CN111561734A - 基于人工智能的供暖户阀调节方法、系统及设备 - Google Patents
基于人工智能的供暖户阀调节方法、系统及设备 Download PDFInfo
- Publication number
- CN111561734A CN111561734A CN202010420731.7A CN202010420731A CN111561734A CN 111561734 A CN111561734 A CN 111561734A CN 202010420731 A CN202010420731 A CN 202010420731A CN 111561734 A CN111561734 A CN 111561734A
- Authority
- CN
- China
- Prior art keywords
- data
- heating
- user
- historical
- model
- 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.)
- Granted
Links
- 238000010438 heat treatment Methods 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 8
- 238000003786 synthesis reaction Methods 0.000 claims description 8
- 230000001276 controlling effect Effects 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000015654 memory Effects 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 15
- 230000002159 abnormal effect Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 230000014759 maintenance of location Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002087 whitening effect Effects 0.000 description 2
- 238000009825 accumulation Methods 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
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000009123 feedback regulation Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 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
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
- F24D19/00—Details
- F24D19/10—Arrangement or mounting of control or safety devices
- F24D19/1006—Arrangement or mounting of control or safety devices for water heating systems
- F24D19/1009—Arrangement or mounting of control or safety devices for water heating systems for central heating
- F24D19/1015—Arrangement or mounting of control or safety devices for water heating systems for central heating using a valve or valves
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/70—Hybrid systems, e.g. uninterruptible or back-up power supplies integrating renewable energies
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Thermal Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Steam Or Hot-Water Central Heating Systems (AREA)
Abstract
本发明公开了一种基于人工智能的供暖户阀调节方法和调节系统，所述调节方法包括以下步骤：判断数据库中是否存在特定用户的历史数据并判断数据规模；如果该用户的历史数据为大型数据，则使用基于LSTM时间序列的最优预测模型获取待预测供热流量；如果该用户的历史数据为小型数据，则使用基于GBDT或者基于灰色时间序列的最优预测模型获取预测供热流量；如果不存在该用户的历史数据，则通过特征聚类方式从数据库中找出与该用户最接近的其他用户的历史数据，并根据该其他用户的历史数据的规模，选择上述对应的最优预测模型，获取预测供热流量；并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。
