CN114118862A - 一种换热站动态热负荷预测与调控方法及系统 - Google Patents
一种换热站动态热负荷预测与调控方法及系统 Download PDFInfo
- Publication number
- CN114118862A CN114118862A CN202111485406.XA CN202111485406A CN114118862A CN 114118862 A CN114118862 A CN 114118862A CN 202111485406 A CN202111485406 A CN 202111485406A CN 114118862 A CN114118862 A CN 114118862A
- Authority
- CN
- China
- Prior art keywords
- data
- heat exchange
- exchange station
- heat
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 25
- 230000000694 effects Effects 0.000 claims abstract description 23
- 230000001105 regulatory effect Effects 0.000 claims abstract description 20
- 238000004140 cleaning Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 230000001502 supplementing effect Effects 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000010438 heat treatment Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 230000001276 controlling effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 5
- 238000004134 energy conservation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/06—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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种换热站动态热负荷预测与调控方法及系统,方法包括:S1,获取待处理地区的气象数据与换热站运行数据;S2,清洗气象数据与换热站历史运行数据,将气象参数做归一化处理,将换热站逐时热量数据进行修正补充,获得处理后的数据;S3,根据处理后的数据构建并划分数据集,确定数据集中的各类参数,并在组合成数据组后划分数据集类别;S4,构建换热站动态热负荷预测模型作为SVR模型结构,利用处理后数据集训练SVR模型结构,并对SVR模型结构的运行效果进行评价;S5,将评价合格的SVR模型结构接入换热站后,预测并输出换热站实时热负荷变化。根据预测负荷值自动调整换热站运行状态,实现供给热量与需求热量的动态平衡。
Description
技术领域
本发明涉及城市集中供暖系统技术领域,特别是涉及一种换热站动态热负荷预测与调控方法及系统。
背景技术
热量需求与供给平衡是实现供暖系统节能的途径之一,实现热量“供需平衡”的关键是有效预测用户的热量需求,换热站作为连接热源与热用户的重要一环,其负荷变化反映了其负担的建筑群的热量需求变化。
因此准确预测换热站的负荷情况并根据预测结果进行调控是实现热量“供需平衡”与节能的有效方式。
目前已有许多关于换热站智能调控的研究,但多数研究所用数据包括了换热站自身运行数据如供回水温度、瞬时热量等参数作为模型输入,此类预测方法的效果受各参数变化特征与实时记录的数据质量的影响较大。
发明内容
本发明的目的是提供了一种换热站动态热负荷预测与调控方法及系统,输入参数容易获取的换热站动态热负荷预测模型且该模型能够根据预测负荷值自动调整换热站运行状态,实现供给热量与需求热量的动态平衡,实现集中供暖系统的节能降耗。
