CN111507520A - 一种换热机组负荷的动态预测方法及系统 - Google Patents
一种换热机组负荷的动态预测方法及系统 Download PDFInfo
- Publication number
- CN111507520A CN111507520A CN202010294045.XA CN202010294045A CN111507520A CN 111507520 A CN111507520 A CN 111507520A CN 202010294045 A CN202010294045 A CN 202010294045A CN 111507520 A CN111507520 A CN 111507520A
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- unit
- time
- room temperature
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 29
- 230000005540 biological transmission Effects 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 241000233805 Phoenix Species 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000008236 heating water Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种换热机组负荷的动态预测方法及系统,涉及供暖技术领域,包括:获取样本数据;样本数据包括换热机组的历史机组数据、历史室温数据和当地历史天气实测数据;根据时间对应关系整合历史机组数据、历史室温数据和当地历史天气实测数据以得到模型训练数据集;根据模型训练数据集周期性地对深度神经网络结构进行训练,得到二次供水温度预测模型;根据获取的当前时刻输入数据,利用二次供水温度预测模型预测当前时刻对应的二次供水温度,当前时刻输入数据包括当前时刻室温、当前时刻二次回水温度、当前时刻二次供水流速和当前时刻当地天气预报数据。本发明可以实现对二次供水温度的预测从而达到自动调节换热机组温控阀的阀门开度的目的。
Description
技术领域
本发明涉及供暖技术领域,特别是涉及一种换热机组负荷的动态预测方法及系统。
背景技术
完整的供暖系统由热源、供热管网、热转换设施和热用户组成。
其中,热转换设施又称为换热机组,用于将一次管网中的高温蒸汽或高温水,自动连续地转换为用户需要的采暖用水,通过二次管网输送给热用户。目前,先进的换热机组都加装有各种传感器,对水温、水压、流速等指标进行监控,并上报给热网子监控系统。管理人员可以在系统界面上实时查看各项指标,并根据当天的天气状况手动调节温控阀,控制热输送量。
目前现有的技术需要根据经验对热负荷进行估算,手动调节阀门开度,准确度和自动化程度均低,造成大量的热浪费,导致热力公司运营成本增加。
发明内容
本发明的目的是提供一种换热机组负荷的动态预测方法及系统,以实现对二次供水温度的预测从而达到自动调节温控阀的阀门开度的目的。
为实现上述目的,本发明提供了如下方案:
一种换热机组负荷的动态预测方法,包括:
获取样本数据;所述样本数据包括换热机组的历史机组数据、历史室温数据和当地历史天气实测数据;所述历史机组数据包括历史二次供水温度、历史二次回水温度和历史二次供水流速;
根据时间对应关系整合所述历史机组数据、所述历史室温数据和所述当地历史天气实测数据以得到模型训练数据集;
根据所述模型训练数据集周期性地对深度神经网络结构进行训练,得到二次供水温度预测模型;
根据获取的当前时刻输入数据,利用所述二次供水温度预测模型预测各个机组当前时刻对应的二次供水温度,所述当前时刻输入数据包括当前时刻室温、当前时刻二次回水温度、当前时刻二次供水流速和当前时刻当地天气预报数据。
可选的,所述根据时间对应关系整合所述历史机组数据、所述历史室温数据和所述当地历史天气实测数据以得到模型训练数据集,具体包括:
对所述历史机组数据、所述历史室温数据和所述当地历史天气实测数据进行排序处理;
将处理后的历史机组数据和处理后的历史室温数据进行关联、分组和过滤;
计算每组数据中的历史室温数据的平均值,得到结果表;所述结果表包括多组数据,每个组数据均包括机组ID号、机组数据上报时间、室温平均值以及所述室温平均值关联的机组数据;
利用时间相近性原理,将所述结果表中的数据与处理后的当地历史天气实测数据进行关联以得到模型训练数据集。
