为一维向量，经过输出层输出预测序列结果。

该模型在传统的LSTM上引入了卷积层，提高了特征挖掘的效率，降低了网络的参数复杂度，引入注意力机制，充分考虑数据纵向维度之间的相关程度，优化权值分配，能够获得更好的预测效果。

神经网络模型训练部分：需要将上述处理后的数据输入待训练的神经网络中，设置训练集和测试集的比例(一般为4:1，数据量较大时可以适当提高测试集占比)、模型迭代次数(取50次，也可以根据数据量进行适当调整)、单次训练送入数据批量(32个样本，或32的整数倍)，并实时监测其损失函数值的变化，最后以折线图的形式输出其误差。

进一步地，本发明采用的模型识别评价标准为均方根误差(RMSE)、平均绝对百分比误差(MAPE)，分别如下式：

式中：N为训练样本总数；

为预测功率；L_i为实际功率。

本发明采用MAPE作为损失函数，用于评价模型迭代时的收敛情况，采用RMSE作为进一步评估模型预测准确率的标准。

时间序列预测部分：本发明采用各个锅炉出口蒸汽流量作为负荷的预测目标，将一批与训练集分布相同的新数据作为验证集输入训练完成的模型，并绘制模型预测结果与真实数据的对比曲线图。

实施例二

本申请实施例二提供一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法，如图3所示，包括：数据获取及预处理、离线训练、在线诊断，具体包括以下步骤：

S1：数据采集(本实施例为某热电联产电厂机组中3台锅炉、2台汽轮机运行数据，共采集约19000条、70维数据集)，采集热电厂历史数据作为源域数据，采集热电厂在线数据作为目标域数据；

S2：数据预处理，对数据进行异常值处理、缺失值补全、归一化处理，并将数据转换为可用于监督学习的数据类型，分别为源域数据集和目标域数据集；

S3：将源域数据集划分为训练集和测试集，目标域数据集设置为验证集，训练集：测试集：验证集的数据比例为7：2：1；

S4：搭建CNN-LSTM-Attention神经网络模型，并将训练集和测试集数据代入CNN-LSTM-Attention神经网络模型(源域模型)进行训练，然后通过误差计算确定收敛后结束训练(即图3中的离线训练)；

S5：源域模型训练结束后保存源域模型参数再转换为目标域模型，将验证集数据代入目标域模型进行预测(即图3中的在线诊断)；

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，两者越小，表明模型预测准确率越高；

S7：生成真实值-预测值曲线图，直观评估模型的预测效果。

实施例三

如图4所示，为本发明预测模型参数映射图，根据物理机理分析法、方差检验法、皮尔逊相关度分析对70维数据进行筛选，挑选数据分布最优、与预测目标关联最密切的参数作为模型输入，经处理，模型输入为当前时刻炉给水流量、瞬时总给煤量、除盐水流量、一次送风机出口风量和二次送风机出口风量，输出为未来一小时的锅炉负荷即锅炉出口蒸汽流量。

根据CNN-LSTM-Attention神经网络模型以及多变量输入时间序列预测的原理，本实施例提出的基于CNN-LSTM-Attention网络的热电联产负荷预测模型具体结构参数如表1。

表1模型结构参数

利用预测时间点之前的负荷曲线和负荷影响因素对预测时间点的负荷进行预测，其基本结构如图2所示。模型的输出为预测时间点的负荷(出口蒸汽流量)值，如下式所示：

历史负荷为：

L_t，d-w＝{l_t，d-１，l_t，d-2，l_t，d-3，…，I_t，d-w}

式中：l_t，d-w为预测时间点前w个数据样本的负荷值。

负荷影响因素为：

F_t，d＝{a_t，d，b_t，d，c_t，d，d_t，d，e_t，d}

式中：a_t，d为炉给水流量；b_t，d为瞬时总给煤量；c_t，d为除盐水流量；d_t，d为一次送风机出口风量；e_t，d二次送风机出口风量。

建立的锅炉负荷预测模型中，第t个时刻的输入由历史负荷与负荷影响因素构成，表示为I_input＝{L_t，d-w，F_t，d}，输出值为

神经网络模型搭建完成后，将预处理完成数据按照训练集/测试集输入到神经网络，设置模型迭代次数为50，每次训练批量为128，优化器选择Adam，初始学习率设置为0.001，模型训练方式为GPU。

为检验本实施例提出的基于CNN-LSTM-Attention的热电联产锅炉负荷预测模型效果，需输入验证集，以验证模型的预测准确性，并将预测结果与真实数据进行对比，并与单一的LSTM和CNN-LSTM算法进行对比。

如图5所示，本实施例提出的CNN-LSTM-Attention负荷预测模型的预测值与真实值贴合紧密，误差较小，而LSTM模型预测结果则与真实值有着较大差距，效果最差。对每个锅炉每个模型分别进行10次验证，预测误差平均值如图6、7所示。