为解决上述技术问题,本发明实施例提供了一种换热站动态热负荷预测与调控方法,包括:
S1,获取待处理地区的气象数据与换热站运行数据;
S2,清洗所述气象数据与换热站历史运行数据,将气象参数做归一化处理,将换热站逐时热量数据进行修正补充,获得处理后的数据;
S3,根据所述处理后的数据构建并划分数据集,确定所述数据集中的各类参数,并在组合成数据组后划分数据集类别;
S4,构建换热站动态热负荷预测模型作为SVR模型结构,利用处理后数据集训练所述SVR模型结构,并对所述SVR模型结构的运行效果进行评价;
S5,将评价合格的所述SVR模型结构接入所述换热站后,预测并输出所述换热站实时热负荷变化。
其中,所述获取待处理地区的气象数据与换热站运行数据,包括:
通过自建气象站或国家气象科学数据中心获取所述待处理地区的气象数据与换热站运行数据,其中,所述待处理地区的气象数据与换热站运行数据包括:所述待处理地区的室外温度、太阳辐射水平、室外湿度、风速、风向,以及换热站运行时一次网瞬时热量值、所负担的建筑类型与供暖面积。
其中,所述将气象参数做归一化处理包括:
选用最值归一化,计算公式为:
其中,X为样本原始数据;Xmax为样本数据最大值;Xmin为样本数据最小值;x为归一化后的数据。
其中,所述S2包括:
根据原始数据的变化情况总结归纳热量变化范围的阈值,用于减少异常波动对数据质量的影响;
利用箱型图按时间分段查找所述原始数据中的异常值后,剔除所述原始数据中的异常热量值以保证热量变化的合理性;
对缺失数据与剔除的异常数据进行填补。
其中,所述对缺失数据与剔除的异常数据进行填补,包括:
判断数据缺失数量是否小于3;
若是,通过相邻数据的线性插值进行填补;
否则,通过历史运行数据构建SVR模型进行训练后再通过对应参数预测出缺失值热量进行填补。
其中,所述S3包括:
将归一化后的所述气象数据与清洗后的所述换热站一次网瞬时热量数据按时间进行匹配,构建模型所用的数据集;
将构建好的所述数据划分为50%~60%、20%~25%、20%~25%三部分,作为模型对应的训练集、验证集与测试集;
其中,所述模型利用所述训练集与所述验证集数据建立验证模型,用所述测试集数据检查模型运行效果。
其中,所述S4包括:
利用数据库中的训练集建立模型;
在考虑所述换热站负担的建筑类型与供暖面积的基础上,使所述 SVR模型结构自动寻找并建立气象参数和时间序列与换热站一次网逐时热量值之间的关系,达到提供相关输入参数后即可准确预测换热站负荷值的要求;
在阈值控制模型输出结果的条件下,将所述测试集数据中影响换热站负荷因素的数据作为模型输入,得出模型预测负荷值,并将模型输出的预测热负荷值与实际热负荷进行对比;
计算所述预测负荷值与所述实际负荷值间的平均相对误差与均方根误差;
根据所述平均相对误差与均方根误差取值越小则说明模型精度越高的规则对所述SVR模型结构进行评价并输出评价结果;
其中,所述平均相对误差用MAPE表示,所述均方根误差用RMSE 表示,计算公式分别为:
其中,yp为模型输出值,W/m2;yd为实际值,W/m2;n为所用的数据总量。
其中,在所述S5之后,还包括:
利用所述换热站历史运行数据与气象数据不断进行学习以及修正模型。
其中,所述S4还包括:
判断所述SVR模型结构的运行效果是否合格;
若否,则输出不合格提示或警告,否则,实时输出所述SVR模型结构的运行效果。
除此之外,本申请实施例还提供了一种换热站动态热负荷预测与调控方法及系统,包括:
数据获取模块,用于获取待处理地区的气象数据与换热站运行数据;
数据清洗模块,用于清洗所述气象数据与换热站历史运行数据,将气象参数做归一化处理,将换热站逐时热量数据进行修正补充;
数据集划分模块,用于根据所述处理后的数据构建并划分数据集,确定所述数据集中的各类参数,并在组合成数据组后划分数据集类别;
模型构建和训练模块,用于构建换热站动态热负荷预测模型作为 SVR模型结构,利用处理后数据集训练所述SVR模型结构,并对所述SVR模型结构的运行效果进行评价;
预测模块,用于将评价合格的所述SVR模型结构接入所述换热站后,预测并输出所述换热站实时热负荷变化。
本发明实施例所提供的换热站动态热负荷预测与调控方法及系统,与现有技术相比,具有以下优点:
