CN112923435B - 一种基于人工智能和优化算法的集中供热二次侧调控方法 - Google Patents
一种基于人工智能和优化算法的集中供热二次侧调控方法 Download PDFInfo
- Publication number
- CN112923435B CN112923435B CN202110303430.0A CN202110303430A CN112923435B CN 112923435 B CN112923435 B CN 112923435B CN 202110303430 A CN202110303430 A CN 202110303430A CN 112923435 B CN112923435 B CN 112923435B
- Authority
- CN
- China
- Prior art keywords
- unit
- data
- value
- temperature
- load
- 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
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
-
- 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
- F24D19/1048—Counting of energy consumption
Abstract
本发明公开了一种基于人工智能和优化算法的集中供热二次侧调控方法,具体步骤包括采集历史数据并进行数据预处理;根据预处理的历史数据,建立深度回归模型进行训练;获取实时数据,与决策变量一同输入模型,并利用优化算法进行决策求解。本发明以深度回归和优化算法为技术框架,预测换热站和各单元的热负荷,并以二次侧供水温度、循环泵频率和各单元阀门开度为决策变量,优化求解最优调控策略。本发明考虑多种环境因素,无需行业专家的参数评估。能同时输出由所有决策变量构成的最优调控策略,兼顾准确性、稳定性以及节能潜力。
Description
技术领域
本发明涉及集中供热二次侧调控技术领域,特别涉及一种基于人工智能和优化算法的集中供热二次侧调控方法。
背景技术
集中供热是现代化城市的基础设施之一,也是城市公用事业的一项重要设施。大力发展集中供热,不仅能给城市提供稳定、可靠的高品位热源,改善人民生活,而且能节约能源,减少城市污染,有利于城市美化,有效地利用城市有效空间。
随着近年来产业自动化的不断推进,我国供暖供热行业逐步由依据传统经验的人力调控模式,过渡至建立在一整套完整自动化设施和设备基础上的自控模式。伴随着标准化换热站机组和单元、户阀表在许多地市的推广,供热保障已不再是行业重大问题,取而代之的是如何提高供热质量和如何节约能源所引发的广泛关注。因此,研究灵活、稳定、节能的供热调控策略,是继自动化升级后供暖行业的必然趋势。
现有技术的不足之处在于,利用基于逻辑判断的逐步逼近决策模型,具有两点局限性,调控周期较长,导致长时间波动,无法稳定;缺少全局视角的协同,造成各单元调控间的冲突。基于理论推导的气候模型,未考虑环境因素的影响,调控灵活性不足,过度依赖专家参数评估,不利于模型的快速部署和实用。
发明内容
本发明的目的克服现有技术存在的不足,为实现以上目的,采用一种基于人工智能和优化算法的集中供热二次侧调控方法,以解决上述背景技术中提出的问题。
一种基于人工智能和优化算法的集中供热二次侧调控方法,包括:
采集历史数据并进行数据预处理;
根据预处理的历史数据,建立深度回归模型进行训练;
获取实时数据,与决策变量一同输入模型,并利用优化算法进行决策求解。
作为本发明的进一步的方案:所述采集历史数据并进行数据预处理的具体步骤包括:
通过传感设备以及检测仪器,对供热的历史数据进行采集,所述历史数据包括环境数据、机组数据、单元数据和室温数据;
根据历史数据的剔除规则进行原始数据清洗,数据剔除规则包括二次供温小于二次回温、单元供温小于单元回温,以及循环泵频率小于10Hz。
作为本发明的进一步的方案:所述根据预处理的历史数据,建立深度回归模型进行训练的具体步骤包括:
获取预处理后的历史数据,并以比例分成训练集、验证集和测试集;
建立若干个深度回归模型,其网络结构均包括输入层、输出层,以及全连接层,所述全连接层之前设置有层标准化,全连接层之后设置有指数激活函数;
将历史数据进行对应输入和输出格式处理后输入深度回归模型进行训练;
同时进行设定若干个深度回归模型的参数,所述参数包括学习率、批大小以及迭代次数。
作为本发明的进一步的方案:所述获取实时数据,与决策变量一同输入模型,并利用优化算法进行决策求解的具体步骤包括:
获取实时的环境数据和室温数据输入深度回归模型,得到各单元负荷预测值和机组负荷预测值;
