亮点：提出了一种级联LSTM模型，很有创新性
基于短期热电联产热负荷预测方法级联LSTM
CHP (combined heat and power)：热电联供
首先对输入数据进行归一化处理；
并将其分为历史气候和热负荷数据。然后
将分离的数据馈送到两个LSTM神经网络。最后，
这两个LSTM模型被连接成另一个输入。
LSTM模型紧跟着两个稠密层。使用Relu函数
作为致密层的激活函数和亚当（自适应）
矩量法被用作梯度的优化器。这个
级联的LSTM架构在热环境下进行训练和测试。
2016年11月至2017年2月7日山东日照的负荷数据。
实验结果表明：
与简单LSTM相比，预测精度更高。
热电联产热负荷是一种强时序列数据。季节性，与温度、湿度密切相关，风速、风向和日照强度〔2〕。
因此，温度、气压、风速和湿度
如图1所示。输入门定义新计算的当前状态的多少输入允许通过。遗忘门定义了多少
先前状态允许通过。输出门定义了大部分内部状态暴露给外部网络。输入门、遗忘门和输出的激活函数所有的门都是乙状函数。
Ct代表计算状态
输入数据分为两部分：气候数据和热负荷数据。前者包括4个维度，包括温度、气压、风速和湿度数据，以及后者具有1个维度，即历史热负荷。
构建两个LSTM（LSTMY1和LSTMY2）接受以上两个输入分别。然后连接LSTM1和LSTMy2具有合并层，称为合并。取输出
合并层作为3路LSTM层的输入，称为LSTMY3。遵循LSTMY3，有两个致密层用于降低LSTMY3输出到时间步长的输出维数
对应于输入〔17〕。激活函数致密层是Relu函数
使用Relu函数的原因是它具有高效梯度传播与加速计算培训过程。
Adam
亚当（18）算法是基于梯度的算法。
优化器。估计一阶矩和二阶矩。
采用指数移动平均的梯度矩
纠正其偏见。使用亚当的优点是：
动量可以提供更快的参数收敛；
模型收敛到局部最优解减少；
通过设置上界来避免梯度爆炸。
学习步长。更新过程如下:
预测过程
步骤1：形成输入和输出数据集，其中输入数据包括温度、气压、风速、湿度数据
以及在一定时间段内的热负荷数据和输出数据是滞后于输入热量的热负荷数据。为20个时间步加载数据
更低的误差率，更早的收敛
