CN111561732B - 基于人工智能的换热站供热调节方法及系统 - Google Patents

Abstract

本发明提供一种基于人工智能的换热站供热调节方法及系统，首先定义相关参数结合智能体生成实际供热过程中的运行数据并对运行数据进行预处理；然后将处理后的运行数据通过人工智能算法进行模型训练，得到预测模型；再采集实时运行数据结合模型预测二次流量及二次供温的目标值；最后根据预测的目标值控制循环泵频率、一网阀门开度调节换热站的热负荷，进而实现室内均温的动态调节。本发明将人工智能算法应用于换热站的供热调节，通过模型训练得到二次流量及供温的预测模型，提前预测达到目标室内均温所需的流量和供温，结合供热机组的运行数据实时调节换热站的热负荷，为供热机组提供了更加科学合理的动态调节能力。

Description

基于人工智能的换热站供热调节方法及系统

技术领域

本发明涉及供热和人工智能技术领域，具体涉及基于人工智能的换热站供热调节方法及系统。

背景技术

近年来，随着国家相关政策的出台，城市建筑的采暖问题普遍采用集中供热的方式解决，集中供热是一种较好的供热方式，具有舒适、节能、环保、安全等特点。但是随着城市规模的不断扩大，城市集中供热网覆盖范围、供热面积越来越大，换热站的数量越来越多；难以及时实现按需供热，造成极大的资源浪费，用户的舒适度也难以保证。

在传统供热中，主要通过复杂的公式计算或根据经验确定不同地区在不同室外温度下的换热站热负荷两种方法进行换热站的供热调节，但是基于复杂的公式计算需要假定在理想条件下进行，而实际条件与理想条件有很大不同；同时根据经验确定不同地区在不同室外温度下的换热站热负荷，对经验依赖性大；两种方法不仅效率低适用性差，且存在较大误差。

发明内容

为了解决现有技术下，大规模的集中供热存在难以实现按需供热，现有的基于换热站热负荷调节的方法效率低适用性差，且存在较大误差；需要提供一种具有科学合理的动态调节能力的供热调节方法。

为实现上述目的，本发明采用如下技术方案：

基于人工智能的换热站供热调节方法，包括以下步骤：

定义相关参数结合智能体生成实际供热过程中的运行数据并对运行数据进行预处理；

将处理后的运行数据通过人工智能算法进行模型训练，得到预测模型；

采集实时运行数据结合模型预测二次流量及二次供温的目标值；

根据预测的目标值控制循环泵频率、一网阀门开度调节换热站的热负荷，进而实现室内均温的动态调节。

进一步地，所述运行数据包括从供热现场实际采集到的二次流量、二次供温、室内均温以及室外的温度、风向、风力的历史数据。

进一步地，所述智能体包括策略网络和值网络。

进一步地，换热站供热调节方法具体包括以下步骤：

定义相关参数结合策略网络和值网络生成实际供热过程中的运行数据并保存；

通过对处理后的运行数据进行训练，不断更新策略网络和值网络的参数以产生越来越好的策略和动作使得室内均温达到目标室内均温。

所述策略网络通过如下公式进行参数更新：

所述值网络通过如下公式进行参数更新：

其中：s为环境的状态特征，s_t表示在时间戳t上的状态；a为智能体采取的行为，a_t表示在时间戳t上的动作；π(a|s)为智能体的决策模型，s为接受输入为状态，p(a|s)表示给出决策后执行动作的概率分布，满足∑_a∈Aπ(a|s)＝1；r(s,a)为环境在状态s时接受动作a后给出的反馈信号，在时间戳t上获得的奖励记为r_t；

表示值网络输出值。

优选地，所述运行数据的预处理包括室内均温的计算，具体包括以下步骤：

采集换热站控制的小区内的若干个用户的室内供温和缴费面积；

计算该小区内若干个用户的室内均温，计算公式如下：

其中：avg_temp为某小区内若干个用户的室内均温室内均温，

为某一用户的室内供温，

为某一用户的缴费面积。

优选地，所述运行数据的预处理还包括风对室内温度影响的量化，其计算公式为：风对室内温度影响的量化＝风向量化*风力。

基于人工智能的换热站供热调节系统包括：

智能交互模块，定义相关参数结合智能体生成实际供热过程中的运行数据并保存；

数据处理模块，对保存的运行数据进行预处理；

模型训练模块，通过人工智能算法对处理后的运行数据进行模型训练，得到预测模型；

数据采集模块，用于采集供热机组的运行数据；以及

控制模块，结合模型预测各单元楼所需的流量和机组供温的目标值，控制循环泵频率、一网阀门开度调节换热站的热负荷，进而实现室内均温的动态调节。

由以上技术方案可知，本发明将人工智能算法模型应用于换热站的供热调节，通过模型训练得到二次流量及供温的预测模型，提前预测达到目标室内均温所需的流量和供温，结合供热机组的运行数据实时调节换热站的热负荷，为供热机组提供了更加科学合理的动态调节能力。

