CN111476439B - 基于灰色时间序列的供暖户阀调节方法、系统及设备 - Google Patents
基于灰色时间序列的供暖户阀调节方法、系统及设备 Download PDFInfo
- Publication number
- CN111476439B CN111476439B CN202010419855.3A CN202010419855A CN111476439B CN 111476439 B CN111476439 B CN 111476439B CN 202010419855 A CN202010419855 A CN 202010419855A CN 111476439 B CN111476439 B CN 111476439B
- Authority
- CN
- China
- Prior art keywords
- data
- heating
- user
- model
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010438 heat treatment Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 230000003068 static effect Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 7
- 230000001276 controlling effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 15
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000009469 supplementation Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000002087 whitening effect Effects 0.000 description 2
- 230000007488 abnormal function Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000009123 feedback regulation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Steam Or Hot-Water Central Heating Systems (AREA)
Abstract
本发明公开了一种基于灰色时间序列的供暖户阀调节方法和调节系统，所述调节方法包括包括以下步骤：获取历史的供暖数据以及历史的气象数据，将上述数据以时间为基准进行数据合成，并按照等时间间隔进行对齐处理获得序列数据，利用序列数据搭建灰色时间序列模型；对灰色时间序列模型的模型参数进行调整，获得最优预测模型；将待预测日的气象数据以及除供热流量以外的供暖数据进行处理后，输入到最优预测模型内，获取待预测日的预测供热流量；将预测供热流量作为PID控制算法的追踪流量值，控制供暖户阀所需的开度；通过灰色预测系统与PID算法的结合，精确控制用户供热量。
Description
技术领域
本发明涉及供暖领域，具体涉及一种基于灰色时间序列的供暖户阀调节方法、系统及设备。
背景技术
随着国民经济的发展和城镇化的推进，我国北方城镇建筑面积不断增长，其集中供热面积亦随之快速增长。
我国大部分供暖系统依然采用落后的粗放型调控方式，即仅仅依据室外温度或全凭经验确定换热站供水温度，依据回水温度进行反馈调节或根本不进行。
现有技术中大部分供暖户阀不具备流量调节功能。
较为先进的现有技术中，供暖户阀的开度主要通过PID控制算法进行调节，需要为PID控制算法设定追踪流量值；但该追踪流量值一般只能根据经验进行人工设定，导致该追踪流量值不准确，无法根据气象数据和供暖数据进行动态调整，也无法考虑用户的用热习惯差异对追踪流量值带来的影响。
发明内容
为解决上述技术问题，本发明提供一种基于灰色时间序列的供暖户阀调节方法、系统及设备。
为解决上述技术问题，本发明采用如下技术方案：
一种基于灰色时间序列的供暖户阀调节方法，包括以下步骤：
步骤一：获取历史的供暖数据以及历史的气象数据，将上述数据以时间为基准进行数据合成，并按照等时间间隔进行对齐处理获得序列数据，利用序列数据搭建灰色时间序列模型；
步骤二：对灰色时间序列模型的模型参数进行调整，获得最优预测模型；
步骤三：将待预测日的气象数据以及除供热流量以外的供暖数据进行处理后，输入到最优预测模型内，获取待预测日的预测供热流量；
步骤四：将预测供热流量作为PID控制算法的追踪流量值，控制供暖户阀所需的开度。
具体地，在步骤一和步骤三中：所述供暖数据包括静态供暖数据和动态供暖数据；所述动态供暖数据包括用户室内温度、用户阀开度、用户瞬时流量、用户瞬时热量、用户供水温度、用户回水温度；所述静态供暖数据包括用户楼层号；所述气象数据包括：室外温度和风速。