Description
技术领域
本发明涉及供暖领域，具体涉及一种基于人工智能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人工智能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：
一种基于人工智能的供暖户阀调节方法，包括以下步骤：
步骤A：判断数据库中是否存在特定用户的历史数据并判断数据规模；
步骤B：如果该用户的历史数据为大型数据，则使用基于LSTM时间序列的最优预测模型获取待预测日的预测供热流量；如果该用户的历史数据为小型数据，则使用基于GBDT或者基于灰色时间序列的最优预测模型获取预测供热流量；如果不存在该用户的历史数据，则通过特征聚类方式从数据库中找出与该用户最接近的其他用户的历史数据，并根据该其他用户的历史数据的规模，选择上述对应的最优预测模型，获取预测供热流量；
步骤C：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，步骤A中，所述历史数据包括历史的供暖数据和历史的气象数据。
具体地，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B中，使用基于LSTM时间序列的最优预测模型获取待预测日的预测供热流量时，包括以下步骤：
步骤B11：将该用户历史的供暖数据以及历史的气象数据以时间为基准进行数据合成，获得序列数据，利用序列数据搭建LSTM时间序列模型；
步骤B12：对LSTM时间序列模型的模型参数进行调整，获得所述的最优预测模型；
步骤B13：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，获取所述的预测供热流量。
具体地，步骤B11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。
具体地，步骤B12中的模型参数包括序列长度、训练次数、学习率、dropout值、优化器类型以及激活函数的类型，所述序列长度为每次搭建LSTM时间序列模型所用的序列数据的条数，获得LSTM时间序列模型后计算其损失，并选取拥有最小损失的LSTM时间序列模型作为最优预测模型。
具体地，步骤B中，使用基于GBDT的最优预测模型获取预测供热流量时，包括以下步骤：
步骤B21：将该用户历史的供暖数据以及历史的气象数据以时间为基准进行数据整合形成合成数据，利用合成数据搭建GBDT模型；
步骤B22：对GBDT模型的模型参数进行调整，获得所述的最优预测模型；
步骤B23：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，获取所述的预测供热流量。
具体地，步骤B21中将历史的供暖数据和历史的气象数据以时间基准进行数据整合形成合成数据时，使得每条合成数据同时包含供暖数据以及气象数据。
具体地，步骤B22中的模型参数包括弱学习器的最大迭代次数、弱学习器的步长、子采样率、损失函数的类型、分位数、最大特征数、决策树最大深度、内部节点再划分所需最小样本数、叶子节点最少样本数、叶子节点最小的样本权重和、最大叶子节点数以及节点划分最小不纯度；获得GBDT模型后计算其损失，并选取拥有最小损失的GBDT模型作为最优预测模型。
具体地，步骤B中，使用基于灰色时间序列的最优预测模型获取预测供热流量时，包括以下步骤：
步骤B31：将该用户历史的供暖数据以及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，利用序列数据搭建灰色时间序列模型；
步骤B32：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B33：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，获取所述的预测供热流量。
具体地，步骤B31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B32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。
具体地，当该用户的历史数据的条数在10000条以上时，则被认为是所述的大型数据；当该用户的历史数据的条数大于1000条且小于10000条时，则被认为是所述的小型数据。
一种基于人工智能的供暖户阀调节系统，包括：
规模判断模块，其判断数据库中是否存在特定用户的历史数据并判断数据规模；
模型选择模块，如果该用户的历史数据为大型数据，其使用基于LSTM时间序列的最优预测模型获取待预测日的预测供热流量；如果该用户的历史数据为小型数据，其使用基于GBDT或者基于灰色时间序列的最优预测模型获取预测供热流量；如果不存在该用户的历史数据，其通过特征聚类方式从数据库中找出与该用户最接近的其他用户的历史数据，并根据该其他用户的历史数据的规模，选择上述对应的最优预测模型，获取预测供热流量；
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的调节方法的步骤。
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，根据不同的数据规模建立基于灰色时间序列、LSTM时间序列或者GBDT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；本发明中的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为本发明调节方法的流程图；
图2为本发明调节方法部署前与部署后的效果对比图。
