CN111932015B - 一种区域供冷供热冷热量负荷的预测方法及系统 - Google Patents

一种区域供冷供热冷热量负荷的预测方法及系统 Download PDF

Info

Publication number
CN111932015B
CN111932015B CN202010809482.0A CN202010809482A CN111932015B CN 111932015 B CN111932015 B CN 111932015B CN 202010809482 A CN202010809482 A CN 202010809482A CN 111932015 B CN111932015 B CN 111932015B
Authority
CN
China
Prior art keywords
data
prediction
model
lstm
cold
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
Application number
CN202010809482.0A
Other languages
English (en)
Other versions
CN111932015A (zh
Inventor
陈新辉
向成城
王亦斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Zhongdian Energy Saving Co ltd
Original Assignee
Wuhan Zhongdian Energy Saving Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Zhongdian Energy Saving Co ltd filed Critical Wuhan Zhongdian Energy Saving Co ltd
Priority to CN202010809482.0A priority Critical patent/CN111932015B/zh
Publication of CN111932015A publication Critical patent/CN111932015A/zh
Application granted granted Critical
Publication of CN111932015B publication Critical patent/CN111932015B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明提供一种区域供冷供热冷热量负荷的预测方法及系统，所述方法包括：采集区域环境温湿度数据及热量计量表数据；获取历史数据，并对获取的历史数据进行预处理，并生成数据训练集和测试集；采用基于LSTM的Seq2Seq循环神经网络模型，利用数据训练集和测试集进行模型训练及测试；采用TensorFlow框架导入训练好的模型文件，部署运行；以当前时段以前的历史数据作为模型预测的输入，输出未来的冷热量负荷预测值。本发明提出的基于LSTM的Seq2Seq循环神经网络模型的自学习多维时间序列多步预测的方法，有着更好的拟合性和扩展性，算法准确度更高。将负荷预测系统与现有自动控制系统相结合，实现数据共享。预测结果应用于运营，能够节能降耗、降低运营成本。

