CN114444655A - 基于蓝牙通信和迁移学习的热用户室温测量及控制方法 - Google Patents

基于蓝牙通信和迁移学习的热用户室温测量及控制方法 Download PDF

Info

Publication number
CN114444655A
CN114444655A CN202111626832.0A CN202111626832A CN114444655A CN 114444655 A CN114444655 A CN 114444655A CN 202111626832 A CN202111626832 A CN 202111626832A CN 114444655 A CN114444655 A CN 114444655A
Authority
CN
China
Prior art keywords
data
room temperature
layer
heat supply
scheduling 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
Application number
CN202111626832.0A
Other languages
English (en)
Inventor
时伟
穆佩红
金鹤峰
谢金芳
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.)
Zhengzhou Yingji Power Technology Co ltd
Original Assignee
Zhengzhou Yingji Power Technology 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 Zhengzhou Yingji Power Technology Co ltd filed Critical Zhengzhou Yingji Power Technology Co ltd
Priority to CN202111626832.0A priority Critical patent/CN114444655A/zh
Publication of CN114444655A publication Critical patent/CN114444655A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
    • G01K1/02—Means for indicating or recording specially adapted for thermometers
    • G01K1/024—Means for indicating or recording specially adapted for thermometers for remote indication
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/40—Arrangements in telecontrol or telemetry systems using a wireless architecture
    • H04Q2209/43—Arrangements in telecontrol or telemetry systems using a wireless architecture using wireless personal area networks [WPAN], e.g. 802.15, 802.15.1, 802.15.4, Bluetooth or ZigBee

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种基于蓝牙通信和迁移学习的热用户室温测量及控制方法，包括：选取多个典型用户作为室温测量点，并选取有效固定位置依次安装室温采集装置；所述室温采集装置至少包括温度采集模块、蓝牙通信模块和控制模块；室温采集装置通过其蓝牙通信模块与用户蓝牙智能终端建立蓝牙通信连接后，将采集的室内温度传输至用户蓝牙智能终端；后台服务器将室内温度与设定的目标温度值进行比对分析后，采用卷积神经网络和迁移学习方法建立以热用户室内温度为控制目标的热网平衡优化调度模型；通过热网平衡优化调度模型对阀门和水泵进行前馈调节后，再次获取采集的室内温度，判断室内温度是否达标。

Description

基于蓝牙通信和迁移学习的热用户室温测量及控制方法
技术领域
本发明属于智慧供热室温测量技术领域，具体涉及一种基于蓝牙通信和迁移学习的热用户室温测量及控制方法。
背景技术