可选的,所述利用时间相近性原理,将所述结果表中的数据与处理后的当地历史天气实测数据进行关联以得到模型训练数据集,具体包括:
利用时间相近性原理,将所述结果表中的数据与所述当地历史天气实测数据进行关联,得到多条关联结果;
在每条所述关联结果添加唯一键,以得到模型训练数据集;其中,所述唯一键用于标识模型训练数据集中的每一条数据。
可选的,所述将处理后的历史机组数据和处理后的历史室温数据进行关联、分组和过滤,具体包括:
利用时间窗口关联法,将处理后的历史机组数据和和处理后的历史室温数据进行关联,得到关联结果,其中,在数据进行关联过程中,以所述历史机组数据为主表,以所述历史室温数据为附表;
将所述关联结果中的历史室温数据进行分组和过滤以使最终得到的关联结果中的室温数据为机组数据上报时间之前设定时间内上报的该机组所供暖的各个热用户的最新室温数据的均值。
可选的,所述预测方法还包括:
根据所述当前时刻对应的二次供水温度,调节温控阀的阀门开度。
一种换热机组负荷的动态预测系统,包括:传感器组和数据实时流计算引擎;
所述传感器组安装在换热机组的二次侧,所述传感器组用于采集换热机组的当前时刻机组数据;
所述数据实时流计算引擎内置二次供水温度预测模型;所述数据实时流计算引擎用于获取当前时刻机组数据以及获取热用户温度面板传感器采集的当前时刻室温数据和公共气象数据服务中的当前时刻天气数据;所述数据实时流计算引擎还用于根据当前时刻机组数据、当前时刻室温数据和当前时刻天气数据,利用所述二次供水温度预测模型预测当前时刻对应的二次供水温度;所述二次供水温度预测模型是根据模型训练数据集周期性对深度神经网络结构进行训练得到的;所述模型训练数据集为将历史机组数据、历史室温数据和历史天气实测数据进行时间对应关系整合后得到的数据集。
可选的,还包括数据传输网关;所述数据传输网关与所述数据实时流计算引擎连接;所述数据传输网关用于将传感器采集的实时机组数据以及热用户温度面板传感器采集的实时室温数据和公共气象数据服务中拉取的实时天气数据传输至所述数据实时流计算引擎。
可选的,所述数据实时流计算引擎包括消息队列和实时流计算引擎;所述消息队列用于缓存所述数据传输网关传输的所述实时机组数据、实时室温数据、实时天气数据。
可选的,还包括热网监控子系统,所述热网监控子系统与所述数据实时流计算引擎通信连接;所述热网子监控系统将当前机组数据、当前室温数据、当前天气预报数据输入二次供水温度预测模型,预测各个机组当前时刻的二次供水温度,发出温控阀的开度调节指令。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种换热机组负荷的动态预测方法及系统,通过历史机组数据、历史室温数据和当地历史天气实测数据对深度神经网络结构训练得到预测模型,并将当前时刻输入数据输入到预测模型中以预测二次供水温度,从而达到自动调节温控阀的阀门开度的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1换热机组负荷的动态预测方法的流程图;
图2为本发明实施例2换热机组负荷的动态预测方法的获取模型训练数据集简易流程图;
图3为本发明实施例2换热机组负荷的动态预测方法关联方法示意图;
图4为本发明实施例3换热机组负荷的动态预测系统示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种换热机组负荷的动态预测方法及系统,以实现对二次供水温度的预测从而达到自动调节温控阀的阀门开度的目的。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示,本发明提供一种换热机组负荷的动态预测方法,包括:
步骤101:获取样本数据;所述样本数据包括换热机组的历史机组数据、历史室温数据和当地历史天气实测数据;所述历史机组数据包括历史二次供水温度、历史二次回水温度和历史二次供水流速。
步骤102:根据时间对应关系整合所述历史机组数据、所述历史室温数据和所述当地历史天气实测数据以得到模型训练数据集。
步骤103:根据所述模型训练数据集周期性地对深度神经网络结构进行训练,得到最新的二次供水温度预测模型。
步骤104:根据获取的当前时刻输入数据,利用所述二次供水温度预测模型预测当前时刻对应的二次供水温度,所述当前时刻输入数据包括当前时刻室温、当前时刻二次回水温度、当前时刻二次供水流速和当前时刻当地天气预报数据。
其中,步骤102具体包括:
步骤1021:对所述历史机组数据、所述历史室温数据和所述当地历史天气实测数据进行排序处理。
步骤1022:将处理后的历史机组数据和处理后的历史室温数据进行关联,并按机组ID号和机组数据上报时间进行分组,得到多组数据;对各组数据进行过滤,只保留设定时间内各热用户最新上传的室温数据。