Description

一种区域供冷供热冷热量负荷的预测方法及系统
技术领域
本发明涉及暖通空调技术领域，尤其涉及一种区域供冷供热(Disrtict Heatingand Cooling，简称DHC)冷热量负荷的预测方法及系统。
背景技术
由于区域供冷供热系统设备类型多、数量多、分布范围广，系统复杂庞大；管网水蓄冷蓄热造成的滞后；运营人员根据系统温差、压差等数据去预测负荷，依赖个人经验，难以保证准确性；控制调节产生的延迟；建筑空调的实际使用因素等，使得冷热量负荷供给与实际需求难以很好匹配。
因此在区域供冷供热系统中，若能对冷热量负荷进行精确预测，及时调整供能运营策略，使冷热量按实际负荷需求进行供应，对于系统的经济高效运行具有积极的意义。
发明内容
针对现有技术中存在的问题与区域供冷供热系统的实际需求，本发明的目的在于提供一种区域供冷供热冷热量负荷的预测方法及系统，在区域供冷供热系统中，对未来时刻系统所需要的冷热量进行预测，以预测的负荷分布为基础，合理选择设备运行数量及运行参数，同时对蓄能系统储能量优化控制。在保证用户舒适度的前提下，达到冷热量按需供给、节能降耗、降低运营成本的目的。
为了实现上述目的，本发明所采用的技术方案是：
第一方面，本发明提供了一种区域供冷供热冷热量负荷的预测方法，其特征在于，包括：
步骤S1，上位机采集区域环境温湿度数据及热量计量表数据，每隔设定的时间存储至上位机本地数据库，并增量同步至云计算服务器数据库；
步骤S2，云计算服务器从数据库获取历史数据；
步骤S3，云计算服务器对获取的历史数据进行预处理，并生成数据训练集和测试集；
步骤S4，基于LSTM的Seq2Seq循环神经网络模型设计，利用数据训练集和测试集进行模型训练及测试；
步骤S5，云计算服务器采用TensorFlow框架导入步骤S4中训练好的模型文件，部署运行；
步骤S6，云计算服务器以当前时段以前的历史数据作为模型预测的输入，输出未来的冷热量负荷预测值，数据反归一化后更新结果到数据库，每隔设定的时间更新一次；
步骤S7，上位机获取云计算服务器数据库的冷热量负荷预测结果，并展示到上位机界面。
进一步地，步骤S4的基于LSTM的Seq2Seq循环神经网络模型，包括输入层、隐藏层、输出层三层结构；其中：
(a)输入层，用于将步骤S3获取的数据训练集的所有可用特征数据作为网络的输入数据，用于下一层的自动学习；
(b)隐藏层，用于对输入层提供的特征数据进行自动学习，采用的是基于长短期记忆LSTM的序列到序列Seq2Seq网络模型，包括编码器和解码器两部分：
编码器采用全连接网络和LSTM单元设计，编码器在每个时间步接收每个小时的多维时间序列数据，全连接网络首先对原始数据进行特征提取，然后将提取到的特征输入到LSTM神经元中，编码器所有时间步使用同一套全连接和LSTM网络；
解码器采用LSTM单元和全连接网络设计，经过编码器的计算和特征提取，模型将编码器的权重和提取到的特征传给解码器，解码器的LSTM单元在每个时间步都有一个输出，这个输出分别连接两个全连接层，一个全连接层对本预测网络每个时间步的输出进行回归，另一个全连接层将输出特征传回LSTM单元的输入门，作为解码器下个时间步计算的输入信息参与计算；
(c)输出层，用于将隐藏层学习到的信息转化成最终结果，通过将最终负荷预测结果与真实负荷结果进行对比，然后将误差反向传到隐藏层中进行模型的矫正，减少预测值与真实值的误差，然后将更新的模型用于下一次的训练，通过不断的训练迭代来不断减小预测值与真实值之间的误差。
进一步地，基于LSTM的Seq2Seq循环神经网络模型，还包括如下特征：修改了原始的softmax层结构，使用多层全连接构造了从LSTM特征到时间序列预测的映射关系；修改了常规的时间序列预测损失的计算方法，架构的损失在所有时间步的输出完成后进行统一的反向传播和循环神经网络的逐步传播；
对于多维时间序列的多步预测问题，架构拟合的目标是学习到一个最小的损失函数：
Figure BDA0002630409120000031
其中：I为训练集，Si为输入数据集；Ti为预测真值集；func()为训练的算法模型；func(Ti|Si)为基于训练的模型func()在Si输入下的预测输出集；MAE(Ti,func(Ti|Si))为基于预测真值集Ti和预测输出集func(Ti|Si)计算的平均绝对误差；n为输入数据集Si的数量，然后对所有的MAE进行求和之后的平均值即为损失函数；
经过训练，所述模型能够学习到使上述损失最小的权重；所述基于LSTM的Seq2Seq循环神经网络模型不仅对高维时间序列进行有效特征提取，还能将输入序列映射为不同长度的输出序列。