附图说明

图1为本发明的步骤流程示意图；

图2为本发明的原理及系统框图；

图中：1、智能交互模块；2、数据处理模块；3、模型训练模块；4、数据采集模块；5、控制模块。

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做详细的说明。

如图1所示的基于人工智能的换热站供热调节方法，包括以下步骤：

S1、定义相关参数结合智能体生成实际供热过程中的运行数据，并对运行数据进行预处理；

S2、将处理后的运行数据通过人工智能算法进行模型训练，得到预测模型；

S3、采集实时运行数据结合模型预测二次流量及二次供温的目标值；

S4、根据预测的目标值控制循环泵频率、一网阀门开度调节换热站的热负荷，进而实现室内均温的动态调节。

本优选实施例所述的运行数据包括从供热现场实际采集到的二次流量、二次供温、室内均温以及室外的温度、风向、风力的历史数据，所述历史数据的预处理通过数据对齐、删除无效数据、数据插值等数据处理方法对原始数据进行清洗，然后有序地存储至数据集，所述数据集结合人工智能算法经过模型训练即可得出预测模型。

本优选实施例换热站供热调节方法具体包括以下步骤：

定义相关参数结合策略网络和值网络生成实际供热过程中的运行数据并保存；

通过对处理后的运行数据进行训练，不断更新策略网络和值网络的参数以产生越来越好的策略和动作使得室内均温达到目标室内均温。

所述策略网络通过如下公式进行参数更新：

所述值网络通过如下公式进行参数更新：

其中：s为环境的状态特征，s_t表示在时间戳t上的状态；a为智能体采取的行为，a_t表示在时间戳t上的动作；π(a|s)为智能体的决策模型，s为接受输入为状态，p(a|s)表示给出决策后执行动作的概率分布，满足∑_a∈Aπ(a|s)＝1；r(s,a)为环境在状态s时接受动作a后给出的反馈信号，在时间戳t上获得的奖励记为r_t；

表示值网络输出值。

现有技术下，常用室内均温的计算较为简单，采用典型室温的平均值或者是加上面积的加权平均等方法，误差较大，本优选实施例所述的原始数据的预处理还包括各室内均温的计算，采用基于表面积的加权平均方法，即通过小区的建筑信息计算典型室温采集点的供热表面积(包括墙体、顶层和地面)，进而计算出室内均温，这种计算方式充分考虑参与热传递的表面积，不仅仅局限于房间的测量面积，大大减小了室内均温的计算误差，增加了后续模型训练的精确度。具体包括以下步骤：

采集换热站控制的小区内的室内供温和缴费面积；

计算某小区内的若干个用户的室内均温，计算公式如下：

其中：avg_temp为某小区内若干个用户的室内均温室内均温，typical_temp_i为某一用户的室内供温，surface_area_i为某一用户的缴费面积。

依据经验，顺风(与建筑物朝向同向的风)会对建筑物的保温影响较大(反作用)，其它风向对建筑物保温影响则依次降低，与建筑物朝向垂直的风向，影响最小。但是风向的量化，只简单的用数字量化，如下表所示，假设建筑物朝向为南北向，依据风向对建筑物的保温的影响，对风向进行量化，但是仅仅通过风向的向量化不能很好的反映风对室内温度的影响。本优选实施例所述的原始数据的预处理还包括风对室内温度影响的量化，其计算公式为：风对室内温度影响的量化＝风向量化*风力；本优选实施例将风向和风力结合在一起，更好的反映出风对室内温度的影响，即风力越大，建筑物保温层散温会更快，进一步提升训练模型的精度。

风向	南风	西南风	东南风	东风	西风	东北风	西北风	北风
									风向量化	-4	-3	-2	-1	-2	-3	-4	-5

如图2所示的基于人工智能的换热站供热调节系统包括智能交互模块1、数据处理模块2、模型训练模块3、数据采集模块4以及控制模块5；所述智能交互模块通过定义相关参数结合智能体生成实际供热过程中的运行数据并保存；然后数据处理模块对采集到的运行数据进行预处理；再由模型训练模块通过人工智能算法对处理后的运行数据进行模型训练，得到预测模型；通过数据采集模块采集供热机组的运行数据；由控制模块结合模型预测各单元楼所需的流量和机组供温的目标值，控制循环泵频率、一网阀门开度调节换热站的热负荷，进而实现室内均温的动态调节。

