CN113237135B - 基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法 - Google Patents
基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法 Download PDFInfo
- Publication number
- CN113237135B CN113237135B CN202110540123.4A CN202110540123A CN113237135B CN 113237135 B CN113237135 B CN 113237135B CN 202110540123 A CN202110540123 A CN 202110540123A CN 113237135 B CN113237135 B CN 113237135B
- Authority
- CN
- China
- Prior art keywords
- apartment
- time period
- heat demand
- day
- heat
- 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
-
- 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
- G06N3/04—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
- G06N3/08—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
Abstract
一种基于SD‑LSTMs的公寓独立供热系统需热量预测及节能控制方法,将相似日选取和长短时记忆网络相结合,根据采集到的天气信息,利用梯度提升算法选取与预测日具有相似天气特征的历史日作为相似日,从相似日中选取天气、需热量等特征结合建筑参数、供热标准等特征搭建长短时记忆网络来达到需热量预测和节能控制的目的。本发明采用相似日和长短时记忆网络相结合的模型设计,具有较强的实用性和创新性,其次,由于机器学习和深度学习算法功能强大且容错能力强,模型准确性和可靠性较高,是一种合理、有效的热量预测及节能控制解决方案。
Description
(一)技术领域:
本发明应用于公寓独立供热相关领域,尤其是一种基于SD-LSTMs(Similar DayAnd Long Short-Term Memory Networks,相似日和长短时记忆网络)的公寓独立供热系统需热量预测及节能控制方法。
(二)技术背景:
在我们国家,供热的主要形式为集中供热和独立供热两种。其中,集中供热系统依赖于换热站,它是连接锅炉与热用户之间的桥梁,控制着热量的传送和再分配。而独立供热系统与此不同,它的整个热量交换过程没有换热站的参与,由热源产生的暖水或暖气经传输管道流入各个房间,以此达到供暖的目的。相较于集中供暖而言,独立供暖由于不涉及到换热站的热量中转,由热源产生的热量能够更快到达用户所在房间,在这种情况下,热量变化更加灵敏,热量传递更加快速,因此,热网的整体运行也就需要更加精准的预测和更加合理的控制,此专利中涉及的公寓独立供热系统结构如图1所示。
在经济条件充裕的前提下,人们对生活环境的要求越来越高,公寓逐渐成为了居住的首要选择,由此也推动着独立供热系统的快速发展。公寓独立供热系统的合理调节和节能控制是一项跨学科、跨领域的综合技术,是保证热力设备平稳、有效运行的重要措施,是提供舒适供热环境的根本保证,对提高热网的整体运行质量有着十分重要的意义。随着科学技术的高速发展,计算机在处理大数据的效能上展现出了显著优势,一系列有关机器学习和深度学习的算法依托计算机的高效运算能力逐渐发展起来,在预测和智能识别等方面展现出了较高的准确率。利用机器学习和深度学习的相关算法建立合适的模型来预测公寓独立供热系统在供暖期的逐时需热量是一种科学且合理有效的技术方案。
随着问题的明确及我国科技实力的大幅度提升,我国学者针对集中供热系统中存在的各种问题进行了大量的研究和不断地改造。针对供热系统中存在的问题,兼顾节能措施,提出了基于双启发式动态规划算法的热源优化控制方法,通过建立热源总热量生产优化问题的数学描述,来获取供水量及供水温度的最优值。为了进一步提高预测效率,提出了基于供热系统中时延的温度预测模型,用最小二成意义上的时延来进行剪枝算法的求解和回水温度的预测。为了更加精确地预测供热系统中的热负荷,对比了三种热负荷预测模型,最终得出基于网格搜索优化支持向量机回归(Grid Search Optimization SupportVector Machine Regression,GS-SVR)方法的预测结果明显优于神经网络和多元线性回归。利用模糊推理来在线整定PID(Proportional Integral Differential,比例积分微分)控制器的参数,设计了基于参数自适应的Fuzzy-PID控制器,实现对供热源的温度控制等等。
本发明将结合机器学习中的极限梯度提升算法和深度学习中的长短时记忆网络来构建模型,以期达到合理预测公寓独立供热系统在供暖期的逐时需热量以及合理控制能耗和节约能源、指导供热设备运行调度和提供经济舒适供热的目的。
(三)发明内容:
本发明的目的在于提供一种基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法,相较于现有技术的预测和控制方法,它克服了现有技术的不足,采用相似日(SD——Similar Day)选取和长短时记忆网络(LSTMs——Long Short-Term MemoryNetworks)相结合的方式构建供热系统的模型实现对所需热量的预测及节能控制,该方法简单、性能稳定且预测准确度较高,适合于公寓独立供热系统在供暖期逐时需热量的预测,且能达到有效节约能源、提供合理节能控制的目的。
本发明的技术方案:一种基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法,其特征主要包括以下步骤:
(1)收集公寓独立供热系统的公寓建筑数据、气象数据、供热标准、人员作息规律、供热温度、回水温度以及热水管流量;
所述步骤(1)中公寓独立供热系统的公寓建筑数据可以从公寓设计结构图或公寓建筑工程师处获取,包括外墙参数、外窗参数、缝隙参数、外门参数、地面参数、屋面参数;所述气象数据则从中国天气官网上获取,包括温度、辐照度和风速;所述供热标准是国家或行业政策以及相关规定;所述人员作息规律是指周一至周五白天上班,晚上7点下班,周六周日休息;所述供水温度、回水温度通过温度传感器获取;所述热水管流量通过压力传感器获取。
(2)对公寓建筑的实际需热量的计算:
从步骤(1)的原始数据中提取公寓建筑的供热温度、回水温度和热水管流量三个特征按照公式2.1进行结合,并计算出公寓建筑的实际的需热量;
P=C*ρ*Q*(Sup_Tem-Ret_Tem) (2.1)
其中,P代表计算得到的单位时间内的公寓建筑的实际需热量,单位为J/h,C为水的比热容,其值为4.2×103J/(kg·℃),ρ为水的密度,其值为1.0×103kg/m3,Q为热水管流量,单位为m3/h,Sup_Tem为供热温度,Ret_Tem为回水温度,单位均为摄氏度;
(3)利用极限梯度提升(eXtreme Gradient Boosting,XGBoost)算法计算公寓建筑的室外温度、辐照度、风速及前一时刻的需热量这四个特征的权重以选择相似日;
所述步骤(3)中相似日的选择具体是指:将公寓建筑的室外温度、辐照度、风速及前一时刻的需热量作为XGBoost算法模型的输入特征,则通过XGBoost算法即可确定对应于公寓建筑的室外温度、辐照度、风速及前一时刻的需热量的特征权重系数ω1,ω2,ω3,ω4,用于接下来相似日的选取;
(4)根据步骤(3)中通过XGBoost算法所确定的特征权重系数ω1,ω2,ω3,ω4,采用经过XGBoost算法加权改进的欧几里得范数(EN——Euclidean Norm)进行相似日的选取;
所述步骤(4)中相似日的选取具体是指:
根据公式4.1-4.5计算出当前预测日和各个历史日之间的欧几里得范数EN,在由这些EN所组成的集合中选择出最小的EN值,此EN值所对应的历史日即为预测日的相似日。
ΔTt=Tt-Tt P (4.2)
ΔWFt=WFt-WFt P (4.3)
ΔP=Pt-1-PP (4.5)
其中,EN表示计算的欧几里德范数,Tt是预测日的室外温度,Tt P是历史日的室外温度,ΔTt是预测日室外温度与历史日室外温度的温度差值;WFt是预测日的风速,WFt P是历史日风速,ΔWFt是预测日风速与历史日风速之间的风速差值;RIt是预测日辐照度,RIt P是历史日辐照度,ΔRIt是预测日辐照度与历史日辐照度之间的辐照度差值;Pt-1是预测日的前一时刻的需热量,PP是历史日的需热量,ΔP是预测日前一时刻的需热量与历史日需热量之间的差值;
(5)在步骤(4)确定相似日的过程中,是通过计算预测日和历史日天气数据之间的欧几里德范数EN来进行相似日选择的,考虑到天气状况的不确定性,若找不到与预测日天气特征相似的历史日,则会出现按照步骤(4)的方法根据天气数据计算出的欧几里德范数EN是一个较大的值的情况,因此,设置一个欧几里德范数EN的阈值Tmin,在选取相似日之后,先对根据公式4.1得到的欧几里德范数EN的大小进行判断,如果超过阈值Tmin,则启动报警装置,提醒工作人员进行人工操作供热;
(6)将能够描述公寓建筑情况的参数作为XGBoost算法的输入特征,利用XGBoost算法可以计算出输入特征的权重系数,对所得到的权重系数按照数值大小进行排序,选择出数值较大的三个特征,即为对实际需热量影响最大的三个特征;
所述步骤(6)中XGBoost算法的输入特征为公寓建筑的外墙参数、外窗参数、缝隙参数、外门参数、地面参数、屋面参数。
(7)对供热标准的特征处理:
将供热标准中的供热时段特征根据具体时间段进行量化,量化范围为0-1之间且数值越大代表该时间段对供热的需求量越大。具体量化标准如下:
(7-1)23点至凌晨4点:该时间段随着自然温度逐渐降低,需热量应逐步提升,量化指标设置为0.7至1,且在该时间段内按时间线性增加;
(7-2)凌晨4点至8点:该时间段自然温度有所提升,需热量可逐渐减小,量化指标设置为1至0.5,且在该时间段内按时间线性减小;
(7-3)8点至9点:该时间段内,住户准备上班,并考虑到供热管网的时滞性,需热量应在该时间段内逐步降低,量化指标由0.5值0,且在该时间段内按时间线性减小;
(7-4)9点至12点:该时间段内,住户不在公寓内,为实现最大限度节能效果,量化指标为0;
(7-5)12点至14点:该时间段内,住户回公寓休息,对热量有一定需求,但考虑到该时间段自然温度较高,需热量可适当降低,量化指标为0至0.4,且在该时间段内按时间线性增加;