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。
人工智能，是研究、开发用于模拟、延伸和扩展人的智能的一门新技术科学。
灰色系统理论、LSTM以及GBDT是人工智能概念下典型的实现方案，以下对这三种实现方案的原理进行简单介绍。
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。
LSTM的全称为Long Short Term Memory，也被称为长短期记忆网络，主要解决的是样本数据为序列的建模问题，如语音序列和语言序列。多数情况下，序列数据的每个元素并不是相互独立，其存在依赖关系，而LSTM模型能够揭示序列数据的内在联系。LSTM处理的是序列建模问题，给定一个长度为T输入序列数据{X0,X1,X2…Xt}，其中Xt表示的是序列数据在t时刻的输入特征向量，这里的t时刻应做广义理解，其并不只能表示时间，其主要作用在于表明这是一个序列输入问题。建模过程中需要得到每个时刻的隐含特征{h0,h1,h2…ht}，这些隐含特征用于后面层的特征输入。对于LSTM模型来说，其在计算t时刻的输出时，不仅考虑当前时刻的输入特征Xt，而且引入前一个时刻的隐含特征ht-1，相当于提取了前面t-1个时刻的输入特征，而t时刻为新状态，可以理解为计算当前时刻输出的时候，既考虑当前状态，又考虑历史状态对当前状态影响，也正是因为这样的结构设计，LSTM模型特别适合序列问题。结合本发明的应用场景时，LSTM模型即能够考虑当前的气象数据，也会结合历史的供暖数据和历史的气象数据，进而得到当前状态下的预测供热流量。
GBDT，即Gradient Boosting Decision Tree，也被称为梯度提升迭代决策树；它通过构建并结合多个弱学习器来完成学习任务，预测精度高，适合低维数据和非线性数据，对连续值和离散值均具有较好的适应能力。调参时间少，预测的准确率高，与当下同类的基于深度学习实现算法相比，具有硬件资源占用少，训练速度快，预测效果近似的优势，比较适合在低廉硬件设备上部署。供暖领域的硬件数量庞大，但硬件配置相对较低，故GBDT适合作为供暖领域的预测模型。GBDT通过学习预测结果的残差，并不断进行训练，得到最优预测模型，这种预测模型能够将刻画在历史数据中的供热系统内部关系反映出来，将其他参数输入最优预测模型后，能够得到预测供热流量。
虽然上述三种理论均为人工智能中较为适于与供暖领域结合的实现方案，但在不同数据规模和条件下，这三种实现方案各有优势，应根据实际情况进行选择。
一种基于人工智能的供暖户阀调节方法，包括以下步骤：
步骤A：判断数据库中是否存在特定用户的历史数据并判断数据规模；
步骤B：如果该用户的历史数据为大型数据，则使用基于LSTM时间序列的最优预测模型获取待预测日的预测供热流量；如果该用户的历史数据为小型数据，则使用基于GBDT或者基于灰色时间序列的最优预测模型获取预测供热流量；如果不存在该用户的历史数据，则通过特征聚类方式从数据库中找出与该用户最接近的其他用户的历史数据，并根据该其他用户的历史数据的规模，选择上述对应的最优预测模型，获取预测供热流量；
步骤C：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。
通过特征聚类方式寻找其他用户的历史数据是指：寻找该用户所属小区或者临近小区内与该用户的静态供暖数据最接近的其他用户，利用该其他用户的历史数据进行建模，并根据该用户与其他用户的实际情况的差异，对模型进行微调，使之能够适用于该用户的供热流量预测。
具体地，步骤B中，使用基于LSTM时间序列的最优预测模型获取待预测日的预测供热流量时，包括以下步骤：
步骤B11：将该用户历史的供暖数据以及历史的气象数据以时间为基准进行数据合成，获得序列数据，利用序列数据搭建LSTM时间序列模型；
步骤B12：对LSTM时间序列模型的模型参数进行调整，获得所述的最优预测模型；
步骤B13：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，获取所述的预测供热流量。
具体地，步骤B中，使用基于GBDT的最优预测模型获取预测供热流量时，包括以下步骤：
步骤B21：将该用户历史的供暖数据以及历史的气象数据以时间为基准进行数据整合形成合成数据，利用合成数据搭建GBDT模型；
步骤B22：对GBDT模型的模型参数进行调整，获得所述的最优预测模型；
步骤B23：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，获取所述的预测供热流量。
具体地，步骤B中，使用基于灰色时间序列的最优预测模型获取预测供热流量时，包括以下步骤：
步骤B31：将该用户历史的供暖数据以及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，利用序列数据搭建灰色时间序列模型；
步骤B32：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B33：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，获取所述的预测供热流量。
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。
搭建灰色时间序列模型、LSTM时间序列模型以及GBDT模型时，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B31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。