具体地，步骤一中将历史的供暖数据和历史的气象数据以时间为基准进行数据合成并按照等时间间隔进行对齐处理获得序列数据时，使得每条序列数据同时包含供暖数据以及气象数据，且任意两条相邻序列数据的时间间隔相等。
具体地，步骤一中利用序列数据搭建灰色时间序列模型之前，对序列数据进行异常数据处理。
具体地，步骤一中利用序列数据搭建灰色时间序列模型前，将序列数据的每个维度分别进行标准化处理得到标准化数据。
具体地，步骤三中数据输入到最优预测模型后，首先获得模型输出结果，将模型输出结果进行反标准化处理得到所述的预测供热流量。
具体地，步骤二中的模型参数包括序列长度和训练次数，所述序列长度为每次搭建灰色时间序列模型所用的序列数据的条数，获得灰色时间序列模型后计算其相对残差和级比偏差；特定序列长度的序列数据经过不同训练次数所获得的灰色时间序列模型，其相对残差和级比偏差不同，选取相对残差和级比偏差之和具有最小值的灰色时间序列模型作为最优预测模型。
一种基于灰色时间序列的供暖户阀调节系统，包括：
模型搭建模块，其获取历史的供暖数据以及历史的气象数据，将上述数据以时间为基准进行数据合成，并按照等时间间隔进行对齐处理获得序列数据，利用序列数据搭建灰色时间序列模型；
调优模块，其对灰色时间序列模型的模型参数进行调整，获得最优预测模型；
流量预测模块，其将待预测日的气象数据以及除供热流量以外的供暖数据进行处理后，输入到最优预测模型内，获取待预测日的预测供热流量；
流量控制模块，其将预测供热流量作为PID控制算法的追踪流量值，控制供暖户阀所需的开度。
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，所述处理器执行上述调节方法的步骤。
与现有技术相比，本发明的有益技术效果是：
1.本发明通过学习历史的供暖数据和历史的气象数据建立基于灰色时间序列的最优预测模型，并将待预测日的气象数据和供暖数据输入到最优预测模型，得到预测供热流量，结合PID控制算法实现供暖流量调节，该调节方法在考虑用户的用热习惯的基础上，可以根据气象条件和供热条件实时预测所需的供热流量，实现住户级供热的精确控制，从而达到节能目的。
2.通过提供自用户到单元的供热需求参考，能够提高供热利用率，避免传统粗放型供热系统中存在的热能浪费现象。
附图说明
图1本发明调节方法的流程图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
灰色系统理论，是一种研究少数据、贫信息、不确定性问题的方法，其以“部分信息已知，部分信息未知”的“小样本”、“贫信息”为研究对象，对“部分”已知信息进行生成和开发，提取出有价值的信息，实现对系统运行行为、演化规律的正确描述和有效监控。
在控制论中，常用颜色的深线形容信息的明确程度，用黑色表示信息未知，用白色表示信息完全明确，用灰色表示部分信息明确、部分信息不明确。相应地，信息完全明确的系统称为白色系统，信息未知的系统称为黑色系统，部分信息明确、部分信息不明确的系统称为灰色系统。
灰色系统理论提出的关联度分析方法，能够根据因素之间发展态势的相似或相异程度来衡量因素间关联的程度，揭示事物动态关联的特征与程度；由于以发展态势为立足点，因此对样本量没有太高的要求，也不需要典型的分布规律，计算量少到甚至可用手算，且不致出现关联度的量化结果与定性分析不一致的情况。
如图1所示，一种基于灰色时间序列的供暖户阀调节方法，包括以下步骤：
S1：获取历史的供暖数据以及历史的气象数据，将上述数据以时间为基准进行数据合成，并按照等时间间隔进行对齐处理获得序列数据，利用序列数据搭建灰色时间序列模型；
S2：对灰色时间序列模型的模型参数进行调整，获得最优预测模型；
S3：将待预测日的气象数据以及除供热流量以外的供暖数据进行处理后，输入到最优预测模型内，获取待预测日的预测供热流量；
S4：将预测供热流量作为PID控制算法的追踪流量值，控制供暖户阀所需的开度。
在获取历史的供暖数据之前，需要进行异常用户处理，异常用户处理与后续的异常数据处理不同，异常用户处理是将明显异常用户的数据排除在历史供暖数据之外，从源头上保证数据的可靠性，异常用户包括未缴费的用户以及供暖阀功能异常的用户；异常用户处理的周期根据业务的需要进行设定。
搭建基于灰色系统理论的灰色时间序列模型之前，需要先对数据进行处理。
历史的供暖数据、气象数据往往来自不同的数据库。
历史的气象数据格式如下：
| 时间 | 室外温度 | 风速 | 风向 | ... |
| ... | ... | ... | ... | ... |
| xxxx年xx月xx日00时 | xx | xx | xx | ... |
| xxxx年xx月xx日01时 | xx | xx | xx | ... |
| ... | ... | ... | ... | ... |
历史的供暖数据格式如下：
