CN112836370B - 供热系统调度方法、装置、设备、存储介质以及程序产品 - Google Patents
供热系统调度方法、装置、设备、存储介质以及程序产品 Download PDFInfo
- Publication number
- CN112836370B CN112836370B CN202110150571.3A CN202110150571A CN112836370B CN 112836370 B CN112836370 B CN 112836370B CN 202110150571 A CN202110150571 A CN 202110150571A CN 112836370 B CN112836370 B CN 112836370B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- heating system
- load prediction
- prediction result
- 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 142
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 88
- 230000003068 static effect Effects 0.000 claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000010354 integration Effects 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 230000002688 persistence Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002045 lasting effect Effects 0.000 claims description 3
- 230000002085 persistent effect Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 37
- 238000013461 design Methods 0.000 description 18
- 230000003238 somatosensory effect Effects 0.000 description 18
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 230000036760 body temperature Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 239000002440 industrial waste Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000009428 plumbing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Quality & Reliability (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Optimization (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了供热系统调度方法、装置、设备、存储介质以及程序产品,涉及人工智能、云计算技术领域。该方法的一具体实施方式包括:获取网关当前上报的供热系统的第一实时数据;获取供热系统的静态参数数据;利用预先训练的预测模型对第一实时数据和静态参数数据进行处理,预测得到供热系统的负荷预测结果,其中,预测模型是利用云端的计算能力训练得到的;将负荷预测结果下发至网关,以使网关基于负荷预测结果调度供热系统。该实施方式提供了一种融合云端的计算能力和人工智能的预测能力的供热系统调度方法,实现了对供热系统的端云一体的智能调度。
Description
技术领域
本申请涉及计算机技术领域,具体涉及人工智能、云计算技术领域,尤其涉及供热系统调度方法、装置、设备、存储介质以及程序产品。
背景技术
随着工业物联网的产业化升级和传统制造行业结构的转型,亟需传统工业行业快速向智能模式转换。当前众多供热公司和企业都在积极探索不同程度的智慧供热。然而,现有智慧供热平台更专注在数据层面的统一和监管,未能深入探索和适配复杂实际场景下的供热调度,对供热系统的负荷预测效果不佳。
发明内容
本申请提供了一种供热系统调度方法、装置、设备、存储介质以及程序产品。
根据本申请的第一方面,提供了一种供热系统调度方法,包括:获取网关当前上报的供热系统的第一实时数据;获取供热系统的静态参数数据;利用预先训练的预测模型对第一实时数据和静态参数数据进行处理,预测得到供热系统的负荷预测结果,其中,预测模型是利用云端的计算能力训练得到的;将负荷预测结果下发至网关,以使网关基于负荷预测结果调度供热系统。
根据本申请的第二方面,提供了一种供热系统调度装置,包括:第一获取单元,被配置成获取网关当前上报的供热系统的第一实时数据;第二获取单元,被配置成获取供热系统的静态参数数据;预测单元,被配置成利用预先训练的预测模型对第一实时数据和静态参数数据进行处理,预测得到供热系统的负荷预测结果,其中,预测模型是利用云端的计算能力训练得到的;下发单元,被配置成将负荷预测结果下发至网关,以使网关基于负荷预测结果调度供热系统。
根据本申请的第三方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
根据本申请的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
根据本申请的第五方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现根据如第一方面中任一实现方式描述的方法。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请的供热系统调度方法的一个实施例的流程图;
图2是根据本申请的供热系统调度方法的又一个实施例的流程图;
图3是供热系统调度平台体系架构图;