进一步地，步骤S4的基于LSTM的Seq2Seq循环神经网络模型，激活函数采用的是ReLU，其实质是一个取最大值函数；优化函数采用Adam，优化函数是通过改善训练方式来最小化或最大化损失函数，Adam算法基于训练数据迭代地更新神经网络权重，通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率。
进一步地，步骤S4的基于LSTM的Seq2Seq循环神经网络模型，模型能够扩展为多输出预测模型，同时预测未来一段时间的负荷、温度和湿度，实现方法为：每个时间步输入的时间序列特征包括：每小时1维负荷采样均值，每小时温度均值，每小时1维湿度均值；在最后的输出端，每个时间步预测的特征包括：第二天对应该时间步的1维负荷均值，1维温度均值，1维湿度均值，其对应的全连接输出维度为3。
进一步地，步骤S2中，云计算服务器从数据库获取历史数据，所述数据包括日期时间、室外干球温度、室外相对湿度、室外湿球温度、冷热量负荷实际值。
进一步地，步骤S3中，云计算服务器对获取的历史数据进行预处理，预处理包括：(a)数据异常值、缺失值处理；(b)小时级冷热量负荷计算；(c)特征提取；(d)滑动窗口；(e)数据归一化。
第二方面，本发明提供了一种采用如上所述的一种区域供冷供热冷热量负荷预测方法的预测系统，其特征在于，所述系统包括：云计算服务器、上位机以及分别与所述上位机通信连接的环境温湿度传感器、热量计量表；
所述环境温湿度传感器，用于采集实时环境温湿度；
所述热量计量表，用于获取区域当前系统实际冷热量负荷。
进一步地，所述上位机包括数据存储模块、数据同步模块、数据可视化模块；
所述数据存储模块，用于将获取的室外干球温度、室外相对湿度、室外湿球温度、冷热量负荷数据，按设定的记录频次，存储到上位机本地数据库；
所述数据同步模块，用于将上位机本地数据库记录的日期时间、室外干球温度、室外相对湿度、室外湿球温度、冷热量负荷数据增量同步至云计算服务器数据库，并将云计算服务器数据库的冷热量负荷预测结果数据增量同步至上位机本地数据库；
所述数据可视化模块，用于将冷热量负荷预测结果数据展示到上位机界面，作为系统设备运行及相关参数设定的依据，供DHC运营人员决策使用。
进一步地，所述云计算服务器包括数据预处理模块、模型训练模块、模型预测模块；
所述数据预处理模块，用于对获取的历史数据进行预处理，生成数据训练集和测试集。
所述模型训练模块，采用基于LSTM的Seq2Seq循环神经网络模型，利用数据训练集和测试集进行模型训练及测试，保存并导出训练好的模型文件；
所述模型预测模块，用于加载上述模型训练模块训练好的模型文件部署并持续化运行，在每个运行周期从云计算服务器数据库抽取当前时段以前的历史数据，进行与上述数据预处理模块同样的数据预处理后，作为模型预测模块输入，输出未来的逐时冷热量负荷，数据反归一化后得到预测输出序列并更新结果到数据库。
与现有技术相比，本发明具有如下的有益效果：本发明提出的一种区域供冷供热冷热量负荷的预测方法及系统，具有以下优点：
1、基于LSTM的Seq2Seq循环神经网络模型设计的自学习多维负荷、温湿度的预测方法，有着更好的拟合性和扩展性，算法准确度更高。
2、将负荷预测系统与现有自动控制系统相结合，实现数据共享。
3、预测结果应用于运营，能够节能降耗、降低运营成本。
附图说明
图1为本发明实施例提供的一种区域供冷供热冷热量负荷的预测方法的处理流程图。
图2为本发明实施例提供的LSTM神经元结构图。
图3为本发明实施例提供的基于Seq2Seq的编码器及解码器结构设计图。
图4为本发明实施例提供的一种区域供冷供热冷热量负荷的预测系统结构示意图。
图5为本发明实施例提供的上位机结构示意图。
图6为本发明实施例提供的云计算服务器结构示意图。
具体实施方式
为了更好地理解本发明，下面结合实施例进一步阐明本发明的内容，但本发明的内容不仅仅局限于下面的实施例。本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样在本申请所列权利要求书限定范围之内。
本发明实施例提出的区域供冷供热冷热量负荷的预测方法及系统，根据区域供冷供热冷热量负荷及温湿度历史数据训练模型，结合当前时段以前24小时的冷热量负荷及温湿度数据，能够准确预测未来24小时的冷热量负荷。本发明可用于区域供冷供热旧系统改造和新建系统。
请参阅图1，本发明提出一种区域供冷供热冷热量负荷的预测方法，所述方法包括：
步骤S1，原始数据获取，上位机采集区域环境温湿度数据及热量计量表数据，每隔设定的时间存储至上位机本地数据库，并增量同步至云计算服务器数据库。