| 时间 | 用户室内温度 | 用户瞬时流量 | ... |
| ... | ... | ... | ... |
| xxxx年xx月xx日00时 | xx | xx | ... |
| xxxx年xx月xx日01时 | xx | xx | ... |
| ... | ... | ... | ... |
步骤一中将历史的供暖数据和历史的气象数据以时间为基准进行数据合成并按照等时间间隔进行对齐处理获得序列数据时，使得每条序列数据同时包含供暖数据以及气象数据，且任意两条相邻序列数据的时间间隔相等，序列数据的格式如下：
利用序列数据搭建灰色时间序列模型的过程：先利用序列数据生成离散模型，进而生成能够反映供暖内部规律的微分方程模型，最终生成有预测未来供热流量能力的灰色时间序列模型。
其具体过程如下：
灰色时间序列模型也称为GM(1,1)模型，其适合具有较强的指数规律的数列；已知系统的序列数据：
X(0)＝(x(0)(1),x(0)(2),...,x(0)(n))；
其中x(0)(n)代表一条序列数据；做一次累加生成(1-AGO)序列：
X(1)＝(x(1)(1),x(1)(2),...,x(1)(n))；
其中，
令Z(1)为X(1)的紧邻均值生成序列：
Z(1)＝(z(1)(2),z(1)(3),...,z(1)(n))；
其中，
z(1)(k)＝0.5x(1)(k)+0.5x(1)(k-1)；
建立GM(1,1)的灰微分方程模型为：
x(0)(k)+az(1)(k)＝b；
其中，a为发展系数,b为灰色作用量,设为待估参数向量，即/>则灰微分方程的最小二乘估计参数列满足：
其中,
再建立灰色微分方程的白化方程，即影子方程：
白化方程的解，即时间响应函数为
那么相应的GM(1,1)灰色微分方程的时间响应序列为：
取x(1)(0)＝x(0)(1)，则
再做累减还原可得
即得到灰色时间序列模型。
为了保证灰色预测的可行性，在搭建灰色时间序列模型前需要对序列数据进行级比检验。
对序列数据X(0)＝(x(0)(1),x(0)(2),...,x(0)(3))，计算序列的级比：
若所有的级比λ(k)都落在可容覆盖θ＝(e-2/(n+1),e2/(n+2))内，则可进行灰色预测；否则需要对X(0)做平移变换，Y(0)＝X(0)+c使得Y(0)满足级比要求。
本发明在考虑用户的用热习惯的基础上，可以根据气象条件和供热条件实时预测所需的供热流量，实现住户级供热的精确控制，从而达到节能目的。
不同的用户具有不同的用热习惯，相同的室温下，有的用户认为冷，有的用户认为热；当用户不满意当年的供热流量时，会联系相关人员不断地进行流量调整，所以用户的用热习惯会固化在历史的供暖数据中，而根据历史数据得到的灰色时间序列模型必然能够考虑不同的用热习惯，提供不同的预测供热流量。
如果只需要得到粗略的预测供热流量，在步骤一和步骤三中：所述供暖数据包括静态供暖数据和动态供暖数据；所述动态供暖数据包括用户室内温度、用户阀开度、用户瞬时流量、用户瞬时热量、用户供水温度、用户回水温度；所述静态供暖数据包括用户楼层号；所述气象数据包括：室外温度和风速；所述用户阀开度包括用户阀设定开度和用户阀实际开度。
对历史数据考虑的维度越多，则建立的模型越复杂，预测成本越高，但同时预测的精度会越高，如果需要更高的预测精度，则还需要考虑更多维度的历史数据。
当需要更高的预测精度时，所述动态供暖数据还包括：单元阀设定开度、单元阀实际开度、单元瞬时流量、单元瞬时热量、单元供水温度、单元回水温度、一次侧机组设定开度、一次侧机组实际开度、二次侧机组瞬时流量、二次侧机组瞬时热量、二次侧机组供水温度、二次侧机组回水温度；所述静态供暖数据还包括：用户供热方式、用户供热面积、单元供热面积、站级供热面积、用户其他物理位置、用户的邻居信息；所述气象数据还包括风向以及紫外线强度。
所述用户供热方式包括地暖供热和暖气片供热；用户楼层号属于用户物理位置的一种，用户其他物理位置包括用户的楼号、单元号、房间号和户型位置，户型位置为边户、底户、顶户以及中心户中的任一种；用户的邻居信息包括邻居缴费信息、邻居位置信息、邻居供热量以及邻居室温，邻居缴费信息是指用户周边各邻居是否存在缴费而不供暖、不缴费但私自供暖、缴费且正常供暖以及缴费但供暖异常的情况；事实上，用户邻居的供暖情况必然会影响到该用户的供暖体验。
在供热、供暖领域，上述这些参数之间相互影响，形成存在内部关联的系统，灰色系统理论能够利用历史的数据，将该系统的内部关系反映出来，在知道未来时间段内的其他变量时，能够给出供热流量的预测值。
具体地，步骤一中利用序列数据搭建灰色时间序列模型之前，对序列数据进行异常数据处理。
异常数据包括明显超出正常范围的表数据以及供暖户阀不响应上位控制导致的噪音数据。
明显异常的数据会在一定程度上影响系统内部的关联，影响最终预测供热流量的准确性，所以在利用序列数据搭建灰色时间序列模型之前，需要对异常数据进行处理。例如：基于地暖的供水温度一般不超过60℃，不低于33℃，如果超出正常范围即认为是异常数据，可以用临近时间的数据做均值补充，也可参考邻户的供温数据来做补充，其他维度的异常数据的处理思路与之类同。