步骤1023:计算每组数据中的历史室温数据的平均值,得到结果表;所述结果表包括多组数据,每个组数据均包括机组ID号、机组数据上报时间、室温平均值以及所述室温平均值关联的机组数据。
步骤1024:利用时间相近性原理,将所述结果表中的数据与处理后的当地历史天气实测数据进行关联以得到模型训练数据集。
其中,步骤1024具体包括:
步骤A:利用时间相近性原理,对于所述结果表中的数据选择与机组数据上报时间最近的当地历史天气实测数据与之关联,得到关联结果。
步骤B:为每条所述关联结果添加唯一键,得到模型训练数据集;其中,所述唯一键用于标识模型训练数据集中的每一条数据。
其中,步骤1022具体包括:
步骤C:利用时间窗口关联法,将处理后的历史机组数据和和处理后的历史室温数据进行关联,得到关联结果,其中,在数据进行关联过程中,以所述历史机组数据为主表,以所述历史室温数据为附表,以机组ID作为关联字段。
步骤D:对所述关联结果按机组ID和机组数据上报时间进行分组,得到分组结果。
步骤E:将所述分组结果中的历史室温数据进行过滤以使最终得到的关联结果中的室温数据为机组数据上报时间之前2小时内上报的该机组所供暖的各个热用户的最新室温数据的均值。
此外,所述预测方法还包括:根据所述当前时刻对应的二次供水温度,调节温控阀的阀门开度。
实施例2
本发明提供一种换热机组负荷的动态预测方法,方法包括采集换热机组历史运行数据(温度、水流量)即历史机组数据、热用户历史室温数据和当地历史天气实测数据(气温、风速、风向),对这些数据进行加工,生成模型训练数据集并以此为输入,训练神经网络模型。
将最新的机组数据、室温数据、天气预报数据等实时数据输入预测模型,得到换热机组的当前热负荷,再通过热负荷与阀门开度之间的经验关系曲线,动态调节换热机组的二次侧温控阀门开度。
本发明提供的动态预测方法通过精确控制换热机组的温控阀门开度,降低换热机组的单位能耗,减少热浪费,从而达到节约供热成本、节能减排的目的。
工作流程如下:
(1)传感器组实时采集换热机组的二次侧供水温度、二次回水温度和二次供水流速,推送给数据传输网关,推送频率为每分钟一次。热用户的温度面板传感器将用户的室温数据推送给数据传输网关,推送频率为每分钟一次。数据传输网关主动从公共气象数据服务获取最新的天气实测数据即当前时刻的天气实测数据,天气实测数据包括温度、风向和风速。另外数据传输网关主动从公共气象数据服务获取最新的天气预报数据即当前时刻下一整点的天气预报数据,天气预报数据包括温度、风向和风速。实测数据用于模型训练,预报数据用于进行负荷预测。天气实测数据和天气预报数据的采集频率都为每小时的整点一次。
数据传输网关对接收到的所有数据进行解析,转换成数据库可以接受的标准格式后,推送到消息队列的相应主题中,消息队列中分四个主题:机组数据主题、室温数据主题、天气实测数据主题和天气预报数据主题。每个数据传输网关可以同时接收上千个机组和上百万个温度面板发送的数据。其中温度面板数据是经过集中器收集后批量上传的。
(2)数据实时流计算引擎从消息队列拉取原始数据,根据时间上的对应关系对机组数据主题、室温数据主题和天气实测数据主题三个来源的数据进行关联整合,生成规范化的模型训练数据集,存入热网监控子系统的Phoenix数据库中。数据实时流计算引擎全天候不间断运行,力图以最大的吞吐量,消费消息队列中的数据。整合出的用于模型训练的模型训练数据集,模型训练数据集包含如下内容:机组ID、机组数据上报时间、二次供水温度、二次回水温度、二次供水流速、热用户室温平均值、实测气温、实测风向和实测风速。天气预报数据单独入库,用于负荷预测的过程,天气预报数据包含如下指标:预测时间、预报气温、预报风向、预报风速。
(3)由于换热机组和二次管网每天都在产生数据,且越近的数据越能反应当前的用热需求,因此,需要根据最新的模型训练数据集周期性地对深度神经网络结构进行训练,得到二次供热温度预测模型,代替老的二次供热温度预测模型。热网监控子系统中的模型训练程序每天零点执行一次,生成最新版本的二次供热温度预测模型。该模型采用四层神经元结构,使用调参工具ray-tune自动选择各层的最优节点数、激活函数和学习率等参数。在训练过程中将模型训练数据集中的数据通过随机采样法分为训练集(80%)、验证集(10%)、测试集(10%)。深度神经网络结构的损失函数选用均方误差(mse),度量函数选用平均绝对误差(mae)。在模型训练过程中,针对每组参数使用RMSprop优化器,并使用回调函数ModelCheckpoint保存最优预测模型。使用ReduceLROnPlateau优化学习率,使用EarlyStopping在验证过程中损失函数不再下降的时候提前结束训练,然后根据验证过程的度量函数平均绝对误差(mae)选择使平均绝对误差达到最小的参数,最后根据测试过程的均方误差((mse)大小判断选择的最优预测模型是否可用。通过以上过程达到减少学习时间,获取最佳预测模型的目的。训练后生成的预测模型表现为一组模型参数,将其以文件的方式保存起来,以供预测时使用。新的模型生成后,将替换掉老的模型。