在供热行业，智慧供热已被正式提出并被行业内的有识之士广泛专注。而在智慧供热中，热用户的室内温度采集显得尤为重要，室温监测数据不仅是采暖效果的依据，更是构成智慧供热全网控制策略的数据基础。在智慧供热系统中，无论是热用户所处的需求侧，还是供热企业所处的供给侧，供热的代表性关键参数都是热用户室内温度，因此，室内温度监测是实现智慧供热的重要手段，不仅仅反馈热用户实时的室内采暖温度，作为判断热用户采暖状态以及供热系统保障效果的依据。
然而，供热管网中存在供热量不均衡问题，经常出现近热远冷的现象，住户的室内温度不达标，供热用户投诉时有发生。其中，终端热用户室内温度信息是表征供热效果的最直接参数，能够及时采集用户室内温度信息，直观了解供热效果，即可根据实际情况及时调整供水温度及供水流量，可有效的减少客户投诉现象的发生并进一步防止供过于求导致的能源浪费。
但是，目前很多供热公司对于终端用户室内温度的采集方式基本上还处于被动的局面，即当有客户投诉发生时，采用人工测温的方式去用户家中采集温度，这就出现了采集数据不及时、不连续的问题，极大的影响了服务的质量与解决问题的时效性；而采用GPRS、NB-IOT、LORA技术进行无线室温采集时成本较高，用户和供热企业也不愿意接受；
另外，针对新的热力站其运行数据较少，难以依据采集的室内温度和历史运行数据等建立热网平衡调度模型；此外，对于同一热力站，在进入新的供暖季时供热情景与历史供热季相比会发生变化，基于历史供暖季数据建立热网平衡调度模型在新供暖季使用时会出现模型精度下降的现象。
基于上述技术问题，需要设计一种新的基于蓝牙通信和迁移学习的热用户室温测量及控制方法。
发明内容
本发明的目的是提供一种基于蓝牙通信和迁移学习的热用户室温测量及控制方法，能够对用户室内温度及时有效采集，且基于蓝牙模块进行采集具有成本低、功耗低的特点，以及根据采集的室内用户温度结合供热系统运行数据、天气数据，采用迁移学习算法能够对源域的热网平衡调度模型迁移至目标域，避免了新热力站数据较少，难以采集分析的问题和新供暖季热网平衡调度模型精度下降的问题。
为了解决上述技术问题，本发明提供了一种基于蓝牙通信和迁移学习的热用户室温测量及控制方法，其特征在于，所述热用户室温测量及控制方法包括：
步骤S1、选取多个典型用户作为室温测量点，并选取有效固定位置依次安装室温采集装置；所述室温采集装置至少包括温度采集模块、蓝牙通信模块和控制模块；
步骤S2、所述室温采集装置通过其蓝牙通信模块与用户蓝牙智能终端建立蓝牙通信连接后，将采集的室内温度传输至所述用户蓝牙智能终端；
步骤S3、所述后台服务器将所述室内温度与设定的目标温度值进行比对分析后，采用卷积神经网络和迁移学习方法建立以热用户室内温度为控制目标的热网平衡优化调度模型；
步骤S4、通过所述热网平衡优化调度模型对阀门和水泵进行前馈调节后，再次获取采集的室内温度，判断室内温度是否达标。
进一步，所述步骤S1中，所述选取多个典型用户作为室温测量点，并选取有效固定位置依次安装室温采集装置，具体包括：
选择相对于供热站的距离为远距、中距和近距的不同建筑作为典型楼栋进行室温采集；
针对不同楼栋选取底层、中层和顶层住户作为典型用户作为室温测量点；
针对不同用户的房间使用面积选取一个或多个有效固定位置安装室温采集装置；所述有效固定位置为：距离外墙内表面不小于(1.5±0.05)m，距离内墙表面不小于(1.0±0.05)m，距离地面正上方(1.4±0.05)m；
以及在安装室温采集装置之后，还包括：通过管理员蓝牙智能终端获取和记录用户蓝牙智能终端的有效位置信息和各个典型用户中室温采集装置的数据信息，至少包括楼栋标识、住户标识、采集装置标识、当前室内温度和记录时间。
进一步，所述步骤S2中，所述室温采集装置通过其蓝牙通信模块与用户蓝牙智能终端建立蓝牙通信连接后，将采集的所述室内温度传输至所述用户蓝牙智能终端，具体包括：
开启用户蓝牙智能终端的蓝牙功能后，用户智能终端的室温采集客户端将自动搜索蓝牙模块范围内可用的蓝牙设备，即室温采集装置，并对其设备名及密码进行匹配后，即自动与数据采集装置成功建立蓝牙通信连接，且停止设备寻找；
所述数据采集装置中的温度采集模块采集室内温度后，通过所述蓝牙通信模块向所述用户蓝牙智能终端传输数据包；
所述用户蓝牙智能终端接收到数据包后，获取数据包的基本信息，包括室内温度信息、采集装置标识和当前时间；
其中，在建立蓝牙通信连接时，判定所述用户蓝牙智能终端的位置信息是否在标定的预设位置，若在预设位置，则允许建立蓝牙通信连接；否则禁止建立蓝牙通信连接。
进一步，所述步骤S3中，所述后台服务器将所述室内温度与设定的目标温度值进行比对分析后，采用卷积神经网络和迁移学习方法建立以热用户室内温度为控制目标的热网平衡优化调度模型，具体包括：
所述后台服务器对所述室内温度与设定的目标温度值进行偏差计算，判断偏差是否在预设范围内，若偏差不在预设范围内，则采用卷积神经网络和迁移学习方法建立以热用户为控制目标的热网平衡优化调度模型，即：
通过卷积神经网络和反向传播算法对历史源域数据训练生成热网平衡调度模型；