步骤B21中将历史的供暖数据和历史的气象数据以时间基准进行数据整合形成合成数据时，使得每条合成数据同时包含供暖数据以及气象数据。
步骤B11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。
最终得到的序列数据或者合成数据的格式如下：
| 时间 | 室外温度 | ... | 用户室内温度 | ... |
| ... | ... | ... | ... | ... |
| xxxx年xx月xx日00时 | xx | ... | xx | ... |
| xxxx年xx月xx日01时 | xx | ... | xx | ... |
| ... | ... | ... | ... | ... |
利用序列数据搭建灰色时间序列模型的具体过程如下。
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。
利用序列数据搭建LSTM时间序列模型的具体过程如下。
LSTM时间序列模型由三个门来控制细胞状态，这三个门分别称为忘记门、输入门和输出门。
第一步决定细胞状态需要丢弃何种信息。这部分操作是通过一个称为忘记门的sigmoid单元来处理的。它通过查看ht-1和xt信息来输出一个0-1之间的向量，该向量里面的0-1值表示细胞状态Ct-1中的信息保留情况，其中0表示不保留，1表示都保留；该过程的描述如下：
ft＝σ(Wf·[ht-1,xt]+bf)；
下一步决定给细胞状态添加何种信息，首先将ht-1和xt通过一个称为输入门的操作来决定更新哪些信息。然后利用ht-1和xt通过一个tanh层得到新的候选细胞信息
这些信息可能会被更新到细胞信息中，该过程的描述如下：
it＝σ(Wi·[ht-1，xt]+bi)，
下面将更新旧的细胞信息Ct-1，变为新的细胞信息Ct；更新的规则是通过忘记门选择忘记旧细胞信息的一部分，通过输入门选择添加候选细胞信息
的一部分得到新的细胞信息Ct；该过程的描述如下：
更新完细胞状态后需要根据输入的ht-1和xt来判断输出细胞的状态特征，这里需要将输入经过一个称为输出门的sigmoid层得到判断条件，然后将细胞状态经过tanh层得到一个-1～1之间值的向量，该向量与输出门得到的判断条件相乘就得到了RNN单元的输出，该过程的描述如下：
ot＝σ(Wo[ht-1,xt]+bo)，
ht＝ot*tanh(Ct)。
通过上述过程，最终能够得到LSTM时间序列模型。
调整参数前需要对模型进行验证，其过程如下。
首先不使用Dropout以及正则化项，从序列数据中取出一个小序列数据，用现有网络去训练拟合该小序列数据，并观察能否做到损失为0，或准确率为1。
在一轮epoch中，打印出输入、输出，检测数据的正确性：输入应为0，每个batch的值相同，特征应与标签对应。
去除正则化项，观察初始的损失值，并对损失进行预估，判断网络是否收敛。
可视化训练过程，在每一轮epoch训练完成后，计算验证集上的损失与准确率，并记录下每一轮epoch后训练集与验证集的损失与评价指标。
在开始训练之前，尝试用开源的数据集先进行训练，排除如噪声、不平衡、随机性过大导致难以学习的问题。
利用合成数据搭建GBDT模型的具体过程如下。
GBDT建模的过程是一个不断迭代的过程，新的树是通过不断拟合残差得到的；输入为训练集T＝(x1,y1),...,(xN,yN),xi∈Rn,yi∈R；输出为回归提升树fM(x)。
首先进行初始化，使得f0(x)＝0；对于m＝1,2,...,M，计算残差：
rm,i＝yi-fm-1(xi),i＝1,2,...,N；
拟合残差学习下一个回归树T(x,θm)的参数：
更新fm(x)：
fm(x)＝fm-1(x)+T(x；θm)；
得到回归提升树：
即可以通过上述过程生成GBDT模型。
模型参数的调整过程需要注意以下事项：
为了提高调参过程中收敛的速度，首先将学习率固定在一个较大的值，本实施例中学习率设定为0.1。
对决策树的基本参数进行调参，例如估计器的数目、树的高度以及叶节点的个数等，分别对各个基本参数的特征进行网格搜索，得到参数的最佳值；
正则化参数调整，限制叶节点样本数目，限制分裂、采样率以及正则化参数，分别对各个参数特征进行网格搜索，得到参数的最佳值；
为提高模型的输出准确率，需要降低学习率重新训练。
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、LSTM时间序列模型以及GBDT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。
步骤A中，所述历史数据包括历史的供暖数据和历史的气象数据。
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；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，上述三种预测模型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B12中的模型参数包括序列长度、训练次数、学习率、dropout值、优化器类型以及激活函数的类型，所述序列长度为每次搭建LSTM时间序列模型所用的序列数据的条数，获得LSTM时间序列模型后计算其损失，并选取拥有最小损失的LSTM时间序列模型作为最优预测模型。
模型参数调整的过程如下。
在确保了数据与网络的正确性之后，使用默认的超参数设置，观察损失的变化，初步定下各个超参数的范围，再进行调参；对于每个超参数，在每次的调整时，只去调整一个参数，然后观察损失变化。