本发明实施例提供的换热站动态热负荷预测与调控方法及系统,建立输入参数容易获取的换热站动态热负荷预测模型且该模型能够根据预测负荷值自动调整换热站运行状态,实现供给热量与需求热量的动态平衡,实现集中供暖系统的节能降耗。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的换热站动态热负荷预测与调控方法的一种具体实施方式的步骤流程示意图;
图2为本发明实施例提供的换热站动态热负荷预测与调控方法的一种具体实施方式的结构示意图。
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1~2,图1为本发明实施例提供的换热站动态热负荷预测与调控方法的一种具体实施方式的步骤流程示意图;图2为本发明实施例提供的换热站动态热负荷预测与调控方法的一种具体实施方式的结构示意图。
在一种具体实施方式中,所述换热站动态热负荷预测与调控方法,包括:
S1,获取待处理地区的气象数据与换热站运行数据;
S2,清洗所述气象数据与换热站历史运行数据,将气象参数做归一化处理,将换热站逐时热量数据进行修正补充,获得处理后的数据;
S3,根据所述处理后的数据构建并划分数据集,确定所述数据集中的各类参数,并在组合成数据组后划分数据集类别;
S4,构建换热站动态热负荷预测模型作为SVR模型结构,利用处理后数据集训练所述SVR模型结构,并对所述SVR模型结构的运行效果进行评价;
S5,将评价合格的所述SVR模型结构接入所述换热站后,预测并输出所述换热站实时热负荷变化。
建立输入参数容易获取的换热站动态热负荷预测模型且该模型能够根据预测负荷值自动调整换热站运行状态,实现供给热量与需求热量的动态平衡,实现集中供暖系统的节能降耗。
本申请中对于数据的获取方法和需要的数据数据类型不做限定,一个实施例中,所述获取待处理地区的气象数据与换热站运行数据,包括:
通过自建气象站或国家气象科学数据中心获取所述待处理地区的气象数据与换热站运行数据。
除此之外,还可以采用其它的方式,或者采用多种方式的结合等,从中筛选精度较高的数据。
根据已有的关于影响换热站负荷因素的研究可知室外温度、太阳辐射水平、室外湿度、风速、风向对换热站负荷具有显著影响,因此选用上述气象参数作为模型输入,所用的气象数据的可通过自建气象站或国家气象科学数据中心获取。
换热站运行时将记录大量一次网与二次网的供回水温度、供回水压力、供回水流量、瞬时热量值等一系列参数,本发明的目的是预测换热站负荷变化情况,因此在换热站提供的历史运行数据中仅选用一次网瞬时热量这一参数用于模型建立。由于供暖系统规模较大,短时间内不会出现热量值的大幅波动,因此选用一次网逐时热量值即可满足模型建立需求。
换热站所负担的建筑类型与供暖面积也会影响换热站的负荷变化特性,因此需要统计换热站负担的建筑类型与供暖面积信息,并在模型建立中考虑两因素。
因此,在一个实施例中,所述待处理地区的气象数据与换热站运行数据包括:
所述待处理地区的室外温度、太阳辐射水平、室外湿度、风速、风向,以及换热站运行时一次网瞬时热量值、所负担的建筑类型与供暖面积。
需要指出的是,在本申请中,包括但是不局限于上述的数据,如果需要还可以增加或减少数据类型。
虽然获得了数据,但是其中有不可靠数据,不能全部直接使用,否则会出现逻辑错误等情况,大大降低模型预测的可靠性,因此,需要进行数据清洗,同时为了计算的需要,要对数据进归一化处理,本申请对于归一化数据处理的过程不做限定,一个实施例中,所述将气象参数做归一化处理包括:
选用最值归一化,计算公式为:
其中,X为样本原始数据;Xmax为样本数据最大值;Xmin为样本数据最小值;x为归一化后的数据。
本申请中包括但是不局限于上述的归一化方式。
更进一步,由于数据本身的缺失等原因,为了提高数据质量,在一个实施例中,所述S2包括:
根据原始数据的变化情况总结归纳热量变化范围的阈值,用于减少异常波动对数据质量的影响;
利用箱型图按时间分段查找所述原始数据中的异常值后,剔除所述原始数据中的异常热量值以保证热量变化的合理性;
对缺失数据与剔除的异常数据进行填补。
通过根据原始数据的变化情况总结归纳热量变化范围的阈值,对于异常数据进行剔除,保证了数据的质量,保证了后续的模型训练以及预测的可靠性。
同时,对于异常数据进行对缺失数据与剔除的异常数据进行填补,从而保证了后续的模型建立以及训练的高效性,保证了预测的效果。