对所述热网平衡调度模型进行迁移训练和微调：加载源域训练热网平衡调度模型中除最后全连接层之外的模型参数和权重，利用目标域数据重新训练一个完整的全连接模型，并保存最后的全连接模型提取的参数和权重作为下一阶段全连接层中的特征提取源；在全连接层中加载上一阶段源域模型训练特征和权重，冻结部分层或整个模型层结构的训练参数，利用源域数据和反向传播算法对迁移训练后的热网平衡调度模型进行微调；
将目标域数据输入微调后的热网平衡调度模型中，然后输出供水温度预测值，再通过调节阀门开度保证供水温度达到预测值，通过供水温度调节控制热用户室内温度。
进一步，利用历史源域数据训练热网平衡调度模型，具体包括：
从供热系统中获取N时刻历史运行数据、N时刻天气数据和N-T时刻室内温度数据和N时刻室内温度数据作为源域输入变量，N+T时刻室内温度作为源域输出变量；所述历史运行数据包括供水温度、回水温度、供水压力、回水压力和瞬时流量；所述天气数据包括室外温度数据、湿度数据、风速和外部气压；
对获取的源域数据进行预处理：去掉重复数据、补全缺失数据和异常值处理；其中去掉重复数据时，将同一时间重复存储的数据进行去重，保留一个即可；补全数据时，在两端时刻都有数据时，利用相邻两边数据取平均值代替缺失值，若序列的开头或者结尾缺失数据，利用上一周和下一周该时刻的数据平均值代替缺失值；异常值处理时，通过3-sigma方法对数据序列进行异常值判别，对检测出来的异常值用相邻值进行代替；
将预处理后的源域数据划分为70％的训练数据集和30％的测试数据集；
通过反向传播算法对卷积神经网络模型中的卷积特征映射网络单元与全连接分类网络单元进行优化后，将源域训练数据集输入至优化的卷积神经网络模型中进行训练生成热网平衡调度模型；
通过源域测试数据集对训练生成的热网平衡调度模型进行准确率计算，若准确率小于预设准确率，则对卷积神经网络模型重新进行优化；否则，停止训练，将热网平衡调度模型的参数保存。
进一步，所述利用源域数据和反向传播算法对迁移训练后的热网平衡调度模型进行微调，具体包括：
从带标签的源域训练数据集中抽取大小为m的微调用训练数据；
使用反向传播算法优化热网平衡调度模型中的卷积特征映射网络单元和全连接网络单元；
通过迭代优化损失函数来对热网平衡调度模型的参数进行约束和设置目标函数对模型进行不断训练，直到达到最大迭代次数或损失函数小于设定值、目标函数达到最小值，停止训练，保存所获得的模型参数，完成所述热网平衡调度模型的迁移训练与微调。
进一步，对所述热网平衡调度模型进行迁移训练时，在所述热网平衡调度模型中设置有域适应模块，所述域适应模块分别使用了TCA、JDA、GFK三种迁移学习算法，进行从源域数据到目标域数据的映射，增加源域数据与目标域数据的相似性。
进一步，所述卷积神经网络还包括特征提取模块，用于对经过域适应后的新源域、目标域数据进行特征提取。特征提取模块共包括三层卷积网络，每层卷积网络包括了卷积层、池化层和Relu激活层，第一层卷积网络中卷积核个数为32个，大小为[3,3,1,32]，步长为1，池化层采用2*2最大池化，输入数据经过第一层卷积网络后大小变为[16*16]；第二层卷积网络中卷积核个数为64，大小为[3,3,32,64]，步长为1，池化层采用2*2最大池化，经过第二层卷积网络后的输出大小为[8*8]；第三层卷积网络中卷积核个数为128，大小为[3,3,64,128]，步长为1，池化层采用2*2最大池化，经过第二层卷积网络后的输出大小为[4*4]，之后是一个大小为[4*4*128,512]的全连接层，进行特征整合。
进一步，所述卷积神经网络包括输入层、卷积层、激活层、池化层、全连接层和最后的输出层。
进一步，通过所述热网平衡优化调度模型对阀门和水泵进行前馈调节，包括：
通过供热系统的滞后时间近似等于流体在管道中流动的时间，选取流体流动时间作为供热系统的前馈调节时间，提前对供热系统的阀门和水泵进行调节；
前馈调节时间计算表示为：
Figure BDA0003440210320000041
L为管道长度，vw为管道中流体的流速，Dw为管道的直径，Gw为管道中流体的流量。
本发明的有益效果是：
(1)本发明选取多个典型用户作为室温测量点，并选取有效固定位置依次安装室温采集装置；室温采集装置通过其蓝牙通信模块与用户蓝牙智能终端建立蓝牙通信连接后，将采集的室内温度传输至用户蓝牙智能终端；后台服务器将室内温度与设定的目标温度值进行比对分析后，采用卷积神经网络和迁移学习方法建立以热用户室内温度为控制目标的热网平衡优化调度模型；通过热网平衡优化调度模型对阀门和水泵进行前馈调节后，再次获取采集的室内温度，判断室内温度是否达标；能够对用户室内温度及时有效采集，不需要经常跑到用户家里去进行室温测量，且基于蓝牙模块进行采集具有成本低、功耗低的特点，以及根据采集的室内用户温度结合供热系统运行数据、天气数据，采用迁移学习算法能够对源域的热网平衡调度模型迁移至目标域，避免了新热力站数据较少，难以采集分析的问题和新供暖季热网平衡调度模型精度下降的问题；