对于损失的变化情况，主要有以下几种可能性：上升、下降、不变，对应的数据集有train损失与val损失，那么进行组合有如下的可能：train损失不断下降，val损失不断下降，代表网络仍在学习；train损失不断下降，val损失不断上升，代表网络过拟合；train损失不断下降，val损失趋于不变，代表网络欠拟合；train损失趋于不变，val损失趋于不变，代表网络陷入瓶颈；train损失不断上升，val损失不断上升，代表网络结构问题；train损失不断上升，val损失不断下降，代表数据集有问题。
综合比较各个参数组合下的模型输出效果，选择损失最小的LSTM时间序列模型作为最优预测模型。
所述损失包括但不仅限于均方根误差。
具体地，步骤B22中的模型参数包括弱学习器的最大迭代次数、弱学习器的步长、子采样率、损失函数的类型、分位数、最大特征数、决策树最大深度、内部节点再划分所需最小样本数、叶子节点最少样本数、叶子节点最小的样本权重和、最大叶子节点数以及节点划分最小不纯度；获得GBDT模型后计算其损失，并选取拥有最小损失的GBDT模型作为最优预测模型。
综合比较各模型参数组合生成的GBDT模型的输出效果，选择损失最小的GBDT模型作为最优预测模型。
所述损失包括但不仅限于均方根误差。
具体地，步骤B32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。
利用序列数据搭建LSTM时间序列模型、灰色时间序列模型之前，利用合成数据搭建GBDT模型之前，需要对序列数据或者合成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。
利用序列数据搭建LSTM时间序列模型、灰色时间序列模型之前，需要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；后续得到模型输出结果后，需要对模型的输出结果进行反标准化处理得到所述预测供热流量。
数据的规模一般根据经验、供暖实际情况、模型的特点进行确定，本实施例中采用如下方法判断数据规模：当该用户的历史数据的条数在10000条以上时，则被认为是所述的大型数据；当该用户的历史数据的条数大于1000条且小于10000条时，则被认为是所述的小型数据。
一种基于人工智能的供暖户阀调节系统，包括：
规模判断模块，其判断数据库中是否存在特定用户的历史数据并判断数据规模；
模型选择模块，如果该用户的历史数据为大型数据，其使用基于LSTM时间序列的最优预测模型获取待预测日的预测供热流量；如果该用户的历史数据为小型数据，其使用基于GBDT或者基于灰色时间序列的最优预测模型获取预测供热流量；如果不存在该用户的历史数据，其通过特征聚类方式从数据库中找出与该用户最接近的其他用户的历史数据，并根据该其他用户的历史数据的规模，选择上述对应的最优预测模型，获取预测供热流量；
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。
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。
如图2所示，以GBDT模型为例，在GBDT模型适用的小区部署该发明中调节方法和调节系统以后，用户的室温始终保持在22摄氏度以上，且耗热从2.1下降至1.3，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 (15)
1.一种基于人工智能的供暖户阀调节方法，包括以下步骤：
步骤A：判断数据库中是否存在特定用户的历史数据并判断数据规模；
步骤B：如果该用户的历史数据为大型数据，则使用基于LSTM时间序列的最优预测模型获取待预测日的预测供热流量；如果该用户的历史数据为小型数据，则使用基于GBDT或者基于灰色时间序列的最优预测模型获取预测供热流量；如果不存在该用户的历史数据，则通过特征聚类方式从数据库中找出与该用户最接近的其他用户的历史数据，并根据该其他用户的历史数据的规模，选择上述对应的最优预测模型，获取预测供热流量；
步骤C：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。
2.根据权利要求1所述的基于人工智能的供暖户阀调节方法，其特征在于：步骤A中，所述历史数据包括历史的供暖数据和历史的气象数据。
3.根据权利要求2所述的基于人工智能的供暖户阀调节方法，其特征在于：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。
4.根据权利要求2所述的基于人工智能的供暖户阀调节方法，其特征在于：步骤B中，使用基于LSTM时间序列的最优预测模型获取待预测日的预测供热流量时，包括以下步骤：
步骤B11：将该用户历史的供暖数据以及历史的气象数据以时间为基准进行数据合成，获得序列数据，利用序列数据搭建LSTM时间序列模型；
步骤B12：对LSTM时间序列模型的模型参数进行调整，获得所述的最优预测模型；
步骤B13：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，获取所述的预测供热流量。
5.根据权利要求4所述的基于人工智能的供暖户阀调节方法，其特征在于：步骤B11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。
6.根据权利要求4所述的基于人工智能的供暖户阀调节方法，其特征在于，步骤B12中的模型参数包括序列长度、训练次数、学习率、dropout值、优化器类型以及激活函数的类型，所述序列长度为每次搭建LSTM时间序列模型所用的序列数据的条数，获得LSTM时间序列模型后计算其损失，并选取拥有最小损失的LSTM时间序列模型作为最优预测模型。
7.根据权利要求2所述的基于人工智能的供暖户阀调节方法，其特征在于：步骤B中，使用基于GBDT的最优预测模型获取预测供热流量时，包括以下步骤：
