CN111275579A - 基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法 - Google Patents

Abstract

本发明涉及供热技术领域，公开了一种基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法，本方法以历史大数据为基础，结合外部气候数据和建筑物温度，基于皮尔森相关系数和移动平均法，通过数据辨识的方法自动获得热力站或二级网的热响应时间，该方法仅需获得供热系统普通历史运行数据，通过大数据方法辨识出供热系统热响应时间，不依赖于高质量的数据采集，同时不易受单次故障数据或者异常数据的影响，基于辨识结果，根据热网延迟时间的不同制定不同的储能或调度策略，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

基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨 识方法

技术领域

本发明涉及供热系统中热网及热力站的热延迟时间分析及辨识领域，具体为一种基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法。

背景技术

传统的集中供热系统二级网调控有大滞后、热惰性等问题，每个二级网及热网下各个热力站和用户因其工况、规模和天气温度不同，热响应时间各不相同，因此运营人员往往需要对每个站都需要经历调节、稳定、再调节的反复校准过程，效率低下且对运行人员的技术水平要求很高。此外，在我国集中供热发展早期，行业自动化水平较为落后，如今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。针对热网二级网的热延迟问题，因对二级网的机理建模过于复杂，故利用历史数据进行数据辨识二级网的延迟特性。

本发明以历史大数据为基础，结合外部气候数据和建筑物温度，提出了一种基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法，能够通过数据辨识的方法自动获得热力站或二级网的热响应时间，且不依赖于高质量的采集数据，运营人员可以根据各热力站或热网的热响应时间进行提前调控，利用响应时间进行储能，实现按需精准调节。

发明内容

本发明的目的是提供一种基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法。基于历史大数据通过数据方法辨识出热网、热力站的准确热响应时间，帮助运营人员进行提前精准调控，进而较少调控中的能耗损失。

本发明采用的技术方案如下：

一种基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法，包括：

步骤S1，从数据库中读取热网热力站逐日运行数据，并进行数据预处理；

步骤S2：根据专家知识，选取辨识对象的特征参数，确定基本特征和响应特征；

步骤S3：将滑动时间窗长度等分为两段，计算前后两段时间窗内的基本特征移动算术平均之差，得到移动算术平均差值的时间序列；

步骤S4：设置工况变动阈值，移动算术平均差值超过该阈值的时间点设置为工况变化起始点；

步骤S5：依据确定的工况变化起始点和滑动时间窗长度，逐次移动时间步长生成响应特征的时间序列，计算不同时间步长后的响应特征序列与基本特征序列的皮尔森相关系数，以皮尔森相关系数最大值的步长作为供热系统热响应时间。

步骤S6：对于热力站不同时间采集数据多次使用上述方法辨识二级网热响应时间，利用机器学习辨识出各二级网响应时间和建筑温度与天气温度的关系函数，进而得到建筑不同热状态和天气温度下各二级网的热响应时间。

上述方案中，步骤S1具体为：针对区域供热系统，通过其物联感知系统实时采集数据并更新历史数据库，从数据库中读取N天数据集D＝{C₁，C₂......C_N}，C_l(1≤l≤N)为其中一天数据集，其中

n代表特征数，m代表当天数据采集数，a_ij(1≤i≤m，1≤j≤n)即为当天第i个采集时间点第j个特征值。并对读取出来的数据进行数据预处理。

所述的数据预处理为包括：现有热网的数据采集质量普遍不高，在采集过程中可能因为感知设备问题或者传输过程问题存在采集点缺失，采集点异常等情况，因此需要对采集数据进行缺失值处理和异常值处理。

所述的缺失值处理为：遍历C_l中各个数据a_ij(1≤i≤m，1≤j≤n)，若a_ij为缺失值null，则通过该特征前后两点平均值去填补该点，即

如果确实值数量多于k，则舍弃该天数据，k为人为设置的缺失值数目上限阈值。

所述的异常值处理为：利用3-σ原则判别异常点，同理，若a_ij(1≤i≤m，1≤j≤n)被判别为异常点，删除该异常值，并通过该特征前后两点平均值去填补该点，即

所述的3-σ原则，即当连续性特征变量j的值{a_1j，a_2j…a_mj}符合正态分布时，其正态分布的值落入(μ-3σ，μ+3σ)的概率为99.74％，其中μ该特征变量的均值，σ为该特征变量的标准差；由正态分布可知，若该值a_ij≤μ-3σ或a_ij≥μ-3σ的概率低于0.026％，可以判别为异常值。