(2)本发明通过域适应模块进行从源域数据到目标域数据的映射，增加源域数据与目标域数据的相似性；通过特征提取模块，对经过域适应后的新源域、目标域数据进行特征提取；能够优化模型损失，快速获取域不变特征，提高模型迁移效率且保证模型精度；以及采用反向传播算法对迁移模型进行微调，避免过迁移问题；
(3)本发明通过基于卷积神经网络的迁移学习不仅可用于解决训练数据不足的小样本问题，而且利用源域已有系统的模型经验可以进一步提升卷积神经网络的性能和鲁棒性；
(4)本发明考虑室内温度对供水温度的调节响应存在一定时间的滞后和衰减，因此计算前馈调节时间，提前进行调控，保证室内温度能够快速响应达标。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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方式，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为本发明一种基于蓝牙通信和迁移学习的热用户室温测量及控制方法流程图；
图2为本发明一种基于蓝牙通信和迁移学习的热用户室温测量及控制方法的原理示意图；
图3为本发明基于卷积神经网络的迁移学习框架图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
实施例1
图1是本发明所涉及的基于蓝牙通信和迁移学习的热用户室温测量及控制方法流程图。
图2是本发明所涉及的基于蓝牙通信和迁移学习的热用户室温测量及控制方法的原理示意图。
如图1所示，本实施例1提供了一种基于蓝牙通信和迁移学习的热用户室温测量及控制方法，其特征在于，热用户室温测量及控制方法包括：
步骤S1、选取多个典型用户作为室温测量点，并选取有效固定位置依次安装室温采集装置；室温采集装置至少包括温度采集模块、蓝牙通信模块和控制模块；
步骤S2、室温采集装置通过其蓝牙通信模块与用户蓝牙智能终端建立蓝牙通信连接后，将采集的室内温度传输至用户蓝牙智能终端；
步骤S3、后台服务器将室内温度与设定的目标温度值进行比对分析后，采用卷积神经网络和迁移学习方法建立以热用户室内温度为控制目标的热网平衡优化调度模型；
步骤S4、通过热网平衡优化调度模型对阀门和水泵进行前馈调节后，再次获取采集的室内温度，判断室内温度是否达标。
在本实施例中，步骤S1中，选取多个典型用户作为室温测量点，并选取有效固定位置依次安装室温采集装置，具体包括：
选择相对于供热站的距离为远距、中距和近距的不同建筑作为典型楼栋进行室温采集；
针对不同楼栋选取底层、中层和顶层住户作为典型用户作为室温测量点；
针对不同用户的房间使用面积选取一个或多个有效固定位置安装室温采集装置；有效固定位置为：距离外墙内表面不小于(1.5±0.05)m，距离内墙表面不小于(1.0±0.05)m，距离地面正上方(1.4±0.05)m；
以及在安装室温采集装置之后，还包括：通过管理员蓝牙智能终端获取和记录用户蓝牙智能终端的有效位置信息和各个典型用户中室温采集装置的数据信息，至少包括楼栋标识、住户标识、采集装置标识、当前室内温度和记录时间。
在本实施例中，步骤S2中，室温采集装置通过其蓝牙通信模块与用户蓝牙智能终端建立蓝牙通信连接后，将采集的室内温度传输至用户蓝牙智能终端，具体包括：
开启用户蓝牙智能终端的蓝牙功能后，用户智能终端的室温采集客户端将自动搜索蓝牙模块范围内可用的蓝牙设备，即室温采集装置，并对其设备名及密码进行匹配后，即自动与数据采集装置成功建立蓝牙通信连接，且停止设备寻找；
数据采集装置中的温度采集模块采集室内温度后，通过蓝牙通信模块向用户蓝牙智能终端传输数据包；
用户蓝牙智能终端接收到数据包后，获取数据包的基本信息，包括室内温度信息、采集装置标识和当前时间；
其中，在建立蓝牙通信连接时，判定所述用户蓝牙智能终端的位置信息是否在标定的预设位置，若在预设位置，则允许建立蓝牙通信连接；否则禁止建立蓝牙通信连接。
需要说明的是，用户蓝牙智能终端可以是多种不同形式，至少包括：手机、机顶盒、路由器，通过这些家中用户常用的智能终端方便且成本低地采集用户室内温度；同时，为了保证用户隐私问题，防止信息被非法分子窃取，在进行室温采集时，可以对要传输的室内温度、用户属性信息等进行加密处理、对用户设置授权访问机制等，使得传输的信息是密文，而不是明文传输，且仅对合法的用户访问进行授权，有效保证了用户隐私和信息安全；以及对用户蓝牙智能终端的位置信息进行标定，只有在有效的位置范围内，才能建立蓝牙通信连接，获取用户室内温度数据，防止其他的恶意智能终端获取用户室内温度数据。
图3是本发明所涉及的基于卷积神经网络的迁移学习框架图。
如图3所示，在本实施例中，步骤S3中，后台服务器将室内温度与设定的目标温度值进行比对分析后，采用卷积神经网络和迁移学习方法建立以热用户室内温度为控制目标的热网平衡优化调度模型，具体包括：