(4)热网监控子系统中的调控程序每二十分钟执行一次,将当前时刻最近的整点的天气预报数据输入最新版本的预测模型,计算在二次管网循环泵功率不变和当前天气状况下,换热机组的理论热负荷和对应的阀门开度值。要预测的指标是二次供水温度,需提供的输入指标包括:当前室温平均值、当前二次回水温度、当前二次供水流速和当前时刻的天气预报数据,当前时刻的天气预报数据包括气温、风向和风速。当前室温平均值以当地气候的适宜室温值代替,默认值为20摄氏度,当前二次回水温度可根据当地气候类型设为固定值,默认值为55摄氏度。当前二次供水流速以最近一次采集到的值为准。
(5)热网监控子系统向换热机组发送指令,调节温控阀的阀门开度。
实时流计算是整个流程中最为关键的一环。天气预报数据通过校验后直接写入Phoenix数据库对应的表中。模型训练数据集的整合操作较为复杂,这是因为数据来自三个不同的来源,推送频率不一致,数据到达系统的时间也不相等,因此在处理的过程中需要进行时间对齐。另外,模型训练所需要的热用户室温平均值指标定义为某个机组所供暖的所有热用户在2小时内最近一次上报的室温值的平均数。因此,需要过滤掉各个热用户重复上报的陈旧室温数据。数据处理流程图如图2所示,具体步骤说明如下:
1、从消息队列的各个主题中分别读取机组数据、室温数据和天气实测数据三类数据。由于数据可能存在小范围的乱序,因此增加了缓存和排序的步骤。设置一个时间值,例如:10分钟,即每隔10分钟从缓存取一次数据,并总是认为10分钟之前的数据已经全部取到缓存,因此可以取出这部分数据,对其进行排序,然后进行下一步的计算。
2、以机组数据为主表,与室温数据表按时间窗口进行关联。由于在过去的2小时内,每个热用户可能上报多次室温,也可能由于一些故障因素出现漏报的情况。因此无法事先确定各个热用户最近一次上报室温的确切时间。采用了时间窗口关联法,以机组数据为主表,室温数据为附表,对于主表中的每个数据条目,根据其机组ID和数据上报时间,在附表中搜索上报时间在此前2小时内的由该机组所供暖的温度面板数据,如果在时间窗口内找到机组ID相同的温度面板数据条目(可能是不同热用户发送的)则进行组合,形成关联结果。
由于存在数据多次上报的情况,关联结果中有大量的冗余记录。例如:图3中8:00的机组数据会和当天8:00上报的室温数据进行关联,也会和7:00上报的室温数据进行关联。这样做的目的是为了避免室温数据漏报导致无法得出有效关联结果的问题。对每组关联结果再根据热用户ID分成多个小组,每小组只选择室温上报时间最接近当前时刻的关联结果,其余关联结果将被认定为陈旧数据而被过滤掉,不参与室温均值的计算。对于图3中的情况,如果某个热用户当天8:00上报了室温数据,将会过滤掉前一次室温数据与机组数据的关联结果。
3、对上一步中关联、分组、过滤后得到的数据集进行聚合,计算每组室温数据的平均值,得到结果表。结果表中包含机组ID、机组数据上报时间、二次供水温度、二次回水温度、二次供水流量和室温平均值六个字段。
4、将上一步得到的结果表与最新的天气实测数据关联。由于天气数据每小时发布一次,因此,总是找与机组数据上报时间最近一次的天气实测数据与之关联。结果表中增加三个字段:实测气温、实测风向和实测风速。这种关联比较特殊,不是按照某个字段值相等进行关联,而是采用时间窗口关联法的一个变形方式,根据时间相近性进行关联。例如,对于上一步得到的某条机组数据,上报时间为8:30,寻找与之最接近的整点天气实测数据,即将8:00的天气实测数据与之组合,形成关联结果。
5、为了方便进行模型训练,对每一条记录添加一个唯一键。最终得到的模型训练数据集包含如下十一个指标:机组ID、机组数据上报时间、二次供水温度、二次回水温度、二次供水流速、热用户室温平均值、实测气温、实测风向、实测风速、唯一键、本行数据生成时间。
实施例3
如图4所示,本发明提供一种换热机组负荷的动态预测系统,包括:传感器组和数据实时流计算引擎。
所述传感器组安装在换热机组的二次侧,所述传感器组用于采集换热机组的当前时刻机组数据。
