CN105805822A - 基于神经网络预测的供热节能控制方法与系统 - Google Patents

Abstract

本发明涉及一种基于神经网络预测的供热节能控制方法与系统，本供热节能控制方法包括如下步骤：步骤S1，建立神经网络预测模型；步骤S2，通过神经网络预测模型控制供热系统控制单元以使建筑物在设定时刻达到所期望的室温。本发明通过远程通信单元和任务控制单元，用户可以在本地或通过远程设备设定建筑物的温度需求，即在指定时刻室内温度达到设定温度，本发明提出的控制方法和系统能根据供热系统运行的历史数据，结合当前时刻的热水流量、热水温度、室内温度、室外温度，预测出供热系统的最优提前启动时间，并通过供热系统控制单元完成供热系统的启动，实现在满足供热需求的前提下，最大程度的降低能源消耗，且具有良好的经济效益和社会效益。

Description

基于神经网络预测的供热节能控制方法与系统

技术领域

本发明涉及到一种基于神经网络预测的供热节能控制方法与系统，可实现供热过程中建筑物从开始供热到室内温度加热到设定值所需时间进行预测，并通过对供热系统控制单元的控制，实现建筑物供热的模型预测控制，属于供热节能研究技术领域。

背景技术

随着人们对居住环境要求的提高，冬天寒冷的城市大量建筑物内采用供热系统控制单元。对于商业写字楼、政府办公楼、学校等建筑物的供热时间和热负荷随时间变化大，采用供热系统连续运行的方式能耗大，为此需要对不同建筑物的供热进行间歇供热优化控制，实现建筑物的节能。建筑物采用间歇供热后，供热系统控制单元运行在低负荷或停运，再开启正常供热后，室温回升时间在几个小时，室温回升的时间与建筑物的室内温度、室外温度、供热热水的流量和给水温度相关。在指定时间使室温达到设定值，需要提前启动供热系统控制单元，从而在满足建筑物供热条件下，最大程度减低能源消耗。

现有的供热系统控制单元无法根据供热系统控制单元、建筑物室内外的温度情况自动调整系统提前启动所需时间，时间设置的过大，系统过早的高运行，浪费能源；时间设置的过小，在指定时间室内温度达不到设定值。

发明内容

本发明的目的是提供一种具有自学习能力的供热节能控制方法及系统，以实现建筑物供热的节能控制。

为了解决上述技术问题，本发明提供了一种供热节能控制方法，包括如下步骤：

步骤S1，建立神经网络预测模型；

步骤S2，通过神经网络预测模型控制供热系统控制单元以使建筑物在设定时刻达到所期望的室温。

进一步，所述步骤S1中建立神经网络预测模型的方法包括如下步骤：

步骤S11，采集建立神经网络预测模型所需样本数据；

所需样本数据包括：供热热水入口的流量、热水温度、初始室内温度、室外温度；

步骤S12，根据样本数据及供热系统控制单元启动时刻和室温达到设定温度所对应的设定时刻数据，且通过支持向量机方法建立神经网络预测模型。

进一步，所述步骤S2中通过神经网络预测模型控制供热系统控制单元以使建筑物在设定时刻达到所期望的室温的方法包括如下步骤：

步骤S21，设置达到所期望室温的设定时刻和设定温度后，并利用初始室内温度、室外温度、供热热水入口的流量和热水温度，通过神经网络预测模型获得与该设定时刻对应的系统的提前启动所需时间，并计算出系统启动时刻,系统启动时刻等于设定时刻减去提前启动所需时间；以及

步骤S22，供热系统控制单元适于在启动时刻开启，并通过供热系统的电磁流量阀，温度控制单元控制供热热水入口的流量和热水温度，以使室内在设定时刻达到相应室温。

进一步，所述供热节能控制方法还包括：

步骤S3，将步骤S2所获得的供热热水入口的流量、热水温度、初始室内温度、室外温度作为样本数据，并结合供热系统控制单元启动时刻和室温达到设定温度所对应的设定时刻数据，对神经网络预测模型进行修正。