后台服务器对室内温度与设定的目标温度值进行偏差计算，判断偏差是否在预设范围内，若偏差不在预设范围内，则采用卷积神经网络和迁移学习方法建立以热用户为控制目标的热网平衡优化调度模型，即：
通过卷积神经网络和反向传播算法对历史源域数据训练生成热网平衡调度模型；
对热网平衡调度模型进行迁移训练和微调：加载源域训练热网平衡调度模型中除最后全连接层之外的模型参数和权重，利用目标域数据重新训练一个完整的全连接模型，并保存最后的全连接模型提取的参数和权重作为下一阶段全连接层中的特征提取源；在全连接层中加载上一阶段源域模型训练特征和权重，冻结部分层或整个模型层结构的训练参数，利用源域数据和反向传播算法对迁移训练后的热网平衡调度模型进行微调；
将目标域数据输入微调后的热网平衡调度模型中，然后输出供水温度预测值，再通过调节阀门开度保证供水温度达到预测值，通过供水温度调节控制热用户室内温度。
在实际的应用中，可以将正常运行多年的热力站A的热网平衡调度模型采用迁移学习的方法应用在刚投运的热力站B中，由于刚投运的热力站B历史运行较少，难以有效建立调度模型，因此需要充分利用热力站A源域信息，基于少量热力站B目标数据调整调度模型网络结构，使得迁移学习后的热网平衡调度模型可以在热力站B中有效应用；或者是对于同一热力站，在进入新的供暖季时供热情景与历史供热季相比会发生变化，基于历史供暖季数据建立热网平衡调度模型在新供暖季使用时会出现模型精度下降的现象，需要通过前移学习来进行模型结构和参数的调整。
需要说明的是，反向传播阶段使用反向传播算法与一种最优化方法结合，在进行误差传递的同时使用优化算法校正误差信号，微调网络模型。该方法计算网络中所有损失函数的梯度，之后将这个梯度反馈给最优化方法，用来更新权值以期得到最小化损失函数或者代价函数(Cost Function)。也即：反向传播过程中使用链式法则对每层神经元节点迭代计算梯度，传递实际输出和相应的理想输出之间的误差。
在实际的应用中，设置有不同等级的控制策略，指导按需供热，包括：热力站调节、楼栋热力入口调节阀调节和入户调节阀调节；将三种调节方式预设优先等级，按照等级次序逐步进行调节，保证用户室内温度达标；当按照优先等级较高的调节方式调节后室内温度达标，则不进行后续其他等级控制策略的调节；当按照优先等级较高的调节方式调节后室内温度仍不达标，则依次进行下一等级控制策略的调节，若室内温度仍未达标，则需要人工上门进行处理。其中，热力站调节内容是以室内温度为目标，创建热力站的控制策略，调节内容包括二级管网供水温度、流量等；楼栋热力入口调节阀调节是以各楼栋热力入口供回水温差为目标，调节热力入口流量，最终使得室内温度达标；入口调节阀调节与楼栋热力入口调节阀调节方式相比，不同之处在于调节装置由楼栋热力入口电动调节阀改为入户电动调节阀，使得室内温度达标。
定义好整个网络结构之后，使用反向传播算法训练整个网络参数，卷积神经网络通过训练样本数据集得到预测效果最好的模型。为了衡量预测效果，定义目标函数C作为预测结果的评判：
Figure BDA0003440210320000081
其中，y(x)是样本的标签，αL(x)是输出的结果值。C越小，则训练效果越好。在这个过程中常使用梯度下降算法求取目标函数C最小的参数。梯度下降算法的核心思想是对每个参数求偏导，让参数朝着使得C变小的方向去改变，反复迭代，直到C达到极小值。
当训练数据不足时会出现过拟合问题，为了能够得较好的热网平衡调度模型往往依靠训练过程中注入充足的数据特征，需要大规模数据集提供充足的源数据。采用Dropout技术可以防止过拟合，被应用在卷积神经网络的全连接层中，这种技术在模型训练时按照特定的概率将神经元的输出置为0，随机让网络中某些隐含层神经节点不工作，丢弃神经元之间的连接性，从而有效地防止了过拟合，减少了不同参数之间的耦合性；通过引入Dropout层避免过拟合问题，提高了针对用户热网平衡调度模型的精度，并且，建立迁移学习模型，进一步提高模型精度，而且减少了网络训练时间，提高了热网平衡调度模型建立的效率。
此外，可以根据目标数据域问题通过引入数据增强变换、修改卷积神经网络结构、调整卷积核和池化单元尺寸、采用自动更新学习率的梯度下降训练优化算法以及更加强烈的Dropout丢弃率等方法，提高卷积神经网络的抗过拟合性和模型准确率。
在本实施例中，利用历史源域数据训练热网平衡调度模型，具体包括：
从供热系统中获取N时刻历史运行数据、N时刻天气数据和N-T时刻室内温度数据和N时刻室内温度数据作为源域输入变量，N+T时刻室内温度作为源域输出变量；历史运行数据包括供水温度、回水温度、供水压力、回水压力和瞬时流量；天气数据包括室外温度数据、湿度数据、风速和外部气压；
对获取的源域数据进行预处理：去掉重复数据、补全缺失数据和异常值处理；其中去掉重复数据时，将同一时间重复存储的数据进行去重，保留一个即可；补全数据时，在两端时刻都有数据时，利用相邻两边数据取平均值代替缺失值，若序列的开头或者结尾缺失数据，利用上一周和下一周该时刻的数据平均值代替缺失值；异常值处理时，通过3-sigma方法对数据序列进行异常值判别，对检测出来的异常值用相邻值进行代替；