所述数据实时流计算引擎内置二次供水温度预测模型;所述数据实时流计算引擎用于获取当前时刻机组数据以及获取热用户温度面板传感器采集的当前时刻室温数据和公共气象数据服务中的当前时刻天气数据;所述数据实时流计算引擎还用于根据当前时刻机组数据、当前时刻室温数据和当前时刻天气数据,利用所述二次供水温度预测模型预测当前时刻对应的二次供水温度;所述二次供水温度预测模型是根据模型训练数据集周期性对深度神经网络结构进行训练得到的;所述模型训练数据集为将历史机组数据、历史室温数据和历史天气实测数据进行时间对应关系整合后得到的数据集。
可选的,所述换热机组负荷的动态预测系统还包括数据传输网关;所述数据传输网关与所述数据实时流计算引擎连接;所述数据传输网关用于将传感器采集的实时机组数据以及热用户温度面板传感器采集的实时室温数据和公共气象数据服务中拉取的实时天气数据(包括实测天气数据和预报天气数据)传输至所述数据实时流计算引擎。
可选的,所述数据实时流计算引擎包括消息队列和实时流计算引擎;所述消息队列用于缓存所述数据传输网关传输的所述实时机组数据、实时室温数据、实时天气数据,其中上报时间最近的为当前时刻数据,陈旧的数据被认为是历史数据。
可选的,还包括热网监控子系统,所述热网监控子系统与所述数据实时流计算引擎通信连接;所述热网子监控系统将当前机组数据、当前室温数据、当前天气预报数据输入二次供水温度预测模型,预测各个机组当前时刻的二次供水温度,发出温控阀的开度调节指令。
本发明提供的换热机组负荷的动态预测方法和系统,有一种简易的替代方案可以完成近似的目的。仅采集天气预报数据,无需进行复杂的数据处理,也不进行模型训练。将热网管理人员平时的操作经验写成数据表的形式,记录不同天气情况下,对应的温控阀开度值。预测的过程是将距离当前时间最近的天气预报值与经验数据表进行拟合,预测阀门开度值,并下发调控指令。这种方案相对简单,易于实现,但较为依赖经验数据的准确性,如果经验数据不准确,可能造成较大的偏差。另外,也无法做到自适应。随着热用户量的变化或更换机组设备之后,需要手工调整经验数据表。
本发明提供的换热机组负荷的动态预测方法及系统解决了现有技术方案中需要人工估算用热负荷的问题,形成全自动闭环控温系统,同时提供了更加精确的动态温度调控能力,避免了出现大量热浪费或供热不足影响热用户正常生产生活的问题。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种换热机组负荷的动态预测方法,其特征在于,所述动态预测方法包括:
获取样本数据;所述样本数据包括换热机组的历史机组数据、历史室温数据和当地历史天气实测数据;所述历史机组数据包括历史二次供水温度、历史二次回水温度和历史二次供水流速;
根据时间对应关系整合所述历史机组数据、所述历史室温数据和所述当地历史天气实测数据以得到模型训练数据集;
根据所述模型训练数据集周期性地对深度神经网络结构进行训练,得到二次供水温度预测模型;
根据获取的当前时刻输入数据,利用所述二次供水温度预测模型预测各个机组当前时刻对应的二次供水温度,所述当前时刻输入数据包括当前时刻室温、当前时刻二次回水温度、当前时刻二次供水流速和当前时刻当地天气预报数据。
2.根据权利要求1所述的一种换热机组负荷的动态预测方法,其特征在于,所述根据时间对应关系整合所述历史机组数据、所述历史室温数据和所述当地历史天气实测数据以得到模型训练数据集,具体包括:
对所述历史机组数据、所述历史室温数据和所述当地历史天气实测数据进行排序处理;
将处理后的历史机组数据和处理后的历史室温数据进行关联、分组和过滤;
计算每组数据中的历史室温数据的平均值,得到结果表;所述结果表包括多组数据,每个组数据均包括机组ID号、机组数据上报时间、室温平均值以及所述室温平均值关联的机组数据;
利用时间相近性原理,将所述结果表中的数据与处理后的当地历史天气实测数据进行关联以得到模型训练数据集。
3.根据权利要求2所述的一种换热机组负荷的动态预测方法,其特征在于,所述利用时间相近性原理,将所述结果表中的数据与处理后的当地历史天气实测数据进行关联以得到模型训练数据集,具体包括:
利用时间相近性原理,将所述结果表中的数据与所述当地历史天气实测数据进行关联,得到多条关联结果;
在每条所述关联结果添加唯一键,以得到模型训练数据集;其中,所述唯一键用于标识模型训练数据集中的每一条数据。
4.根据权利要求2所述的一种换热机组负荷的动态预测方法,其特征在于,所述将处理后的历史机组数据和处理后的历史室温数据进行关联、分组和过滤,具体包括:
利用时间窗口关联法,将处理后的历史机组数据和和处理后的历史室温数据进行关联,得到关联结果,其中,在数据进行关联过程中,以所述历史机组数据为主表,以所述历史室温数据为附表;
将所述关联结果中的历史室温数据进行分组和过滤以使最终得到的关联结果中的室温数据为机组数据上报时间之前设定时间内上报的该机组所供暖的各个热用户的最新室温数据的均值。