(7-6)14点至14点30:该时间段内,住户准备上班,并考虑到供热管网的时滞性,热量应在该时间段内逐步降低,量化指标由0.4至0,且在该时间段内按时间线性减小;
(7-7)14点30至16点30:该时间段内,住户不在公寓,为实现最大限度节能效果,量化指标为0;
(7-8)16点30至17点:该时间段内,住户下班准备回公寓,公寓住户逐渐增加,对热量需求逐步增加,量化指标为0至0.4,且在该时间段内按时间线性增加;
(7-9)17点至23点:该时间段内,住户在公寓活动,热量需求进一步增加,量化指标由0.4至0.7,且在该时间段内按时间线性增加;
针对供热温度范围特征,选择温度范围的中位数作为新的特征量;
(8)居住人员作息规律特征处理:
将居住人员的居住时间段根据具体时段进行量化,将8点到18点认为是工作时段,此时段公寓人较少,量化为0,18点之后认为是休息时段,此时段公寓人较多,量化为1,并将量化之后的数据作为新的人员作息规律特征;
(9)根据能耗制约和节能要求对LSTMs的真实输出结果进行选取:
所述步骤(9)对LSTMs的真实输出结果进行选取具体是指:考虑能耗制约和节能控制,LSTMs的标签在相似日的实际需热量和预测日的实际需热量中选择较小的一个;如果较小的实际需热量能够达到用户的预期需求,那么较大的实际需热量必然也能够达到预期需求,因此选择较小的一个实际需热量即可达到节能的目的。
(10)建立LSTMs的模型,包含输入层、隐含层和输出层;其中,所述输入层的输入特征与公寓建筑情况、居住人员的作息规律、供热标准以及预测日和相似日的温度信息有关;所述隐含层是两层结构;所述输出层包含1个神经元;
所述步骤(10)中的输入层有12个输入特征,分别是3个能够描述公寓建筑情况的输入特征、2个能够描述供热标准的输入特征、1个能够描述居住人员作息规律的输入特征以及预测日和相似日的室外温度、辐照度和风速共计6个输入特征。
所述步骤(10)中的隐含层有两层构成,在实际的应用场景中,针对不同的数据集,在训练模型时,需要依据模型实际性能,动态调整隐含层的层数以及每层的LSTMs nuit数目,以使得模型误差最小、效果最优。
所述步骤(10)中的输出层只有1个神经元,为需要预测的实际需热量。
本发明的工作原理:基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制模型结合了相似日SD选择和LSTMs两个模块,SD-LSTMs模型结构框图如图3所示;首先由XGBoost算法确定特征权重,然后采用改进的欧几里德范数来评估预测日和历史日之间的相似性,在由XGBoost进行加权改进的欧几里德范数中,同时考虑室外温度、辐照度、风速及前一时刻的需热量这四个特征,选择与预测日特征最为接近的日子作为相似日,再从相似日中选择温度、辐照度、风速作为之后LSTMs模块训练的输入特征。
LSTMs模块的输入特征主要是由两部分组成的,第一部分由SD所确定的部分特征,另一部分是由建筑情况、供热标准和人员作息规律所组成的若干特征。其中建筑情况包含外墙参数、外窗参数、缝隙参数、外门参数、地面参数、屋面参数6个特征,供热标准包含供热时段和供热的温度范围2个特征,人员作息规律包含每房间的人员居住时间段1个特征。共计9个特征。
针对建筑情况的6个参数,利用XGBoost算法确定权重并以此来选择影响最大的3个特征;将供热标准中的供热时段特征根据具体时间段进行量化,量化范围为0-1之间且数值越大代表该时间段对供热的需求量越大。温度范围特征采用温度范围段的温度中位数作为实际的温度范围特征。人员居住时间段特征也将根据具体时间段进行量化,8点到18点认为是工作时间段,公寓人数较少,记为0;18点之后认为是休息时间段,公寓人数较多,记为1。将量化之后的数作为新的人员居住时间段特征。
考虑到能耗制约和节能控制,LSTMs的标签选择相似日的实际需热量和预测日的实际需热量中较小的一个。这样做的原因是在相似的天气条件下,如果较小的实际需热量能够达到用户的预期需求,那么较大的实际需热量必然也能够达到预期需求,因此选择较小的一个实际需热量以达到节能的目的。
在确定相似日的过程中,是通过计算预测日和历史日天气数据之间的欧氏距离来进行相似日选择的。这种数据驱动的方法,是在历史数据的基础上,寻找出一种最优的解决方案和执行策略。但是考虑到天气状况的不确定性,有可能不存在一个和预测日天气特征相似的历史日,在这种情况下,根据天气数据计算出的欧氏距离很有可能是一个较大的值。基于这种情况,考虑设置一个欧氏距离阈值,用Tmin表示。在选取相似日之后,判断欧式距离值的大小,如果超过Tmin,就应该启动报警装置,提醒工作人员进行人工操作供热。
LSTMs模块的输入特征细化为两部分,即由SD选择所产生的特征和经过修改、量化之后新的建筑情况、供热标准和人员作息规律所组成的特征。LSTMs模块的标签为预测日和相似日中较小的一个实际需热量。在特征和标签确定好之后,按照7:3的比例切分出训练集和测试集并以此来训练模型,在拟合过程中减弱模型误差、细化模型参数,以使其达到可靠预测逐时需热量的目的。
该方法利用对实际需热量预测影响较大的天气特征和前一时刻热负荷特征来选择相似日,这样可以筛选出有效的特征数据,为之后的LSTMs模型提供合理有效的数据支持,大大增强了模型的预测效率,也使得模型实用性增强。其次,LSTMs模型本身能够具备较强的处理非线性问题的能力,且数据量越大,模型效果越突出,这使得模型在处理温度预测这种较为复杂的问题时,具有较强的适应性和一定的容错能力。此外,深度神经网络的复杂结构结合大数据的支持,使得其在处理非线性问题时具备较强的适应能力和纠错能力,这也就使得LSTMs模型在预测性能上具备较高的准确性,预测结果较为可靠。最后,由于在选择LSTMs网络真实输出值数据时,通过对比预测日和相似日的实际需热量,选择值较小的一个作为最终的LSTMs网络真实输出,这样做的目的是总是利用较低温度使用户感觉到舒适,能够在很大程度上降低能耗,达到节约能源的目的。