具体地，步骤一中利用序列数据搭建灰色时间序列模型前，将序列数据的每个维度分别进行标准化处理得到标准化数据。
本实施例中采用z-score的方式进行标准化处理，使得序列数据的每个维度经过处理后其特征的均值为0，标准差为1。
具体地，步骤三中数据输入到最优预测模型后，首先获得模型输出结果，将模型输出结果进行反标准化处理得到所述的预测供热流量。
本实施例中采用与上述标准化方式相对应的反标准化方式进行处理。
具体地，步骤二中的模型参数包括序列长度和训练次数，所述序列长度为每次搭建灰色时间序列模型所用的序列数据的条数，获得灰色时间序列模型后计算其相对残差和级比偏差；特定序列长度的序列数据经过不同训练次数所获得的灰色时间序列模型，其相对残差和级比偏差不同，选取相对残差和级比偏差之和具有最小值的灰色时间序列模型作为最优预测模型。
不同的序列长度和训练次数所建立起来的灰色时间序列模型，其相对残差和级比误差不同，为了最大程度上得到接近真实值的预测值，需要选择一个最佳的灰色时间序列模型作为最优预测模型，本实施例中以相对残差和级别误差之和作为选择依据。
相对残差和级别误差的计算过程如下。
计算相对残差：
若ε(k)<0.2，则认为达到一般要求，若ε(k)<0.1，则认为达到较高要求。
计算级比偏差：根据前面计算出来的级比λ(k)和发展系数a,计算相应的级比偏差：若ρ(k)<0.2则认为达到一般要求，若ρ(k)<0.1则认为达到较高要求。
本发明中灰色时间序列模型的相对残差和级比偏差均需满足要求。
一种基于灰色时间序列的供暖户阀调节系统，包括：
模型搭建模块，其获取历史的供暖数据以及历史的气象数据，将上述数据以时间为基准进行数据合成，并按照等时间间隔进行对齐处理获得序列数据，利用序列数据搭建灰色时间序列模型；
调优模块，其对灰色时间序列模型的模型参数进行调整，获得最优预测模型；
流量预测模块，其将待预测日的气象数据以及除供热流量以外的供暖数据进行处理后，输入到最优预测模型内，获取待预测日的预测供热流量；
流量控制模块，其将预测供热流量作为PID控制算法的追踪流量值，控制供暖户阀所需的开度。
流量控制模块采用PID控制算法，将预测供热流量作为追踪流量值，并按偏差的比例(P)、积分(I)和微分(D)进行控制，调整供暖户阀的开度。
PID控制供暖户阀是现有常规技术。
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，所述处理器执行所述调节方法的步骤。
本发明能对单元内各用户的供热流量进行较为准确的预测，自然地可以为单元的整体供热流量提供参考，能够提高了供热效率，避免传统粗放型供热系统中存在的热能浪费现象。
在特定小区部署该发明中调节方法和调节系统，对小区内200个左右的有效住户进行试验验证，采用本发明中的调节方法和调节系统后，可在满足用户供暖需求的前提下，动态调节供热流量，相较于传统粗放型的供暖调节策略，可节约近30％的供热量。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立技术方案，说明书的这种叙述方式仅仅是为了清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种基于灰色时间序列的供暖户阀调节方法，包括以下步骤：
步骤一：获取历史的供暖数据以及历史的气象数据，将上述数据以时间为基准进行数据合成，并按照等时间间隔进行对齐处理获得序列数据，利用序列数据搭建灰色时间序列模型；
步骤二：对灰色时间序列模型的模型参数进行调整，获得最优预测模型；
步骤三：将待预测日的气象数据以及除供热流量以外的供暖数据进行处理后，输入到最优预测模型内，获取待预测日的预测供热流量；
步骤四：将预测供热流量作为PID控制算法的追踪流量值，控制供暖户阀所需的开度；
如果只需要得到粗略的预测供热流量，在步骤一和步骤三中：所述供暖数据包括静态供暖数据和动态供暖数据；所述动态供暖数据包括用户室内温度、用户阀开度、用户瞬时流量、用户瞬时热量、用户供水温度、用户回水温度；所述静态供暖数据包括用户楼层号；所述气象数据包括：室外温度和风速；
当需要更高的预测精度时，所述动态供暖数据还包括：单元阀设定开度、单元阀实际开度、单元瞬时流量、单元瞬时热量、单元供水温度、单元回水温度、一次侧机组设定开度、一次侧机组实际开度、二次侧机组瞬时流量、二次侧机组瞬时热量、二次侧机组供水温度、二次侧机组回水温度；所述静态供暖数据还包括：用户供热方式、用户供热面积、单元供热面积、站级供热面积、用户其他物理位置、用户的邻居信息；所述气象数据还包括风向以及紫外线强度。
2.根据权利要求1所述的基于灰色时间序列的供暖户阀调节方法，其特征在于，步骤一中将历史的供暖数据和历史的气象数据以时间为基准进行数据合成并按照等时间间隔进行对齐处理获得序列数据时，使得每条序列数据同时包含供暖数据以及气象数据，且任意两条相邻序列数据的时间间隔相等。