本申请对于数据填补的方式不做限定,所述对缺失数据与剔除的异常数据进行填补,包括:
判断数据缺失数量是否小于3;
若是,通过相邻数据的线性插值进行填补;
否则,通过历史运行数据构建SVR模型进行训练后再通过对应参数预测出缺失值热量进行填补。
需要指出的是,在本申请中进行数据填补操作,包括但是不局限于上述的方式,而且二者的临界值不一定局限于3,而且在某些特殊情况下,还可以根据数据缺失是否过多而重新获得数据,判定该数据无效等。
完成数据清洗后,需要进行数据的分类,本申请对于该过程不做限定,在一个实施例中,所述S3包括:
将归一化后的所述气象数据与清洗后的所述换热站一次网瞬时热量数据按时间进行匹配,构建模型所用的数据集;
将构建好的所述数据集划分为50%~60%、20%~25%、20%~25%三部分,作为模型对应的训练集、验证集与测试集;
其中,所述模型利用所述训练集与所述验证集数据建立验证模型,用所述测试集数据检查模型运行效果。
需要指出的是,本申请中对于训练集、验证集与测试集的划分并不局限于上述的范围。
一个实施例中,换热站一次网瞬时热量变化也受到用户行为的影响,时间序列是反映用户行为的特征参数之一,因此时间序列也是本发明模型所用的输入参数。不同的日期类型用户需求与行为存在差异,同一天的不同时间段内用户需求也有所不同,因此将时间参数划分为日期、星期、小时,并作为模型的输入参数。
将归一化后的气象数据与清洗后的换热站一次网瞬时热量数据按时间进行匹配,构建模型所用的数据集。将构建好的数据集划分为 60%、20%、20%三部分,分别作为模型的训练集、验证集与测试集。模型利用训练集与验证集数据建立验证模型,用测试集数据检查模型运行效果。
本申请的核心是模型的建立,对于该过程的具体操作不做限定,一个实施例汇总,所述S4包括:
利用数据库中的训练集建立模型;
在考虑所述换热站负担的建筑类型与供暖面积的基础上,使所述 SVR模型结构自动寻找并建立气象参数和时间序列与换热站一次网逐时热量值之间的关系,达到提供相关输入参数后即可准确预测换热站负荷值的要求;
在阈值控制模型输出结果的条件下,将所述测试集数据中影响换热站负荷因素的数据作为模型输入,得出模型预测负荷值,并将模型输出的预测热负荷值与实际热负荷进行对比;
计算所述预测负荷值与所述实际负荷值间的平均相对误差与均方根误差;
根据所述平均相对误差与均方根误差取值越小则说明模型精度越高的规则对所述SVR模型结构进行评价并输出评价结果;
其中,所述平均相对误差用MAPE表示,所述均方根误差用RMSE 表示,计算公式分别为:
其中,yp为模型输出值,W/m2;yd为实际值,W/m2;n为所用的数据总量。
本申请中的模型接入换热站使用前需要利用一个供暖季的气象数据与换热站热量数据进行训练,模型经过一个供暖季的数据训练后能掌握该换热站所负担建筑的热量需求特性,能较为准确地预测换热站实时热负荷变化情况。模型接入换热站后还能利用最新累计的换热站热量数据对自身进行修正,提高模型的适用性与准确性。
为了进一步提高预测准确性以及控制的高效性,在所述S5之后,还包括:
利用所述换热站历史运行数据与气象数据不断进行学习以及修正模型。
通过根据输出的预测负荷值自动调节换热站运行状态,当模型预测值与换热站实际热量值存在较大差异时自动调整换热站热量供给量,通过这种方式能使模型预测热量与实际热量逐步趋于一致,模型精度也得以进一步提高。
由于在本申请中对于不同的范围来说需要的预测精度不同,因而需要步骤S4中的评价效果,而如果不能满足要求,则需继续训练或者模型重置,为了实现对该过程的监控,提高预测质量,一个实施例中,所述S4还包括:
判断所述SVR模型结构的运行效果是否合格;
若否,则输出不合格提示或警告,否则,实时输出所述SVR模型结构的运行效果。
可以通过显示屏等,直接输出运行效果,采用打分或评级等方式实现。
除此之外,本申请实施例还提供了一种换热站动态热负荷预测与调控方法及系统,包括:
数据获取模块10,用于获取待处理地区的气象数据与换热站运行数据;
数据清洗模块20,用于清洗所述气象数据与换热站历史运行数据,将气象参数做归一化处理,将换热站逐时热量数据进行修正补充;
数据集划分模块30,用于根据所述处理后的数据构建并划分数据集,确定所述数据集中的各类参数,并在组合成数据组后划分数据集类别;