同时将生成的循环泵频率、机组供水温度,以及各单元阀门开度输入深度回归模型,得到各单元负荷计算值和机组负荷计算值;
根据负荷预测值和负荷计算值计算两者差的平方作为优化约束惩罚项;
计算包括供热能耗总价和热负荷误差惩罚项的目标方程值,并通过方程导数更新决策变量,迭代求解直至目标方程导数小于预设阈值,此时达到优化目标方程值最低。
作为本发明的进一步的方案:所述获取实时的环境数据和室温数据输入深度回归模型,得到各单元负荷预测值和机组负荷预测值的具体公式为:
作为本发明的进一步的方案:所述将生成的循环泵频率、机组供水温度,以及各单元阀门开度输入深度回归模型,得到各单元负荷计算值和机组负荷计算值的具体公式为:
作为本发明的进一步的方案:所述计算包括供热能耗总价和热负荷误差惩罚项的目标方程值的具体公式为:
其中,Cq为热单价,Cd为电单价,d为耗电量,α和β为惩罚项系数。
与现有技术相比,本发明存在以下技术效果:
通过采用上述的技术方案,利用在具有自控机组和单元阀表的换热站进行供热的历史数据采集和处理,并建立深度回归模型进行训练,将模型部署上线,输入实时采集的环境数据,以当前决策变量值作为优化初值,以历史数据中决策变量边界作为优化边界,以面积加权平均室温接近设定室温为约束,以供热能耗总价和热负荷误差为目标方程,求解当前最优调控策略。从而实现解决现有集中供热决策模型因灵活性和稳定性不足,无法产生最优调控策略,从而导致供热不均和能源浪费的问题。
附图说明
下面结合附图,对本发明的具体实施方式进行详细描述:
图1为本申请公开的一些实施例的集中供热二次侧调控方法的步骤示意图;
图2为本申请公开的一些实施例的深度回归模型结构示意图;
图3为本申请公开的一些实施例的优化算法整体框架示意图。
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。
请参考图1,本发明实施例中,一种基于人工智能和优化算法的集中供热二次侧调控方法,具体步骤包括:
S1、采集历史数据并进行数据预处理,具体步骤包括:
在具有自控机组和单元阀表的换热站的场景中,通过各种传感器设备以及检测仪器仪表,对集中供热二次侧换热站机组、供热小区各单元的供暖数据以及环境数据进行历史数据采集,所述历史数据包括环境数据、机组数据、单元数据和室温数据;
再根据设定的历史数据的剔除规则进行原始数据清洗,数据剔除规则包括二次机组供水温度小于二次机组回水温度,即tg<th,各单元供水温度小于各单元回水温度,即以及循环泵频率小于10Hz,即f<10Hz。同时,当数据不全时,通过数据向前复制、向后复制进行数据补充。
S2、根据预处理的历史数据,建立深度回归模型进行训练,具体步骤包括:
获取预处理后的历史数据,并以比例分成训练集、验证集和测试集;具体的比例为训练集81%、验证集9%和测试集10%;
建立若干个深度回归模型,本实施例中涉及九个深度回归模型,如下表所示:
如图2所示,深度回归模型的网络结构均包括输入层、输出层,以及全连接层,所述全连接层之前设置有层标准化,全连接层之后设置有指数激活函数。仅当输入特征数为1时不进行第一个层标准化。
将历史数据进行对应输入和输出格式处理后输入深度回归模型进行训练;
同时进行设定若干个深度回归模型的参数,所述参数包括学习率、批大小以及迭代次数。具体的,学习率为0.0001、批大小为32以及迭代次数为200。
S3、获取实时数据,与决策变量一同输入模型,并利用优化算法进行决策求解。具体步骤包括:
如图3所示,图示为优化算法的整体框架。
S301、获取实时的环境数据和室温数据输入深度回归模型,得到各单元负荷预测值和机组负荷预测值。具体的,采集实时环境数据e,并提供实时室温将e,输入单元负荷预测模型得到各单元预测负荷再将输入单元与机组负荷协同模型Dq,得到机组预测负荷qF。和qF在整个优化过程中为常量。
具体的,各单元负荷预测值和机组负荷预测值的具体公式为:
S302、同时将生成的循环泵频率、机组供水温度,以及各单元阀门开度输入深度回归模型,得到各单元负荷计算值和机组负荷计算值。
具体的,各单元负荷计算值和机组负荷计算值的具体公式为:
S303、初始化一组决策变量的值:循环泵频率f,机组供水温度tg,各单元阀门开度v1,…,vN;
S304、将循环泵频率,输入“机组耗电回归算法”,得到机组耗电量;
S305、将机组供温,输入“单元供温回归算法”,得到各单元供温;
S306、将各单元阀门开度和循环泵频率,输入“机组单元流量回归算法”,得到机组流量和各单元流量;
S307、将环境数据和机组供温,以及步骤S306所得机组流量,输入“机组面积加权均温回归算法”,得到机组面积加权均温;
S308、将环境数据和机组供温、步骤S306所得机组流量,以及步骤S307所得机组面积加权均温,输入“机组回温回归算法”,得到机组回温;
S309、将环境数据、步骤S305所得单元供温,以及步骤S306所得单元流量,输入“单元面积加权均温回归算法”,得到单元面积加权均温;