本发明的优越性:
(1)采用SD和LSTMs相结合的模型设计,具有较强的实用性和创新性;
(2)模型结构精巧、易于实现、性能稳定,对于复杂问题具有较强的适应性;
(3)模型所采用的机器学习和深度学习算法功能强大且容错能力强,使得模型具有较高的准确性和可靠性。
(四)附图说明:
图1为本发明所涉一种基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法中公寓独立供热系统的整体结构框图。
图2为本发明所涉一种基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法的工作流程示意图。
图3为本发明所涉一种基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法的SD-LSTMs模型结构框图。
图4为本发明所涉一种基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法中LSTMs模型的结构示意图。
图5为本发明所涉一种基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法中仿真效果示意图。
(五)具体实施方式:
实施例:公寓独立供热系统结构示意图(见图1)展示了由热源到热用户之间的热量交换过程,基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制模型(见图3)结合了相似日(SD)选择、主要特征确定和长短时记忆网络(LSTMs)三个模块。模型最后的输出为需要预测的实际需热量。
基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制模型工作流程(见图2)的具体实施方式主要包含以下步骤。
(1)加载原始数据:
本实施例所加载的数据为实测公寓独立供热系统相关数据;数据特征包含建筑情况、气象情况、供热标准和人员作息规律4个主要特征。其中,建筑情况包含外墙参数、外窗参数、缝隙参数、外门参数、地面参数、屋面参数6个特征,气象情况包含室外温度、辐照度、风速3个特征,供热标准包含供热时段和供热温度范围2个特征,人员作息规律包含每房间的人员居住时间段1个特征,共计12个特征;
公寓建筑数据可以从公寓设计结构图或公寓建筑工程师处获取,包括外墙参数、外窗参数、缝隙参数、外门参数、地面参数、屋面参数;所述气象数据则从中国天气官网上获取,包括温度、辐照度和风速;所述供热标准是国家或行业政策以及相关规定;所述人员作息规律是指周一至周五白天上班,晚上7点下班,周六周日休息;所述供水温度、回水温度通过温度传感器获取;所述热水管流量通过压力传感器获取。
(2)数据预处理,计算实际需热量:
从原始数据中提取供热温度、回水温度和热水管流量三个特征计算出实际的需热量,并由此确定前一时刻的实际需热量,实际需热量计算公式如2.1所示;
P=C*ρ*Q*(Sup_Tem-Ret_Tem) (2.1)
其中,P代表计算得到的单位时间内的公寓建筑的实际需热量,单位为J/h,C为水的比热容,其值为4.2×103J/(kg·℃),ρ为水的密度,其值为1.0×103kg/m3,Q为热水管流量,单位为m3/h,Sup_Tem为供热温度,Ret_Tem为回水温度,单位均为摄氏度;
(3)利用XGBoost进行权重确定:
XGBoost的输入特征为室外温度、辐照度、风速及前一时刻的需热量,输入标签为步骤(2)中计算出的实际需热量,通过XGBoost确定对应特征的权重系数ω1,ω2,ω3,ω4,用于接下来相似日的选取过程;
(4)相似日的确定:
相似日的选取依赖于XGBoost所确定的特征权重系数ω1,ω2,ω3,ω4,采用经过XGBoost加权改进的欧几里得范数(EN)来进行相似日的选取;
根据公式4.1-4.5计算出当前预测日和各个历史日之间的欧几里得范数EN,在由这些EN所组成的集合中选择出最小的EN值,此EN值所对应的历史日即为预测日的相似日。
ΔTt=Tt-Tt P (4.2)
ΔWFt=WFt-WFt P (4.3)
ΔP=Pt-1-PP (4.5)
其中,EN表示计算的欧几里德范数,Tt是预测日的室外温度,Tt P是历史日的室外温度,ΔTt是预测日室外温度与历史日室外温度的温度差值;WFt是预测日的风速,WFt P是历史日风速,ΔWFt是预测日风速与历史日风速之间的风速差值;RIt是预测日辐照度,RIt P是历史日辐照度,ΔRIt是预测日辐照度与历史日辐照度之间的辐照度差值;Pt-1是预测日的前一时刻的需热量,PP是历史日的需热量,ΔP是预测日前一时刻的需热量与历史日需热量之间的差值;
在所有的EN集合中,选择EN值最小的历史日作为预测日的相似日,并提取相似日的室外温度、辐照度、风速作为LSTMs模块的3个输入特征。