图4是根据本申请的热源负荷预测方法的一个实施例的流程图;
图5是根据本申请的热源负荷预测方法的又一个实施例的流程图;
图6是根据本申请的热源模型训练方法的一个实施例的流程图;
图7是热源模型训练方法的应用场景图;
图8是热源负荷预测方法的应用场景图;
图9是根据本申请的供热系统调度装置的一个实施例的结构示意图;
图10是用来实现本申请实施例的供热系统调度方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了根据本申请的供热系统调度方法的一个实施例的流程100。该供热系统调度方法包括以下步骤:
步骤101,获取网关当前上报的供热系统的第一实时数据。
在本实施例中,供热系统调度方法的执行主体可以获取网关当前上报的供热系统的第一实时数据。
通常,供热系统可以是电厂向热力用户提供蒸汽或热水并回收其返回水的设备和厂内管道连接的系统。供热系统中可以包括担不限于热源、换热站和户端等等。网关可以与供热系统交互,用于采集并上报供热系统的实时数据。这里,网关当前上报的实时数据是第一实时数据。实时数据可以是随着时间而变化的数据。以供热系统的热源为例,实时数据可以包括但不限于实时供水温度、实时供回水压力和实时流量等等。
在本实施例的一些可选的实现方式中,供热系统调度方法可以在云端执行。云端可以包括边缘模块。边缘模块可以与网关交互,用于数据的上报。例如,网关可以采集供热系统的实时数据,并通过边缘模块周期性上报到云端。通常,实时数据可以通过物联网核心套件上报。在一个具体的实施例中,网关可以通过配置Broker连接到物联网核心套件。物联网核心套件能够支持海量设备数据上传,因此非常适合这种边缘设备场景。物联网核心套件下的规则引擎套件可以对数据进行过滤、转换和清洗。此外,云端还可以包括数据模块。数据模块可以与边缘模块交互,提供TSDB(Time Series Database,时序数据库)。上报的实时数据可以结合规则引擎过滤,并写入到数据模块的TSDB中。其中,TSDB非常适用实时数据的海量存储和吞吐量查询,同时还提供了可视化的操作界面,可以让所有数据展示在面板上,便于监控。
步骤102,获取供热系统的静态参数数据。
在本实施例中,上述执行主体可以获取供热系统的静态参数数据。其中,静态参数数据的值通常为固定值,不随时间变化。以供热系统的热源为例,静态参数数据可以包括但不限于热源标识、供热面积、热耗指标和热源设计温差等等。
在本实施例的一些可选的实现方式中,数据模块还可以提供关系数据库(例如MySQL)。静态参数数据存储在关系数据库中。上述执行主体可以从关系数据库读取静态参数数据。
步骤103,利用预先训练的预测模型对第一实时数据和静态参数数据进行处理,预测得到供热系统的负荷预测结果。
在本实施例中,上述执行主体可以利用预先训练的预测模型对第一实时数据和静态参数数据进行处理,预测得到供热系统的负荷预测结果。
通常,预测模型可以是利用云端的计算能力训练得到的,无需担心计算资源不足和成本问题。预测模型可以包括但不限于以下至少一项:热源模型、换热站模型、户端模型、流量-阀门开度模型和阀门开度-流量反向模型。预测模型预测得到的负荷预测结果可以用于对供热系统进行调度调节。以热源模型为例,预测得到的负荷预测结果可以包括未来所需热量和未来供水温度。
在本实施例的一些可选的实现方式中,在预测模型训练完成之后,可以持久化到数据模块中。并且,为预测模型生成一个索引指针,通过索引指针可以调用或追踪该预测模型。若预测模型优化更新,会持久化新的预测模型到数据模块中。同时,为新的预测模型生成新的索引指针。云端还可以包括API(Application Programming Interface,应用程序接口)模块。API模块可以用于提供负荷预测服务。例如,API模块可以根据索引指针调用对应的预测模型,来预测供热系统的负荷预测结果。预测模型对API模块在负荷预测时是黑盒的,无需关心预测所用的具体模型。如果需要确切定位,可以通过模型管理模块获取。
在本实施例的一些可选的实现方式中,将第一实时数据和静态参数数据输入至持久化的预测模型,得到供热系统的第一负荷预测结果。同时,将第一实时数据和静态参数数据输入至当前使用中的预测模型,得到供热系统的第二负荷预测结果。若第二负荷预测结果优于第一负荷预测结果,说明持久化的预测模型的预测效果比当前使用中的模型要差。为了提升预测效果,可以基于第一负荷预测结果和第二负荷预测结果,生成负荷预测结果。例如,将第二负荷预测结果确定为负荷预测结果。或者,合并第一负荷预测结果和第二负荷预测结果,生成负荷预测结果。负荷预测结果的生成可以取决于策略定制,这里不进行限定。
步骤104,将负荷预测结果下发至网关,以使网关基于负荷预测结果调度供热系统。
在本实施例中,上述执行主体可以将负荷预测结果下发至网关。网关可以基于负荷预测结果调度供热系统,控制热负荷、供水温度和供回水压力等,最终达到供热平衡、合理供热、有益监控和节约成本的目的。
在本实施例的一些可选的实现方式中,边缘模块还可以用于数据的下发。例如,负荷预测结果可以由数据模块传输给边缘模块,通过边缘模块的IPK(Itsy Package)下发到网关。边缘模块与网关直接交互,通常需要一定的硬件需求。
本申请实施例提供的供热系统调度方法,首先获取供热系统的第一实时数据和的静态参数数据;然后利用预先训练的预测模型对第一实时数据和静态参数数据进行处理,预测得到供热系统的负荷预测结果;最后将负荷预测结果下发至网关。网关基于负荷预测结果调度供热系统。预测模型是利用云端的计算能力训练得到的。提供了一种融合云端的计算能力和人工智能的预测能力的供热系统调度方法,实现了对供热系统的端云一体的智能调度。融合云端的计算能力,无需担心计算资源不足和成本问题。融合人工智能的预测能力,无需担心算法实现的结果和人工智能的预测能力。同时,借助强大的人工智能预测能力,还能够显著提高供热场景下的负荷预测效果。轻量级地纳入供热系统从热源到热户、网关包括设备在内的所有要素,轻量却不笨重。支持跨平台的部署运行,保证了良好的兼容性。