本实施例提出的CNN-LSTM-Attention负荷预测模型在对三个锅炉进行负荷预测时，其RMSE均最小，MAPE均小于1％，具有极高的准确率。

在RMSE衡量方面，CNN-LSTM-Attention应用于三个锅炉负荷预测较LSTM分别提升4.762、3.008、3.766t/h，较CNN-LSTM分别提升0.982、0.747、0.362t/h；在MAPE衡量方面，CNN-LSTM-Attention较LSTM分别提升3.6％、1.712％、2.513％，较CNN-LSTM分别提升0.585％、0.406％、0.263％。

图8为各模型MAE方差值，CNN-LSTM-Attention模型的误差方差较小，表明其预测结果不仅准确而且稳定性高，在实际电力生产中具有更加优秀的应用效果。

Claims (7)

1.一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法，其特征在于，包括以下步骤：

S1、数据采集：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，包括炉给水流量、瞬时总给煤量、除盐水流量、一次送风机出口风量和二次送风机出口风量；将热电厂历史数据作为源域数据，将热电厂在线数据作为目标域数据；

S2、数据预处理：对数据进行异常值处理、缺失值处理和归一化处理，并将数据转换为用于监督学习的数据类型，分为源域数据集和目标域数据集；

S3、将源域数据集划分为训练集和测试集，目标域数据集设置为验证集；

S4、搭建CNN-LSTM-Attention神经网络模型，该模型包括一个输入层、若干个中间层和一个输出层，依次连接；并将训练集和测试集数据代入源域模型进行训练，然后通过误差计算确定收敛后结束训练；

S5、源域模型训练结束后保存源域模型参数再转换为目标域模型，采用各个锅炉出口蒸汽流量作为负荷的预测目标，将验证集数据代入目标域模型进行预测；

S6、针对模型训练中的损失函数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CNN-LSTM-Attention的热电联产锅炉负荷预测方法，其特征在于：步骤S1中，以传感器类别为列，以采集数据个数为行，制成表格存入数据库。

3.根据权利要求1所述的基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法，其特征在于：步骤S2中，所述的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`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CNN-LSTM-Attention的热电联产锅炉负荷预测方法，其特征在于：步骤S4中，所述的输入层特征映射组为多维数组，维度为功率影响因素个数。

5.根据权利要求1所述的基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法，其特征在于：步骤S4中，所述的中间层包括一个卷积层、一个池化层、一个Dropout层、一个LSTM层、一个全连接层、一个Attention层和一个Flatten层；

卷积层用于提取多维输入的空间特征，以卷积核或滤波核步长为单位纵向依次与数据进行卷积操作，得到简化数据，并进行最大值池化Max-pooling操作，取特征域的最大值作为结果输出；卷积过程采用非线性激活函数构造输出特征，其数学模型描述为：

式中：

表示第i个滤波核在l层的权重；

表示第i个滤波核在l层的偏置；x^l(j)表示第l层的第j个神经元的输入；

表示第j个神经元在l+1层的输入；符号·表示内核与该局部区域的点积；

Dropout层对卷积层的参数进行部分舍弃；

LSTM层对卷积层输出的特征映射在时间方向进行特征提取，将多维输入参数与预测目标建立映射关系，以一定长度的输入值预测输出值，再用生成的输出值与输入值合并预测下一个输出；

全连接层将LSTM层提取的特征输入到Attention层中处理，Attention层是一个融合了注意力机制的全连接层，其根据输入与输出各元素的注意力分值来优化权值分配；注意力机制的计算分为两步：一是在所有输入信息上计算注意力分布，二是根据注意力分布来计算输入信息的加权平均，计算式如下：

式中：α_n为注意力分布；p表示概率；z∈[1,N]为注意力变量，表示被选择信息的索引位置；X＝[x₁,...,x_N]∈R^D×N表示N组输入信息，R表示实数集矩阵，维数为D；q为查询向量，表示输入向量与特定任务相关的信息；softmax函数将值转化为[0,1]内的概率分布；exp表示指数函数；s(x_n,q)为注意力打分函数，由下式计算：

式中：x_n为X中的一项；x^T为x向量的转置；

最后将LSTM层的输出和经Attention操作后的权值一并输入Flatten层进行维数的削减，转化为一维向量，经过输出层输出预测序列结果。

6.根据权利要求1所述的基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法，其特征在于：步骤S4中，将训练集和测试集数据输入源域模型中，设置训练集和测试集的比例、模型迭代次数和单次训练送入数据批量，并实时监测其损失函数值的变化。

7.根据权利要求1所述的基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法，其特征在于：步骤S6中，模型评价指标为均方根误差RMSE和平均绝对百分比误差MAPE，公式如下：

式中：N为训练样本总数；

为预测功率；L_i为实际功率；

采用MAPE作为损失函数，评价模型迭代时的收敛情况；采用RMSE作为进一步评估模型预测准确率的标准。

Images