(5)人工操作供热:在步骤(4)确定相似日的过程中,是通过计算预测日和历史日天气数据之间的欧几里德范数EN来进行相似日选择的,考虑到天气状况的不确定性,若找不到与预测日天气特征相似的历史日,则会出现按照步骤(4)的方法根据天气数据计算出的欧几里德范数EN是一个较大的值的情况,因此,设置一个欧几里德范数EN的阈值Tmin,在选取相似日之后,先对根据公式4.1得到的欧几里德范数EN的大小进行判断,如果超过阈值Tmin,则启动报警装置,提醒工作人员进行人工操作供热;
(6)建筑情况、供热标准、人员作息规律特征处理:
首先,对供热标准中的供热时段进行量化处理,具体量化标准如下,23点至凌晨4点:该时间段随着自然温度逐渐降低,需热量应逐步提升,量化指标设置为0.7至1且在该时间段内按时间线性增加;凌晨4点至8点:该时间段自然温度有所提升,需热量可逐渐减小,量化指标设置为1至0.5且在该时间段内按时间线性减小;8点至9点:该时间段内,住户准备上班,并考虑到供热管网的时滞性,需热量应在该时间段内逐步降低,量化指标由0.5值0且在该时间段内按时间线性减小;9点至12点:该时间段内,住户不在公寓内,为实现最大限度节能效果,量化指标为0;12点至14点:该时间段内,住户回公寓休息,对热量有一定需求,但考虑到该时间段自然温度较高,需热量可适当降低,量化指标为0至0.4且在该时间段内按时间线性增加;14点至14点30:该时间段内,住户准备上班,并考虑到供热管网的时滞性,热量应在该时间段内逐步降低,量化指标由0.4至0且在该时间段内按时间线性减小;14点30至16点30:该时间段内,住户不在公寓,为实现最大限度节能效果,量化指标为0;16点30至17点:该时间段内,住户下班准备回公寓,公寓住户逐渐增加,对热量需求逐步增加,量化指标为0至0.4且在该时间段内按时间线性增加;17点至23点:该时间段内,住户在公寓活动,热量需求进一步增加,量化指标由0.4至0.7且在该时间段内按时间线性增加。将量化之后的数作为新的供热时段特征。其次,针对供热温度范围特征,选择温度范围的中位数作为新的特征;最后,对人员作息规律特征进行量化处理。将人员居住时间段根据具体时段进行量化,8点到18点认为是工作时段,公寓人较少,量化为0,18点之后认为是休息时段,公寓人较多,量化为1,将量化之后的数据作为新的特征;经过第(5)步,可以确定6个特征作为LSTMs网络的输入。
(7)LSTMs标签数据的选取:
考虑到能耗制约和节能控制,LSTMs的标签选择相似日的实际需热量和预测日的实际需热量中较小的一个。这样做的原因是在相似的天气条件下,如果较小的实际需热量能够达到用户的预期需求,那么较大的实际需热量必然也能够达到预期需求,因此选择较小的一个实际需热量以达到节能的目的。
(8)构建LSTMs模型:
LSTMs模型包含输入层、隐含层和输出层,如图4所示。其中,输入层有12个输入特征,分别是建筑情况(包含3个)、供热标准(包含2个)、人员作息规律(包含1个)、以及预测日和相似日的室外温度、辐照度和风速(包含6个)。同时,考虑到LSTMs结构的特殊性,需将特征转化为3维数据,数据格式为(数据数量,序列长度,数据大小)。隐含层有两层构成,分别为包含50、100个记忆块(memory block),输出层值包含一个神经元,为需要预测的实际需热量。在实际的应用场景中,针对不同的数据集,在训练模型时,需要依据模型实际性能,动态调整隐含层的层数以及每层的记忆块数目,以使得模型误差最小、效果最优。
(9)划分数据集并训练模型:
将原始数据按照7:3的比例划分训练集、测试集,其中,用原始数据的70%来训练模型,30%数据来测试模型效果,在模型的迭代训练过程中模型内部的权重参数不断被优化,最终可使得模型的准确率达到预期标准,此时停止训练。
本发明是将相似日(SD)选择和长短时记忆网络(LSTMs)两个模块相结合的一种全新的公寓独立供热系统需热量预测及节能控制模型。这种模型一方面利用极限梯度提升机(eXtreme Gradient Boosting,XGBoost)确定特征权重,然后采用改进的、由XGBoost加权的欧几里德范数(EN)来评估预测日和历史日之间的相似性,在改进的欧几里德范数中,同时考虑室外温度、辐照度、风速及前一时刻的需热量这四个特征,选择与预测日特征最为接近的日子作为相似日,再从相似日中选择若干特征作为之后LSTMs模块训练的部分输入特征。
另一方面,对建筑情况、供热标准和人员作息规律所组成的特征进行特征选择和特征量化处理,采用处理之后的数据作为新的特征。其中建筑情况有外墙参数、外窗参数、缝隙参数、外门参数、地面参数、屋面参数六个特征,采用XGBoost选择其中重要性最高的3个特征,供热标准包含供热时段和供热的温度范围2个特征,量化之后特征数量为2个,人员作息规律包含每房间的人员居住时间段1个特征,量化之后特征数量为1个。对以上特征进行整合,共计6个特征。
LSTMs模型包含输入层、隐含层和输出层。其中,输入层有12个输入特征,分别是建筑情况(包含3个)、供热标准(包含2个)、人员作息规律(包含1个)、以及预测日和相似日的室外温度、辐照度和风速(包含6个)。同时,考虑到LSTMs结构的特殊性,需将特征转化为3维数据,数据格式为(数据数量,序列长度,数据大小)。隐含层有两层构成,分别为包含50、100个记忆块(memory block),输出层值包含一个神经元,为需要预测的实际需热量。在实际的应用场景中,针对不同的数据集,在训练模型时,需要依据模型实际性能,动态调整隐含层的层数以及每层的记忆块数目,以使得模型误差最小、效果最优。
