CN110332605B - 基于bp神经网络的热网能耗指标分析预警方法 - Google Patents

Abstract

本发明涉及供热系统的能耗分析及预测领域，具体为一种基于BP神经网络的热网能耗指标分析预警方法及系统，其中基于BP神经网络的热网能耗指标分析预警方法包括：采集的工况数据；对工况数据进行处理；根据处理后的工况数据实时计算各能耗指标，并分析热网供能情况；根据预测模型预测各能耗指标；以及根据实时各能耗指标与预测各能耗指标对供热系统的运行能耗进行预警，对能耗指标在线分析与对比，不仅可以实时在线计算供热系统运行的能耗水平，而且可以基于预测结果，实现能耗预警，调整运行调度策略，有利于提升供热系统运行调控的精细化程度，降低热网运行能耗水平。

Description

基于BP神经网络的热网能耗指标分析预警方法

技术领域

本发明涉及供热系统的能耗分析及预测领域，具体为一种基于BP神经网络的热网能耗指标分析预警方法及系统。

背景技术

供热系统能耗是衡量系统运行情况的重要指标，直接关系着企业的运营成本，对能耗指标的统计与分析，有利于掌握企业的能耗状态，提升企业的运行水平，从而实施更精细化的管理。在我国集中供热发展早期，行业自动化水平较为落后，多数供热企业的数据采集过程由人工完成，对供热系统指标的计算与分析也主要依赖于人工，运行模式比较粗放，导致整体运行能耗水平居高不下。近年来，由于互联网技术、物联网技术以及通讯技术的发展，供热企业开始逐步建设供热系统的SCADA平台，支持将各热力站点的数据统一采集到集控中心进行实时展示，但由于种种原因，如数据的通讯异常、工况的波动、设备精度等问题，导致热网采集数据的质量较差，常常无法有效的对热网能耗水平进行计算与分析。本专利提供集中供热系统能耗指标在线分析与对比方法，对供热系统运行能耗指标进行在线计算与预测性分析，为热网的运行优化提供参考与指导，对热网运行能耗过高情况进行预警与提醒。

基于上述技术问题，需要设计一种新的基于BP神经网络的热网能耗指标分析预警方法及系统。

发明内容

本发明的目的是提供一种基于BP神经网络的热网能耗指标分析预警方法及系统。

为了解决上述技术问题，本发明提供了一种基于BP神经网络的热网能耗指标分析预警方法，包括：

采集的工况数据；

对工况数据进行处理；

根据处理后的工况数据实时计算各能耗指标，并分析热网供能情况；

根据预测模型预测各能耗指标；以及

根据实时各能耗指标与预测各能耗指标对供热系统的运行能耗进行预警。

进一步，所述采集工况数据的方法包括：

采集供热系统中各热力站、管网和建筑物的基础数据，以及采集供热系统、热源、热力站和建筑物的实时数据，即

将各数据库中所需要的基础数据和实时数据打包成数据视图，并且与所有数据库进行对接，以将所有所需要的基础数据和实时数据存储到相应的目标数据表中。

进一步，所述对工况数据进行处理的方法包括：

判断能耗数据的缺失程度，以选择补齐能耗数据的方法，即

所述能耗数据为供热时实时数据中产生能耗的数据；

设数据长度为B的能耗数据集表示为f＝[f₁,f₂,...f_g...f_B]，选取一个固定数据长度的窗口L，窗口内有m个能耗数据，当缺失能耗数据占总采样能耗数据的比例低于u％，则采用滑动平均法补齐能耗数据，否则采用基于马氏距离的k均值法补齐能耗数据。

进一步，所述采用滑动平均法进行补齐能耗数据的方法包括：

将窗口L内的m个能耗数据作为平移数据，基于平移数据的算术平均数填补缺失的能耗数据，并且窗口L内沿着能耗数据序列依次滑动，始终保持窗口L内的能耗数据个数为m；

其中，m＝2n+1,g＝n+1,n+2,...B-n，n为第n个能耗数据；

所述采用基于马氏距离的k均值法补齐能耗数据的方法包括：

计算马氏距离；

设能耗数据集D的I个能耗数据向量为X₁～X_I，其中能耗数据向量X_i的第v个属性值X_iv缺失，则X_i与完整能耗数据X_j的马氏距离为：

其中，

为X_i与X_j的差向量的列向量；

为协方差矩阵，

q_ij为协方差；

为能耗数据集D中所有能耗数据向量的第i个属性的平均值；设能耗数据向量X_i的第v个属性值X_iv缺失时，能耗数据向量X_i成为缺失能耗数据；

选取缺失能耗数据的最近邻域；

选取距离缺失能耗数据最近的z个完备能耗数据，组成缺失能耗数据X_i的最近邻域

通过信息熵生成最近邻域的系数矩阵e_o：

其中，i为第一自增变量；r为第二自增变量；

计算缺失能耗数据X_i最近邻域的加权平均值，对缺失能耗数据进行填补；

其中，X_iv的值为填补的能耗数据。

进一步，所述根据处理后的工况数据实时计算各能耗指标的方法包括：

根据相应实时计算模型实时计算热源能耗指标、热力站能耗指标、管网能耗指标、建筑物能耗指标和供热系统能耗指标；

所述热源能耗指标的实时计算模型包括：

单位面积供热量q_yA的实时计算模型：

Q_y为统计周期内热源出口总供热量，单位为GJ；A为热源所供热的建筑物的建筑面积，单位为m²；

单位采暖度日数耗热量的q_HDD实时计算模型：

HDD＝(t_n-t_w)×d；

HDD为统计周期采暖度日数，单位为℃.d；t_n为统计周期室内平均温度，单位为℃；t_w为统计周期室外平均温度，单位为℃；d为统计周期内的供暖天数，单位为d；

单位面积燃料消耗量g_0A的实时计算模型：

G₀为统计周期热源总燃料消耗量，单位为m³或kg；

单位供热量燃料消耗量g_0Q的实时计算模型：

燃料平均利用效率η_y的实时计算模型：

q_yc为燃料低位发热量，单位为MJ/Nm³或MJ/kg；

所述热力站能耗指标的实时计算模型包括：

单位面积供热量q_zA的实时计算模型：

Q_z为统计周期热力站总供热量，单位为GJ；A_z为热力站所供热建筑物的建筑面积，单位为m²；

单位面积耗电量p_zA的实时计算模型：

P_z为统计周期热力站供暖系统总耗电量，单位为kWh；

单位面积耗水量W_zA的实时计算模型：

W_z为统计周期热力站耗水量，单位为m³；

所述管网能耗指标的实时计算模型包括：

一次管网热损失率α₁的实时计算模型：

为热源所供热力站的供热量之和，单位为GJ；Q_p1,1为一次供热管网热损失量，单位为GJ；Q_zzj为热源所供各热力站的供热量,单位为GJ；c为热源所供热力站的数量；