3.根据权利要求1所述的基于灰色时间序列的供暖户阀调节方法，其特征在于，步骤一中利用序列数据搭建灰色时间序列模型之前，对序列数据进行异常数据处理。
4.根据权利要求1所述的基于灰色时间序列的供暖户阀调节方法，其特征在于，步骤一中利用序列数据搭建灰色时间序列模型前，将序列数据的每个维度分别进行标准化处理得到标准化数据。
5.根据权利要求1所述的基于灰色时间序列的供暖户阀调节方法，其特征在于，步骤三中数据输入到最优预测模型后，首先获得模型输出结果，将模型输出结果进行反标准化处理得到所述的预测供热流量。
6.根据权利要求1所述的基于灰色时间序列的供暖户阀调节方法，其特征在于，步骤二中的模型参数包括序列长度和训练次数，所述序列长度为每次搭建灰色时间序列模型所用的序列数据的条数，获得灰色时间序列模型后计算其相对残差和级比偏差；特定序列长度的序列数据经过不同训练次数所获得的灰色时间序列模型，其相对残差和级比偏差不同，选取相对残差和级比偏差之和具有最小值的灰色时间序列模型作为最优预测模型。
7.一种基于灰色时间序列的供暖户阀调节系统，其特征在于，包括：
模型搭建模块，其获取历史的供暖数据以及历史的气象数据，将上述数据以时间为基准进行数据合成，并按照等时间间隔进行对齐处理获得序列数据，利用序列数据搭建灰色时间序列模型；
调优模块，其对灰色时间序列模型的模型参数进行调整，获得最优预测模型；
流量预测模块，其将待预测日的气象数据以及除供热流量以外的供暖数据进行处理后，输入到最优预测模型内，获取待预测日的预测供热流量；
流量控制模块，其将预测供热流量作为PID控制算法的追踪流量值，控制供暖户阀所需的开度；
如果只需要得到粗略的预测供热流量，所述供暖数据包括静态供暖数据和动态供暖数据；所述动态供暖数据包括用户室内温度、用户阀开度、用户瞬时流量、用户瞬时热量、用户供水温度、用户回水温度；所述静态供暖数据包括用户楼层号；所述气象数据包括：室外温度和风速；
当需要更高的预测精度时，所述动态供暖数据还包括：单元阀设定开度、单元阀实际开度、单元瞬时流量、单元瞬时热量、单元供水温度、单元回水温度、一次侧机组设定开度、一次侧机组实际开度、二次侧机组瞬时流量、二次侧机组瞬时热量、二次侧机组供水温度、二次侧机组回水温度；所述静态供暖数据还包括：用户供热方式、用户供热面积、单元供热面积、站级供热面积、用户其他物理位置、用户的邻居信息；所述气象数据还包括风向以及紫外线强度。
8.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，所述处理器执行如权利要求1-6中任一项所述调节方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010419855.3A CN111476439B (zh) | 2020-05-18 | 2020-05-18 | 基于灰色时间序列的供暖户阀调节方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010419855.3A CN111476439B (zh) | 2020-05-18 | 2020-05-18 | 基于灰色时间序列的供暖户阀调节方法、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111476439A CN111476439A (zh) | 2020-07-31 |
| CN111476439B true CN111476439B (zh) | 2023-08-04 |
Family
ID=71762376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010419855.3A Active CN111476439B (zh) | 2020-05-18 | 2020-05-18 | 基于灰色时间序列的供暖户阀调节方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111476439B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819251B (zh) * | 2021-02-26 | 2024-01-02 | 北京西门子西伯乐斯电子有限公司 | 供热阀门开度控制方法、装置和计算机可读介质 |
| CN112923435B (zh) * | 2021-03-22 | 2022-05-13 | 瑞纳智能设备股份有限公司 | 一种基于人工智能和优化算法的集中供热二次侧调控方法 |