5.根据权利要求1所述的一种换热机组负荷的动态预测方法,其特征在于,所述预测方法还包括:
根据所述当前时刻对应的二次供水温度,调节温控阀的阀门开度。
6.一种换热机组负荷的动态预测系统,其特征在于,包括:传感器组和数据实时流计算引擎;
所述传感器组安装在换热机组的二次侧,所述传感器组用于采集换热机组的当前时刻机组数据;
所述数据实时流计算引擎内置二次供水温度预测模型;所述数据实时流计算引擎用于获取当前时刻机组数据以及获取热用户温度面板传感器采集的当前时刻室温数据和公共气象数据服务中的当前时刻天气数据;所述数据实时流计算引擎还用于根据当前时刻机组数据、当前时刻室温数据和当前时刻天气数据,利用所述二次供水温度预测模型预测当前时刻对应的二次供水温度;所述二次供水温度预测模型是根据模型训练数据集周期性对深度神经网络结构进行训练得到的;所述模型训练数据集为将历史机组数据、历史室温数据和历史天气实测数据进行时间对应关系整合后得到的数据集。
7.根据权利要求6所述的换热机组负荷的动态预测系统,其特征在于,还包括数据传输网关;所述数据传输网关与所述数据实时流计算引擎连接;所述数据传输网关用于将传感器采集的实时机组数据以及热用户温度面板传感器采集的实时室温数据和公共气象数据服务中拉取的实时天气数据传输至所述数据实时流计算引擎。
8.根据权利要求6所述的换热机组负荷的动态预测系统,其特征在于,所述数据实时流计算引擎包括消息队列和实时流计算引擎;所述消息队列用于缓存所述数据传输网关传输的所述实时机组数据、实时室温数据、实时天气数据。
9.根据权利要求6所述的换热机组负荷的动态预测系统,其特征在于,还包括热网监控子系统,所述热网监控子系统与所述数据实时流计算引擎通信连接;所述热网子监控系统将当前机组数据、当前室温数据、当前天气预报数据输入二次供水温度预测模型,预测各个机组当前时刻的二次供水温度,发出温控阀的开度调节指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010294045.XA CN111507520A (zh) | 2020-04-15 | 2020-04-15 | 一种换热机组负荷的动态预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010294045.XA CN111507520A (zh) | 2020-04-15 | 2020-04-15 | 一种换热机组负荷的动态预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111507520A true CN111507520A (zh) | 2020-08-07 |
Family
ID=71874213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010294045.XA Pending CN111507520A (zh) | 2020-04-15 | 2020-04-15 | 一种换热机组负荷的动态预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507520A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205224A (zh) * | 2021-05-17 | 2021-08-03 | 杭州英集动力科技有限公司 | 一种基于热网储热的热电联产机组一次调频方法 |
CN113295399A (zh) * | 2021-06-16 | 2021-08-24 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀元件状态评估方法、装置、电子设备和存储介质 |
CN114282444A (zh) * | 2021-12-28 | 2022-04-05 | 宁夏隆基宁光仪表股份有限公司 | 一种基于智能融合终端的分布式负荷预测方法及系统 |
CN116596065A (zh) * | 2023-07-12 | 2023-08-15 | 支付宝(杭州)信息技术有限公司 | 一种梯度计算方法、装置、存储介质、产品及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160169539A1 (en) * | 2014-12-15 | 2016-06-16 | Sridhar Deivasigamani | Weather forecast and prediction based temperature control |