需要说明的是,本申请实施例提供的供热系统调度方法可以适用于智慧供热、智慧能源行业场景,尤其适用于基础设施较为完备的供热场景,可以快速实现传统项目落地和方向的转型。解决能源行业中现有供热结构的滞后问题,传统的调节策略依赖PID(Proportional Integral Derivative,比例积分微分)控制,极易产生震荡和不准确,需要依赖更多人力手动调节导致更多的资源投入和人力消耗。解决现有供热体系的单一调节策略导致的供热效果不理想,结果数据缺乏统一的分析和监控,过多的依靠人工经验导致无法应对天气、室温、体感温度更多维度和用户个性化需求等问题。
继续参考图2,其示出了根据本申请的供热系统调度方法的又一个实施例的流程200。该供热系统调度方法包括以下步骤:
步骤201,从时序数据库获取供热系统的历史实时数据。
在本实施例中,供热系统调度方法的执行主体可以从TSDB获取供热系统的历史实时数据。其中,TSDB可以存储网关周期性上报到云端的供热系统的实时数据。
步骤202,从关系数据库获取供热系统的静态参数数据。
在本实施例中,上述执行主体可以从关系数据库获取供热系统的静态参数数据。其中,关系数据库可以用于存储供热系统的静态参数数据。
步骤203,对历史实时数据和静态参数数据进行整合处理,得到第一训练样本集。
在本实施例中,上述执行主体可以对历史实时数据和静态参数数据进行整合处理,得到第一训练样本集。其中,整合处理可以包括但不限于过滤、转换和清洗等。
步骤204,基于第一训练样本集,训练得到预测模型。
在本实施例中,上述执行主体可以基于第一训练样本集,训练得到预测模型。通常,基于第一训练样本集进行有监督训练,可以得到预测模型。
实践中,本申请实施例提供的供热系统调度方法具有完善的人工智能预测能力,提供但不限于热源模型训练和负荷预测、换热站模型训练和负荷预测、户端模型训练和负荷预测、流量-阀门开度模型训练,以及阀门开度-流量反向模型训练等等。
步骤205,对预测模型进行持久化处理,以及生成预测模型的索引指针。
在本实施例中,上述执行主体可以对预测模型进行持久化处理,以及生成预测模型的索引指针。其中,索引指针可以用于预测调用和模型追踪。
在本实施例的一些可选的实现方式中,云端主要包括算法模块、数据模块和边缘模块。算法模块可以用于读取时序数据库和关系数据库中的数据,对模型进行训练。数据模块与算法模块、边缘模块交互,可以用于逻辑处理和数据适配。边缘模块与数据模块、网关交互,可以用于数据的上报。例如,网关可以采集供热系统的实时数据,并通过边缘模块周期性上报到云端。上报的实时数据可以结合规则引擎过滤,并写入到数据模块的TSDB中。数据模块可以从TSDB读取历史实时数据,并从关系数据库读取静态参数数据。同时,数据模块可以对历史实时数据和静态参数数据进行整合处理,将得到的第一训练样本集。第一训练样本集可以传递到算法模块进行模型训练,训练出的预测模型返回到数据模块。数据模块可以对预测模型进行持久化处理。
在本实施例的一些可选的实现方式中,数据模块会定时或非定时与算法模块交互,前者提供定制化的模型训练参数,后者根据定制参数读取TSDB实时历史数据,基于多维度特征训练模型。
步骤206,获取网关当前上报的供热系统的第一实时数据。
步骤207,获取供热系统的静态参数数据。
步骤208,利用预先训练的预测模型对第一实时数据和静态参数数据进行处理,预测得到供热系统的负荷预测结果。
步骤209,将负荷预测结果下发至网关,以使网关基于负荷预测结果调度供热系统。
在本实施例中,步骤206-209具体操作已在图1所示的实施例中步骤101-104进行了详细的介绍,在此不再赘述。
步骤210,在完成对供热系统的调度之后,获取网关当前上报的供热系统的第二实时数据。
在本实施例中,在完成对供热系统的调度之后,上述执行主体还可以获取网关当前上报的供热系统的第二实时数据。其中,第二实时数据可以是在完成对供热系统的调度之后,网关实时更新并反馈采集的数据。其中,第二实时数据同样写入数据模块的TSDB中。
步骤211,基于第二实时数据和静态参数数据,生成第二训练样本集。
在本实施例中,上述执行主体可以基于第二实时数据和静态参数数据,生成第二训练样本集。其中,第二训练样本集的生成方式可以参考步骤203中第一训练样本集的生成方式这里不再赘述。
步骤212,利用第二训练样本集对预测模型迭代优化。
在本实施例中,上述执行主体可以基于第二训练样本集,对预测模型进行迭代优化,得到新的预测模型。
在本实施例的一些可选的实现方式中,算法模块还可以用于读取时序数据库和关系数据库中的数据,对模型进行优化。例如,第二训练样本集可以传递到算法模块进行模型优化,得到新的预测模型返回到数据模块。数据模块同样会对新的预测模型进行持久化处理,并生成新的预测模型的索引指针。
从图2中可以看出,与图1对应的实施例相比,本实施例中的供热系统调度方法增加了预测模型的训练和优化步骤。由此,本实施例描述的方案提供了一种融合云端的计算能力和人工智能的预测能力的供热系统调度方法,融合云计算和人工智能,结合端云一体化思想,通过云端提供的计算能力训练预测模型,将训练好的预测模型下发到数据模块,预测的负荷预测结果通过边缘模块下发到网关完成调节,网关实时更新并反馈采集数据到云端,作为训练集迭代优化算法模型,从而实现真正的供热负荷预测,达到智能调度的目的。
为了便于理解,图3示出了供热系统调度平台体系架构图。供热系统调度方法应用在供热系统调度平台上。供热系统调度平台部署在云端,可以包括算法模块、数据模块、边缘模块、API模块、存储模块和计算模块等。其中,算法模块主要用于读取时序数据库和关系数据库中的数据,对模型进行训练和优化。算法模块支持多种模型库和多维度多特征值的人工智能模型训练,而且随着历史实时数据的完善,模型会不断自我优化和自训练。数据模块是供热调度系统的中枢模块。数据模块与算法模块、API模块、边缘模块交互,可以用于各种逻辑处理和数据适配。边缘模块与数据模块、网关交互,可以用于数据的下发和上报。API模块面向企业用户和居民用户,可以用于提供负荷预测服务、数据展示服务、平台监控服务等等,支持拓展和定制化。存储模块可以用于提供时序数据库和关系数据库。计算模块可以用于提供底层基础,包括基于Kubernetes的容器编排引擎CCE等。
图3中的供热系统调度平台与现有的智慧供热系统平台相比,有以下不同:其一,供热系统调度平台构建在云端强大的云计算能力和人工智能能力基础上,依赖后者提供计算资源和人工智能赋能。其二,供热系统调度平台不仅将供热系统的源、站、户整合在一起,同时也首次将边缘模块,包括网关、阀门、流量计、采温设备等等纳入智能调度平台,真正实现了供热系统所有环节的人工智能化和智能化,这是真正意义上的智能和智慧供热。其三,供热系统调度平台将算法模块和数据模块逻辑分离,单独部署以解耦,可支持更多场景下的拓展和模型优化升级,提高平台在更一般更复杂场景下的适用性。端云一体的供热系统调度方法具有高度的鲁棒性和可拓展性,解耦的子模块同样可以根据实际复杂场景动态伸缩和增强优化,可以应用在更一般更复杂的供热场景。