步骤B21：将该用户历史的供暖数据以及历史的气象数据以时间为基准进行数据整合形成合成数据，利用合成数据搭建GBDT模型；
步骤B22：对GBDT模型的模型参数进行调整，获得所述的最优预测模型；
步骤B23：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，获取所述的预测供热流量。
8.根据权利要求7所述的基于人工智能的供暖户阀调节方法，其特征在于：步骤B21中将历史的供暖数据和历史的气象数据以时间基准进行数据整合形成合成数据时，使得每条合成数据同时包含供暖数据以及气象数据。
9.根据权利要求7所述的基于人工智能的供暖户阀调节方法，其特征在于，步骤B22中的模型参数包括弱学习器的最大迭代次数、弱学习器的步长、子采样率、损失函数的类型、分位数、最大特征数、决策树最大深度、内部节点再划分所需最小样本数、叶子节点最少样本数、叶子节点最小的样本权重和、最大叶子节点数以及节点划分最小不纯度；获得GBDT模型后计算其损失，并选取拥有最小损失的GBDT模型作为最优预测模型。
10.根据权利要求2所述的基于人工智能的供暖户阀调节方法，其特征在于：步骤B中，使用基于灰色时间序列的最优预测模型获取预测供热流量时，包括以下步骤：
步骤B31：将该用户历史的供暖数据以及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，利用序列数据搭建灰色时间序列模型；
步骤B32：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B33：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，获取所述的预测供热流量。
11.根据权利要求10所述的基于人工智能的供暖户阀调节方法，其特征在于，步骤B31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。
12.根据权利要求10所述的基于人工智能的供暖户阀调节方法，其特征在于，步骤B32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。
13.根据权利要求1所述的基于人工智能的供暖户阀调节方法，其特征在于，当该用户的历史数据的条数在10000条以上时，则被认为是所述的大型数据；当该用户的历史数据的条数大于1000条且小于10000条时，则被认为是所述的小型数据。
14.一种基于人工智能的供暖户阀调节系统，其特征在于，包括：
规模判断模块，其判断数据库中是否存在特定用户的历史数据并判断数据规模；
模型选择模块，如果该用户的历史数据为大型数据，其使用基于LSTM时间序列的最优预测模型获取待预测日的预测供热流量；如果该用户的历史数据为小型数据，其使用基于GBDT或者基于灰色时间序列的最优预测模型获取预测供热流量；如果不存在该用户的历史数据，其通过特征聚类方式从数据库中找出与该用户最接近的其他用户的历史数据，并根据该其他用户的历史数据的规模，选择上述对应的最优预测模型，获取预测供热流量；
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。
15.一种计算机设备，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1-13中任一项所述调节方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010420731.7A CN111561734B (zh) | 2020-05-18 | 2020-05-18 | 基于人工智能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 |
|---|---|---|---|
| CN202010420731.7A CN111561734B (zh) | 2020-05-18 | 2020-05-18 | 基于人工智能的供暖户阀调节方法、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111561734A true CN111561734A (zh) | 2020-08-21 |
| CN111561734B CN111561734B (zh) | 2020-12-22 |
Family
ID=72074763
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010420731.7A Active CN111561734B (zh) | 2020-05-18 | 2020-05-18 | 基于人工智能的供暖户阀调节方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111561734B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112787882A (zh) * | 2020-12-25 | 2021-05-11 | 国网河北省电力有限公司信息通信分公司 | 一种物联网边缘流量预测方法、装置及设备 |
| CN112984617A (zh) * | 2021-03-17 | 2021-06-18 | 瑞纳智能设备股份有限公司 | 一种基于人工智能的恒定供暖二网供温一网温控阀开度调节方法 |
| CN113111589A (zh) * | 2021-04-25 | 2021-07-13 | 北京百度网讯科技有限公司 | 预测模型的训练方法、预测供热温度的方法、装置和设备 |