步骤S2，云计算服务器从数据库获取历史数据(日期时间，室外干球温度，室外相对湿度，室外湿球温度，冷热量负荷实际值等)。
步骤S3，云计算服务器对获取的数据进行预处理，生成数据训练集和测试集。主要进行以下处理：
(a)数据异常值、缺失值处理：修正或删除；
(b)小时级冷热量负荷计算：通过获取的每隔设定时间的冷热量负荷计算获得小时级冷热量负荷；
(c)特征提取：通过日期时间数据提取年，月，日，星期，小时，是否工作日等数据；
(d)滑动窗口：采取滑动窗口的形式来组织训练集和测试集，将原始数据按时间顺序排列，每个时间窗口的大小为48小时(24小时输入，24小时输出)，并按小时滑动；
(e)数据归一化：利用sklearn中的MinMaxScaler类对数据进行归一化，得到的结果对于每个属性/每列来说所有数据都变换到0和1之间。
步骤S4，基于LSTM的Seq2Seq循环神经网络模型设计，利用数据训练集和测试集进行模型训练及测试。
(a)模型设计：
模型包含输入层、隐藏层、输出层三层结构。
输入层主要将S3获取的训练数据集的所有可用特征数据作为网络的输入数据，用于下一层的自动学习。
隐藏层主要对输入层提供的特征数据进行自动学习。采用的是循环神经网络(RNN)类的基于长短期记忆(LSTM)的序列到序列(Seq2Seq)网络模型。
LSTM是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。相比普通的RNN，LSTM能够在更长的时间序列预测中有更好的表现。请参阅图2，为LSTM神经元的基本结构。
Seq2Seq是一种RNN的变种，包括编码器(Encoder)和解码器(Decoder)两部分。Seq2Seq是自然语言处理中的一种重要模型，主要用于机器翻译、对话系统、自动文摘。具有以下特点：(1)每个时间步的输入为高维词向量，输出也为高维词向量；(2)编码器和解码器的架构设计分别让网络的特征提取和序列生成上有着很好的效果；(3)该模型的输入和输入均为词向量，使用的是交叉熵损失函数，拟合的是最大的条件概率。
前两特点为解决多维时间序列的特征提取困难、生成序列困难等问题上提供解决思路。但第三个特点意味着机器翻译问题和我们的负荷预测(多维时间序列多步预测)有着不一样的网络层设计、不一样的损失函数和不一样的学习目标。
请参阅图3，基于Seq2Seq的编码器及解码器结构设计，结合多维时间序列多步预测的任务损失定义和优化目标，本发明提出了如下图所示的解决多维时间序列多步预测问题的Seq2Seq网络。
本模型使用全连接网络和LSTM单元设计了编码器。编码器在每个时间步接收每个小时的多维时间序列数据，全连接网络首先对原始数据进行特征提取，然后将提取到的特征输入到LSTM神经元中。编码器所有时间步使用同一套全连接和LSTM网络，从多个时间步学习到了一套参数，这样的设计既增加了模型的可扩展性，又避免了过拟合。
本模型使用LSTM单元和全连接网络设计了解码器。经过编码器的计算和特征提取，模型将编码器的权重和提取到的特征传给解码器。解码器的LSTM单元在每个时间步都会有一个输出，这个输出分别连接了两个全连接层，一个全连接层对本预测网络每个时间步的输出进行回归，另一个全连接层将输出特征传回LSTM单元的输入门，作为解码器下个时间步计算的输入信息参与计算。
在本模型的输出和损失计算上，有着较大的改进：
(1)修改了原始的softmax层结构，使用多层全连接构造了从LSTM特征到时间序列预测的映射关系；
(2)修改了常规的时间序列预测损失的计算方法，本架构的损失在所有时间步的输出完成后进行统一的反向传播和循环神经网络的逐步传播。
对于多维时间序列的多步预测问题，本架构拟合的目标是学习到一个最小的损失函数：
Figure BDA0002630409120000071
其中：I为训练集，Si为输入数据集；Ti为预测真值集；func()为训练的算法模型；func(Ti|Si)为基于训练的模型func()在Si输入下的预测输出集；MAE(Ti,func(Ti|Si))为基于预测真值集Ti和预测输出集func(Ti|Si)计算的平均绝对误差；n为输入数据集Si的数量，然后对所有的MAE进行求和之后的平均值即为损失函数。
经过训练，本模型可以学习到使上述损失最小的权重。
本Seq2Seq模型不仅可以对高维时间序列进行有效的特征提取，还可以将输入序列映射为不同长度的输出序列，有着良好的拟合能力和模型扩展性。
(b)激活函数采用的是ReLU。其函数表达式为：
f(z)＝max(0,z)