二次管网热损失率α₂的实时计算模型：

为热力站所供建筑物的供热量之和，单位为GJ；Q_p1,2为二次供热管网热损失量，单位为GJ；Q_bbk为热力站所供各建筑物的供热量，单位为GJ；u为热力站所供建筑物的数量；

一次管网供水沿程温降Δt_s的实时计算模型：

t_sc为热源侧供水温度，单位为℃；t_sm为热力站一次侧入口处温度，单位为℃；S为热源到热力站一级网的长度，单位为m；

二次管网供水温降Δt_e的实时计算模型：Δt_e＝t_ec-t_em；t_ec为热力站二次侧供水温度，单位为℃；t_em为热力站二次侧进入建筑物入口的温度，单位为℃；

所述建筑物能耗指标的实时计算模型包括：

单位面积供热量q_bA的实时计算模型：

Q_b为统计周期楼栋热力入口总供热量，单位为GJ；Q_bk为楼栋各热力入口的供热量，单位为GJ；b为楼栋热力入口数量，当楼栋安装热量计量总表时，b＝1；

所述供热系统能耗指标的实时计算模型包括：

单位面积耗电量P_xA的实时计算模型：

P_x为统计周期供热系统总耗电量，单位为kWh；

单位面积耗水量W_xA的实时计算模型：

W_x为统计周期供热系统耗水量，单位为m³；

单位面积综合能耗e_xA的实时计算模型：

E_x为供热系统综合能耗，单位为tce；a为燃料折标准煤系数，单位为kgce/Nm³或kgce/kg；β为电力折标准煤系数，单位为kgce/kWh；

单位供热量综合能耗e_xQ的实时计算模型：

单位采暖度日数综合能耗e_HDD的实时计算模型：

综合能效η_x的实时计算模型：

γ为标准煤低位发热量，单位kJ/kg；

每间隔预设时间获取根据相应实时计算模型实时计算相应能耗指标。

进一步，所述分析热网供能情况的方法包括：

根据相应的实时计算模型实时计算的相应能耗指标，获取热网当前的功能情况。

进一步，所述根据预测模型预测各能耗指标的方法包括：

构建各能耗指标的输入输出关系模型，即

单位面积供热量q_yA的输入输出关系模型：q_yA＝f₁(T,Q'_y)，其影响因素为T和Q'_y；

单位采暖度日数耗热量q_HDD的输入输出关系模型：q_HDD＝f₂(T,t'_n,t'_w,Q'_y,d)，其影响因素为T、t'_n、t'_w、Q'_y和d；

单位面积燃料消耗量g_0A的输入输出关系模型：g_0A＝f₃(T,G'₀,Q'_y)，其影响因素为T、G'₀和Q'_y；

单位供热量燃料消耗量g_0Q的输入输出关系模型：g_0Q＝f₄(T,G'₀,Q'_y)，其影响因素为T、G'₀和Q'_y；

燃料平均利用效率η_y的输入输出关系模型：η_y＝f₅(T,G'₀,Q'_y)，其影响因素为T、G'₀和Q'_y；

单位面积供热量q_zA的输入输出关系模型：q_zA＝f₆(T，Q'_z)，其影响因素为T和Q'_z；

单位面积耗电量p_zA的输入输出关系模型：p_zA＝f₇(T，P'_z，H)，其影响因素为T、P'_z和H；

单位面积耗水量W_zA的输入输出关系模型：W_zA＝f₈(T,P'_z,P_s)，其影响因素为T、P'_z和P_s；

一次管网热损失率α₁的输入输出关系模型：α₁＝f₉(T,Q'_y,Q_zzj)，其影响因素为T、Q'_y和Q_zzj；

二次管网热损失率α₂的输入输出关系模型：α₂＝f₁₀(T,Q'_z,Q'_bbk)，其影响因素为T、Q'_z和Q'_bbk；

一次管网供水沿程温降Δt_s的输入输出关系模型：Δt_s＝f₁₁(T,t_sc,t'_sm)，其影响因素为T、t_sc和t'_sm；

二次管网供水温降Δt_e的输入输出关系模型：Δt_e＝f₁₂(T,t'_ec,t'_em)，其影响因素为T、t'_ec和t'_em；

单位面积供热量q_bA的输入输出关系模型：q_bA＝f₁₃(T,Q′_y,Q'_b)，其影响因素为T、Q_y′和Q'_b；

单位面积耗电量P_xA的输入输出关系模型：P_xA＝f₁₄(T,Q'_y,H_xxi)，其影响因素为T、Q'_y和H_xxi；

单位面积耗水量W_xA的输入输出关系模型：W_xA＝f₁₅(T,Q'_y,P_s,P_y)，其影响因素为T、Q'_y、P_s和P_y；

单位面积综合能耗e_xA的输入输出关系模型：e_xA＝f₁₆(T,E'_x)，其影响因素为T和E'_x；

单位供热量综合能耗e_xQ的输入输出关系模型：e_xQ＝f₁₇(T,Q'_y,E'_x)，其影响因素为T、Q'_y和E'_x；

单位采暖度日数综合能耗e_HDD的输入输出关系模型：e_HDD＝f₁₈(T,E'_x)，其影响因素为T和E'_x；

综合能效η_x的输入输出关系模型：η_x＝f₁₉(T,Q'_b,E'_x)，其影响因素为T、Q'_b和E'_x；

其中，T为未来室外天气参数；H为循环泵频率，单位为Hz；H_xxi为供热系统内各水泵的频率，单位为Hz；P_y为热源一次侧定水压力,单位为Mpa；P_s为热力站内二次侧定水压力，单位为Mpa；Q'_y为上一统计周期内热源出口总供热量；t'_n为上一统计周期室内平均温度；t'_w为上一统计周期室外平均温度；G'₀为上一统计周期热源总燃料消耗量；Q'_z为上一统计周期热力站总供热量；P'_z为上一统计周期热力站供暖系统总耗电量；Q'_bbk为上一统计周期热力站所供各建筑物的供热量；t'_sm为上一统计周期热力站一次侧入口处温度；t'_ec为上一统计周期热力站二次侧供水温度；t'_em为上一统计周期热力站二次侧进入建筑物入口的温度；Q'_b为上一统计周期楼栋热力入口总供热量；E'_x为上一统计周期供热系统综合能耗。