| CN116644867B (zh) * | 2023-07-27 | 2023-10-24 | 梁山中维热力有限公司 | 一种用于热力供热远程关系系统的数据处理方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103162346A (zh) * | 2013-03-27 | 2013-06-19 | 新奥科技发展有限公司 | 基于云服务的集中供暖监控系统及集中供暖系统调节方法 |
| CN104699991A (zh) * | 2015-03-30 | 2015-06-10 | 哈尔滨工业大学 | 基于灰色系统理论的城镇供热系统年供热量预测方法 |
| CN105956708A (zh) * | 2016-05-12 | 2016-09-21 | 扬州大学 | 基于灰关联时间序列的短期风速预测方法 |
| CN107358318A (zh) * | 2017-06-29 | 2017-11-17 | 上海电力学院 | 基于GM（1,1）模型和灰色Verhulst模型的城市用电量预测方法 |
| JP2018079520A (ja) * | 2016-11-14 | 2018-05-24 | 株式会社ニイガタマシンテクノ | 工作機械の温度調整装置 |
| CN108197404A (zh) * | 2018-01-22 | 2018-06-22 | 河北工业大学 | 一种基于时间遗传特性的建筑负荷预测方法 |
| CN108240679A (zh) * | 2018-02-22 | 2018-07-03 | 烟台科创捷能机电工程有限公司 | 一种基于建筑供暖负荷预测的供热方法、装置和系统 |
-
2020
- 2020-05-18 CN CN202010419855.3A patent/CN111476439B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103162346A (zh) * | 2013-03-27 | 2013-06-19 | 新奥科技发展有限公司 | 基于云服务的集中供暖监控系统及集中供暖系统调节方法 |
| CN104699991A (zh) * | 2015-03-30 | 2015-06-10 | 哈尔滨工业大学 | 基于灰色系统理论的城镇供热系统年供热量预测方法 |
| CN105956708A (zh) * | 2016-05-12 | 2016-09-21 | 扬州大学 | 基于灰关联时间序列的短期风速预测方法 |
| JP2018079520A (ja) * | 2016-11-14 | 2018-05-24 | 株式会社ニイガタマシンテクノ | 工作機械の温度調整装置 |
| CN107358318A (zh) * | 2017-06-29 | 2017-11-17 | 上海电力学院 | 基于GM（1,1）模型和灰色Verhulst模型的城市用电量预测方法 |
| CN108197404A (zh) * | 2018-01-22 | 2018-06-22 | 河北工业大学 | 一种基于时间遗传特性的建筑负荷预测方法 |
| CN108240679A (zh) * | 2018-02-22 | 2018-07-03 | 烟台科创捷能机电工程有限公司 | 一种基于建筑供暖负荷预测的供热方法、装置和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 李兵等.灰色预测模糊自适应PID控制在供热系统中的应用.唐山学院学报.2015,28(3),摘要、正文第18页右栏-第19页右栏. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111476439A (zh) | 2020-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111476439B (zh) | 基于灰色时间序列的供暖户阀调节方法、系统及设备 | |
| CN111561734B (zh) | 基于人工智能的供暖户阀调节方法、系统及设备 | |
| CN111461466B (zh) | 基于lstm时间序列的供暖户阀调节方法、系统及设备 | |
| CN111561733B (zh) | 基于gbdt的供暖户阀调节方法、系统及设备 | |
| Yan et al. | A simplified prediction model for energy use of air conditioner in residential buildings based on monitoring data from the cloud platform | |
| Wang et al. | Energy consumption prediction for water-source heat pump system using pattern recognition-based algorithms | |