在具体的使用中，预测模型需定期进行训练优化，尤其早在采暖季期间需要加大训练频率。同时得出的预测模型也需定期执行，及时给出最新的二次流量及供温目标值。

下面以强化学习算法为例，对本发明做进一步阐述：

首先定义相关参数：

状态s，反映环境的状态特征，在时间戳t上的状态记为s_t，所有的状态构成了状态空间S；本优选实施例中的状态包括天气和室内均温；

动作a，智能体采取的行为，在时间戳t上的动作记为a_t，所有的动作构成了动作空间A；本优选实施例中的动作包括二次供温、二次流量；

策略π(a|s)，智能体的决策模型，接受输入为状态s，并给出决策后执行动作的概率分布p(a|s)，满足∑_a∈Aπ(a|s)＝1；

奖励r(s,a)，环境在状态s时接受动作a后给出的反馈信号，在时间戳t上获得的奖励记为r_t；室内均温目标值记为为targetAvgTem，此时刻室内均温为avgTem_t，下一时刻室内均温为avgTem_t+1，本发明中的奖励r_t定义为：

即如果此时刻室内均温小于目标室内均温，则采取的动作使室内均温升高给予正的奖励，使室内均温降低给予负的奖励，如果此时刻室内均温大于目标室内均温，则采取的动作室内均温降低给予正的奖励，使室内均温升高给予负的奖励，如果此时刻室内均温等于目标室内均温，则采取的动作使下一时刻室内均温不等于目标室内均温给予负的奖励，使下一时刻室内均温等于目标室内均温给予零奖励。

在具体的运作中，根据策略网络和值网络生成数据，根据数据更新策略网络和值网络的参数，然后根据新的策略网络和值网络生成新的数据，然后根据新的数据继续更新策略网络和值网络的参数，如此循环，使预测精度逐渐提高。某小区按照本发明所述的调节方法运行一周，室内均温的目标值是21°，实际运行室内均温也是在21°附近波动，调节效果较好。

以上所述实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (5)

1.基于人工智能的换热站供热调节方法，其特征在于，包括以下步骤：

定义相关参数结合策略网络和值网络生成实际供热过程中的运行数据并对运行数据进行预处理；

将预处理后的运行数据通过人工智能算法进行模型训练，得到预测模型：具体的，不断更新策略网络和值网络的参数，所述策略网络通过如下公式进行参数更新：

所述值网络通过如下公式进行参数更新：

其中定义的相关参数包括：θ为策略网络的参数；η为策略网络的学习率；J为总的回报的期望值；s为环境的状态特征，包括天气和室内均温，s_t表示在时间戳t上的状态；a为智能体采取的行为，包括二次供温和二次流量，a_t表示在时间戳t上的动作；π(a|s)为智能体的决策模型，p(a|s)表示给出决策后执行动作的概率分布，满足∑_a∈Aπ(a|s)＝1；r(s，a)为环境在状态s时接受动作a后给出的反馈信号，在时间戳t上获得的奖励记为r_t；τ为交互轨迹[s₁，a₁，r₁；s₂，a₂，r₂；…s_T，a_T，r_T]，T是交互的时间戳数量或步数；R(τ)为某次交互的总回报；

为求所有轨迹τ的总回报对策略网络参数θ的偏导数的期望；φ为值网络的参数；dist(a，b)为a和b的距离度量器，采用欧式距离；

表示值网络输出值；

为

的目标值；γ为值网络的学习率；

所述奖励r_t定义为：

其中：targetAvgTem为室内均温的目标值，avgTem_t为某时刻的室内均温，avgTem_t+1为下一时刻的室内均温；

采集供热机组的实时运行数据结合模型预测二次流量及二次供温的目标值；

根据预测的目标值控制循环泵频率、一网阀门开度调节换热站的热负荷，进而实现室内均温的动态调节。

2.根据权利要求1所述的基于人工智能的换热站供热调节方法，其特征在于，所述运行数据包括从供热现场实际采集到的二次流量、二次供温、室内均温以及室外的温度、风向、风力。

3.根据权利要求1所述的基于人工智能的换热站供热调节方法，其特征在于，所述室内均温的计算，具体包括以下步骤：

采集换热站控制的小区内的若干个用户的室内供温和缴费面积；

计算该小区内若干个用户的室内均温，计算公式如下：

其中：avg_temp为某小区内若干个用户的室内均温室内均温，typical_temp_i为某一用户的室内供温，surface_area_i为某一用户的缴费面积。

4.根据权利要求1所述的基于人工智能的换热站供热调节方法，其特征在于，所述天气还包括风对室内温度的影响，其量化计算公式为：风对室内温度影响的量化＝风向量化*风力。

5.基于人工智能的换热站供热调节系统，用于实现上述权利要求1-4任一所述的基于人工智能的换热站供热调节方法，其特征在于，包括：

智能交互模块(1)，定义相关参数结合策略网络和值网络生成实际供热过程中的运行数据并保存；

数据处理模块(2)，对保存的运行数据进行预处理；

模型训练模块(3)，通过人工智能算法对预处理后的运行数据进行模型训练，得到预测模型；

数据采集模块(4)，用于采集供热机组的实时运行数据；以及

控制模块(5)，结合模型预测二次流量及二次供温的目标值，控制循环泵频率、一网阀门开度调节换热站的热负荷，进而实现室内均温的动态调节。

Images