进一步，所述根据预测模型预测各能耗指标的方法还包括：

根据各能耗指标的输入输出关系模型，采用BP神经网络算法，建立各能耗指标的预测模型，即

建立能耗数据训练集E：E＝{Y,EY}＝{(y₁,ey₁),(y₂,ey₂),...,(y_N,ey_N)}；Y为能耗指标的输入参数数据集，EY为能耗指标的输出参数数据集；N∈[1,19]，N＝1,2...，当N为1时ey₁为q_yA，输入参数数据集y₁为q_yA的影响因素的样本数据集；同理当N为2时ey₂为q_HDD；当N为3时ey₃为g_0A；当N为4时ey₄为g_0Q；当N为5时ey₅为η_y；当N为6时ey₆为q_zA；当N为7时ey₇为p_zA；当N为8时ey₈为W_zA；当N为9时ey₉为α₁；当N为10时ey₁₀为α₂；当N为11时ey₁₁为Δt_s；当N为12时ey₁₂为Δt_e；当N为13时ey₁₃为q_bA；当N为14时ey₁₄为P_xA；当N为15时ey₁₅为W_xA；当N为16时ey₁₆为e_xA；当N为17时ey₁₇为e_xQ；当N为18时ey₁₈为e_HDD；当N为19时ey₁₉为η_x；

设多层前馈网络结构包括：s个输入神经元、l个输出神经元，以及q个隐层神经元；

θ_j为输出层第j个神经元的阈值；γ_h为隐层第h个神经元的阈值；ν_hj为输入层第i个神经元与隐层第h个神经元之间的连接权；ω_hj为隐层第h个神经元与输出层第j个神经元之间的连接权；隐层第h个神经元接收到的输入为

b_h为隐层第h个神经元的输出；隐层和输出层神经元采用的连接函数为

对第k个预测的能耗指标(y_k,ey_k)，通过神经网络模型计算

为

则

神经网络在(y_k,ey_k)上的均方差为

输入能耗指标(y_k,ey_k)的训练集E，获取收敛误差ξ；

计算

以及计算均方差M_k；

判断是否满足收敛条件M_k<ξ，当满足时输出能耗指标的神经网络模型

此时

即为能耗指标的预测模型，否则基于梯度算法，计算输出神经元β_j的负梯度方向：

以及计算隐层神经元的负梯度方向：

重新连接ω_hj、ν_hj与阈值θ_j、γ_h，并重新进行计算

以及计算均方差M_k，直至输出能耗指标的预测模型；

根据输出的能耗指标的预测模型预测各能耗指标。

进一步，所述根据实时各能耗指标与预测各能耗指标对供热系统的运行能耗进行预警的方法包括：

当实时能耗指标与预测能耗指标之间的差值大于预设范围时进行预警，即

其中，

为预测当位面积供热量指标与当前运行单位面积供热量指标的阈值范围；χ为预设范围。

另一方面，本发明还提供一种基于BP神经网络的热网能耗指标分析预警系统，包括：

采集模块，采集的工况数据；

处理模块，对工况数据进行处理；

实时计算模块，根据处理后的工况数据实时计算各能耗指标，并分析热网供能情况；

预测模块，根据预测模型预测各能耗指标；以及

预警模块，根据实时各能耗指标与预测各能耗指标对供热系统的运行能耗进行预警。

本发明的有益效果是，本发明通过采集的工况数据；对工况数据进行处理；根据处理后的工况数据实时计算各能耗指标，并分析热网供能情况；根据预测模型预测各能耗指标；以及根据实时各能耗指标与预测各能耗指标对供热系统的运行能耗进行预警，对能耗指标在线分析与对比，不仅可以实时在线计算供热系统运行的能耗水平，而且可以基于预测结果，实现能耗预警，调整运行调度策略，有利于提升供热系统运行调控的精细化程度，降低热网运行能耗水平。

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是本发明所涉及的基于BP神经网络的热网能耗指标分析预警方法的流程图；

图2是本发明所涉及的工况数据采集原理框图；

图3是本发明所涉及的滑动平均法的示意图；

图4是本发明所涉及的基于马氏距离的k均值法补齐能耗数据的方法的流程图；

图5是本发明所涉及的BP神经网络算法的结构图；

图6是本发明所涉及的实时能耗指标与预测能耗指标的折线图；

图7是本发明所涉及的基于BP神经网络的热网能耗指标分析预警系统的原理框图。

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

图1是本发明所涉及的基于BP神经网络的热网能耗指标分析预警方法的流程图。

如图1所示，本实施例提供了一种基于BP神经网络的热网能耗指标分析预警方法，包括：步骤S100，采集的工况数据；步骤S200，对工况数据进行处理；步骤S300，根据处理后的工况数据实时计算各能耗指标，并分析热网供能情况；步骤S400，根据预测模型预测各能耗指标；以及步骤S500，根据实时各能耗指标与预测各能耗指标对供热系统的运行能耗进行预警，对能耗指标在线分析与对比，不仅可以实时在线计算供热系统运行的能耗水平，而且可以基于预测结果，实现能耗预警，调整运行调度策略，有利于提升供热系统运行调控的精细化程度，降低热网运行能耗水平。

图2是本发明所涉及的工况数据采集原理框图。

如图2所示，在本实施例中，步骤S100，所述采集工况数据的方法包括：采集供热系统中各热力站、管网和建筑物的基础数据，以及采集供热系统、热源、热力站和建筑物的实时数据，即

将各数据库中所需要的基础数据和实时数据打包成数据视图，并且与所有数据库进行对接，以将所有所需要的基础数据和实时数据存储到相应的目标数据表中。

在本实施例中，与供热系统对接，接入供热自控系统运行的工况数据,包括：应充分考虑供热系统各设备数据采样周期、数据量、数据存储方式、数据对接与解析协议等问题，通过设计完善的数据库存储结构表，既要保证需求数据的完整性，又能满足在线计算的时效性。平台能同时接入多个地区供热系统的运行数据，能够快速完成能耗数据的对接，并要求数据对接具有统一性、扩展性、开放性等原则。需要读取的数据包括运行数据(即实时数据)与基础信息数据(即基础数据)，基础信息数据为供热系统的基本属性，属于非实时采集的数据，无时间标签，一般一次性写入数据库中，或与企业的信息化平台对接获取。基础数据按供热系统的过程，分热力站、管道、建筑物的基础数据，以及各指标计算公式中的一些经验参数，可通过读取页面或配置文件来进行配置。运行数据是指各传感器实时采集的供热系统数据，带有时间标签，一般需要与供热自控系统对接，并实时获取与存储，实时数据按供热系统、热源、热力站、建筑物实时数据表存储到数据库中。与实时数据对接，可能会涉及到多个数据库(源数据库)，采用关系型数据库视图形式，根据需求选用对应的数据，流程包括：从目标数据库1到目标数据库K中获取需要的数据(所需的基础数据和实时数据)，按标准化数据协议打包成数据视图，与数据库1到数据库K进行对接，把接收到的所有数据存储到一张目标数据表中，后续数据清洗、在线计算或指标预测，仅需通过取用目标数据表中对应的数据即可；同时，基础信息数据与运行数据的存储按供热系统、热源、热力站、管网等分数据表进行存储，例如，可命名为如下表所示的热力站基础信息表(EMS_Stationbasic_info，即表1)、建筑物基础信息表(EMS_Buildingbasic_info，即表2)与供热系统实时数据表(EMS_systemrealdata，即表3)、热源实时数据表(EMS_Sourcerealdata，即表4)、热力站实时数据表(EMS_Stationrealdata，即表5)、建筑物实时数据表(EMS_buildingrealdata，即表6)：