将预处理后的源域数据划分为70％的训练数据集和30％的测试数据集；
通过反向传播算法对卷积神经网络模型中的卷积特征映射网络单元与全连接分类网络单元进行优化后，将源域训练数据集输入至优化的卷积神经网络模型中进行训练生成热网平衡调度模型；
通过源域测试数据集对训练生成的热网平衡调度模型进行准确率计算，若准确率小于预设准确率，则对卷积神经网络模型重新进行优化；否则，停止训练，将热网平衡调度模型的参数保存。
在本实施例中，利用源域数据和反向传播算法对迁移训练后的热网平衡调度模型进行微调，具体包括：
从带标签的源域训练数据集中抽取大小为m的微调用训练数据；
使用反向传播算法优化热网平衡调度模型中的卷积特征映射网络单元和全连接网络单元；
通过迭代优化损失函数来对热网平衡调度模型的参数进行约束和设置目标函数对模型进行不断训练，直到达到最大迭代次数或损失函数小于设定值、目标函数达到最小值，停止训练，保存所获得的模型参数，完成热网平衡调度模型的迁移训练与微调。
在本实施例中，对热网平衡调度模型进行迁移训练时，在热网平衡调度模型中设置有域适应模块，域适应模块分别使用了TCA、JDA、GFK三种迁移学习算法，进行从源域数据到目标域数据的映射，增加源域数据与目标域数据的相似性。
在本实施例中，卷积神经网络还包括特征提取模块，用于对经过域适应后的新源域、目标域数据进行特征提取。特征提取模块共包括三层卷积网络，每层卷积网络包括了卷积层、池化层和Relu激活层，第一层卷积网络中卷积核个数为32个，大小为[3,3,1,32]，步长为1，池化层采用2*2最大池化，输入数据经过第一层卷积网络后大小变为[16*16]；第二层卷积网络中卷积核个数为64，大小为[3,3,32,64]，步长为1，池化层采用2*2最大池化，经过第二层卷积网络后的输出大小为[8*8]；第三层卷积网络中卷积核个数为128，大小为[3,3,64,128]，步长为1，池化层采用2*2最大池化，经过第二层卷积网络后的输出大小为[4*4]。之后是一个大小为[4*4*128,512]的全连接层，进行特征整合。
在本实施例中，卷积神经网络包括输入层、卷积层、激活层、池化层、全连接层和最后的输出层。
在本实施例中，通过热网平衡优化调度模型对阀门和水泵进行前馈调节，包括：
通过供热系统的滞后时间近似等于流体在管道中流动的时间，选取流体流动时间作为供热系统的前馈调节时间，提前对供热系统的阀门和水泵进行调节；
前馈调节时间计算表示为：
Figure BDA0003440210320000101
L为管道长度，vw为管道中流体的流速，Dw为管道的直径，Gw为管道中流体的流量。
需要说明的是，影响室内温度主要为建筑维护结构、建筑物的朝向、室外温度等，同时室内温度对供水温度的调节响应存在一定时间的滞后和衰减，因此需要建立前馈动态调节模型，获知前馈调节时间。
本发明选取多个典型用户作为室温测量点，并选取有效固定位置依次安装室温采集装置；室温采集装置通过其蓝牙通信模块与用户蓝牙智能终端建立蓝牙通信连接后，将采集的室内温度传输至用户蓝牙智能终端；后台服务器将室内温度与设定的目标温度值进行比对分析后，采用卷积神经网络和迁移学习方法建立以热用户室内温度为控制目标的热网平衡优化调度模型；通过热网平衡优化调度模型对阀门和水泵进行前馈调节后，再次获取采集的室内温度，判断室内温度是否达标；能够对用户室内温度及时有效采集，不需要经常跑到用户家里去进行室温测量，且基于蓝牙模块进行采集具有成本低、功耗低的特点，以及根据采集的室内用户温度结合供热系统运行数据、天气数据，采用迁移学习算法能够对源域的热网平衡调度模型迁移至目标域，避免了新热力站数据较少，难以采集分析的问题和新供暖季热网平衡调度模型精度下降的问题。
本发明通过域适应模块进行从源域数据到目标域数据的映射，增加源域数据与目标域数据的相似性；通过特征提取模块，对经过域适应后的新源域、目标域数据进行特征提取；能够优化模型损失，快速获取域不变特征，提高模型迁移效率且保证模型精度；以及采用反向传播算法对迁移模型进行微调，避免过迁移问题。
本发明通过基于卷积神经网络的迁移学习不仅可用于解决训练数据不足的小样本问题，而且利用源域已有系统的模型经验可以进一步提升卷积神经网络的性能和鲁棒性。
本发明考虑室内温度对供水温度的调节响应存在一定时间的滞后和衰减，因此计算前馈调节时间，提前进行调控，保证室内温度能够快速响应达标。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (10)

1.一种基于蓝牙通信和迁移学习的热用户室温测量及控制方法，其特征在于，所述热用户室温测量及控制方法包括：