模型构建和训练模块40,用于构建换热站动态热负荷预测模型作为SVR模型结构,利用处理后数据集训练所述SVR模型结构,并对所述SVR模型结构的运行效果进行评价;
预测模块50,用于将评价合格的所述SVR模型结构接入所述换热站后,预测并输出所述换热站实时热负荷变化。
本申请公开的换热站动态热负荷预测与调控方法,利用室外温度、历史太阳辐射值、室外湿度、风速、风向这5组气象参数以及日期、星期、小时这3组时间序列作为模型输入并在考虑换热站负担的建筑类型与供暖面积的基础上,达到预测换热站动态热负荷的目的。获取当地历史气象数据与换热站历史运行数据后,分别对其进行处理,原始数据清洗整理完毕后对数据集进行构建与划分,上述工作完毕后建立换热站动态热负荷预测模型并检验模型运行效果,模型建立完成后接入换热站指导换热站实际运行并在工作过程中不断实现自身完善修正工作。同时提出的模型通过热量阈值控制的方式有效提升了模型的预测精度,使模型输出一直在合理范围内变化。此换热站动态热负荷预测模型所用的输入参数不包含反映换热站自身运行情况的数据,该模型经过训练后可利用气象数据与时间序列对换热站热负荷做出准确预测并根据预测结果自动调节换热站运行状态。
综上所述,本发明实施例提供的换热站动态热负荷预测与调控方法及系统,建立输入参数容易获取的换热站动态热负荷预测模型且该模型能够根据预测负荷值自动调整换热站运行状态,实现供给热量与需求热量的动态平衡,实现集中供暖系统的节能降耗。
以上对本发明所提供的换热站动态热负荷预测与调控方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种换热站动态热负荷预测与调控方法,其特征在于,包括:
S1,获取待处理地区的气象数据与换热站运行数据;
S2,清洗所述气象数据与换热站历史运行数据,将气象参数做归一化处理,将换热站逐时热量数据进行修正补充,获得处理后的数据;
S3,根据所述处理后的数据构建并划分数据集,确定所述数据集中的各类参数,并在组合成数据组后划分数据集类别;
S4,构建换热站动态热负荷预测模型作为SVR模型结构,利用处理后数据集训练所述SVR模型结构,并对所述SVR模型结构的运行效果进行评价;
S5,将评价合格的所述SVR模型结构接入所述换热站后,预测并输出所述换热站实时热负荷变化。
2.根据权利要求1所述换热站动态热负荷预测与调控方法,其特征在于,所述获取待处理地区的气象数据与换热站运行数据,包括:
通过自建气象站或国家气象科学数据中心获取所述待处理地区的气象数据与换热站运行数据,其中,所述待处理地区的气象数据与换热站运行数据包括:所述待处理地区的室外温度、太阳辐射水平、室外湿度、风速、风向,以及换热站运行时一次网瞬时热量值、所负担的建筑类型与供暖面积。
4.根据权利要求3所述换热站动态热负荷预测与调控方法,其特征在于,所述S2包括:
根据原始数据的变化情况总结归纳热量变化范围的阈值,用于减少异常波动对数据质量的影响;
利用箱型图按时间分段查找所述原始数据中的异常值后,剔除所述原始数据中的异常热量值以保证热量变化的合理性;
对缺失数据与剔除的异常数据进行填补。
5.根据权利要求4所述换热站动态热负荷预测与调控方法,其特征在于,所述对缺失数据与剔除的异常数据进行填补,包括:
判断数据缺失数量是否小于3;
若是,通过相邻数据的线性插值进行填补;
否则,通过历史运行数据构建SVR模型进行训练后再通过对应参数预测出缺失值热量进行填补。
6.根据权利要求5所述换热站动态热负荷预测与调控方法,其特征在于,所述S3包括:
将归一化后的所述气象数据与清洗后的所述换热站一次网瞬时热量数据按时间进行匹配,构建模型所用的数据集;
将构建好的所述数据集划分为50%~60%、20%~25%、20%~25%三部分,作为模型对应的训练集、验证集与测试集;
其中,所述模型利用所述训练集与所述验证集数据建立验证模型,用所述测试集数据检查模型运行效果。
7.根据权利要求6所述换热站动态热负荷预测与调控方法,其特征在于,所述S4包括:
利用数据库中的训练集建立模型;
在考虑所述换热站负担的建筑类型与供暖面积的基础上,使所述SVR模型结构自动寻找并建立气象参数和时间序列与换热站一次网逐时热量值之间的关系,达到提供相关输入参数后即可准确预测换热站负荷值的要求;
在阈值控制模型输出结果的条件下,将所述测试集数据中影响换热站负荷因素的数据作为模型输入,得出模型预测负荷值,并将模型输出的预测热负荷值与实际热负荷进行对比;