其实质就是一个取最大值函数，作为激活函数有如下优点：一是解决了梯度消失问题(在正区间)；二是计算速度非常快，只需要判断输入是否大于0；三是收敛速度远快于sigmoid和tanh函数。
(c)优化函数采用Adam。
优化函数是通过改善训练方式来最小化(或最大化)损失函数的。Adam(自适应时刻估计)算法是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重。Adam通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率。与其他自适应学习率算法相比，其收敛速度更快，学习效果更为有效，而且可以纠正其他优化技术中存在的问题，如学习率消失、收敛过慢或是高方差的参数更新导致损失函数波动较大等问题。
(d)输出层将隐藏层学习到的信息转化成最终结果。通过将最终负荷预测结果与真实负荷结果进行对比，然后将误差反向传到隐藏层中进行模型的矫正，减少预测值与真实值的误差，然后将更新的模型用于下一次的训练，通过不断的训练迭代来不断减小预测值与真实值之间的误差。
(e)上述算法模型的应用可以扩展为多输出预测模型，可以同时预测未来一段时间(如24小时)的负荷，温度和湿度。实现方法为：每个时间步输入的时间序列特征：每小时1维负荷采样均值，每小时温度均值，每小时1维湿度均值。
在最后的输出端，每个时间步预测的特征：第二天对应该时间步的1维负荷均值，1维温度均值，1维湿度均值，其对应的全连接输出维度为3。
(f)训练集和测试集划分，取前85％为训练集，后15％为验证集。
步骤S5，云计算服务器采用TensorFlow框架导入步骤S4中训练好的模型文件，部署运行。
步骤S6，云计算服务器以当前时段以前24小时历史数据(日期时间，室外干球温度，室外相对湿度，室外湿球温度，冷热量负荷实际值等)作为模型预测输入，输出未来24小时的冷热量负荷预测值，数据反归一化后更新结果到数据库，每小时更新一次。
步骤S7，数据可视化，上位机通过数据同步模块1402获取冷热量负荷预测结果，并展示到上位机界面。
算法结果上线后，随着时间的推移，算法性能会因各种原因如负荷需求变化超出训练范围，训练数据不全等而无法保持预测精度，因此需要建立在线学习机制。本方法采用的是定期训练，在获得性的一段时间(比如一周)的数据库，会根据新数据和训练数据集的偏差值和数据的统计分布进行对照，如果偏差或分布偏移超过20％，则启动在线学习流程，将新数据加入到原训练数据集进行重新训练，之后上线新模型；如此根据条件进行循环更新，以持续更新算法模型来提高算法的性能。
请参阅图4，本发明提供一种区域供冷供热冷热量负荷预测的系统及方法，所述系统包括云计算服务器150、上位机140以及分别与上述上位机通信连接的环境温湿度传感器110、热量计量表120。
所述环境温湿度传感器110用于采集实时环境温湿度。
所述热量计量表120用于获取区域当前系统实际冷热量负荷。
请参阅图5，所述上位机140包括数据存储模块1401、数据同步模块1402、数据可视化模块1403。
所述数据存储模块1401用于将获取的室外干球温度、室外相对湿度、室外湿球温度、冷热量负荷等，按设定的记录频次，存储到上位机本地数据库。
所述数据同步模块1402用于将上位机本地数据库记录的日期时间、室外干球温度、室外相对湿度、室外湿球温度、冷热量负荷等数据增量同步至云计算服务器数据库，并将云计算服务器数据库的冷热量负荷预测结果数据增量同步至上位机本地数据库。
所述数据可视化模块1403用于将冷热量负荷预测结果数据展示到上位机界面，作为系统设备运行及相关参数设定的依据，供DHC运营人员决策使用。
请参阅图6，所述云计算服务器150包括数据预处理模块1501，模型训练模块1502，模型预测模块1503。
所述数据预处理模块1501用于对获取的历史数据进行预处理(数据异常值及缺失值处理，字符串数值化，数据标准化等)，生成数据训练集和测试集。
所述模型训练模块1502基于Seq2Seq设计循环神经网络模型，利用数据训练集和测试集进行模型训练及测试，保存并导出训练好的模型文件。
所述模型预测模块1503用于加载上述模型训练模块1502训练好的模型文件部署并持续化运行。运行周期可设定。在每个运行周期从云计算服务器数据库抽取当前时段以前24小时历史数据(日期时间，室外干球温度，室外相对湿度，室外湿球温度，冷热量负荷)，进行与上述数据预处理模块1501同样的数据预处理后，作为模型预测模块输入，输出未来24小时的逐时冷热量负荷，数据反归一化后得到预测输出序列并更新结果到数据库。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (8)