| US11236917B2 (en) | Building control system with zone grouping based on predictive models | |
| US20220299233A1 (en) | Direct policy optimization for meeting room comfort control and energy management | |
| Sretenović et al. | Support vector machine for the prediction of heating energy use | |
| Triolo et al. | Estimating cooling demand flexibility in a district energy system using temperature set point changes from selected buildings | |
| CN114565167A (zh) | 一种新型热力入口负荷动态预测及调控方法 | |
| Jiang et al. | Stochastic modelling of flexible load characteristics of split-type air conditioners using grey-box modelling and random forest method | |
| Yan et al. | Forecasting building energy demand under uncertainty using gaussian process regression: Feature selection, baseline prediction, parametric analysis and a web-based tool | |
| Sun et al. | Preheating time estimation in intermittent heating with hot-water radiators by considering model uncertainties | |
| Wang et al. | A procedure set to construct the optimal energy saving retrofit strategy for old residential buildings in China | |
| CN117013520A (zh) | 一种基于增量学习的柔性负荷可调功率评估方法 | |
| van der Klauw et al. | Assessing the potential of residential HVAC systems for demand-side management | |
| Asvadi-Kermani et al. | A constrained distributed time-series neural network MPC approach for HVAC system energy saving in a medium-large building | |
| CN115759422A (zh) | 供暖热负荷预测方法、系统、设备和介质 | |
| Bogdanovs et al. | Intelligence system of building management system for energy efficiency in the test facility | |
| Bogdanovs et al. | Impact of Intelligence System of Building Management System for Energy Efficiency in the Test Facility | |
| CN116045461B (zh) | 一种基于给回水温度调节的风冷空调节能控制方法及装置 | |
| Sung et al. | Cluster-based deep transfer learning with attention mechanism for residential air conditioning systems | |
| Seo | Development of HVAC Optimal Control Algorithms for Cooling Energy Efficiency Improvement in Commercial Buildings Using Machine Learning and Digital Twin Technologies | |
| CN114543278B (zh) | 空调室温控制方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |