Die Methodik dieses Forschungsprojekts wird in vier Hauptteilen diskutiert. Zunächst werden die Details zur Einrichtung der Datensätze erläutert. Im zweiten Teil wird der Gesamtalgorithmus zur Vorhersage des Stromverbrauchs detailliert erklärt. Dies umfasst die Funktionsweise von LSTM und die zukünftige Stromverbrauchsprognose. Teil drei befasst sich mit der Optimierung des Algorithmus, der in Verbindung mit dem Gesamtsystem verwendet wurde. In diesem Abschnitt werden verschiedene Optimierer und Hyperparameter verwendet, um optimale Ergebnisse zu erzielen.
Ein realer Datensatz zum Stromverbrauch wurde für dieses Projekt verwendet, der von der Open-Source-Datenquelle OpenEI heruntergeladen wurde. Der Datensatz enthält ein Jahr lang stündliche Stromverbrauchsaufzeichnungen eines Krankenhausgebäudes in Phoenix, USA. Die Daten wurden von 00:00 bis 23:00 an jedem Tag des Jahres erhoben, was insgesamt 8760 Datenelemente ergibt. Die Daten wurden in Form einer Zeitreihe angeordnet, wobei der Stromverbrauch in Kilowattstunden (kWh) stündlich gemessen wurde.
Die Forschung nutzte ein LSTM-Regressionnetzwerk, um zukünftige Stromnutzung vorherzusagen. Die Struktur beinhaltet Eingabe- und Ausgabemodule, Datenvorverarbeitung, ein LSTM-Netzwerk und eine Modul zur Modelloptimierung. Das Ziel war es, die Informationsaufbewahrung über längere Zeiträume sicherzustellen und eine Funktion zu finden, die die aktuelle Energieverbrauchsdaten erklärt. Der Datensatz wurde in ein Format umgewandelt, das von einem LSTM-Algorithmus als Eingabe verwendet werden konnte. Die Daten wurden normalisiert, um das Training zu verbessern.
Die Optimierung des Modells erfolgte durch Maximierung des R-Quadrats und Minimierung des mittleren absoluten Fehlers. Der R-Quadrat-Wert misst, wie gut die Regressionslinie zu den Daten passt. Der Optimierungsprozess beinhaltet die Anpassung der Gewichte und Lernraten, um die Genauigkeit zu verbessern. Die Hyperparameter spielten eine entscheidende Rolle, darunter die Anzahl der Neuronen in versteckten Schichten, die Anzahl versteckter Schichten und die Aktivierungsfunktion. Durch die richtige Einstellung dieser Parameter konnte eine optimale Leistung des neuronalen Netzwerks erzielt werden.