| CN113326633A (zh) * | 2021-06-22 | 2021-08-31 | 山东省节能技术研究院 | 清洁供暖全天候模拟仿真系统及方法 |
| CN113812851A (zh) * | 2021-09-09 | 2021-12-21 | 熊猫智慧水务有限公司 | 一种用于直饮水净水设备的水龄控制系统 |
| CN115374866A (zh) * | 2022-08-26 | 2022-11-22 | 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 | 一种集中供热中用户异常用热行为辨识方法 |
| CN116839091A (zh) * | 2023-05-15 | 2023-10-03 | 山东和同信息科技股份有限公司 | 一种基于深度学习的换热站自动控制参数设置方法 |
| CN117968143A (zh) * | 2024-04-01 | 2024-05-03 | 陕西德联新能源有限公司 | 一种供热系统的节能优化方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105910169A (zh) * | 2016-04-27 | 2016-08-31 | 常州英集动力科技有限公司 | 基于机理模型预测控制的城市供热系统热网调节方法及系统 |
| CN107704966A (zh) * | 2017-10-17 | 2018-02-16 | 华南理工大学 | 一种基于天气大数据的能源负荷预测系统及方法 |
| CN110345256A (zh) * | 2019-08-07 | 2019-10-18 | 烟台500供热有限公司 | 一种阀门控制方法及阀门 |
| CN110490385A (zh) * | 2019-08-22 | 2019-11-22 | 广东电网有限责任公司 | 一种综合能源系统中电负荷和热负荷的联合预测方法 |
-
2020
- 2020-05-18 CN CN202010420731.7A patent/CN111561734B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105910169A (zh) * | 2016-04-27 | 2016-08-31 | 常州英集动力科技有限公司 | 基于机理模型预测控制的城市供热系统热网调节方法及系统 |
| CN107704966A (zh) * | 2017-10-17 | 2018-02-16 | 华南理工大学 | 一种基于天气大数据的能源负荷预测系统及方法 |
| CN110345256A (zh) * | 2019-08-07 | 2019-10-18 | 烟台500供热有限公司 | 一种阀门控制方法及阀门 |
| CN110490385A (zh) * | 2019-08-22 | 2019-11-22 | 广东电网有限责任公司 | 一种综合能源系统中电负荷和热负荷的联合预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 许裕栗等: "基于LSTM网络的居民区供热负荷短时预测", 《自动化仪表》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112787882A (zh) * | 2020-12-25 | 2021-05-11 | 国网河北省电力有限公司信息通信分公司 | 一种物联网边缘流量预测方法、装置及设备 |
| CN112984617A (zh) * | 2021-03-17 | 2021-06-18 | 瑞纳智能设备股份有限公司 | 一种基于人工智能的恒定供暖二网供温一网温控阀开度调节方法 |
| CN113111589A (zh) * | 2021-04-25 | 2021-07-13 | 北京百度网讯科技有限公司 | 预测模型的训练方法、预测供热温度的方法、装置和设备 |
| CN113326633A (zh) * | 2021-06-22 | 2021-08-31 | 山东省节能技术研究院 | 清洁供暖全天候模拟仿真系统及方法 |
| CN113326633B (zh) * | 2021-06-22 | 2022-02-22 | 山东省节能技术研究院 | 清洁供暖全天候模拟仿真系统及方法 |
| CN113812851A (zh) * | 2021-09-09 | 2021-12-21 | 熊猫智慧水务有限公司 | 一种用于直饮水净水设备的水龄控制系统 |
| CN115374866A (zh) * | 2022-08-26 | 2022-11-22 | 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 | 一种集中供热中用户异常用热行为辨识方法 |
| CN115374866B (zh) * | 2022-08-26 | 2023-08-11 | 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 | 一种集中供热中用户异常用热行为辨识方法 |
| CN116839091A (zh) * | 2023-05-15 | 2023-10-03 | 山东和同信息科技股份有限公司 | 一种基于深度学习的换热站自动控制参数设置方法 |
| CN116839091B (zh) * | 2023-05-15 | 2024-01-19 | 山东和同信息科技股份有限公司 | 一种基于深度学习的换热站自动控制参数设置方法 |