步骤S1、选取多个典型用户作为室温测量点，并选取有效固定位置依次安装室温采集装置；所述室温采集装置至少包括温度采集模块、蓝牙通信模块和控制模块；
步骤S2、所述室温采集装置通过其蓝牙通信模块与用户蓝牙智能终端建立蓝牙通信连接后，将采集的室内温度传输至所述用户蓝牙智能终端；
步骤S3、后台服务器将室内温度与设定的目标温度值进行比对分析后，采用卷积神经网络和迁移学习方法建立以热用户室内温度为控制目标的热网平衡优化调度模型；
步骤S4、通过所述热网平衡优化调度模型对阀门和水泵进行前馈调节后，再次获取采集的室内温度，判断室内温度是否达标。
2.根据权利要求1所述的热用户室温测量及控制方法，其特征在于，所述步骤S1中，所述选取多个典型用户作为室温测量点，并选取有效固定位置依次安装室温采集装置，具体包括：
选择相对于供热站的距离为远距、中距和近距的不同建筑作为典型楼栋进行室温采集；
针对不同楼栋选取底层、中层和顶层住户作为典型用户作为室温测量点；
针对不同用户的房间使用面积选取一个或多个有效固定位置安装室温采集装置；所述有效固定位置为：所述室温采集装置距离外墙内表面不小于(1.5±0.05)m，所述室温采集装置距离内墙表面不小于(1.0±0.05)m，所述室温采集装置距离地面正上方(1.4±0.05)m；
以及在安装室温采集装置之后，还包括：通过管理员蓝牙智能终端获取和记录用户蓝牙智能终端的有效位置信息和各个典型用户中室温采集装置的数据信息，至少包括楼栋标识、住户标识、采集装置标识、当前室内温度和记录时间。
3.根据权利要求1所述的热用户室温测量及控制方法，其特征在于，所述步骤S2中，所述室温采集装置通过其蓝牙通信模块与用户蓝牙智能终端建立蓝牙通信连接后，将采集的所述室内温度传输至所述用户蓝牙智能终端，具体包括：
开启用户蓝牙智能终端的蓝牙功能后，用户智能终端的室温采集客户端将自动搜索蓝牙模块范围内可用的室温采集装置，并对其设备名及密码进行匹配后，即自动与数据采集装置成功建立蓝牙通信连接，且停止设备寻找；
所述数据采集装置中的温度采集模块采集室内温度后，通过所述蓝牙通信模块向用户蓝牙智能终端传输数据包；
所述用户蓝牙智能终端接收到数据包后，获取数据包的基本信息，包括室内温度信息、采集装置标识和当前时间；
其中，在建立蓝牙通信连接时，判定所述用户蓝牙智能终端的位置信息是否在标定的预设位置，若在预设位置，则允许建立蓝牙通信连接；否则禁止建立蓝牙通信连接。
4.根据权利要求1所述的热用户室温测量及控制方法，其特征在于，所述步骤S3中，所述后台服务器将所述室内温度与设定的目标温度值进行比对分析后，采用卷积神经网络和迁移学习方法建立以热用户室内温度为控制目标的热网平衡优化调度模型，具体包括：
所述后台服务器对所述室内温度与设定的目标温度值进行偏差计算，判断偏差是否在预设范围内，若偏差不在预设范围内，则采用卷积神经网络和迁移学习方法建立以热用户为控制目标的热网平衡优化调度模型，具体包括：
通过卷积神经网络和反向传播算法对历史源域数据训练生成热网平衡调度模型；
对所述热网平衡调度模型进行迁移训练和微调：加载源域训练热网平衡调度模型中除最后全连接层之外的模型参数和权重，利用目标域数据重新训练一个完整的全连接模型，并保存最后的全连接模型提取的参数和权重作为下一阶段全连接层中的特征提取源；在全连接层中加载上一阶段源域模型训练特征和权重，冻结部分层或整个模型层结构的训练参数，利用源域数据和反向传播算法对迁移训练后的热网平衡调度模型进行微调；
将目标域数据输入微调后的热网平衡调度模型中，然后输出供水温度预测值，再通过调节阀门开度保证供水温度达到预测值，通过供水温度调节控制热用户室内温度。
5.根据权利要求4所述的热用户室温测量及控制方法，其特征在于，利用所述历史源域数据训练热网平衡调度模型，具体包括：
从供热系统中获取N时刻历史运行数据、N时刻天气数据和N-T时刻室内温度数据和N时刻室内温度数据作为源域输入变量，N+T时刻室内温度作为源域输出变量；所述历史运行数据包括供水温度、回水温度、供水压力、回水压力和瞬时流量；所述天气数据包括室外温度数据、湿度数据、风速和外部气压；
对获取的源域数据进行预处理：去掉重复数据、补全缺失数据和异常值处理；其中去掉重复数据时，将同一时间重复存储的数据进行去重，保留一个即可；补全数据时，在两端时刻都有数据时，利用相邻两边数据取平均值代替缺失值，若序列的开头或者结尾缺失数据，利用上一周和下一周该时刻的数据平均值代替缺失值；异常值处理时，通过3-sigma方法对数据序列进行异常值判别，对检测出来的异常值用相邻值进行代替；
将预处理后的源域数据划分为70％的训练数据集和30％的测试数据集；
通过反向传播算法对卷积神经网络模型中的卷积特征映射网络单元与全连接分类网络单元进行优化后，将源域训练数据集输入至优化的卷积神经网络模型中进行训练生成热网平衡调度模型；
通过源域测试数据集对训练生成的热网平衡调度模型进行准确率计算，若准确率小于预设准确率，则对卷积神经网络模型重新进行优化；否则，停止训练，将热网平衡调度模型的参数保存。
