亮点：考虑了LSTM和S2S的不同层结构对训练和测试集的结构影响。
基于深度神经网络的建筑能量负荷预测网络
所介绍的工作调查了两个LSTM基础架构：1）标准LSTM和2）基于LSTM序列到序列（S2S）架构。
两种方法都是在电力消耗的基准数据集上实施来自一个住宅客户的数据。
这两种架构都是经过一小时一分钟的训练和测试分辨率数据集。
表明标准LSTM在一分钟分辨率数据时失败在一小时的分辨率数据中表现良好。结果表明S2S架构在两个数据集上都表现良好。
前人工作：
作者使用了人工神经网络（ANN）用于执行建筑物级别负荷预测。已经对人工神经网络进行了详细的探索所有三类负荷预测的目的[9]，[11] - [13]。在[14]中，作者使用了基于支持向量机的方法回归模型与经验模式分解相结合用于长期负荷预测。在[15]中，电力需求是使用基于内核的多任务学习方法进行预测。使用稀疏编码执行中期负荷预测。
探索条件限制玻尔兹曼机器（CRBM）[19]和Factored Conditional受限制的玻尔兹曼机器（FCBRM）[20]用于建造
水平负荷预测。他们得出FCRBM的结论方法优于其他测试方法。
A. Load Forecasting using Standard LSTM
对应c图的输入向量
模型所做的预测可以用作下一步的额外输入
要优化的目标函数
一种称为Norm的方法clipping [24]用于缓解爆炸梯度问题。对于训练，ADAM [25]算法用作梯度
基于优化器，而不是SGD。 ADAM表现优于新元更快收敛和更低错误率的条款。 展开实施了50步（M = 50）。
B. Load forecasting using LSTM based sequence to sequence architecture
S2S是建议用于映射不同序列的架构长度[26]。
编码器的任务是转换输入可变长度的序列并将它们编码为固定的
长度向量，然后用作输入状态解码器。
该输出序列是能量负载预测接下来的n个步骤。这种架构的主要优点是它允许任意长度的输入。
预测任意数量的未来时间步长的负载。
编码器预训练减少以下错误：
Then the encoder plugged into the decoder network and train the two networks to reduce the objective function:
权重同时更新：允许反向传播信号从解码器流向编码器。 因此，权重更新编码器和解码器以最小化
客观函数用方程表示。 8.解码器和编码器由于仅对编码器进行预训练，因此更新了不足以取得良好的表现。
数据集：
个人家用电力消费“[27]。数据集包含功耗2006年12月至11月间收集的测量数据2010年以1分钟的分辨率。包含的数据集
整个房屋的总有功功率负荷和三个子为房子计量三个部分。在本文中，只有使用整个房屋的总有效负荷值。
1）一分钟的分辨率数据（原始数据）数据集）和
2）一小时的分辨率数据。
使用标准LSTM的实验结果
从60小时开始，引入预测作为生成a的输入预测未来60小时。该图显示了该模型
无法提供过去60小时的准确预测，即使预测一步很准确。
使用标准LSTM和延迟输入加载预测60小时
该方法在使用时产生准确的结果每小时数据，但一分钟内表现不佳分辨率数据。
Experimental Results using LSTM based S2S architecture
而解码器的输入是只有日期和时间
培训和测试不同层数和数据集的数据集使用S2S架构的单元用于一小时的数据解析度。该表显示了结尾处的错误值
训练和括号中获得的最低误差测试在培训期间找到的数据集。
图6显示了模型的良好示例使用具有50的2层网络对训练数据集执行每层中的单位。但是，增加了容量网络没有提高测试数据的性能。为了提高测试数据的准确性Dropout [28]被用作正规化方法论。
提出的S2S模型能够产生与FCRBM结果相当的结果