1.一种区域供冷供热冷热量负荷的预测方法，其特征在于，包括：
步骤S1，上位机采集区域环境温湿度数据及热量计量表数据，每隔设定的时间存储至上位机本地数据库，并增量同步至云计算服务器数据库；
步骤S2，云计算服务器从数据库获取历史数据；
步骤S3，云计算服务器对获取的历史数据进行预处理，并生成数据训练集和测试集；
步骤S4，采用基于LSTM的Seq2Seq循环神经网络模型，利用数据训练集和测试集进行模型训练及测试；
步骤S5，云计算服务器采用TensorFlow框架导入步骤S4中训练好的模型文件，部署运行；
步骤S6，云计算服务器以当前时段以前的历史数据作为模型预测的输入，输出未来的冷热量负荷预测值，数据反归一化后更新结果到数据库，每隔设定的时间更新一次；
步骤S7，上位机获取云计算服务器数据库的冷热量负荷预测结果，并展示到上位机界面；
其中，步骤S4的基于LSTM的Seq2Seq循环神经网络模型，包括输入层、隐藏层、输出层三层结构：
(a)输入层，用于将步骤S3获取的数据训练集的所有可用特征数据作为网络的输入数据，用于下一层的自动学习；
(b)隐藏层，用于对输入层提供的特征数据进行自动学习，采用的是基于长短期记忆LSTM的序列到序列Seq2Seq网络模型，包括编码器和解码器两部分：
编码器采用全连接网络和LSTM单元设计，编码器在每个时间步接收每个小时的多维时间序列数据，全连接网络首先对原始数据进行特征提取，然后将提取到的特征输入到LSTM神经元中，编码器所有时间步使用同一套全连接和LSTM网络；
解码器采用LSTM单元和全连接网络设计，经过编码器的计算和特征提取，模型将编码器的权重和提取到的特征传给解码器，解码器的LSTM单元在每个时间步都有一个输出，这个输出分别连接两个全连接层，一个全连接层对本预测网络每个时间步的输出进行回归，另一个全连接层将输出特征传回LSTM单元的输入门，作为解码器下个时间步计算的输入信息参与计算；
(c)输出层，用于将隐藏层学习到的信息转化成最终结果，通过将最终负荷预测结果与真实负荷结果进行对比，然后将误差反向传到隐藏层中进行模型的矫正，减少预测值与真实值的误差，然后将更新的模型用于下一次的训练，通过不断的训练迭代来不断减小预测值与真实值之间的误差；
基于LSTM的Seq2Seq循环神经网络模型，还包括如下特征：修改了原始的softmax层结构，使用多层全连接构造了从LSTM特征到时间序列预测的映射关系；修改了常规的时间序列预测损失的计算方法，架构的损失在所有时间步的输出完成后进行统一的反向传播和循环神经网络的逐步传播；
对于多维时间序列的多步预测问题，架构拟合的目标是学习到一个最小的损失函数：
Figure FDA0003942528780000021
其中：I为训练集，Si为输入数据集；Ti为预测真值集；func()为训练的算法模型；func(Ti|Si)为基于训练的模型func()在Si输入下的预测输出集；MAE(Ti,func(Ti|Si))为基于预测真值集Ti和预测输出集func(Ti|Si)计算的平均绝对误差；n为输入数据集Si的数量，然后对所有的MAE进行求和之后的平均值即为损失函数；
经过训练，所述模型能够学习到使上述损失最小的权重；所述基于LSTM的Seq2Seq循环神经网络模型不仅对高维时间序列进行有效特征提取，还能将输入序列映射为不同长度的输出序列。
2.根据权利要求1所述的一种区域供冷供热冷热量负荷的预测方法，其特征在于，步骤S4的基于LSTM的Seq2Seq循环神经网络模型，激活函数采用的是ReLU，其实质是一个取最大值函数；优化函数采用Adam，优化函数是通过改善训练方式来最小化或最大化损失函数，Adam算法基于训练数据迭代地更新神经网络权重，通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率。