S310、将环境数据、步骤S305所得单元供温、步骤S306所得单元流量,以及步骤S309所得单元面积加权均温,输入“单元回温回归算法”,得到单元回温;
S311、根据步骤S303中机组供温、步骤S306中机组流量和步骤S308中机组回温,得到机组负荷计算值;
S312、根据步骤S305中单元供温、步骤S306中单元流量和步骤S310中单元回温,得到各单元负荷计算值;
S313、根据负荷预测值和负荷计算值计算两者差的平方作为优化约束惩罚项,计算包括供热能耗总价和热负荷误差惩罚项的目标方程值,并通过方程导数更新决策变量,迭代求解直至目标方程导数小于预设阈值,此时达到优化目标方程值最低。
具体的,目标方程公式为
优化迭代终止条件为目标方程对决策变量的导数小于预设阈值θ=0.00001。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于人工智能和优化算法的集中供热二次侧调控方法,其特征在于,包括:
采集历史数据并进行数据预处理;
根据预处理的历史数据,建立深度回归模型进行训练,具体步骤包括:
获取预处理后的历史数据,并以比例分成训练集、验证集和测试集;
建立若干个深度回归模型,其网络结构均包括输入层、输出层,以及全连接层,所述全连接层之前设置有层标准化,全连接层之后设置有指数激活函数;
将历史数据进行对应输入和输出格式处理后输入深度回归模型进行训练;
同时进行设定若干个深度回归模型的参数,所述参数包括学习率、批大小以及迭代次数;
获取实时数据,与决策变量一同输入模型,并利用优化算法进行决策求解,具体步骤包括:
获取实时的环境数据和室温数据输入深度回归模型,得到各单元负荷预测值和机组负荷预测值;
同时将生成的循环泵频率、机组供水温度,以及各单元阀门开度输入深度回归模型,得到各单元负荷计算值和机组负荷计算值;
根据负荷预测值和负荷计算值计算两者差的平方作为优化约束惩罚项;
计算包括供热能耗总价和热负荷误差惩罚项的目标方程值,并通过方程导数更新决策变量,迭代求解直至目标方程导数小于预设阈值,此时达到优化目标方程值最低;
所述计算包括供热能耗总价和热负荷误差惩罚项的目标方程值的具体公式为:
2.根据权利要求1所述一种基于人工智能和优化算法的集中供热二次侧调控方法,其特征在于,所述采集历史数据并进行数据预处理的具体步骤包括:
通过传感设备以及检测仪器,对供热的历史数据进行采集,所述历史数据包括环境数据、机组数据、单元数据和室温数据;
根据历史数据的剔除规则进行原始数据清洗,数据剔除规则包括二次供温小于二次回温、单元供温小于单元回温,以及循环泵频率小于10Hz。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110303430.0A CN112923435B (zh) | 2021-03-22 | 2021-03-22 | 一种基于人工智能和优化算法的集中供热二次侧调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110303430.0A CN112923435B (zh) | 2021-03-22 | 2021-03-22 | 一种基于人工智能和优化算法的集中供热二次侧调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112923435A CN112923435A (zh) | 2021-06-08 |
CN112923435B true CN112923435B (zh) | 2022-05-13 |
Family
ID=76175418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110303430.0A Active CN112923435B (zh) | 2021-03-22 | 2021-03-22 | 一种基于人工智能和优化算法的集中供热二次侧调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112923435B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113418229A (zh) * | 2021-06-11 | 2021-09-21 | 沈阳工业大学 | 一种基于卷积-自编码神经网络的供暖管控阀门智能调控系统 |
CN115293040B (zh) * | 2022-08-04 | 2023-05-16 | 北京百度网讯科技有限公司 | 深度学习模型的训练、换热特性数据的确定以及退火方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104534556A (zh) * | 2014-12-08 | 2015-04-22 | 北京华电方胜技术发展有限公司 | 一种基于能耗监测的供热控制方法 |