进一步参考图4,其示出了根据本申请的热源负荷预测方法的一个实施例的流程400。该热源负荷预测方法包括以下步骤:
步骤401,获取未来天气数据。
在本实施例中,热源负荷预测方法的执行主体可以获取未来天气数据。其中,未来天气数据可以是未来一段时间(例如一天、一周等)的天气数据。通常,天气数据可以包括室外温度、体感温度、空气湿度和风力等等。
步骤402,获取供热系统的热源的实时数据和静态参数数据。
在本实施例中,上述执行主体可以获取供热系统的热源的实时数据和静态参数数据。
通常,供热系统的热源可以如热电厂、集中锅炉房、低温核能供热站、热泵、地热、工业余热、太阳能等。网关可以与供热系统交互,用于采集并上报供热系统的热源的实时数据。热源的实时数据可以是随着时间而变化的数据,包括但不限于实时供水温度、实时供回水压力和实时流量等等。热源的静态参数数据的值通常为固定值,不随时间变化,包括但不限于热源标识、供热面积、热耗指标和热源设计温差等等。
步骤403,利用预先训练的热源模型对未来天气数据、实时数据和静态参数数据进行处理,预测得到热源的未来负荷预测结果。
在本实施例中,上述执行主体可以利用预先训练的热源模型对未来天气数据、实时数据和静态参数数据进行处理,预测得到热源的未来负荷预测结果。
通常,热源模型可以是利用云端的计算能力训练得到的,无需担心计算资源不足和成本问题。热源模型能够智能控制未来一段时间的供水温度和所需热量而提供预测功能。热源的未来负荷预测结果可以包括未来所需热量和未来供水温度。
在本实施例的一些可选的实现方式中,在热源模型训练完成之后,可以持久化到数据模块中。并且,为热源模型生成一个索引指针,通过索引指针可以调用或追踪该热源模型。若热源模型优化更新,会持久化新的热源模型到数据模块中。同时,为新的热源模型生成新的索引指针。上述执行主体可以根据索引指针调用对应的热源模型对未来天气数据、实时数据和静态参数数据进行处理,预测得到热源的未来负荷预测结果。训练出来的热源模型持久化到数据模块,从数据模块读取热源模型进行负荷预测,无需外传。并且,数据模块内部会优化移动热源模型的索引指针,以便每次负荷预测时都能调用尽可能最优的热源模型。由于模块内部提供了热源模型的索引指针自动优化的功能。通常能做到一键预测并下发预测结果,大大减少了系统使用上的复杂性,外部无需关心太多训练的细节。当然,负荷预测也支持指定热源模型,只是实际应用中很少采用。
在本实施例的一些可选的实现方式中,热源的未来负荷预测结果可以由数据模块传输给边缘模块,通过边缘模块下发到网关。网关基于热源的未来负荷预测结果调度热源。热源的未来负荷预测结果包括未来所需热量和未来供水温度,预测结果的数据简单,不会增加网关的解析难度。
本申请实施例提供的热源负荷预测方法,首先获取未来天气数据,以及热源的实时数据和静态参数数据;然后利用预先训练的热源模型对未来天气数据、实时数据和静态参数数据进行处理,预测得到热源的未来负荷预测结果。融合人工智能的预测能力,无需担心算法实现的结果和人工智能的预测能力。同时,借助强大的人工智能预测能力,还能够显著提高供热场景下的热源的负荷预测效果。
继续参考图5,其示出了根据本申请的热源负荷预测方法的又一个实施例的流程500。该热源模型包括热量预测模型和供水温度模型,该热源负荷预测方法包括以下步骤:
步骤501,获取未来天气数据。
步骤502,获取供热系统的热源的实时数据和静态参数数据。
在本实施例中,步骤501-502具体操作已在图4所示的实施例中步骤401-402进行了详细的介绍,在此不再赘述。
步骤503,将未来天气数据输入至热量预测模型,得到供热系统的换热站的拟合值。
在本实施例中,热源负荷预测方法的执行主体可以将未来天气数据输入至热量预测模型,得到供热系统的换热站的拟合值。其中,热量预测模型可以用于预测未来所需热量。
通常,热源模型包括体感模型和非体感模型。在热源模型是体感模型的情况下,未来天气数据可以包括未来室外温度和未来体感温度。在热源模型是非体感模型的情况下,未来天气数据可以包括未来室外温度。
步骤504,基于换热站的拟合值、实时数据和静态参数数据,生成热源的未来设计温差。
在本实施例中,上述执行主体可以基于换热站的拟合值、实时数据和静态参数数据,生成热源的未来设计温差。
通常,利用算法里面的回归函数对换热站的拟合值、实时数据和静态参数数据进行运算,即可生成热源的未来设计温差。在一个具体地实施例中,上述执行主体可以首先基于换热站的拟合值和供热面积,生成热耗拟合值;然后基于热耗拟合值和实时流量,生成未来设计温差。其中,供热面积属于静态参数数据。实时流量属于实时数据。利用算法里面的回归函数对换热站的拟合值和供热面积进行运算,即可生成热耗拟合值。利用算法里面的回归函数对热耗拟合值和实时流量进行运算,即可生成未来设计温差。
步骤505,将未来天气数据和未来设计温差输入至供水温度模型,得到热源的未来供水温度预测结果。
在本实施例中,上述执行主体可以将未来天气数据和未来设计温差输入至供水温度模型,得到热源的未来供水温度预测结果。其中,供水温度预测模型可以用于预测未来供水温度。
从图5中可以看出,与图4对应的实施例相比,本实施例中的热源负荷预测方法突出了热源模型的预测步骤。由此,本实施例描述的方案先利用热量预测模型预测未来所需热量,再利用供水温度模型预测未来供水温度,提供了能够智能控制未来一段时间的区域供水温度和所需热量的预测功能。
进一步参考图6,其示出了根据本申请的热源模型训练方法的一个实施例的流程600。该热源模型训练方法包括以下步骤:
步骤601,从关系数据库获取供热系统的热源的静态参数数据、训练起止时间和采样频率。
在本实施例中,热源模型训练方法的执行主体可以从关系数据库获取供热系统的热源的静态参数数据、训练起止时间和采样频率。其中,关系数据库可以用于存储供热系统的热源的静态参数数据。热源模型可以是体感模型或非体感模型。若热源模型是非体感模型,静态参数数据可以包括但不限于以下至少一项:热源标识、供热面积、热耗指标和热源设计温差。若热源模型是体感模型,热源静态参数数据还可以进一步包括体感温度。训练起止时间包括热源模型的训练起始时间和结束时间。在需要人工干预训练的场景下,这两个参数可以人为指定。在模型自动训练和择优的场景下,这两个参数可以在自动训练时动态指定。在实际应用中,动态指定的场景最为常见。采样频率同样可以人为指定或动态指定,默认值为1分钟。