计算所述预测负荷值与所述实际负荷值间的平均相对误差与均方根误差;
根据所述平均相对误差与均方根误差取值越小则说明模型精度越高的规则对所述SVR模型结构进行评价并输出评价结果;
其中,所述平均相对误差用MAPE表示,所述均方根误差用RMSE表示,计算公式分别为:
其中,yp为模型输出值,W/m2;yd为实际值,W/m2;n为所用的数据总量。
8.根据权利要求7所述换热站动态热负荷预测与调控方法,其特征在于,在所述S5之后,还包括:
利用所述换热站历史运行数据与气象数据不断进行学习以及修正模型。
9.根据权利要求8所述换热站动态热负荷预测与调控方法,其特征在于,所述S4还包括:
判断所述SVR模型结构的运行效果是否合格;
若否,则输出不合格提示或警告,否则,实时输出所述SVR模型结构的运行效果。
10.一种换热站动态热负荷预测与调控方法及系统,其特征在于,包括:
数据获取模块,用于获取待处理地区的气象数据与换热站运行数据;
数据清洗模块,用于清洗所述气象数据与换热站历史运行数据,将气象参数做归一化处理,将换热站逐时热量数据进行修正补充;
数据集划分模块,用于根据所述处理后的数据构建并划分数据集,确定所述数据集中的各类参数,并在组合成数据组后划分数据集类别;
模型构建和训练模块,用于构建换热站动态热负荷预测模型作为SVR模型结构,利用处理后数据集训练所述SVR模型结构,并对所述SVR模型结构的运行效果进行评价;
预测模块,用于将评价合格的所述SVR模型结构接入所述换热站后,预测并输出所述换热站实时热负荷变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111485406.XA CN114118862A (zh) | 2021-12-07 | 2021-12-07 | 一种换热站动态热负荷预测与调控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111485406.XA CN114118862A (zh) | 2021-12-07 | 2021-12-07 | 一种换热站动态热负荷预测与调控方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118862A true CN114118862A (zh) | 2022-03-01 |
Family
ID=80367321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111485406.XA Pending CN114118862A (zh) | 2021-12-07 | 2021-12-07 | 一种换热站动态热负荷预测与调控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118862A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969306A (zh) * | 2019-12-05 | 2020-04-07 | 国网辽宁省电力有限公司沈阳供电公司 | 基于深度学习的配电低压台区负荷预测方法及装置 |
CN111079980A (zh) * | 2019-11-22 | 2020-04-28 | 天合云能源互联网技术(杭州)有限公司 | 基于自适应分类策略和混合优化svr的光功率预测方法 |
CN113095598A (zh) * | 2021-05-07 | 2021-07-09 | 国网山东省电力公司经济技术研究院 | 一种多能负荷预测方法、系统、设备和介质 |
CN113657660A (zh) * | 2021-08-12 | 2021-11-16 | 杭州英集动力科技有限公司 | 基于分站负荷和热网滞后模型的热源负荷预测方法 |
-
2021
- 2021-12-07 CN CN202111485406.XA patent/CN114118862A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079980A (zh) * | 2019-11-22 | 2020-04-28 | 天合云能源互联网技术(杭州)有限公司 | 基于自适应分类策略和混合优化svr的光功率预测方法 |