CN105805822A (zh) * | 2016-03-24 | 2016-07-27 | 常州英集动力科技有限公司 | 基于神经网络预测的供热节能控制方法与系统 |
CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
CN109270842A (zh) * | 2018-10-25 | 2019-01-25 | 浙江大学 | 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 |
CN110701796A (zh) * | 2019-08-29 | 2020-01-17 | 广州微控能源科技有限公司 | 一种基于云预测算法的热水系统节能控制系统 |
CN111476439A (zh) * | 2020-05-18 | 2020-07-31 | 瑞纳智能设备股份有限公司 | 基于灰色时间序列的供暖户阀调节方法、系统及设备 |
CN111473407A (zh) * | 2020-04-10 | 2020-07-31 | 浙江大学 | 一种基于模型的集中供热系统按需精准调控方法 |
CN111580382A (zh) * | 2020-05-18 | 2020-08-25 | 瑞纳智能设备股份有限公司 | 基于人工智能的单元级供热调节方法及系统 |
CN112001439A (zh) * | 2020-08-19 | 2020-11-27 | 西安建筑科技大学 | 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备 |
CN112128841A (zh) * | 2020-09-29 | 2020-12-25 | 河北工业大学 | 一种基于负荷预测和室温反馈修正的全网平衡调节方法 |
CN112232980A (zh) * | 2020-09-14 | 2021-01-15 | 浙江大学 | 一种区域能源供热系统热泵机组调控方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111811016B (zh) * | 2020-07-20 | 2021-10-29 | 瑞纳智能设备股份有限公司 | 一种供暖机组单元间水力平衡调节方法及系统 |
-
2021
- 2021-03-22 CN CN202110303430.0A patent/CN112923435B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104534556A (zh) * | 2014-12-08 | 2015-04-22 | 北京华电方胜技术发展有限公司 | 一种基于能耗监测的供热控制方法 |
CN105805822A (zh) * | 2016-03-24 | 2016-07-27 | 常州英集动力科技有限公司 | 基于神经网络预测的供热节能控制方法与系统 |
CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
CN109270842A (zh) * | 2018-10-25 | 2019-01-25 | 浙江大学 | 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 |
CN110701796A (zh) * | 2019-08-29 | 2020-01-17 | 广州微控能源科技有限公司 | 一种基于云预测算法的热水系统节能控制系统 |
CN111473407A (zh) * | 2020-04-10 | 2020-07-31 | 浙江大学 | 一种基于模型的集中供热系统按需精准调控方法 |
CN111476439A (zh) * | 2020-05-18 | 2020-07-31 | 瑞纳智能设备股份有限公司 | 基于灰色时间序列的供暖户阀调节方法、系统及设备 |
CN111580382A (zh) * | 2020-05-18 | 2020-08-25 | 瑞纳智能设备股份有限公司 | 基于人工智能的单元级供热调节方法及系统 |
CN112001439A (zh) * | 2020-08-19 | 2020-11-27 | 西安建筑科技大学 | 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备 |
CN112232980A (zh) * | 2020-09-14 | 2021-01-15 | 浙江大学 | 一种区域能源供热系统热泵机组调控方法 |