又一方面，本发明提供了一种供热节能控制系统，包括：

数据采集单元，采集建立神经网络预测模型所需样本数据；

与数据采集单元相连的神经网络建模与预测单元，其适于根据样本数据结合供热系统控制单元启动时刻和室温达到设定温度所对应的设定时刻数据建立神经网络预测模型，以及通过神经网络预测模型控制供热系统控制单元以使建筑物在设定时刻达到所期望的室温。

进一步，所述供热节能控制系统还包括：远程通信单元，该远程通信单元位于客户端，且用于远程设定室内温度及室温达到设定温度所对应的设定时刻；

所述远程通信单元与任务控制单元相连，该任务控制单元适于接收远程通信单元发送的室内温度及室温达到设定温度所对应的设定时刻数据，以及还适于本地设定室内温度及室温达到设定温度所对应的设定时刻，并将上述相应数据供神经网络建模与预测单元读取。

进一步，所述数据采集单元的各输入端口适于分别连接供热热水进口温度测量单元、供热热水流量监测单元、室内温度测量单元和室外温度测量单元，以获取供热热水入口的流量、热水温度、初始室内温度、室外温度。

进一步，所述供热节能控制系统还包括：与神经网络建模与预测单元相连的供热系统控制单元；所述神经网络建模与预测单元适于在设置达到所期望的室温的设定时刻和设定温度后，利用初始室内温度、室外温度，供热热水入口的流量和热水温度，通过神经网络预测模型获得与该设定时刻对应的供热系统的提前启动所需时间，并计算出供热系统启动时刻,即供热系统启动时刻等于设定时刻减去提前启动所需时间；所述供热系统控制单元适于在启动时刻开启，并控制供热热水入口的流量和热水温度，以使室内在设定时刻达到相应室温。

进一步，所述神经网络建模与预测单元还适于将供热热水入口的流量、热水温度、初始室内温度、室外温度作为样本数据，并结合供热系统控制单元启动时刻和室温达到设定温度所对应的设定时刻数据，对神经网络预测模型进行修正。

本发明的有益效果是，本发明通过远程通信单元和任务控制单元，用户可以在本地或通过远程设备设定建筑物的温度需求，及需要室内温度多少度，在哪一时刻，本发明提出的控制方法和系统能根据历史供热系统运行的数据，结合供热流量、温度、当前室内温度、室外温度，预测出供热的提前启动所需时间，最后通过供热系统控制单元完成供热系统的启动，到达在满足供热需求的前提下，最大程度的降低能源消耗，促进了供热水平的提高，降低了碳的排放，具有良好的经济效益和社会效益。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的供热节能控制方法的流程图；

图2是本发明的神经网络预测模型的示意框图；

图3是可在图2中使用的支持向量机神经网络结构；

图4是本发明的数据采集单元的原理框图；

图5是本发明的供热节能控制系统。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

实施例1

如图1所示，本发明提供了一种供热节能控制方法，包括如下步骤：

步骤S1，建立神经网络预测模型；

步骤S2，通过神经网络预测模型控制供热系统控制单元以使建筑物在设定时刻达到所期望的室温。

优选的，所述步骤S1中建立神经网络预测模型的方法包括如下步骤：

步骤S11，采集建立神经网络预测模型所需样本数据；

所需样本数据包括：供热热水入口的流量、热水温度(供热热水入口温度)、初始室内温度、室外温度；

步骤S12，根据样本数据及供热系统控制单元启动时刻和室温达到设定温度所对应的设定时刻数据，且通过支持向量机方法建立神经网络预测模型。

具体的，在本发明中采用支持向量机方法实现室内升温时间的预测模型，即神经网络预测模型。

支持向量机方法通过核函数实现到高维空间的非线性映射，以适于解决室内升温时间的预测问题，即加热时间的非线性回归。

对于室内升温时间的非线性回归模型，即神经网络预测模型的函数描述如下：

d＝f(x)+v(1)

其中f(x)为非线性函数，v为统计独立于输入向量x的噪声项。函数f(x)和噪声v的统计特性是未知的。可用的信息包含于样本的训练数据其中x_i是输入向量x的一个样本值，N表示样本的数量，一个样本值x_i包括供热热水温度，供热热水流量，初始室内温度、室外温度。d_i是模型输出d的相应值,为室内从供热系统控制单元启动到室内温度达到设定值经历的时间，即T2-T1，式中T1表示供热系统控制单元启动时刻、T2表示室温达到设定温度所对应的设定时刻。

假设模型输出d的估计为y，其是由一组非线性基函数表示从输入空间到特种空间的一个非线性变化的集合：m₁是特征空间的维数)的展开得到：

其中，其中w是可调的权值向量，w^T表示w的转置。

假设权值w0表示偏置b。需要求解的问题是最小化经验风险

$R_{emp}=\frac{1}{N}\underset{1}{\overset{N}{\Σ}}{L}_{\mathrm{\ϵ}}(d_i,y_i)---\left(3\right)$

R_emp所指为经验风险，第i个样本的不敏感损失函数L_ε(d_i,y_i)，d_i为第i个样本的期望输出，y_i为神经网络的输出。

满足不等式

||w||²≤c₀(4)

c₀为常数，其中ε-不敏感损失函数

考虑允许拟合误差的情况，引入松弛变量和约束优化问题表示为：

约束优化问题变为常数C>0，控制对超出误差ε的样本的惩罚程度。

室内升温时间的非线性回归的对偶问题如下：

给定训练样本寻找Lagrange算子和使其最大化目标函数：

$Q(a_i,a_i^{\′})=\underset{i=1}{\overset{N}{\Σ}}{d}_i(a_i-a_i^{\′})-\mathrm{\ϵ}\underset{i=1}{\overset{N}{\Σ}}(a_i+a_i^{\′})-\frac{1}{2}\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}(a_i-a_i^{\′})(a_j-a_j^{\′})K\left(x_{i,}{x}_j\right)---\left(7\right)$

其中，j和i的含义一样的，就是样本序列，j的大小和i一样，在1到N之间，x_i和x_j都是样本，a_i,a_j均是Lagrange算子。

满足约束条件：

(1)

(2)0≤a_i≤C,i＝1,2,...N，0≤a_i′≤C,i＝1,2,...N

其中C为用户给定的常数，上面是一个二次优化问题，可求得w的最优值。

通过上述二次优化问题的求解，得到函数f(x)表示为：

$F(x,w)=w^{T}x=\underset{i=1}{\overset{N}{\Σ}}(a_i-{a^{\′}}_i)K(x,x_i)---\left(8\right)$

$K(x,x_i)=\exp (-\frac{1}{2{\mathrm{\δ}}^2}{||x-x_i||}^2)---\left(9\right)$

K(x,x_i)表示内积核，其采用高斯径向基核函数，宽度δ²对所有核相同，可以由使用者指定。

其中a_i≠a'_i对应的数据点定义为支持向量机的支持向量，函数F(x,w)提供了输入变量到输出变量的映射关系，通过输入x获得输出d,即通过供热热水进口温度、供热热水流量、建筑物室内温度、建筑物室外温度，预测建筑物从供热系统启动到建筑物室温达到设定值所需的时间。

神经网络模型结构如图2神经网络预测模型的示意框图所示，以及图3中所述隐藏层其功能是以某种有用方式介入外部输入和网络输出之中，实现对输入统计特性的提取。

将训练好的神经网络模型进行存储，然后利用神经网络模型，对室内升温时间进行预测。

所述步骤S2中通过神经网络预测模型控制供热系统控制单元以使建筑物在设定时刻达到所期望的室温的方法包括如下步骤：

步骤S21，设置达到所期望室温的设定时刻和设定温度后，并利用初始室内温度、室外温度、供热热水入口的流量和热水温度，通过神经网络预测模型获得与该设定时刻对应的供热系统的提前启动所需时间，并计算出供热系统启动时刻,即供热系统启动时刻等于设定时刻减去提前启动所需时间；具体的设置供热热水入口的流量和热水温度，以使建筑物在设定时刻达到相应设定温度；

步骤S22，供热系统控制单元适于在启动时刻开启，并控制供热热水入口的流量和热水温度(所述流量和热水温度为神经网络预测模型在预测时所获得的值)，以使室内在设定时刻达到相应室温。

所述供热节能控制方法还包括：

步骤S3，将步骤S2所获得的供热热水入口的流量、热水温度、初始室内温度、室外温度作为样本数据，并结合供热系统控制单元启动时刻和室温达到设定温度所对应的设定时刻数据，对神经网络预测模型进行修正。

具体的，每一次供热系统启动加热室温至设定温度的过程数据，均由数据采集模块采集，存储在数据库中，作为下一次控制模型训练的样本，随着供热系统的运行，模型训练样本不断增多，控制系统具备了不断完善控制水平的能力，具备自学习能力，根据数学模型预测室内温度加热时间，使得供热系统在满足供热需求的前提下，系统的能耗最低。

实施例2

在实施例1基础上，本发明还提供了一种供热节能控制系统。

如图4和图5所示，本供热节能控制系统包括：数据采集单元，采集建立神经网络预测模型所需样本数据；与数据采集单元相连的神经网络建模与预测单元，其适于根据样本数据结合供热系统控制单元启动时刻和室温达到设定温度所对应的设定时刻数据建立神经网络预测模型，以及通过神经网络预测模型控制供热系统控制单元以使建筑物在设定时刻达到所期望的室温。

所述供热节能控制系统还包括：远程通信单元，该远程通信单元位于客户端，且用于远程设定室内温度及室温达到设定温度所对应的设定时刻；所述远程通信单元与任务控制单元相连，该任务控制单元适于接收远程通信单元发送的室内温度及室温达到设定温度所对应的设定时刻数据，以及还适于本地设定室内温度及室温达到设定温度所对应的设定时刻，并将上述相应数据供神经网络建模与预测单元读取。

所述数据采集单元的各输入端口适于分别连接供热热水进口温度测量单元、供热热水流量监测单元、室内温度测量单元和室外温度测量单元，以获取供热热水入口的流量、热水温度、初始室内温度、室外温度。

所述供热节能控制系统还包括：与神经网络建模与预测单元相连的供热系统控制单元；所述神经网络建模与预测单元适于在设置达到所期望的室温的设定时刻和设定温度后，利用初始室内温度、室外温度，供热热水入口的流量和热水温度，通过神经网络预测模型获得与该设定时刻对应的供热系统的提前启动所需时间，并计算出供热系统启动时刻,即供热系统启动时刻等于设定时刻减去提前启动所需时间；所述供热系统控制单元适于在启动时刻开启，并控制供热热水入口的流量和热水温度(所述流量和热水温度为神经网络预测模型在预测时所获得的值)，以使室内在设定时刻达到相应室温。

所述神经网络建模与预测单元还适于将供热热水入口的流量、热水温度、初始室内温度、室外温度作为样本数据，并结合供热系统控制单元启动时刻和室温达到设定温度所对应的设定时刻数据，对神经网络预测模型进行修正。

优选的，本系统还包括：数据存储单元，该数据存储单元与数据采集单元相连，以将数据采集模块采集的数据存储起来，形成数据样本，提供给神经网络建模与预测单元。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (9)

1.一种供热节能控制方法，其特征在于，包括如下步骤：

步骤S1，建立神经网络预测模型；

步骤S2，通过神经网络预测模型控制供热系统控制单元以使建筑物在设定时刻达到所期望的室温。

2.根据权利要求1所述的供热节能控制方法，其特征在于，

所述步骤S1中建立神经网络预测模型的方法包括如下步骤：

步骤S11，采集建立神经网络预测模型所需样本数据；

所需样本数据包括：供热热水入口的流量、热水温度、初始室内温度、室外温度；

步骤S12，根据样本数据及供热系统控制单元启动时刻和室温达到设定温度所对应的设定时刻数据，且通过支持向量机方法建立神经网络预测模型。

3.根据权利要求2所述的供热节能控制方法，其特征在于，

所述步骤S2中通过神经网络预测模型控制供热系统控制单元以使建筑物在设定时刻达到所期望的室温的方法包括如下步骤：

步骤S21，设置达到所期望室温的设定时刻和设定温度后，并利用初始室内温度、室外温度、供热热水入口的流量和热水温度，通过神经网络预测模型获得与该设定时刻对应的供热系统的提前启动所需时间，并计算出供热系统启动的具体时刻,即供热系统启动时刻等于设定时刻减去提前启动所需时间；

步骤S22，供热系统控制单元适于在启动时刻开启，并控制供热热水入口的流量和热水温度，以使室内在设定时刻达到所期望的室温。

4.根据权利要求3所述的供热节能控制方法，其特征在于，所述供热节能控制方法还包括：

步骤S3，将步骤S2所获得的供热热水入口的流量、热水温度、初始室内温度、室外温度作为样本数据，并结合供热系统控制单元启动时刻和室温达到设定温度所对应的设定时刻数据，对神经网络预测模型进行自学习修正。

5.一种供热节能控制系统，其特征在于，包括：

数据采集单元，建立神经网络预测模型所需样本数据；

与数据采集单元相连的神经网络建模与预测单元，其适于根据样本数据结合供热系统控制单元启动时刻和室温达到设定温度所对应的设定时刻数据建立神经网络预测模型，以及通过神经网络预测模型控制供热系统控制单元以使建筑物在设定时刻达到所期望的室温。

6.根据权利要求5所述的供热节能控制系统，其特征在于，所述供热节能控制系统还包括：远程通信单元，该远程通信单元位于建筑物内，且用于远程设定室内期望温度及室温达到设定温度所对应的设定时刻；

所述远程通信单元与任务控制单元相连，该任务控制单元适于接收远程通信单元发送的室内温度及室温达到设定温度所对应的设定时刻数据，以及还适于本地设定室内温度及室温达到设定温度所对应的设定时刻，并将上述相应数据供神经网络建模与预测单元读取。

7.根据权利要求6所述的供热节能控制系统，其特征在于，所述数据采集单元的各输入端口适于分别连接供热热水进口温度测量单元、供热热水流量监测单元、室内温度测量单元和室外温度测量单元，以获取供热热水入口的流量、热水温度、初始室内温度、室外温度。

8.根据权利要求7所述的供热节能控制系统，其特征在于，所述供热节能控制系统还包括：与神经网络建模与预测单元相连的供热系统控制单元；

所述神经网络建模与预测单元适于在设置达到所期望的室温的设定时刻和设定温度后，利用初始室内温度、室外温度，供热热水入口的流量和热水温度，通过神经网络预测模型获得与该设定时刻对应的供热系统的提前启动所需时

间，并计算出供热系统启动时刻,即供热系统启动时刻等于设定时刻减去提前启动所需时间；

所述供热系统控制单元适于在启动时刻开启，并控制供热热水入口的流量和热水温度，以使室内在设定时刻达到相应室温。

9.根据权利要求8所述的供热节能控制系统，其特征在于，所述神经网络建模与预测单元还适于将供热热水入口的流量、热水温度、初始室内温度、室外温度作为样本数据，并结合供热系统控制单元启动时刻和室温达到设定温度所对应的设定时刻数据，对神经网络预测模型进行修正。