针对本专利所设计模型,采用实际数据的70%对该模型进行训练,用剩余的30%数据进行测试,图5是该模型的仿真效果,预测波形和实际波形的相似系数为95.6%,节能率约为6%,此结果证明该模型在进行负荷预测的同时具备节能的功能。
综上所述,本发明结合机器学习中的极限梯度提升算法和深度学习中的长短时记忆网络来构建模型,具有较高的准确性和可靠性;其次,SD和LSTMs相结合的模型设计,具有较强的实用性和创新性;此外,模型结构精巧、易于实现、性能稳定,对于复杂问题具有较强的适应性。此模型应用于公寓独立供热相关领域,为准确预测公寓供暖期的逐时需热量以及合理控制能耗和节约能源提供了一种快速、有效的解决方案,以期达到指导供热设备的运行调度、提供经济舒适供热的目的。
Claims (9)
1.一种基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法,其特征在于它主要包括以下步骤:
(1)收集公寓独立供热系统的公寓建筑数据、气象数据、供热标准、人员作息规律、供热温度、回水温度以及热水管流量;
(2)对公寓建筑的实际需热量的计算:
从步骤(1)的原始数据中提取公寓建筑的供热温度、回水温度和热水管流量三个特征按照公式2.1进行结合,并计算出公寓建筑的实际的需热量;
P=C*ρ*Q*(Sup_Tem-Ret_Tem) (2.1)
其中,P代表计算得到的单位时间内的公寓建筑的实际需热量,单位为J/h,C为水的比热容,其值为4.2×103J/(kg·℃),ρ为水的密度,其值为1.0×103kg/m3,Q为热水管流量,单位为m3/h,Sup_Tem为供热温度,Ret_Tem为回水温度,单位均为摄氏度;
(3)利用极限梯度提升XGBoost算法计算公寓建筑的室外温度、辐照度、风速及前一时刻的需热量这四个特征的权重以选择相似日;
(4)根据步骤(3)中通过XGBoost算法所确定的特征权重系数ω1,ω2,ω3,ω4,采用经过XGBoost算法加权改进的欧几里得范数EN进行相似日的选取;
所述步骤(4)中相似日的选取具体是指:
根据公式4.1-4.5计算出当前预测日和各个历史日之间的欧几里得范数EN,在由这些EN所组成的集合中选择出最小的EN值,此EN值所对应的历史日即为预测日的相似日;
ΔTt=Tt-Tt P (4.2)
ΔWFt=WFt-WFt P (4.3)
ΔP=Pt-1-PP (4.5)
其中,EN表示计算的欧几里德范数,Tt是预测日的室外温度,Tt P是历史日的室外温度,ΔTt是预测日室外温度与历史日室外温度的温度差值;WFt是预测日的风速,WFt P是历史日风速,ΔWFt是预测日风速与历史日风速之间的风速差值;RIt是预测日辐照度,是历史日辐照度,ΔRIt是预测日辐照度与历史日辐照度之间的辐照度差值;Pt-1是预测日的前一时刻的需热量,PP是历史日的需热量,ΔP是预测日前一时刻的需热量与历史日需热量之间的差值;
(5)在步骤(4)确定相似日的过程中,是通过计算预测日和历史日天气数据之间的欧几里德范数EN来进行相似日选择的,考虑到天气状况的不确定性,若找不到与预测日天气特征相似的历史日,则会出现按照步骤(4)的方法根据天气数据计算出的欧几里德范数EN是一个较大的值的情况,因此,设置一个欧几里德范数EN的阈值Tmin,在选取相似日之后,先对根据公式4.1得到的欧几里德范数EN的大小进行判断,如果超过阈值Tmin,则启动报警装置,提醒工作人员进行人工操作供热;
(6)将能够描述公寓建筑情况的参数作为XGBoost算法的输入特征,利用XGBoost算法可以计算出输入特征的权重系数,对所得到的权重系数按照数值大小进行排序,选择出数值较大的三个特征,即为对实际需热量影响最大的三个特征;
(7)对供热标准的特征处理:
将供热标准中的供热时段特征根据具体时间段进行量化,量化范围为0-1之间且数值越大代表该时间段对供热的需求量越大;将量化之后的数据作为新的供热标准特征;针对供热温度范围特征,选择温度范围的中位数作为新的特征量;
(8)居住人员作息规律特征处理:
将居住人员的居住时间段根据具体时段进行量化,将8点到18点认为是工作时段,此时段公寓人较少,量化为0,18点之后认为是休息时段,此时段公寓人较多,量化为1,并将量化之后的数据作为新的人员作息规律特征;
(9)根据能耗制约和节能要求对LSTMs的真实输出结果进行选取:
(10)建立LSTMs的模型,包含输入层、隐含层和输出层;其中,所述输入层的输入特征与公寓建筑情况、居住人员的作息规律、供热标准以及预测日和相似日的温度信息有关;所述隐含层是两层结构;所述输出层包含1个神经元。
2.根据权利要求1所述一种基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法,其特征在于所述步骤(1)中公寓独立供热系统的公寓建筑数据可以从公寓设计结构图或公寓建筑工程师处获取,包括外墙参数、外窗参数、缝隙参数、外门参数、地面参数、屋面参数;所述气象数据则从中国天气官网上获取,包括温度、辐照度和风速;所述供热标准是国家或行业政策以及相关规定;所述人员作息规律是指周一至周五白天上班,晚上7点下班,周六周日休息;所述供热温度、回水温度通过温度传感器获取;所述热水管流量通过压力传感器获取。
3.根据权利要求1所述一种基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法,其特征在于所述步骤(3)中相似日的选择具体是指:将公寓建筑的室外温度、辐照度、风速及前一时刻的需热量作为XGBoost算法模型的输入特征,则通过XGBoost算法即可确定对应于公寓建筑的室外温度、辐照度、风速及前一时刻的需热量的特征权重系数ω1,ω2,ω3,ω4,用于接下来相似日的选取。