步骤602,基于训练起止时间和采样频率,从时序数据库获取供热系统的热源的历史实时数据。
在本实施例中,上述执行主体可以基于训练起止时间和采样频率,从TSDB获取供热系统的热源的历史实时数据。其中,TSDB可以存储网关周期性上报到云端的供热系统的热源的实时数据。热源的历史实时数据可以包括但不限于以下至少一项:历史实时供水温度、历史实时供回水压力和历史实时流量等等。
步骤603,从热源的静态参数数据和热源的历史实时数据抽取特征值,得到训练样本集。
在本实施例中,上述执行主体可以从热源的静态参数数据和热源的历史实时数据抽取特征值,得到训练样本集。通常,会抽取训练所需要的特征值,包括但不限于供水温度、体感温度、室外温度、初始能耗指标和设计温差等等。
步骤604,基于训练样本集,训练得到热源模型。
在本实施例中,上述执行主体可以基于训练样本集,训练得到热源模型。通常,基于训练样本集进行有监督训练,可以得到热源模型。
在本实施例的一些可选的实现方式中,热源模型可以包括热量预测模型和供水温度模型。在热源模型是体感模型的情况下,热量预测模型是以室外温度和体感温度为输入,初始热耗指标为输出训练出来的模型。供水温度模型是以室外温度、体感温度和设计温差为输入,供水温度为输出训练出来的模型。在热源模型是非体感模型的情况下,热量预测模型是以室外温度为输入,初始热耗指标为输出训练出来的模型。供水温度模型是以室外温度和设计温差为输入,供水温度为输出训练出来的模型。
步骤605,对热源模型进行持久化处理,以及生成热源模型的索引指针。
在本实施例中,上述执行主体可以对热源模型进行持久化处理,以及生成热源模型的索引指针。其中,索引指针可以用于预测调用和模型追踪。
在本实施例的一些可选的实现方式中,在热源模型训练完成之后,可以进行持久化处理。并且,为热源模型生成一个索引指针,通过索引指针可以调用或追踪该热源模型。若热源模型优化更新,会持久化新的热源模型。同时,为新的预测模型生成新的索引指针。
对于非体感模型,主要针对室外温度和供水温度、供回水压力等相关数据进行模型拟合和预测。对于体感模型,还可以结合体感温度。此外,还可以考虑空气湿度、风力等维度的特征,以保证更一般场景下热源负荷预测模型的适用性和精度。
本申请实施例提供的热源模型训练方法,首先从关系数据库获取供热系统的热源的静态参数数据、训练起止时间和采样频率;之后基于训练起止时间和采样频率,从时序数据库获取供热系统的热源的历史实时数据;然后从热源的静态参数数据和热源的历史实时数据抽取特征值,得到训练样本集;最后基于训练样本集,训练得到热源模型。从而得到能够进行负荷预测的热源模型。
为了便于理解,图7示出了热源模型训练方法的应用场景图。其中,图7中的热源模型是体感模型。首先从TSDB获取热源的实时数据get_region_data,以及获取初始热耗指标region_qn、体感温度region_Ta、室外温度region_Tw、供水温度region_Tg、设计温差region_Tdelta等数据。然后基于以上数据抽取训练样本集df_region_data,并利用训练样本集df_region_data进行负荷预测-拟合region_load_forecasting_fit,训练得到热量预测模型heatDemandModel和供水温度模型supplyTemperatureModel。其中,热量预测模型heatDemandModel是基于室外温度region_Tw和体感温度region_Ta训练得到的。供水温度模型supplyTemperatureModel是以室外温度region_Tw、体感温度region_Ta和设计温差region_Tdelta为输入,供水温度region_Tg为输出训练得到的。
为了便于理解,图8示出了热源负荷预测方法的应用场景图。其中,图8中的热源模型是体感模型。首先将未来体感温度future_Ta和未来室外温度future_Tw输入至热量预测模型heatDemandModel,得到换热站的拟合值future_qn。然后利用算法里面的回归函数对换热站的拟合值future_qn、供热面积region_area和实时流量region_flow进行运算,生成未来设计温差future_Tdelta。最后将未来体感温度future_Ta、未来室外温度future_Tw和未来设计温差future_Tdelta输入至供水温度模型supplyTemperatureModel,得到未来供水温度future_Tg。
进一步参考图9,作为对上述各图所示方法的实现,本申请提供了一种供热系统调度装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图9所示,本实施例的供热系统调度装置900可以包括:第一获取单元901、第二获取单元902、预测单元903和下发单元904。其中,第一获取单元901,被配置成获取网关当前上报的供热系统的第一实时数据;第二获取单元902,被配置成获取供热系统的静态参数数据;预测单元903,被配置成利用预先训练的预测模型对第一实时数据和静态参数数据进行处理,预测得到供热系统的负荷预测结果,其中,预测模型是利用云端的计算能力训练得到的;下发单元904,被配置成将负荷预测结果下发至网关,以使网关基于负荷预测结果调度供热系统。
在本实施例中,供热系统调度装置900中:第一获取单元901、第二获取单元902、预测单元903和下发单元904的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101-104的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,预测单元903包括:第一预测子单元,被配置成将第一实时数据和静态参数数据输入至持久化的预测模型,得到供热系统的第一负荷预测结果;第二预测子单元,被配置成将第一实时数据和静态参数数据输入至当前使用中的预测模型,得到供热系统的第二负荷预测结果;生成子单元,被配置成若第二负荷预测结果优于第一负荷预测结果,基于第一负荷预测结果和第二负荷预测结果,生成负荷预测结果。