进一步，步骤S2中所述的选取辨识对象的特征参数，确定基本特征，具体如下：确定通过数据辨识的对象为热力站的热响应时间和二级网的热响应时间，根据专家知识，与此直接相关的特征有T_ps，T_ss，T_sr，其中T_ps代表一次供温，T_ss代表二次供温，T_sr代表二次回温。辨识热力站的响应时间时以T_ps为基本特征，T_ss为响应特征；辨识二级网的响应时间时以T_ss为基本特征，T_sr为响应特征；辨识热力站和二级网的总响应时间时以T_ps为基本特征，T_sr为响应特征；

进一步，步骤S3中所述的滑动时间窗长度Δt应至少包含一次明显的工况变动，可由经验或者专家知识确定；

将滑动时间窗长度等分为两段(t_i，

)和(

t_i+Δt)，其中t_i为当天采集的第i个时刻(1≤i≤m-Δt)。计算前后两段时间内基本特征j_base的算术平均

分别为：

其中，j_basei1代表在时刻i对应的前半段时间窗内该基本特征的算术平均值，j_basei2代表在时刻i对应的后半段时间窗内该基本特征的算术平均值。针对每个时刻i，计算其时间窗内的前后两段算术平均之差为diff_i＝j_basei2-j_basei1，进而得到移动算术平均差值的时间序列[diff₁，diff₂，...，diff_m-Δt]。

进一步，步骤S4具体为：当基本特征在时间窗内后半段算术平均值与前半段算术平均值之差若超过所设置的工况变动阈值，则判定为该时间窗内系统工况发生明显变化，阈值大小根据经验或专家知识人为设定。

遍历基本特征的移动算术平均时间序列[diff₁，diff₂，...，diff_m-Δt]，若|diff_i|大于阈值，则该时间窗判定工况明显变化，将diff_i对应的开始时刻i作为工况变化起始时间start_time，窗口结束时刻i+Δt作为结束时刻end_time。

进一步，步骤S5具体为：依据获得的工况变化起始时间i和结束时间i+Δt，得到基本特征j_base在该时间窗的时间序列为

响应特征在该时间窗的初始序列

逐次移动一个时间步长，得到响应特征的Δt个时间序列，构成时间响应矩阵V，即

和基础特征j_base合并在一起构成热响应时间矩阵

对于两个变量x，y，相关系数计算式为

其中，Var(x)代表变量x的方差，Var(y)代表变量y的方差，Cov(x，y)代表x和y之间的协方差。依据皮尔森相关系数，分别计算热响应矩阵H中基本特征j_base序列和后面各时间步长后对应的响应特征j_response序列的皮尔森相关系数得到序列相关系数序列

[Corr(j_base，j_response1)，Corr(j_base，j_response2)，...Corr(j_base，j_responseΔt)]，取出其中的最大值对应的时刻与初始时刻的时间差作为热响应时间。

最后，步骤S6对于热力站不同时间采集数据多次使用上述方法辨识二级网热响应时间t_delay，考虑二级网调控流量一定的情况下，通过采集的用户室温和天气温度作为特征，利用机器学习模型辨识得到二级网热相应时间t_delay和用户室温t_indoor与天气温度t_outdoor之间的关系函数t_delay＝f(t_indoor，t_outdoor)，进而得到二级网在一定的流量，不同的建筑的热状态和外部天气温度下二级网的延迟时间。

本发明相比于现有方法和技术的优势是：

1、本发明不依赖于复杂的机理建模，也无需人为选取调取数据进行逐一人工分析，以历史大数据为基础，通过数据辨识加编程实现的方式实现自动辨识。

2、本发明不依赖于高质量的采集数据。很多数据辨识方法都依赖于高质量、大量的历史数据，而热网数据采集质量普遍不高，该发明的方法逻辑设计以现有数据为基础，并通过多次自动辨识求平均的方法减少数据采集异常带来的误差。

3、本发明通过移动平均法来计算工况变化点，取代传统的人工识别，其和人工识别相比准确性并未降低，同时利用移动平均的思想可以减小采集数据波动带来的影响。

4、本发明以数据为基础，具有很强的移植性，不仅可以辨识热网和热力站的延迟，类似对象均可用该发明的方法进行辨识。

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皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法的流程图；

图2是本发明所涉及的工况数据预处理流程图；

图3是本发明涉及的热力站结构以及数据采集示意图；

图4是本发明所涉及的滑动时间窗示意图；

图5是本发明所涉及的算术平均差时间序列示意图；

图6是本发明所涉及的时间窗内的基本特征和响应特征示意图；

图7为本发明所涉及的基本特征与各移动步长下的响应特征相关系数示意图。。

具体实施方式

下面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皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法的流程图。

如图1所示，本实施例提供了一种基基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法，包括：步骤S1，从数据库中读取热网热力站逐日运行数据，并进行数据预处理；步骤S2：根据专家知识，选取辨识对象的特征参数，确定基本特征和响应特征；步骤S3：将滑动时间窗长度等分为两段，计算前后两段时间窗内的基本特征移动算术平均之差，得到移动算术平均差值的时间序列；步骤S4：设置工况变动阈值，移动算术平均差值超过该阈值的时间点设置为工况变化起始点；步骤S5：依据确定的工况变化起始点和滑动时间窗长度，逐次移动时间步长生成响应特征的时间序列，计算不同时间步长后的响应特征序列与基本特征序列的皮尔森相关系数，以皮尔森相关系数最大值的步长作为供热系统热响应时间。步骤S6：对于热力站不同时间采集数据多次使用上述方法辨识供热系统热响应时间，消除异常数据影响，提高辨识准确性。

图2是本发明所涉及的工况数据预处理流程图。

如图2所示，在本实施例中，步骤S1，从数据库中读取热网热力站逐日运行数据，并进行数据预处理；即针对区域供热系统，通过其物联感知系统实时采集数据并更新历史数据库，从数据库中读取N天数据集D＝{C₁，C₂......C_N}，C_l(1≤l≤N)为其中一天数据集，其中

n代表特征数，m代表当天数据采集数，a_ij(1≤i≤m,1≤j≤n)即为当天第i个采集时间点第j个特征值。并对读取出来的数据进行数据预处理。

遍历C_l中各个数据a_ij(1≤i≤m，1≤j≤n)，若a_ij为缺失值null，则通过该特征前后两点平均值去填补该点，即

如果确实值数量多于k，则舍弃该天数据，k为人为设置的缺失值数目上限阈值，重新回到第一步读取下一天数据。

缺失值填充完后，利用3-σ原则判别异常点，若a_ij(1≤i≤m，1≤j≤n)被判别为异常点，首先删除该异常值，并通过该特征前后两点平均值去填补该点，即

至此数据预处理完毕，得到清洗后的数据。

图3是本发明涉及的热力站结构以及数据采集示意图。

如图3所示在本实施例中，所述步骤S2，根据专家知识，选取辨识对象的特征参数，确定基本特征和响应特征；根据热力站数据采集位置和热力站内部结构图，结合专家知识，一次侧工质和二次侧工质在板式换热器中进行换热，当一次侧供水温度升高，经过换热后二次侧供水温度也会随之升高，这之间的延迟称为换热站内延迟，因此其基本特征为一次侧供水温度T_ps，响应特征为二次侧供水温度T_ss。二次侧工质经流用户后回到热力站测得二次回水温度T_ss，当二次侧供水温度T_ss变化后，二次侧回水温度T_sr会随之变化，这之间的延迟成为二级网延迟，因此其基本特征为二次供水温度T_ss，响应特征为二次回水温度T_sr。对于整个过程，当一次侧供水温度T_ps变化，最终会响应到二次回水温度T_sr的变化，因此对整个热力站及二级网的热响应，其基本特征为一次侧供水温度T_ps，响应特征为二次侧回水温度T_sr。不难看出，整个热力站及二级网的热响应时间应该为前述热力站热响应时间和二级网热响应时间之和，也据此可以验证辨识准确性。

图4是本发明所涉及的滑动时间窗示意图。

如图4所示，在本实施例中，所述步骤S3：将滑动时间窗长度等分为两段，计算前后两段时间窗内的基本特征移动算术平均之差，得到移动算术平均差值的时间序列；在时间窗i中，将时间窗分为前后两半(t_i，

)和(

t_i+Δt)，其中t_i当天采集的第i个时刻(1≤i≤m-Δt)，分别计算前后两端时间窗的算术平均值，

再计算其前后两段算术平均之差为diff_i＝j_basei2-j_basei1，如示意图所示，将时间窗往后移动一个步长得到时间窗i+1，重复上面步骤，依次进行下去，进而得到移动算术平均差值的时间序列[diff₁，diff₂，...，diff_m-Δt]。

图5是本发明所涉及的算术平均差时间序列示意图。

如图5所示，在本实施例中，步骤S4：设置工况变动阈值，移动算术平均差值超过该阈值的时间点设置为工况变化起始点；根据经验和专家知识人为设定工况变化阈值threshold，基本特征在时间窗内后半段算术平均值与前半段算术平均值之差若超过该阈值，则判定为该时间窗内系统工况发生明显变化，再遍历前述求得的基本特征的移动算术平均时间序列[diff₁，diff₂，...，diff_m-Δt]，如图5中的所示，蓝色的点为计算出来的时间窗前后段的算术平均差，若|diff_i|大于阈值，则该时间窗判定工况明显变化，将|diff_i|大于该阈值的异地个点对应的开始时刻i作为工况变化起始时间start_time，窗口结束时刻i+Δt作为结束时刻end_time。

图6是本发明所涉及的时间窗内的基本特征和响应特征示意图。

图7为本发明所涉及的基本特征与各移动步长下的响应特征相关系数示意图。

在本实施例中，步骤S5：依据确定的工况变化起始点和滑动时间窗长度，逐次移动时间步长生成响应特征的时间序列，计算不同时间步长后的响应特征序列与基本特征序列的皮尔森相关系数，以皮尔森相关系数最大值的步长作为供热系统热响应时间。

依据前述得到的工况变化起始时间i和结束时间i+Δt，如图6中的实线和虚线所示，分别得到基本特征j_base在该时间窗的时间序列为

响应特征在该时间窗的初始序列

将该时间窗逐次向右移动一个时间步长，得到响应特征的Δt个时间序列，构成时间响应矩阵V，即

和基础特征j_base合并在一起构成热响应时间矩阵

依据皮尔森相关系数，分别计算热响应矩阵H中基本特征j_base序列和后面各时间步长后对应的响应特征jresponse序列的皮尔森相关系数得到序列相关系数序列[Corr(j_base，j_response1)，Corr(j_base，j_response2)，...Corr(j_base，j_responseΔt)]，如图7所示，当相关系数达到最大时，代表此时响应特征和基本特征的变化趋势最为一致，因此将其中的最大值对应的时刻t_delay与初始时刻的时间t_start差作为热响应时间。

在本实施例中，最后，步骤S6：对于热力站不同时间采集数据多次使用上述方法辨识二级网热响应时间，利用机器学习辨识出各二级网响应时间和建筑温度与天气温度的关系函数，进而得到建筑不同热状态和天气温度下各二级网的热响应时间。

对于热力站不同时间采集数据多次使用上述方法辨识供热系统热响应时间，消除异常数据影响，提辨识准确性。即：对于同一个辨识对象在不同的采集时间上重复步骤S2-S5，多次获得该辨识对象的热响应时间，剔除明显异常值后求平均获得该站的最终热相应时间，以此消除供热系统中因为某天或者某时刻因为测量误差或者工况异常变动导致热相应时间辨识不准确，提高辨识准确性。

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 (6)

1.一种基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法，其特征在于，包括：

步骤S1，从数据库中读取热网热力站逐日运行数据，并进行数据预处理；

步骤S2：根据专家知识，选取辨识对象的特征参数，确定基本特征和响应特征；

步骤S3：将滑动时间窗长度等分为两段，计算前后两段时间窗内的基本特征移动算术平均之差，得到移动算术平均差值的时间序列；

步骤S4：设置工况变动阈值，移动算术平均差值超过该阈值的时间点设置为工况变化起始点；

步骤S5：依据确定的工况变化起始点和滑动时间窗长度，逐次移动时间步长生成响应特征的时间序列，计算不同时间步长后的响应特征序列与基本特征序列的皮尔森相关系数，以皮尔森相关系数最大值的步长作为供热系统热响应时间；

步骤S6：对于热力站不同时间采集数据多次使用上述方法辨识二级网热响应时间，利用机器学习辨识出各二级网响应时间和建筑温度与天气温度的关系函数，进而得到建筑不同热状态和天气温度下各二级网的热响应时间。

2.如权利要求1所述的一种基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法，其特征在于，步骤S1具体为：针对区域供热系统，通过其物联感知系统实时采集数据并更新历史数据库，从数据库中读取N天数据集D＝{C₁，C₂……C_N}，C_l(1≤l≤N)为其中一天数据集，其中

n代表特征数，m代表当天数据采集数，a_ij(1≤i≤m,1≤j≤n)即为当天第i个采集时间点第j个特征值；

对读取出来的数据进行数据预处理，包括缺失值处理和异常值处理；

所述的缺失值处理为：遍历C_l中各个数据a_ij(1≤i≤m,1≤j≤n),若a_ij为缺失值null，则通过该特征前后两点平均值去填补该点，即

如果缺失值数量多于k，则舍弃该天数据，k为人为设置的缺失值数目上限阈值；

所述的异常值处理为：利用3-σ原则判别异常点，若a_ij(1≤i≤m,1≤j≤n)被判别为异常点，删除该异常值，并通过该特征前后两点平均值去填补该点，即

所述的3-σ原则，即当连续性特征变量j的值{a_1j,a_2j…a_mj}符合正态分布时，其正态分布的值落入(μ-3σ,μ+3σ)的概率为99.74％，其中μ该特征变量的均值，σ为该特征变量的标准差；由正态分布可知，若该值a_ij≤μ-3σ或a_ij≥μ-3σ的概率低于0.026％，可以判别为异常值。

3.如权利要求1所述的一种基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法，其特征在于，步骤S2

中所述的选取辨识对象的特征参数，确定基本特征，具体如下：确定通过数据辨识的对象为热力站的热响应时间和二级网的热响应时间，根据专家知识，与此直接相关的特征有T_ps,T_ss,T_sr，其中T_ps代表一次供温，T_ss代表二次供温，T_sr代表二次回温，辨识热力站的响应时间时以T_ps为基本特征，T_ss为响应特征；辨识二级网的响应时间时以T_ss为基本特征，T_sr为响应特征；辨识热力站和二级网的总响应时间时以T_ps为基本特征，T_sr为响应特征。

4.如权利要求1所述的一种基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法，其特征在于，步骤S3中所述的滑动时间窗长度Δt应至少包含一次明显的工况变动，可由经验或者专家知识确定；

将滑动时间窗长度等分为两段：

和

其中t_i为当天采集的第i个时刻(1≤i≤m-Δt)，计算前后两段时间内基本特征j_base的算术平均分别为：

其中，j_basei1代表在时刻i对应的前半段时间窗内该基本特征的算术平均值，j_basei2代表在时刻i对应的后半段时间窗内该基本特征的算术平均值；针对每个时刻i，计算其时间窗内的前后两段算术平均之差为diff_i＝j_basei2-j_basei1,进而得到移动算术平均差值的时间序列[diff₁,diff₂,…,diff_m-Δt]。

5.如权利要求1所述的一种基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法，其特征在于，步骤S4具体为：当基本特征在时间窗内后半段算术平均值与前半段算术平均值之差若超过所设置的工况变动阈值，则判定为该时间窗内系统工况发生明显变化，阈值大小根据经验或专家知识人为设定；遍历基本特征的移动算术平均时间序列[diff₁,diff₂,…,diff_m-Δt]，若|diff_i|大于工况变动阈值，则该时间窗判定工况明显变化，将diff_i对应的开始时刻i作为工况变化起始时间start_time，窗口结束时刻i+Δt作为结束时刻end_time。

6.如权利要求1所述的一种基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法，其特征在于，步骤S5具体为：

依据获得的工况变化起始时间i和结束时间i+Δt，得到基本特征j_base在该时间窗的时间序列为

响应特征在该时间窗的初始序列

逐次移动一个时间步长，得到响应特征的Δt个时间序列，构成时间响应矩阵V，即

和基础特征j_base合并在一起构成热响应时间矩阵

对于两个变量x,y，相关系数计算式为

其中，Var(x)代表变量x的方差，Var(y)代表变量y的方差，Cov(x,y)代表x和y之间的协方差；依据皮尔森相关系数，分别计算热响应矩阵H中基本特征j_base序列和后面各时间步长后对应的响应特征j_response序列的皮尔森相关系数得到序列相关系数序列

[Corr(j_base,j_response1),Corr(j_base,j_response2),…Corr(j_base,j_responseΔt)],取出其中的最大值对应的时刻与初始时刻的时间差作为热响应时间。

Images