4.根据权利要求1所述一种基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法,其特征在于所述步骤(6)中XGBoost算法的输入特征为公寓建筑的外墙参数、外窗参数、缝隙参数、外门参数、地面参数及屋面参数。
5.根据权利要求1所述一种基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法,其特征在于所述步骤(7)中对供热标准中的供热时段特征进行量化处理的方法为:
(7-1)23点至凌晨4点:该时间段随着自然温度逐渐降低,需热量应逐步提升,量化指标设置为0.7至1,且在该时间段内按时间线性增加;
(7-2)凌晨4点至8点:该时间段自然温度有所提升,需热量可逐渐减小,量化指标设置为1至0.5,且在该时间段内按时间线性减小;
(7-3)8点至9点:该时间段内,住户准备上班,并考虑到供热管网的时滞性,需热量应在该时间段内逐步降低,量化指标由0.5值0,且在该时间段内按时间线性减小;
(7-4)9点至12点:该时间段内,住户不在公寓内,为实现最大限度节能效果,量化指标为0;
(7-5)12点至14点:该时间段内,住户回公寓休息,对热量有一定需求,但考虑到该时间段自然温度较高,需热量可适当降低,量化指标为0至0.4,且在该时间段内按时间线性增加;
(7-6)14点至14点30:该时间段内,住户准备上班,并考虑到供热管网的时滞性,热量应在该时间段内逐步降低,量化指标由0.4至0,且在该时间段内按时间线性减小;
(7-7)14点30至16点30:该时间段内,住户不在公寓,为实现最大限度节能效果,量化指标为0;
(7-8)16点30至17点:该时间段内,住户下班准备回公寓,公寓住户逐渐增加,对热量需求逐步增加,量化指标为0至0.4,且在该时间段内按时间线性增加;
(7-9)17点至23点:该时间段内,住户在公寓活动,热量需求进一步增加,量化指标由0.4至0.7,且在该时间段内按时间线性增加。
6.根据权利要求1所述一种基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法,其特征在于所述步骤(9)对LSTMs的真实输出结果进行选取具体是指:考虑能耗制约和节能控制,LSTMs的标签在相似日的实际需热量和预测日的实际需热量中选择较小的一个。
7.根据权利要求1所述一种基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法,其特征在于所述步骤(10)中的输入层有12个输入特征,分别是3个能够描述公寓建筑情况的输入特征、2个能够描述供热标准的输入特征、1个能够描述居住人员作息规律的输入特征以及预测日和相似日的室外温度、辐照度和风速共计6个输入特征。
8.根据权利要求1所述一种基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法,其特征在于所述步骤(10)中的隐含层有两层构成,在训练模型时,需要依据模型的实际性能,动态调整隐含层的层数以及每层的LSTMs Unit的数目,以使得模型误差最小、效果最优。
9.根据权利要求1所述一种基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法,其特征在于所述步骤(10)中的输出层只有1个神经元,为需要预测的实际需热量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110540123.4A CN113237135B (zh) | 2021-05-18 | 2021-05-18 | 基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110540123.4A CN113237135B (zh) | 2021-05-18 | 2021-05-18 | 基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113237135A CN113237135A (zh) | 2021-08-10 |
CN113237135B true CN113237135B (zh) | 2022-07-05 |
Family
ID=77134900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110540123.4A Active CN113237135B (zh) | 2021-05-18 | 2021-05-18 | 基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113237135B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113803775B (zh) * | 2021-10-14 | 2023-04-18 | 北京嘉洁能科技股份有限公司 | 一种公共建筑供暖预测方法及供暖系统 |