3.根据权利要求1所述的一种区域供冷供热冷热量负荷的预测方法，其特征在于，步骤S4的基于LSTM的Seq2Seq循环神经网络模型，模型能够扩展为多输出预测模型，同时预测未来一段时间的负荷、温度和湿度，实现方法为：每个时间步输入的时间序列特征包括：每小时1维负荷采样均值，每小时温度均值，每小时1维湿度均值；在最后的输出端，每个时间步预测的特征包括：第二天对应该时间步的1维负荷均值，1维温度均值，1维湿度均值，其对应的全连接输出维度为3。
4.根据权利要求1所述的一种区域供冷供热冷热量负荷的预测方法，其特征在于，步骤S2中，云计算服务器从数据库获取历史数据，所述数据包括日期时间、室外干球温度、室外相对湿度、室外湿球温度、冷热量负荷实际值。
5.根据权利要求1所述的一种区域供冷供热冷热量负荷的预测方法，其特征在于，步骤S3中，云计算服务器对获取的历史数据进行预处理，预处理包括：(a)数据异常值、缺失值处理；(b)小时级冷热量负荷计算；(c)特征提取；(d)滑动窗口；(e)数据归一化。
6.一种采用权利要求1至5任意一项所述的一种区域供冷供热冷热量负荷预测方法的预测系统，其特征在于，所述系统包括：云计算服务器、上位机以及分别与所述上位机通信连接的环境温湿度传感器、热量计量表；
所述环境温湿度传感器，用于采集实时环境温湿度；
所述热量计量表，用于获取区域当前系统实际冷热量负荷。
7.根据权利要求6所述的一种区域供冷供热冷热量负荷的预测系统，其特征在于，所述上位机包括数据存储模块、数据同步模块、数据可视化模块；
所述数据存储模块，用于将获取的室外干球温度、室外相对湿度、室外湿球温度、冷热量负荷数据，按设定的记录频次，存储到上位机本地数据库；
所述数据同步模块，用于将上位机本地数据库记录的日期时间、室外干球温度、室外相对湿度、室外湿球温度、冷热量负荷数据增量同步至云计算服务器数据库，并将云计算服务器数据库的冷热量负荷预测结果数据增量同步至上位机本地数据库；
所述数据可视化模块，用于将冷热量负荷预测结果数据展示到上位机界面，作为系统设备运行及相关参数设定的依据，供DHC运营人员决策使用。
8.根据权利要求6所述的一种区域供冷供热冷热量负荷的预测系统，其特征在于，所述云计算服务器包括数据预处理模块、模型训练模块、模型预测模块；
所述数据预处理模块，用于对获取的历史数据进行预处理，生成数据训练集和测试集；
所述模型训练模块，采用基于LSTM的Seq2Seq循环神经网络模型，利用数据训练集和测试集进行模型训练及测试，保存并导出训练好的模型文件；
所述模型预测模块，用于加载上述模型训练模块训练好的模型文件部署并持续化运行，在每个运行周期从云计算服务器数据库抽取当前时段以前的历史数据，进行与上述数据预处理模块同样的数据预处理后，作为模型预测模块输入，输出未来的逐时冷热量负荷，数据反归一化后得到预测输出序列并更新结果到数据库。
CN202010809482.0A 2020-08-12 2020-08-12 一种区域供冷供热冷热量负荷的预测方法及系统 Active CN111932015B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010809482.0A CN111932015B (zh) 2020-08-12 2020-08-12 一种区域供冷供热冷热量负荷的预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010809482.0A CN111932015B (zh) 2020-08-12 2020-08-12 一种区域供冷供热冷热量负荷的预测方法及系统

Publications (2)

Publication Number Publication Date
CN111932015A CN111932015A (zh) 2020-11-13
CN111932015B true CN111932015B (zh) 2023-06-16

Family

ID=73310885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010809482.0A Active CN111932015B (zh) 2020-08-12 2020-08-12 一种区域供冷供热冷热量负荷的预测方法及系统

Country Status (1)

Country Link
CN (1) CN111932015B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949905A (zh) * 2021-01-28 2021-06-11 国网浙江省电力有限公司信息通信分公司 边缘域传感器数据预测方法及装置
CN112836370B (zh) * 2021-02-03 2023-09-26 北京百度网讯科技有限公司 供热系统调度方法、装置、设备、存储介质以及程序产品
CN112963946B (zh) * 2021-02-26 2022-06-17 南京邮电大学 一种面向共享办公区域的暖通空调系统控制方法及装置
CN113065285A (zh) * 2021-04-02 2021-07-02 华能国际电力股份有限公司大连电厂 一种大型集中供热系统热源温度实时优化方法
CN112991331B (zh) * 2021-04-19 2021-10-26 广州大一互联网络科技有限公司 一种使用绝缘冷却液的数据中心的运维方法和装置
CN113131476B (zh) * 2021-04-28 2022-06-14 南方电网科学研究院有限责任公司 一种用电负荷预测方法
CN117355710A (zh) * 2021-05-25 2024-01-05 罗伯特·博世有限公司 一种用于控制制冷设备的方法和装置
CN113642758A (zh) * 2021-06-08 2021-11-12 上海汽车集团股份有限公司 一种共享电动汽车的供需预测及调度方法和装置
CN113551375B (zh) * 2021-07-23 2022-09-06 贵州汇通华城股份有限公司 一种用于电子工厂的冷负荷预测方法及系统
CN113361829B (zh) * 2021-08-09 2021-11-02 新风光电子科技股份有限公司 基于人工智能和大数据的合同能源管理的时间调整方法
CN114114995A (zh) * 2021-11-04 2022-03-01 中通服咨询设计研究院有限公司 一种用于数据中心空调系统的调优系统
CN116227741A (zh) * 2023-05-05 2023-06-06 深圳市万物云科技有限公司 基于自适应算法的冷水机组节能方法、装置及相关介质
CN116541717A (zh) * 2023-07-06 2023-08-04 图林科技(深圳)有限公司 一种基于云计算和深度学习的大数据分析方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239859B (zh) * 2017-06-05 2018-05-08 国网山东省电力公司电力科学研究院 基于串联长短期记忆循环神经网络的供热负荷预测方法
US11159022B2 (en) * 2018-08-28 2021-10-26 Johnson Controls Tyco IP Holdings LLP Building energy optimization system with a dynamically trained load prediction model
CN109917646B (zh) * 2019-02-27 2022-04-01 武汉中电节能有限公司 一种区域供冷供热设备优化运行系统及方法
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
CN110619389A (zh) * 2019-09-23 2019-12-27 山东大学 一种基于lstm-rnn的冷热电联供系统负荷预测方法及系统
CN111144628A (zh) * 2019-12-16 2020-05-12 茂盟（上海）工程技术股份有限公司 一种分布式供能的冷热电负荷预测模型系统及方法

Also Published As

Publication number Publication date
CN111932015A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN111932015B (zh) 一种区域供冷供热冷热量负荷的预测方法及系统
Talaat et al. Load forecasting based on grasshopper optimization and a multilayer feed-forward neural network using regressive approach
Li et al. A multi-energy load forecasting method based on parallel architecture CNN-GRU and transfer learning for data deficient integrated energy systems
Chen et al. Modeling and optimization of complex building energy systems with deep neural networks
CN113962364A (zh) 一种基于深度学习的多因素用电负荷预测方法
CN107609667B (zh) 基于Box_cox变换和UFCNN的供热负荷预测方法及系统
Lu et al. Multi-step-ahead prediction of thermal load in regional energy system using deep learning method
CN116187601B (zh) 一种基于负荷预测的综合能源系统运行优化方法
Barzola-Monteses et al. Energy consumption of a building by using long short-term memory network: a forecasting study
Zhou et al. Time series prediction method of industrial process with limited data based on transfer learning
Zdravković et al. Explainable heat demand forecasting for the novel control strategies of district heating systems
CN111178612B (zh) 一种网格用户基于大数据odps引擎的lstm负荷预测方法
CN115049115A (zh) 计及nwp风速横纵向误差的rdpg风速修正方法
Zhao et al. Heating load prediction of residential district using hybrid model based on CNN
CN113705922B (zh) 一种改进的超短期风电功率预测算法及模型建立方法
CN108303898B (zh) 新型太阳能-空气能耦合冷热联供系统的智能调度方法
Yu et al. Short-term cooling and heating loads forecasting of building district energy system based on data-driven models
Liang et al. A wind speed combination forecasting method based on multifaceted feature fusion and transfer learning for centralized control center
CN113609762A (zh) 一种基于gru-mtl的电冷热负荷联合预测方法及系统
CN116989442A (zh) 一种中央空调负荷预测方法及系统
Zuo Integrated forecasting models based on LSTM and TCN for short-term electricity load forecasting
CN116415713A (zh) 一种基于e+和人工智能的建筑能耗预测方法
Li et al. Practice and application of LSTM in temperature prediction of HVAC system
Hu et al. Receding interval prediction of district heat load via finite difference multi-operating-domain dynamic modelling
CN114936704A (zh) 一种基于多滑动时间窗msd-lstm神经网络的源站负荷预测方法

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