CN112128841A (zh) * | 2020-09-29 | 2020-12-25 | 河北工业大学 | 一种基于负荷预测和室温反馈修正的全网平衡调节方法 |
Non-Patent Citations (4)
Title |
---|
基于ARMA误差修正和自适应粒子群优化的SVM短期负荷预测;黄元生;《电力系统保护与控制》;20110716;第39卷(第14期);第26-32页 * |
基于ResNet-GWO的冷源系统节能优化;杜佳敏;《东南大学学报(自然科学版)》;20201112;第50卷(第5期);第866-874页 * |
基于动态水力平衡的集中供热系统二次管网节能优化调节方法研究;周璇;《中南大学学报(自然科学版)》;20190126;第50卷(第1期);第220-233页 * |
基于支持向量回归和小波包的供热负荷预测;黎展求;《暖通空调》;20070403;第32卷(第2期);第1-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112923435A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109270842B (zh) | 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 | |
CN109253494B (zh) | 一种基于热负荷预测的电蓄热装置的控制方法 | |
CN108916986B (zh) | 信息物理融合的二级管网变流量水力平衡调控方法及系统 | |
CN112923435B (zh) | 一种基于人工智能和优化算法的集中供热二次侧调控方法 | |
CN110659779B (zh) | 一种基于长短期记忆网络的配电系统网损预测方法 | |
CN105631528B (zh) | 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法 | |
CN114692265B (zh) | 一种基于深度强化学习的零碳建筑优化设计方法 | |
CN107909220A (zh) | 一种电采暖负荷预测方法 | |
CN108053082B (zh) | 基于温度区间分解的电网中长期负荷预测方法 | |
CN110796307B (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
CN112232980A (zh) | 一种区域能源供热系统热泵机组调控方法 | |
US11610214B2 (en) | Deep reinforcement learning based real-time scheduling of Energy Storage System (ESS) in commercial campus | |
CN112413831A (zh) | 一种中央空调节能控制系统及方法 | |
CN110783925A (zh) | 一种两级部署的电网调控模型中心控制系统及方法 | |
CN113240184B (zh) | 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统 | |
CN110198042B (zh) | 一种电网储能的动态优化方法及存储介质 | |
Du et al. | Multi-regional building energy efficiency intelligent regulation strategy based on multi-objective optimization and model predictive control | |
Han et al. | Physical-data fusion modeling method for energy consumption analysis of smart building | |
CN111473408A (zh) | 一种基于气候补偿的供热控制系统的控制方法 | |
CN114936742A (zh) | 一种供水系统调度代理决策方法 | |
CN110880055A (zh) | 楼宇智能电表系统 | |
CN115693787B (zh) | 考虑源荷随机性的光储配电网新能源接纳能力分析方法 | |
CN111342456A (zh) | 一种台区能源系统建模方法及系统 | |
CN112821456B (zh) | 基于迁移学习的分布式源-储-荷匹配方法及装置 | |
CN112116131B (zh) | 计及碳排放的综合能源系统多层级优化方法 |
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 |