在本实施例的一些可选的实现方式中,生成子单元进一步被配置成:将第二负荷预测结果确定为负荷预测结果;或者合并第一负荷预测结果和第二负荷预测结果,生成负荷预测结果。
在本实施例的一些可选的实现方式中,供热系统调度装置900还包括:第三获取单元,被配置成从时序数据库获取供热系统的历史实时数据,其中,时序数据库存储网关周期性上报到云端的实时数据;第四获取单元,被配置成从关系数据库获取供热系统的静态参数数据;整合单元,被配置成对历史实时数据和静态参数数据进行整合处理,得到第一训练样本集;训练单元,被配置成基于第一训练样本集,训练得到预测模型。
在本实施例的一些可选的实现方式中,供热系统调度装置900还包括:处理单元,被配置成对预测模型进行持久化处理,以及生成预测模型的索引指针,其中,索引指针用于预测调用和模型追踪。
在本实施例的一些可选的实现方式中,供热系统调度装置900还包括:第五获取单元,被配置成在完成对供热系统的调度之后,获取网关当前上报的供热系统的第二实时数据;生成单元,被配置成基于第二实时数据和静态参数数据,生成第二训练样本集;迭代单元,被配置成利用第二训练样本集对预测模型迭代优化。
在本实施例的一些可选的实现方式中,云端包括算法模块、数据模块、边缘模块、应用程序接口API模块、存储模块和计算模块;算法模块用于读取时序数据库和关系数据库中的数据,对模型进行训练和优化;数据模块与算法模块、API模块、边缘模块交互,用于逻辑处理和数据适配;边缘模块与数据模块、网关交互,用于数据的下发和上报;API模块用于提供负荷预测服务、数据展示服务、平台监控服务;存储模块用于提供时序数据库和关系数据库;计算模块用于提供底层基础。
在本实施例的一些可选的实现方式中,预测模型包括以下至少一项:热源模型、换热站模型、户端模型、流量-阀门开度模型、阀门开度-流量反向模型。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本申请的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图10所示,设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理,例如供热系统调度方法。例如,在一些实施例中,供热系统调度方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的供热系统调度方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行供热系统调度方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (10)
1.一种供热系统调度方法,包括:
从时序数据库获取供热系统的历史实时数据,其中,所述时序数据库存储网关周期性上报到云端的实时数据;
从关系数据库获取所述供热系统的静态参数数据;
对所述历史实时数据和所述静态参数数据进行整合处理,得到第一训练样本集;
基于所述第一训练样本集,训练得到预测模型;
对所述预测模型进行持久化处理,以及生成所述预测模型的索引指针,其中,所述索引指针用于预测调用和模型追踪;
获取所述网关当前上报的供热系统的第一实时数据;
获取所述供热系统的静态参数数据;
利用所述预测模型对所述第一实时数据和所述静态参数数据进行处理,预测得到所述供热系统的负荷预测结果;
将所述负荷预测结果下发至所述网关,以使所述网关基于所述负荷预测结果调度所述供热系统;
获取所述网关当前上报的所述供热系统的第二实时数据;
基于所述第二实时数据和所述静态参数数据,生成第二训练样本集;
利用所述第二训练样本集对所述预测模型迭代优化;
其中,所述云端包括算法模块、数据模块、边缘模块、应用程序接口API模块、存储模块和计算模块;所述算法模块用于读取所述时序数据库和所述关系数据库中的数据,对模型进行训练和优化;所述数据模块与所述算法模块、所述API模块、所述边缘模块交互,用于逻辑处理和数据适配;所述边缘模块与所述数据模块、所述网关交互,用于数据的下发和上报;所述API模块用于提供负荷预测服务、数据展示服务、平台监控服务;所述存储模块用于提供所述时序数据库和所述关系数据库;所述计算模块用于提供底层基础。
2.根据权利要求1所述的方法,其中,所述利用预先训练的预测模型对所述第一实时数据和所述静态参数数据进行处理,预测得到所述供热系统的负荷预测结果,包括:
将所述第一实时数据和所述静态参数数据输入至持久化的预测模型,得到所述供热系统的第一负荷预测结果;
将所述第一实时数据和所述静态参数数据输入至当前使用中的预测模型,得到所述供热系统的第二负荷预测结果;
若所述第二负荷预测结果优于所述第一负荷预测结果,基于所述第一负荷预测结果和所述第二负荷预测结果,生成所述负荷预测结果。
3.根据权利要求2所述的方法,其中,所述基于所述第一负荷预测结果和所述第二负荷预测结果,生成所述负荷预测结果,包括:
将所述第二负荷预测结果确定为所述负荷预测结果;或者
合并所述第一负荷预测结果和所述第二负荷预测结果,生成所述负荷预测结果。
4.根据权利要求1-3之一所述的方法,其中,所述预测模型包括以下至少一项:热源模型、换热站模型、户端模型、流量-阀门开度模型、阀门开度-流量反向模型。
5.一种供热系统调度装置,包括:
第三获取单元,被配置成从时序数据库获取供热系统的历史实时数据,其中,所述时序数据库存储网关周期性上报到云端的实时数据;
第四获取单元,被配置成从关系数据库获取所述供热系统的静态参数数据;
整合单元,被配置成对所述历史实时数据和所述静态参数数据进行整合处理,得到第一训练样本集;
训练单元,被配置成基于所述第一训练样本集,训练得到预测模型;
处理单元,被配置成对所述预测模型进行持久化处理,以及生成所述预测模型的索引指针,其中,所述索引指针用于预测调用和模型追踪;
第一获取单元,被配置成获取所述网关当前上报的供热系统的第一实时数据;
第二获取单元,被配置成获取所述供热系统的静态参数数据;
预测单元,被配置成利用所述预测模型对所述第一实时数据和所述静态参数数据进行处理,预测得到所述供热系统的负荷预测结果;
下发单元,被配置成将所述负荷预测结果下发至所述网关,以使所述网关基于所述负荷预测结果调度所述供热系统;
第五获取单元,被配置成获取所述网关当前上报的所述供热系统的第二实时数据;
生成单元,被配置成基于所述第二实时数据和所述静态参数数据,生成第二训练样本集;
迭代单元,被配置成利用所述第二训练样本集对所述预测模型迭代优化;
其中,所述云端包括算法模块、数据模块、边缘模块、应用程序接口API模块、存储模块和计算模块;所述算法模块用于读取所述时序数据库和所述关系数据库中的数据,对模型进行训练和优化;所述数据模块与所述算法模块、所述API模块、所述边缘模块交互,用于逻辑处理和数据适配;所述边缘模块与所述数据模块、所述网关交互,用于数据的下发和上报;所述API模块用于提供负荷预测服务、数据展示服务、平台监控服务;所述存储模块用于提供所述时序数据库和所述关系数据库;所述计算模块用于提供底层基础。
6.根据权利要求5所述的装置,其中,所述预测单元包括:
第一预测子单元,被配置成将所述第一实时数据和所述静态参数数据输入至持久化的预测模型,得到所述供热系统的第一负荷预测结果;
第二预测子单元,被配置成将所述第一实时数据和所述静态参数数据输入至当前使用中的预测模型,得到所述供热系统的第二负荷预测结果;
生成子单元,被配置成若所述第二负荷预测结果优于所述第一负荷预测结果,基于所述第一负荷预测结果和所述第二负荷预测结果,生成所述负荷预测结果。
7.根据权利要求6所述的装置,其中,所述生成子单元进一步被配置成:
将所述第二负荷预测结果确定为所述负荷预测结果;或者
合并所述第一负荷预测结果和所述第二负荷预测结果,生成所述负荷预测结果。
8.根据权利要求5-7之一所述的装置,其中,所述预测模型包括以下至少一项:热源模型、换热站模型、户端模型、流量-阀门开度模型、阀门开度-流量反向模型。
9.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110150571.3A CN112836370B (zh) | 2021-02-03 | 2021-02-03 | 供热系统调度方法、装置、设备、存储介质以及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110150571.3A CN112836370B (zh) | 2021-02-03 | 2021-02-03 | 供热系统调度方法、装置、设备、存储介质以及程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836370A CN112836370A (zh) | 2021-05-25 |
CN112836370B true CN112836370B (zh) | 2023-09-26 |
Family
ID=75931830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110150571.3A Active CN112836370B (zh) | 2021-02-03 | 2021-02-03 | 供热系统调度方法、装置、设备、存储介质以及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836370B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113624998A (zh) * | 2021-09-17 | 2021-11-09 | 辽宁旭能科技有限公司 | 基于电力大数据的电锅炉补热储热成本优化方法和装置 |
CN115865684B (zh) * | 2023-02-03 | 2023-05-23 | 浪潮电子信息产业股份有限公司 | 一种主机调度方法、系统、设备及计算机可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2738362A1 (de) * | 2012-12-03 | 2014-06-04 | RWE Effizienz GmbH | Kraftwärmekopplungssystem |
CN104791903A (zh) * | 2015-04-30 | 2015-07-22 | 北京上庄燃气热电有限公司 | 一种热网智能调度系统 |
WO2016062179A1 (zh) * | 2014-10-24 | 2016-04-28 | 南京南瑞继保电气有限公司 | 一种基于电网运行服务总线的计划安全校核的实现方法 |
CN111191856A (zh) * | 2020-02-17 | 2020-05-22 | 天津大学 | 计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法 |
CN111340302A (zh) * | 2020-03-05 | 2020-06-26 | 国惠环保新能源有限公司 | 一种基于局部气象预测的精准供热负荷预测方法及系统 |
CN111503718A (zh) * | 2020-03-09 | 2020-08-07 | 华电电力科学研究院有限公司 | 基于多因素影响的热电联产供热负荷预测方法及供热系统 |
CN111932015A (zh) * | 2020-08-12 | 2020-11-13 | 武汉中电节能有限公司 | 一种区域供冷供热冷热量负荷的预测方法及系统 |
CN111932027A (zh) * | 2020-08-28 | 2020-11-13 | 电子科技大学 | 一种融合边缘设施的云服务综合调度优化系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416695B (zh) * | 2018-02-24 | 2020-07-07 | 合肥工业大学 | 基于深度学习的电力负荷概率密度预测方法和系统、介质 |
-
2021
- 2021-02-03 CN CN202110150571.3A patent/CN112836370B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2738362A1 (de) * | 2012-12-03 | 2014-06-04 | RWE Effizienz GmbH | Kraftwärmekopplungssystem |
WO2016062179A1 (zh) * | 2014-10-24 | 2016-04-28 | 南京南瑞继保电气有限公司 | 一种基于电网运行服务总线的计划安全校核的实现方法 |
CN104791903A (zh) * | 2015-04-30 | 2015-07-22 | 北京上庄燃气热电有限公司 | 一种热网智能调度系统 |
CN111191856A (zh) * | 2020-02-17 | 2020-05-22 | 天津大学 | 计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法 |
CN111340302A (zh) * | 2020-03-05 | 2020-06-26 | 国惠环保新能源有限公司 | 一种基于局部气象预测的精准供热负荷预测方法及系统 |
CN111503718A (zh) * | 2020-03-09 | 2020-08-07 | 华电电力科学研究院有限公司 | 基于多因素影响的热电联产供热负荷预测方法及供热系统 |
CN111932015A (zh) * | 2020-08-12 | 2020-11-13 | 武汉中电节能有限公司 | 一种区域供冷供热冷热量负荷的预测方法及系统 |
CN111932027A (zh) * | 2020-08-28 | 2020-11-13 | 电子科技大学 | 一种融合边缘设施的云服务综合调度优化系统及方法 |
Non-Patent Citations (2)
Title |
---|
基于大数据模式识别机器学习算法的热力站动态能耗指标预测模型;王炎;张海增;胡新华;赵隽;李添;;电力大数据(第04期);52-58 * |
最大相关系数预测模型在热电厂短期热负荷预测中的应用;姜平;赵保国;石晶晶;张海伟;王琦;杨超杰;;电力学报(第01期);81-86 * |
Also Published As
Publication number | Publication date |
---|---|
CN112836370A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11204591B2 (en) | Modeling and calculating normalized aggregate power of renewable energy source stations | |
CN112836370B (zh) | 供热系统调度方法、装置、设备、存储介质以及程序产品 | |
CN112862189B (zh) | 热源负荷预测方法、装置、设备、存储介质以及程序产品 | |
CN113435923B (zh) | 用电量的预测方法、装置及电子设备 | |
CN105787582A (zh) | 股票风险预测方法和装置 | |
CN113392974B (zh) | 模型训练方法、装置、电子设备以及存储介质 | |
EP3699834A1 (en) | Predicting and optimizing energy storage lifetime performance with adaptive automation control software | |
Guo et al. | Optimisation methods for dispatch and control of energy storage with renewable integration | |
CN114500339B (zh) | 一种节点带宽监测方法、装置、电子设备及存储介质 | |
Huang et al. | Distributed machine learning on smart-gateway network toward real-time smart-grid energy management with behavior cognition | |
CN108846692B (zh) | 一种基于多因素循环神经网络的消费者消费行为预测方法 | |
Almalaq et al. | Deep learning application: Load forecasting in big data of smart grids | |
CN112671337A (zh) | 一种用于确定光伏板是否需要清洗的方法和装置 | |
Zhang et al. | Prediction of daily blood sampling room visits based on ARIMA and SES Model | |
CN107134790B (zh) | 一种基于大数据的配电网无功优化控制序列确定方法 | |
CN111950752A (zh) | 光伏电站发电量预测方法、装置、系统及其存储介质 | |
CN109067840A (zh) | 人工智能在线服务的方法、系统和存储介质 | |
CN110826949A (zh) | 产能控制实现方法和装置 | |
CN114611805A (zh) | 一种净负荷预测方法、装置、电子设备及存储介质 | |
Wang et al. | On-line traffic forecasting of mobile communication system | |
Ngoc | Energy consumption and economic growth nexus in Vietnam: An ARDL approach | |
CN106294669B (zh) | 一种多终端数据收集和关系转换系统及方法 | |
Bu et al. | Distributed unit commitment scheduling in the future smart grid with intermittent renewable energy resources and stochastic power demands | |
CN117575175B (zh) | 碳排放评估方法、装置、电子设备和存储介质 | |
Wu et al. | A method for local analysis of electric energy monitoring data |
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 |