CN106202570A (zh) * | 2016-08-11 | 2016-12-07 | 乐视控股(北京)有限公司 | 一种用户信息获取方法及装置 |
CN106709197A (zh) * | 2016-12-31 | 2017-05-24 | 浙江大学 | 基于滑动窗口t‑s模糊神经网络模型的铁水硅含量预测方法 |
CN108494772A (zh) * | 2018-03-25 | 2018-09-04 | 上饶市中科院云计算中心大数据研究院 | 模型优化、网络入侵检测方法及装置和计算机存储介质 |
CN108662655A (zh) * | 2017-04-01 | 2018-10-16 | 上海连成(集团)有限公司 | 二次供暖温度控制系统 |
CN108826439A (zh) * | 2018-07-27 | 2018-11-16 | 北京吉顿特网络技术有限公司 | 热网调节方法、装置和电子设备 |
CN109681957A (zh) * | 2018-08-30 | 2019-04-26 | 中节能唯绿(北京)科技股份有限公司 | 一种换热站热负荷预测方法 |
CN109740803A (zh) * | 2018-12-24 | 2019-05-10 | 北京航天智造科技发展有限公司 | 一种数据驱动的热网运行优化方法 |
CN110570678A (zh) * | 2019-10-23 | 2019-12-13 | 厦门大学 | 一种公交车辆从起点到终点总行驶时间预测方法及装置 |
-
2020
- 2020-04-15 CN CN202010294045.XA patent/CN111507520A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160169539A1 (en) * | 2014-12-15 | 2016-06-16 | Sridhar Deivasigamani | Weather forecast and prediction based temperature control |
CN106202570A (zh) * | 2016-08-11 | 2016-12-07 | 乐视控股(北京)有限公司 | 一种用户信息获取方法及装置 |
CN106709197A (zh) * | 2016-12-31 | 2017-05-24 | 浙江大学 | 基于滑动窗口t‑s模糊神经网络模型的铁水硅含量预测方法 |
CN108662655A (zh) * | 2017-04-01 | 2018-10-16 | 上海连成(集团)有限公司 | 二次供暖温度控制系统 |
CN108494772A (zh) * | 2018-03-25 | 2018-09-04 | 上饶市中科院云计算中心大数据研究院 | 模型优化、网络入侵检测方法及装置和计算机存储介质 |
CN108826439A (zh) * | 2018-07-27 | 2018-11-16 | 北京吉顿特网络技术有限公司 | 热网调节方法、装置和电子设备 |
CN109681957A (zh) * | 2018-08-30 | 2019-04-26 | 中节能唯绿(北京)科技股份有限公司 | 一种换热站热负荷预测方法 |
CN109740803A (zh) * | 2018-12-24 | 2019-05-10 | 北京航天智造科技发展有限公司 | 一种数据驱动的热网运行优化方法 |
CN110570678A (zh) * | 2019-10-23 | 2019-12-13 | 厦门大学 | 一种公交车辆从起点到终点总行驶时间预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
李琦等: "长短时记忆网络在热力站建模中的应用", 《计算机工程与应用》 * |
隋修武: "集中供热系统的供水温度预测与控制研究", 电子元器件与信息技术 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205224A (zh) * | 2021-05-17 | 2021-08-03 | 杭州英集动力科技有限公司 | 一种基于热网储热的热电联产机组一次调频方法 |
CN113205224B (zh) * | 2021-05-17 | 2022-06-14 | 浙江英集动力科技有限公司 | 一种基于热网储热的热电联产机组一次调频方法 |
CN113295399A (zh) * | 2021-06-16 | 2021-08-24 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀元件状态评估方法、装置、电子设备和存储介质 |