表1

建筑物名	ID	供热面积

表2

表3

表4

表5

表6

在本实施例中，所述步骤S200，对工况数据进行处理(即采用数据清洗算法对工况数据中的运行数据进行处理，剔除、补齐异常数据)的方法包括：步骤S210，判断能耗数据的缺失程度，以选择补齐能耗数据的方法，即数据清洗预处理过程的关键是去除干扰和噪声，提取有用信息；所述能耗数据为供热时实时数据中产生能耗的数据；

设数据长度为B的能耗数据集表示为f＝[f₁,f₂,...f_g...f_B]，选取一个固定数据长度的窗口L，窗口内有m个能耗数据，当缺失能耗数据占总采样能耗数据的比例低于u％，则采用滑动平均法补齐能耗数据，否则采用基于马氏距离的k均值法补齐能耗数据。

图3是本发明所涉及的滑动平均法的示意图。

如图3所示，在本实施例中，所述步骤S200，对工况数据进行处理的方法还包括：步骤S220，采用滑动平均法进行补齐能耗数据；所述采用滑动平均法进行补齐能耗数据的方法包括：将窗口L内的m个能耗数据近似看成平移数据，这样他们的算术平均相当于是一个常量，基于平移数据的算术平均数填补缺失的能耗数据，并且窗口L内沿着能耗数据序列依次滑动，窗口L滑动一次，自动丢掉最旧的一个数据，同时接受一个新的数据始终保持窗口L内的能耗数据个数为m；

其中，m＝2n+1,g＝n+1,n+2,...B-n，n为第n个能耗数据；i为第一自增变量。

图4是本发明所涉及的基于马氏距离的k均值法补齐能耗数据的方法的流程图。

如图4所示，在本实施例中，所述步骤S200，对工况数据进行处理的方法还包括：步骤S230，采用基于马氏距离的k均值法补齐能耗数据，若能耗数据集缺失严重，则需要考虑不同属性和能耗数据间的相关性；所述采用基于马氏距离的k均值法补齐能耗数据的方法包括：计算马氏距离：设能耗数据集D的I个能耗数据向量为X₁～X_I，其中能耗数据向量X_i的第v个属性值X_iv缺失，则X_i与完整能耗数据X_j的马氏距离为：

其中，(X_i-X_j)^T为X_i与X_j的差向量的列向量；

为协方差矩阵，

q_ij为协方差；

为能耗数据集D中所有能耗数据向量的第i个属性的平均值；

选取缺失能耗数据的最近邻域：根据计算得到的马氏距离，选取距离缺失能耗数据最近的z个完备能耗数据，组成缺失能耗数据X_i的(当能耗数据向量X_i的第v个属性值X_iv缺失时，能耗数据向量X_i成为缺失能耗数据)最近邻域

通过信息熵生成最近邻域的系数矩阵e_o，来量化表示最近邻域中的能耗数据与缺失能耗数据的相似度，相似度越高，对填补能耗数据的影响越大：

其中，i为第一自增变量，d_i的值随着i的变化而变化；r为第二自增变量，d_r的值随着r的变化而变化；

计算缺失能耗数据X_i最近邻域的加权平均值，对缺失能耗数据进行填补；

其中，X_iv的值为填补的能耗数据；e_r的值随着r的变化而变化；

采用数据清洗算法处理数据传输与采集过程中产生的异常数据，提升能耗指标计算的精度，有利于运行人员对供热系统的运行能耗进行更加科学的统计，

在本实施例中，所述步骤S300，根据处理后的工况数据实时计算各能耗指标的方法包括：根据相应实时计算模型实时计算热源能耗指标、热力站能耗指标、管网能耗指标、建筑物能耗指标和供热系统能耗指标；所述热源能耗指标的实时计算模型包括：单位面积供热量q_yA的实时计算模型：

Q_y为统计周期内热源出口总供热量，单位为GJ；A为热源所供热的建筑物的建筑面积，单位为m²；

单位采暖度日数耗热量的q_HDD实时计算模型：

HDD＝(t_n-t_w)×d；

HDD为统计周期采暖度日数，单位为℃.d；t_n为统计周期室内平均温度，单位为℃；t_w为统计周期室外平均温度，单位为℃；d为统计周期内的供暖天数，单位为d；

单位面积燃料消耗量g_0A的实时计算模型：

G₀为统计周期热源总燃料消耗量，单位为m³或kg；

单位供热量燃料消耗量g_0Q的实时计算模型：

燃料平均利用效率η_y的实时计算模型：

q_yc为燃料低位发热量，单位为MJ/Nm³或MJ/kg；

所述热力站能耗指标的实时计算模型包括：

单位面积供热量q_zA的实时计算模型：

Q_z为统计周期热力站总供热量，单位为GJ；A_z为热力站所供热建筑物的建筑面积，单位为m²；

单位面积耗电量p_zA的实时计算模型：

P_z为统计周期热力站供暖系统总耗电量，单位为kWh；

单位面积耗水量W_zA的实时计算模型：

W_z为统计周期热力站耗水量，单位为m³；

所述管网能耗指标的实时计算模型包括：

一次管网热损失率α₁的实时计算模型：

为热源所供热力站的供热量之和，单位为GJ；Q_p1,1为一次供热管网热损失量，单位为GJ；Q_zzj为热源所供各热力站的供热量,单位为GJ；c为热源所供热力站的数量；

二次管网热损失率α₂的实时计算模型：

为热力站所供建筑物的供热量之和，单位为GJ；Q_p1,2为二次供热管网热损失量，单位为GJ；Q_bbk为热力站所供各建筑物的供热量，单位为GJ；u为热力站所供建筑物的数量；

一次管网供水沿程温降Δt_s的实时计算模型：

t_sc为热源侧供水温度，单位为℃；t_sm为热力站一次侧入口处温度，单位为℃；S为热源到热力站一级网的长度，单位为m；

二次管网供水温降Δt_e的实时计算模型：Δt_e＝t_ec-t_em；t_ec为热力站二次侧供水温度，单位为℃；t_em为热力站二次侧进入建筑物入口的温度，单位为℃；

所述建筑物能耗指标的实时计算模型包括：

单位面积供热量q_bA的实时计算模型：

Q_b为统计周期楼栋热力入口总供热量，单位为GJ；Q_bk为楼栋各热力入口的供热量，单位为GJ；b为楼栋热力入口数量，当楼栋安装热量计量总表时，b＝1；

所述供热系统能耗指标的实时计算模型包括：

单位面积耗电量P_xA的实时计算模型：

P_x为统计周期供热系统总耗电量，单位为kWh；

单位面积耗水量W_xA的实时计算模型：

W_x为统计周期供热系统耗水量，单位为m³；

单位面积综合能耗e_xA的实时计算模型：

E_x为供热系统综合能耗，单位为tce；a为燃料折标准煤系数，单位为kgce/Nm³或kgce/kg；β为电力折标准煤系数，单位为kgce/kWh；

单位供热量综合能耗e_xQ的实时计算模型：

单位采暖度日数综合能耗e_HDD的实时计算模型：

综合能效η_x的实时计算模型：

γ为标准煤低位发热量，单位kJ/kg；

每间隔预设时间(例如t分钟)获取根据相应实时计算模型实时计算相应能耗指标。

在本实施例中，所述分析热网供能情况的方法包括：根据相应的实时计算模型实时计算的相应能耗指标，获取热网当前的功能情况；以及还可以在预设时间范围内，根据连续的相应能耗指标的数值，获取相应能耗指标在预设时间范围内的变化趋势，分析统计热网的供能情况；从目标数据库中读取对应的数据，执行相应实时计算模型的在线计算，基于在线计算结果，即可分析统计热网当前的供能情况。按各指标的实际能耗、热源种类、热网站点的空间分布、各站点不同时段进行排序与分析，以表格、柱状图、饼图等方式进行展示。对能耗指标趋势及站点能耗排名分析，包括：(1)热源：多热源能耗指标占比、各热源近七天能耗指标趋势；(2)热力站：各站点能耗指标前十排名；最高、平均、最低能耗指标7天趋势；(3)热力站近7天最高、平均、最低能耗指标、建筑物近7天最高、平均、最低能耗指标数据；(4)建筑物：各站点能耗指标前十排名；最高、平均、最低能耗指标7天趋势；(5)供热系统能耗指标展示：供热系统近7天能耗指标趋势。

在本实施例中，所述步骤S400，根据预测模型预测各能耗指标的方法包括：步骤S410，构建各能耗指标的输入输出关系模型，供热系统的能耗与天气情况有很强的相关性，因此，气象数据是影响各项能耗指标的主要因素，即

单位面积供热量q_yA的输入输出关系模型：q_yA＝f₁(T,Q'_y)，其影响因素为T和Q'_y；

单位采暖度日数耗热量q_HDD的输入输出关系模型：q_HDD＝f₂(T,t'_n,t'_w,Q'_y,d)，其影响因素为T、t'_n、t'_w、Q'_y和d；

单位面积燃料消耗量g_0A的输入输出关系模型：g_0A＝f₃(T,G'₀,Q'_y)，其影响因素为T、G'₀和Q'_y；

单位供热量燃料消耗量g_0Q的输入输出关系模型：g_0Q＝f₄(T,G'₀,Q'_y)，其影响因素为T、G'₀和Q'_y；

燃料平均利用效率η_y的输入输出关系模型：η_y＝f₅(T,G'₀,Q'_y)，其影响因素为T、G'₀和Q'_y；

单位面积供热量q_zA的输入输出关系模型：q_zA＝f₆(T，Q'_z)，其影响因素为T和Q'_z；

单位面积耗电量p_zA的输入输出关系模型：p_zA＝f₇(T，P'_z，H)，其影响因素为T、P'_z和H；

单位面积耗水量W_zA的输入输出关系模型：W_zA＝f₈(T,P'_z,P_s)，其影响因素为T、P'_z和P_s；

一次管网热损失率α₁的输入输出关系模型：α₁＝f₉(T,Q'_y,Q_zzj)，其影响因素为T、Q'_y和Q_zzj；

二次管网热损失率α₂的输入输出关系模型：α₂＝f₁₀(T,Q'_z,Q'_bbk)，其影响因素为T、Q'_z和Q'_bbk；

一次管网供水沿程温降Δt_s的输入输出关系模型：Δt_s＝f₁₁(T,t_sc,t'_sm)，其影响因素为T、t_sc和t'_sm；

二次管网供水温降Δt_e的输入输出关系模型：Δt_e＝f₁₂(T,t'_ec,t'_em)，其影响因素为T、t'_ec和t'_em；

单位面积供热量q_bA的输入输出关系模型：q_bA＝f₁₃(T,Q′_y,Q'_b)，其影响因素为T、Q_y′和Q'_b；

单位面积耗电量P_xA的输入输出关系模型：P_xA＝f₁₄(T,Q'_y,H_xxi)，其影响因素为T、Q'_y和H_xxi；

单位面积耗水量W_xA的输入输出关系模型：W_xA＝f₁₅(T,Q'_y,P_s,P_y)，其影响因素为T、Q'_y、P_s和P_y；

单位面积综合能耗e_xA的输入输出关系模型：e_xA＝f₁₆(T,E'_x)，其影响因素为T和E'_x；

单位供热量综合能耗e_xQ的输入输出关系模型：e_xQ＝f₁₇(T,Q'_y,E'_x)，其影响因素为T、Q'_y和E'_x；

单位采暖度日数综合能耗e_HDD的输入输出关系模型：e_HDD＝f₁₈(T,E'_x)，其影响因素为T和E'_x；

综合能效η_x的输入输出关系模型：η_x＝f₁₉(T,Q'_b,E'_x)，其影响因素为T、Q'_b和E'_x；

其中，T为未来室外天气参数，可以来自于天气预报(包括温度、湿度、风向、风力等)；H为循环泵频率，为可控参数，单位为Hz；H_xxi为供热系统内各水泵的频率，为可控参数，单位为Hz；P_y为热源一次侧定水压力,为可控参数，单位为Mpa；P_s为热力站内二次侧定水压力，为可控参数，单位为Mpa；Q'_y为上一统计周期内热源出口总供热量；t'_n为上一统计周期室内平均温度；t'_w为上一统计周期室外平均温度；G'₀为上一统计周期热源总燃料消耗量；Q'_z为上一统计周期热力站总供热量；P'_z为上一统计周期热力站供暖系统总耗电量；Q'_bbk为上一统计周期热力站所供各建筑物的供热量；t'_sm为上一统计周期热力站一次侧入口处温度；t'_ec为上一统计周期热力站二次侧供水温度；t'_em为上一统计周期热力站二次侧进入建筑物入口的温度；Q'_b为上一统计周期楼栋热力入口总供热量；E'_x为上一统计周期供热系统综合能耗。

图5是本发明所涉及的BP神经网络算法的结构图。

如图5所示，在本实施例中，所述步骤S400，根据预测模型预测各能耗指标的方法还包括：步骤S420，根据各能耗指标的输入输出关系模型和影响因素，采用BP神经网络算法，建立各能耗指标的预测模型，即建立能耗数据训练集E：E＝{Y,EY}＝{(y₁,ey₁),(y₂,ey₂),...,(y_N,ey_N)}；Y为能耗指标的输入参数数据集，EY为能耗指标的输出参数数据集；N∈[1,19]，N＝1,2...，当N为1时ey₁为q_yA，输入参数数据集y₁为q_yA的影响因素的样本数据集；同理当N为2时ey₂为q_HDD；当N为3时ey₃为g_0A；当N为4时ey₄为g_0Q；当N为5时ey₅为η_y；当N为6时ey₆为q_zA；当N为7时ey₇为p_zA；当N为8时ey₈为W_zA；当N为9时ey₉为α₁；当N为10时ey₁₀为α₂；当N为11时ey₁₁为Δt_s；当N为12时ey₁₂为Δt_e；当N为13时ey₁₃为q_bA；当N为14时ey₁₄为P_xA；当N为15时ey₁₅为W_xA；当N为16时ey₁₆为e_xA；当N为17时ey₁₇为e_xQ；当N为18时ey₁₈为e_HDD；当N为19时ey₁₉为η_x；当N取不同值时，yN对应的样本数据输入参数集为对应的输入输出关系模型的影响因素的样本数据集；设多层前馈网络结构包括：s个输入神经元、l个输出神经元，以及q个隐层神经元；θ_j为输出层第j个神经元的阈值；γ_h为隐层第h个神经元的阈值；ν_hj为输入层第i个神经元与隐层第h个神经元之间的连接权；ω_hj为隐层第h个神经元与输出层第j个神经元之间的连接权；隐层第h个神经元接收到的输入为

b_h为隐层第h个神经元的输出；隐层和输出层神经元采用的连接函数为

对第k个预测的能耗指标(y_k,ey_k)，通过神经网络模型计算

则

神经网络在(y_k,ey_k)上的均方差为

基于BP神经网络算法的步骤如下：

输入能耗指标(y_k,ey_k)的训练集E，初始化算法参数，获取收敛误差ξ；基于连接函数与输入参数数据集y_k，计算

以及计算预测的能耗指标的均方差M_k；判断是否满足收敛条件M_k<ξ，当满足时输出能耗指标的神经网络模型

此时

即为能耗指标的预测模型，否则基于梯度算法，计算输出神经元β_j的负梯度方向：

以及计算隐层神经元的负梯度方向：

重新连接ω_hj、ν_hj与阈值θ_j、γ_h，并重新进行计算

以及计算均方差M_k，直至输出能耗指标的预测模型；

根据输出的能耗指标的预测模型预测各能耗指标，即基于各能耗指标的实时计算模型和预测模型，连接历史工况数据，实现对各能耗指标的在线预测；基于能耗指标的在线计算与预测，使运行人员实时掌握当前系统的能耗水平，并辅助分析当前工况条件下供热系统运行能耗情况，配合日(月)调度计划调整运行方式，为供热系统运行出现能耗过高的情况进行预警，并及时作好供热系统排查与调控，提升供热企业精细化运行管理水平。

图6是本发明所涉及的实时能耗指标与预测能耗指标的折线图。

如图6所示，在本实施例中，所述步骤S500,根据实时各能耗指标与预测各能耗指标对供热系统的运行能耗进行预警的方法包括：当实时能耗指标与预测能耗指标之间的差值大于预设范围时进行预警，即

其中，

为预测当位面积供热量指标与当前运行单位面积供热量指标的阈值范围；χ为预设范围；

基于实时计算模型在线计算得到的能耗指标，用于反映物理供热系统实时运行的能耗情况；基于预测模型计算获得的能耗指标，则反映出按照历史工况的运行模式，预测当前工况条件下的能耗情况，是历史运行经验的体现，具有较大的参考价值，在当前在线计算得到的能耗指标与预测能耗发生较大偏移时，为运行人员提供预警；向运行人员给出供热系统运行能耗偏移的预警，及时排查供热系统热源或各站点的运行，是否存在能耗过高的异常运行情况，通过在线计算能耗指标与预测指标的实时对比，维持供热系统运行的节能性。

实施例2

图7是本发明所涉及的基于BP神经网络的热网能耗指标分析预警系统的原理框图。

如图7所示，在实施例1的基础上，本实施例2还提供一种基于BP神经网络的热网能耗指标分析预警系统，包括：采集模块，采集的工况数据；处理模块，对工况数据进行处理；实时计算模块，根据处理后的工况数据实时计算各能耗指标，并分析热网供能情况；预测模块，根据预测模型预测各能耗指标；以及预警模块，根据实时各能耗指标与预测各能耗指标对供热系统的运行能耗进行预警。

综上所述，本发明通过采集的工况数据；对工况数据进行处理；根据处理后的工况数据实时计算各能耗指标，并分析热网供能情况；根据预测模型预测各能耗指标；以及根据实时各能耗指标与预测各能耗指标对供热系统的运行能耗进行预警，对能耗指标在线分析与对比，不仅可以实时在线计算供热系统运行的能耗水平，而且可以基于预测结果，实现能耗预警，调整运行调度策略，有利于提升供热系统运行调控的精细化程度，降低热网运行能耗水平。

采用数据清洗算法处理数据传输与采集过程中产生的异常数据，提升能耗指标计算的精度，有利于运行人员对供热系统的运行能耗进行更加科学的统计；基于能耗指标的在线计算与预测，使运行人员实时掌握当前系统的能耗水平，并辅助分析当前工况条件下供热系统运行能耗情况，配合日(月)调度计划调整运行方式，为供热系统运行出现能耗过高的情况进行预警，并及时作好供热系统排查与调控，提升供热企业精细化运行管理水平。

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 (7)

1.一种基于BP神经网络的热网能耗指标分析预警方法，其特征在于，包括：

采集的工况数据；

对工况数据进行处理；

根据处理后的工况数据实时计算各能耗指标，并分析热网供能情况；

根据预测模型预测各能耗指标；以及

根据实时各能耗指标与预测各能耗指标对供热系统的运行能耗进行预警；

所述采集工况数据的方法包括：

采集供热系统中各热力站、管网和建筑物的基础数据，以及采集供热系统、热源、热力站和建筑物的实时数据，即

将各数据库中所需要的基础数据和实时数据打包成数据视图，并且与所有数据库进行对接，以将所有所需要的基础数据和实时数据存储到相应的目标数据表中；

所述对工况数据进行处理的方法包括：

判断能耗数据的缺失程度，以选择补齐能耗数据的方法，即

所述能耗数据为供热时实时数据中产生能耗的数据；

设数据长度为B的能耗数据集表示为f＝[f₁,f₂,...f_g...f_B]，选取一个固定数据长度的窗口L，窗口L内有m个能耗数据，当缺失能耗数据占总采样能耗数据的比例低于u％，则采用滑动平均法补齐能耗数据，否则采用基于马氏距离的k均值法补齐能耗数据。

2.如权利要求1所述的基于BP神经网络的热网能耗指标分析预警方法，其特征在于，

所述采用滑动平均法进行补齐能耗数据的方法包括：

将窗口L内的m个能耗数据作为平移数据，基于平移数据的算术平均数填补缺失的能耗数据，并且窗口L内沿着能耗数据序列依次滑动，始终保持窗口L内的能耗数据个数为m；

其中，m＝2n+1,g＝n+1,n+2,...B-n，n为第n个能耗数据；

所述采用基于马氏距离的k均值法补齐能耗数据的方法包括：

计算马氏距离；

设能耗数据集D的I个能耗数据向量为X₁～X_I，其中能耗数据向量X_i的第v个属性值X_iv缺失，则X_i与完整能耗数据X_j的马氏距离为：

其中，(X_i-X_j)^T为X_i与X_j的差向量的列向量；

为协方差矩阵，

q_ij为协方差；

为能耗数据集D中所有能耗数据向量的第i个属性的平均值；设能耗数据向量X_i的第v个属性值X_iv缺失时，能耗数据向量X_i成为缺失能耗数据；

选取缺失能耗数据的最近邻域；

选取距离缺失能耗数据最近的z个完备能耗数据，组成缺失能耗数据X_i的最近邻域

通过信息熵生成最近邻域的系数矩阵e_o：

其中，i为第一自增变量；r为第二自增变量；

计算缺失能耗数据X_i最近邻域的加权平均值，对缺失能耗数据进行填补；

其中，X_iv的值为填补的能耗数据。

3.如权利要求2所述的基于BP神经网络的热网能耗指标分析预警方法，其特征在于，

所述根据处理后的工况数据实时计算各能耗指标的方法包括：

根据相应实时计算模型实时计算热源能耗指标、热力站能耗指标、管网能耗指标、建筑物能耗指标和供热系统能耗指标；

所述热源能耗指标的实时计算模型包括：

单位面积供热量q_yA的实时计算模型：

Q_y为统计周期内热源出口总供热量，单位为GJ；A为热源所供热的建筑物的建筑面积，单位为m²；

单位采暖度日数耗热量的q_HDD实时计算模型：

HDD＝(t_n-t_w)×d；

HDD为统计周期采暖度日数，单位为℃.d；t_n为统计周期室内平均温度，单位为℃；t_w为统计周期室外平均温度，单位为℃；d为统计周期内的供暖天数，单位为d；

单位面积燃料消耗量g_0A的实时计算模型：

G₀为统计周期热源总燃料消耗量，单位为m³或kg；

单位供热量燃料消耗量g_0Q的实时计算模型：

燃料平均利用效率η_y的实时计算模型：

q_yc为燃料低位发热量，单位为MJ/Nm³或MJ/kg；

所述热力站能耗指标的实时计算模型包括：

单位面积供热量q_zA的实时计算模型：

Q_z为统计周期热力站总供热量，单位为GJ；A_z为热力站所供热建筑物的建筑面积，单位为m²；

单位面积耗电量p_zA的实时计算模型：

P_z为统计周期热力站供暖系统总耗电量，单位为kWh；

单位面积耗水量W_zA的实时计算模型：

W_z为统计周期热力站耗水量，单位为m³；

所述管网能耗指标的实时计算模型包括：

一次管网热损失率α₁的实时计算模型：

为热源所供热力站的供热量之和，单位为GJ；Q_p1,1为一次供热管网热损失量，单位为GJ；Q_zzj为热源所供各热力站的供热量,单位为GJ；c为热源所供热力站的数量；

二次管网热损失率α₂的实时计算模型：

为热力站所供建筑物的供热量之和，单位为GJ；Q_p1,2为二次供热管网热损失量，单位为GJ；Q_bbk为热力站所供各建筑物的供热量，单位为GJ；u为热力站所供建筑物的数量；

一次管网供水沿程温降Δt_s的实时计算模型：

t_sc为热源侧供水温度，单位为℃；t_sm为热力站一次侧入口处温度，单位为℃；S为热源到热力站一级网的长度，单位为m；

二次管网供水温降Δt_e的实时计算模型：Δt_e＝t_ec-t_em；t_ec为热力站二次侧供水温度，单位为℃；t_em为热力站二次侧进入建筑物入口的温度，单位为℃；

所述建筑物能耗指标的实时计算模型包括：

单位面积供热量q_bA的实时计算模型：

Q_b为统计周期楼栋热力入口总供热量，单位为GJ；Q_bk为楼栋各热力入口的供热量，单位为GJ；b为楼栋热力入口数量，当楼栋安装热量计量总表时，b＝1；

所述供热系统能耗指标的实时计算模型包括：

单位面积耗电量P_xA的实时计算模型：

P_x为统计周期供热系统总耗电量，单位为kWh；

单位面积耗水量W_xA的实时计算模型：

W_x为统计周期供热系统耗水量，单位为m³；

单位面积综合能耗e_xA的实时计算模型：

E_x为供热系统综合能耗，单位为tce；a为燃料折标准煤系数，单位为kgce/Nm³或kgce/kg；β为电力折标准煤系数，单位为kgce/kWh；

单位供热量综合能耗e_xQ的实时计算模型：

单位采暖度日数综合能耗e_HDD的实时计算模型：

综合能效η_x的实时计算模型：

γ为标准煤低位发热量，单位kJ/kg；

每间隔预设时间获取根据相应实时计算模型实时计算相应能耗指标。

4.如权利要求3所述的基于BP神经网络的热网能耗指标分析预警方法，其特征在于，

所述分析热网供能情况的方法包括：

根据相应的实时计算模型实时计算的相应能耗指标，获取热网当前的功能情况。

5.如权利要求4所述的基于BP神经网络的热网能耗指标分析预警方法，其特征在于，

所述根据预测模型预测各能耗指标的方法包括：

构建各能耗指标的输入输出关系模型，即

单位面积供热量q_yA的输入输出关系模型：q_yA＝f₁(T,Q′_y)，其影响因素为T和Q′_y；

单位采暖度日数耗热量q_HDD的输入输出关系模型：q_HDD＝f₂(T,t′_n,t′_w,Q′_y,d)，其影响因素为T、t′_n、t′_w、Q′_y和d；

单位面积燃料消耗量g_0A的输入输出关系模型：g_0A＝f₃(T,G′₀,Q′_y)，其影响因素为T、G′₀和Q′_y；

单位供热量燃料消耗量g_0Q的输入输出关系模型：g_0Q＝f₄(T,G′₀,Q′_y)，其影响因素为T、G′₀和Q′_y；

燃料平均利用效率η_y的输入输出关系模型：η_y＝f₅(T,G′₀,Q′_y)，其影响因素为T、G′₀和Q′_y；

单位面积供热量q_zA的输入输出关系模型：q_zA＝f₆(T，Q′_z)，其影响因素为T和Q′_z；

单位面积耗电量p_zA的输入输出关系模型：p_zA＝f₇(T，P′_z，H)，其影响因素为T、P′_z和H；

单位面积耗水量W_zA的输入输出关系模型：W_zA＝f₈(T,P′_z,P_s)，其影响因素为T、P′_z和P_s；

一次管网热损失率α₁的输入输出关系模型：α₁＝f₉(T,Q′_y,Q_zzj)，其影响因素为T、Q′_y和Q_zzj；

二次管网热损失率α₂的输入输出关系模型：α₂＝f₁₀(T,Q′_z,Q′_bbk)，其影响因素为T、Q′_z和Q′_bbk；

一次管网供水沿程温降Δt_s的输入输出关系模型：Δt_s＝f₁₁(T,t_sc,t′_sm)，其影响因素为T、t_sc和t′_sm；

二次管网供水温降Δt_e的输入输出关系模型：Δt_e＝f₁₂(T,t′_ec,t′_em)，其影响因素为T、t′_ec和t′_em；

单位面积供热量q_bA的输入输出关系模型：q_bA＝f₁₃(T,Q′_y,Q′_b)，其影响因素为T、Q′_y和Q′_b；

单位面积耗电量P_xA的输入输出关系模型：P_xA＝f₁₄(T,Q′_y,H_xxi)，其影响因素为T、Q′_y和H_xxi；

单位面积耗水量W_xA的输入输出关系模型：W_xA＝f₁₅(T,Q′_y,P_s,P_y)，其影响因素为T、Q′_y、P_s和P_y；

单位面积综合能耗e_xA的输入输出关系模型：e_xA＝f₁₆(T,E′_x)，其影响因素为T和E′_x；

单位供热量综合能耗e_xQ的输入输出关系模型：e_xQ＝f₁₇(T,Q′_y,E′_x)，其影响因素为T、Q′_y和E′_x；

单位采暖度日数综合能耗e_HDD的输入输出关系模型：e_HDD＝f₁₈(T,E′_x)，其影响因素为T和E′_x；

综合能效η_x的输入输出关系模型：η_x＝f₁₉(T,Q′_b,E′_x)，其影响因素为T、Q′_b和E′_x；

其中，T为未来室外天气参数；H为循环泵频率，单位为Hz；H_xxi为供热系统内各水泵的频率，单位为Hz；P_y为热源一次侧定水压力,单位为Mpa；P_s为热力站内二次侧定水压力，单位为Mpa；Q′_y为上一统计周期内热源出口总供热量；t′_n为上一统计周期室内平均温度；t′_w为上一统计周期室外平均温度；G′₀为上一统计周期热源总燃料消耗量；Q′_z为上一统计周期热力站总供热量；P′_z为上一统计周期热力站供暖系统总耗电量；Q′_bbk为上一统计周期热力站所供各建筑物的供热量；t′_sm为上一统计周期热力站一次侧入口处温度；t′_ec为上一统计周期热力站二次侧供水温度；t′_em为上一统计周期热力站二次侧进入建筑物入口的温度；Q′_b为上一统计周期楼栋热力入口总供热量；E′_x为上一统计周期供热系统综合能耗。

6.如权利要求5所述的基于BP神经网络的热网能耗指标分析预警方法，其特征在于，

所述根据预测模型预测各能耗指标的方法还包括：

根据各能耗指标的输入输出关系模型，采用BP神经网络算法，建立各能耗指标的预测模型，即

建立能耗数据训练集E：E＝{Y,EY}＝{(y₁,ey₁),(y₂,ey₂),...,(y_N,ey_N)}；Y为能耗指标的输入参数数据集，EY为能耗指标的输出参数数据集；N∈[1,19]，N＝1,2...，当N为1时ey₁为q_yA，输入参数数据集y₁为q_yA的影响因素的样本数据集；同理当N为2时ey₂为q_HDD；当N为3时ey₃为g_0A；当N为4时ey₄为g_0Q；当N为5时ey₅为η_y；当N为6时ey₆为q_zA；当N为7时ey₇为p_zA；当N为8时ey₈为W_zA；当N为9时ey₉为α₁；当N为10时ey₁₀为α₂；当N为11时ey₁₁为Δt_s；当N为12时ey₁₂为Δt_e；当N为13时ey₁₃为q_bA；当N为14时ey₁₄为P_xA；当N为15时ey₁₅为W_xA；当N为16时ey₁₆为e_xA；当N为17时ey₁₇为e_xQ；当N为18时ey₁₈为e_HDD；当N为19时ey₁₉为η_x；

设多层前馈网络结构包括：s个输入神经元、l个输出神经元，以及q个隐层神经元；

θ_j为输出层第j个神经元的阈值；γ_h为隐层第h个神经元的阈值；ν_hj为输入层第i个神经元与隐层第h个神经元之间的连接权；ω_hj为隐层第h个神经元与输出层第j个神经元之间的连接权；隐层第h个神经元接收到的输入为

b_h为隐层第h个神经元的输出；隐层和输出层神经元采用的连接函数为

对第k个预测的能耗指标(y_k,ey_k)，通过神经网络模型计算

为

则

神经网络在(y_k,ey_k)上的均方差为

输入能耗指标(y_k,ey_k)的训练集E，获取收敛误差ξ；

计算

以及计算均方差M_k；

判断是否满足收敛条件M_k<ξ，当满足时输出能耗指标的神经网络模型

此时

即为能耗指标的预测模型，否则基于梯度算法，计算输出神经元β_j的负梯度方向：

以及计算隐层神经元的负梯度方向：

重新连接ω_hj、ν_hj与阈值θ_j、γ_h，并重新进行计算

以及计算均方差M_k，直至输出能耗指标的预测模型；

根据输出的能耗指标的预测模型预测各能耗指标。

7.如权利要求6所述的基于BP神经网络的热网能耗指标分析预警方法，其特征在于，

所述根据实时各能耗指标与预测各能耗指标对供热系统的运行能耗进行预警的方法包括：

当实时能耗指标与预测能耗指标之间的差值大于预设范围时进行预警，即

其中，

为预测当位面积供热量指标与当前运行单位面积供热量指标的阈值范围；χ为预设范围。

Images