CN114048928B (zh) * | 2022-01-12 | 2022-04-19 | 汉谷云智(武汉)科技有限公司 | 一种具备高度可迁移能力的建筑短期负荷预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08100940A (ja) * | 1992-10-23 | 1996-04-16 | Matsushita Electric Ind Co Ltd | 空気調和機の負荷予測装置 |
CN109681957A (zh) * | 2018-08-30 | 2019-04-26 | 中节能唯绿(北京)科技股份有限公司 | 一种换热站热负荷预测方法 |
CN111023224A (zh) * | 2019-12-05 | 2020-04-17 | 珠海横琴能源发展有限公司 | 一种供冷/热管网水力失调的控制方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6896675B2 (en) * | 2002-03-05 | 2005-05-24 | Baylis Medical Company Inc. | Intradiscal lesioning device |
-
2021
- 2021-05-18 CN CN202110540123.4A patent/CN113237135B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08100940A (ja) * | 1992-10-23 | 1996-04-16 | Matsushita Electric Ind Co Ltd | 空気調和機の負荷予測装置 |
CN109681957A (zh) * | 2018-08-30 | 2019-04-26 | 中节能唯绿(北京)科技股份有限公司 | 一种换热站热负荷预测方法 |
CN111023224A (zh) * | 2019-12-05 | 2020-04-17 | 珠海横琴能源发展有限公司 | 一种供冷/热管网水力失调的控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113237135A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103912966B (zh) | 一种地源热泵制冷系统优化控制方法 | |
CN113237135B (zh) | 基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法 | |
CN107909220A (zh) | 一种电采暖负荷预测方法 | |
CN109858673A (zh) | 一种光伏发电系统功率预测方法 | |
CN110071502B (zh) | 一种短期电力负荷预测的计算方法 | |
CN104484715A (zh) | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 | |
CN109959122A (zh) | 一种基于长短期记忆循环神经网络的空调能耗预测方法 | |
CN107730031A (zh) | 一种超短期高峰负荷预测方法及其系统 | |
CN106765959A (zh) | 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法 | |
CN105805822A (zh) | 基于神经网络预测的供热节能控制方法与系统 | |
CN110796307B (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
CN109886567B (zh) | 一种考虑体感温度和辐射强度的短期负荷预测方法 | |
CN109948824A (zh) | 一种利用模式识别技术对热力站热负荷进行预测的方法 | |
CN116187601B (zh) | 一种基于负荷预测的综合能源系统运行优化方法 | |
CN111580382A (zh) | 基于人工智能的单元级供热调节方法及系统 | |
Song et al. | An indoor temperature prediction framework based on hierarchical attention gated recurrent unit model for energy efficient buildings | |
CN113902582A (zh) | 一种楼宇综合能源负荷预测方法及系统 | |
CN114967804A (zh) | 配电房温度和湿度调控方法 | |
CN108376294A (zh) | 一种供能反馈与气象因素的热负荷预测方法 | |
CN114674026A (zh) | 一种管网供水流量优化控制方法及系统 | |
Rao et al. | Transformer-based power system energy prediction model | |
CN113757781A (zh) | 基于bp神经网络预测模型的供热负荷预测节能控制方法及系统 | |
CN108303898A (zh) | 新型太阳能-空气能耦合冷热联供系统的智能调度方法 | |
CN116485582A (zh) | 一种基于深度学习的供热优化调控方法及装置 | |
CN116989442A (zh) | 一种中央空调负荷预测方法及系统 |
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 |