CN113295399B (zh) * | 2021-06-16 | 2023-05-30 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀元件状态评估方法、装置、电子设备和存储介质 |
CN114282444A (zh) * | 2021-12-28 | 2022-04-05 | 宁夏隆基宁光仪表股份有限公司 | 一种基于智能融合终端的分布式负荷预测方法及系统 |
CN116596065A (zh) * | 2023-07-12 | 2023-08-15 | 支付宝(杭州)信息技术有限公司 | 一种梯度计算方法、装置、存储介质、产品及电子设备 |
CN116596065B (zh) * | 2023-07-12 | 2023-11-28 | 支付宝(杭州)信息技术有限公司 | 一种梯度计算方法、装置、存储介质、产品及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507520A (zh) | 一种换热机组负荷的动态预测方法及系统 | |
CN110332605B (zh) | 基于bp神经网络的热网能耗指标分析预警方法 | |
CN113837464A (zh) | 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法 | |
CN112268312A (zh) | 一种基于深度学习的智慧供热管理系统 | |
CN113606634A (zh) | 一种基于长输管网优化热源运行参数的热源保障系统 | |
Wang et al. | Multi-criteria comprehensive study on predictive algorithm of heating energy consumption of district heating station based on timeseries processing | |
CN114693076A (zh) | 一种面向综合能源系统运行状态的动态评价方法 | |
CN117346129A (zh) | 锅炉高温过热器外包低温受热面的温度调控系统 | |
CN112307675A (zh) | 一种基于神经网络的温度敏感型负荷分离辨识方法及系统 | |
CN113237135A (zh) | 基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法 | |
CN116951780A (zh) | 一种智能中央热水器管理方法和系统 | |
CN114110716B (zh) | 一种热电机组的运行能效监测控制系统、方法、计算机设备及存储介质 | |
CN116485582A (zh) | 一种基于深度学习的供热优化调控方法及装置 | |
CN113050573B (zh) | 一种基于生产节奏的空压机节能的方法 | |
Sun et al. | Identifying supply-demand mismatches in district heating system based on association rule mining | |
CN115660500A (zh) | 一种新能源发电项目弃电率评估方法 | |
CN101364286A (zh) | 一种火力发电机组等效强迫停运率的预测方法及系统 | |
CN113868836A (zh) | 基于大数据的智慧热力系统在线专家分析平台 | |
CN113110356A (zh) | 一种低温热系统的智能优化控制装备 | |
CN117791626B (zh) | 一种智能综合电力箱电力供给优化方法 | |
CN117346417B (zh) | 一种基于物联网技术的冷水机温度控制系统和方法 | |
CN116320833B (zh) | 一种基于物联网技术的供热管网监测方法 | |
CN117450688B (zh) | 一种基于物联网的烟气余热回收能源调度管理方法及系统 | |
CN113822473B (zh) | 一种基于多维数据的牵引力能耗合理区间预测方法 | |
Chen et al. | Model Free Adaptive Control for Air-Conditioning System in Office Buildings Based on Improved NSGA-II Algorithm |
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 |