CN110969306A (zh) * | 2019-12-05 | 2020-04-07 | 国网辽宁省电力有限公司沈阳供电公司 | 基于深度学习的配电低压台区负荷预测方法及装置 |
CN113095598A (zh) * | 2021-05-07 | 2021-07-09 | 国网山东省电力公司经济技术研究院 | 一种多能负荷预测方法、系统、设备和介质 |
CN113657660A (zh) * | 2021-08-12 | 2021-11-16 | 杭州英集动力科技有限公司 | 基于分站负荷和热网滞后模型的热源负荷预测方法 |
Non-Patent Citations (4)
Title |
---|
北京市发展和改革委员会编: "《节能管理与新机制篇》", 31 October 2008, 中国环境科学出版社 北京 * |
张佼等: ""基于遗传算法优化支持向量机参数的供热负荷预测"", 《暖通空调HV&AC》 * |
章婕: ""基于BP神经网络的短期供热负荷组合预测研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
车金星: ""复杂数据的变量选择与预测方法研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111210093B (zh) | 基于大数据的日用水量预测方法 | |
CN104268800B (zh) | 基于场景库的风电并网调峰平衡判定方法 | |
CN108596242B (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
CN104699890A (zh) | 一种城网配变重过载短期预警模型的建模方法 | |
CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
CN110866658A (zh) | 一种城市电网中长期负荷预测方法 | |
CN111008727A (zh) | 一种配电台区负荷预测方法及装置 | |
CN113326654A (zh) | 一种燃气负荷预测模型的构建方法及装置 | |
CN111723085A (zh) | 公共建筑空调用电能耗数据清洗方法及系统 | |
CN111507507A (zh) | 基于大数据的月用水量预测方法 | |
CN110991747A (zh) | 一种计及风电场功率的短期负荷预测方法 | |
WO2024082836A1 (zh) | 一种水风光储多能互补系统综合效益评估方案寻优方法 | |
CN114118862A (zh) | 一种换热站动态热负荷预测与调控方法及系统 | |
CN108615091B (zh) | 基于聚类筛选和神经网络的电力气象负荷数据预测方法 | |
CN116385053A (zh) | 一种电力现货市场日前价格的预测方法、系统及介质 | |
CN116485582A (zh) | 一种基于深度学习的供热优化调控方法及装置 | |
CN115660500A (zh) | 一种新能源发电项目弃电率评估方法 | |
CN115577903A (zh) | 新能源对电网调峰影响的评估方法、装置、设备及介质 | |
CN104794536A (zh) | 一种自助售电终端的清机维护时间的预测方法 | |
CN108665090A (zh) | 基于主成分分析与Verhulst模型的城市电网饱和负荷预测方法 | |
CN110222879B (zh) | 一种考虑置信区间的系统-母线负荷预测协调方法及装置 | |
Feng et al. | Short-term load forecasting based on weather information | |
CN112614006A (zh) | 负荷预测方法、装置、计算机可读存储介质以及处理器 | |
CN104751233A (zh) | 契约容量最佳化系统及最佳化方法 | |
CN112801333B (zh) | 一种基于XGBoost的配电网线路夏季峰值负荷预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220301 |