| CN117968143A (zh) * | 2024-04-01 | 2024-05-03 | 陕西德联新能源有限公司 | 一种供热系统的节能优化方法及系统 |
| CN117968143B (zh) * | 2024-04-01 | 2024-06-04 | 陕西德联新能源有限公司 | 一种供热系统的节能优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111561734B (zh) | 2020-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111561734B (zh) | 基于人工智能的供暖户阀调节方法、系统及设备 | |
| Hong et al. | State-of-the-art on research and applications of machine learning in the building life cycle | |
| Jallal et al. | A hybrid neuro-fuzzy inference system-based algorithm for time series forecasting applied to energy consumption prediction | |
| CN111461466B (zh) | 基于lstm时间序列的供暖户阀调节方法、系统及设备 | |
| Li et al. | Assessment of linear emulators in lightweight Bayesian calibration of dynamic building energy models for parameter estimation and performance prediction | |
| CN101383023B (zh) | 基于样本动态组织与温度补偿的神经网络短期电力负荷预测 | |
| CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
| CN109583565B (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
| CN111561733B (zh) | 基于gbdt的供暖户阀调节方法、系统及设备 | |
| Moradzadeh et al. | Heating and cooling loads forecasting for residential buildings based on hybrid machine learning applications: A comprehensive review and comparative analysis | |
| Rahman et al. | Predicting fuel consumption for commercial buildings with machine learning algorithms | |
| CN111476439B (zh) | 基于灰色时间序列的供暖户阀调节方法、系统及设备 | |
| CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
| CN114811713B (zh) | 基于混合深度学习的二级网户间均衡供热调控方法 | |
| CN109858700A (zh) | 基于相似样本筛选的bp神经网络供暖系统能耗预测方法 | |
| Zhang et al. | High spatial granularity residential heating load forecast based on Dendrite net model | |
| Li et al. | Forecasting of short-term photovoltaic power generation using combined interval type-2 Takagi-Sugeno-Kang fuzzy systems | |
| CN116989442A (zh) | 一种中央空调负荷预测方法及系统 | |
| Jin et al. | Short-term electric load prediction using transfer learning with interval estimate adjustment | |
| El Bourakadi et al. | Improved extreme learning machine with AutoEncoder and particle swarm optimization for short-term wind power prediction | |
| Sretenović et al. | Support vector machine for the prediction of heating energy use | |
| CN114117852A (zh) | 一种基于有限差分工作域划分的区域热负荷滚动预测方法 | |
| CN115310727A (zh) | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 | |
| CN115640901A (zh) | 一种基于混合神经网络和生成对抗的小样本负荷预测方法 | |
| CN111723085A (zh) | 公共建筑空调用电能耗数据清洗方法及系统 |
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 |