6.根据权利要求4所述的热用户室温测量及控制方法，其特征在于，利用所述源域数据和反向传播算法对迁移训练后的热网平衡调度模型进行微调，具体包括：
从带标签的源域训练数据集中抽取大小为m的微调用训练数据；
使用反向传播算法优化热网平衡调度模型中的卷积特征映射网络单元和全连接网络单元；
通过迭代优化损失函数来对热网平衡调度模型的参数进行约束和设置目标函数对模型进行不断训练，直到达到最大迭代次数或损失函数小于设定值、目标函数达到最小值，停止训练，保存所获得的模型参数，完成所述热网平衡调度模型的迁移训练与微调。
7.根据权利要求4所述的热用户室温测量及控制方法，其特征在于，对所述热网平衡调度模型进行迁移训练时，在所述热网平衡调度模型中设置有域适应模块，所述域适应模块分别使用了TCA、JDA、GFK三种迁移学习算法，进行从源域数据到目标域数据的映射，增加源域数据与目标域数据的相似性。
8.根据权利要求4所述的热用户室温测量及控制方法，其特征在于，所述卷积神经网络还包括特征提取模块，用于对经过域适应后的新源域、目标域数据进行特征提取；
所述特征提取模块共包括三层卷积网络，每层所述卷积网络包括了卷积层、池化层和Relu激活层；
第一层所述卷积网络中卷积核个数为32个，大小为[3,3,1,32]，步长为1，池化层采用2*2最大池化，输入数据经过第一层卷积网络后大小变为[16*16]；
第二层卷积网络中卷积核个数为64，大小为[3,3,32,64]，步长为1，池化层采用2*2最大池化，经过第二层卷积网络后的输出大小为[8*8]；
第三层卷积网络中卷积核个数为128，大小为[3,3,64,128]，步长为1，池化层采用2*2最大池化，经过第二层卷积网络后的输出大小为[4*4]，之后是一个大小为[4*4*128,512]的全连接层，进行特征整合。
9.根据权利要求4所述的热用户室温测量及控制方法，其特征在于，所述卷积神经网络包括输入层、卷积层、激活层、池化层、全连接层和最后的输出层。
10.根据权利要求1所述的热用户室温测量及控制方法，其特征在于，通过所述热网平衡优化调度模型对阀门和水泵进行前馈调节，包括：
通过供热系统的滞后时间近似等于流体在管道中流动的时间，选取流体流动时间作为供热系统的前馈调节时间，提前对供热系统的阀门和水泵进行调节；
前馈调节时间计算表示为：
Figure FDA0003440210310000041
其中，L为管道长度，vw为管道中流体的流速，Dw为管道的直径，Gw为管道中流体的流量。
CN202111626832.0A 2021-12-28 2021-12-28 基于蓝牙通信和迁移学习的热用户室温测量及控制方法 Pending CN114444655A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111626832.0A CN114444655A (zh) 2021-12-28 2021-12-28 基于蓝牙通信和迁移学习的热用户室温测量及控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111626832.0A CN114444655A (zh) 2021-12-28 2021-12-28 基于蓝牙通信和迁移学习的热用户室温测量及控制方法

Publications (1)

Publication Number Publication Date
CN114444655A true CN114444655A (zh) 2022-05-06

Family

ID=81365196

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111626832.0A Pending CN114444655A (zh) 2021-12-28 2021-12-28 基于蓝牙通信和迁移学习的热用户室温测量及控制方法

Country Status (1)

Country Link
CN (1) CN114444655A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115183315A (zh) * 2022-06-17 2022-10-14 史登峰 供热系统热力平衡控制方法、装置、设备、介质及产品
CN115626184A (zh) * 2022-12-19 2023-01-20 北京科技大学 自动驾驶车辆的权重系数和控制策略自学习方法及装置
CN115793558A (zh) * 2022-11-25 2023-03-14 上海时链节能科技有限公司 一种热力站二次管网智能控制系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115183315A (zh) * 2022-06-17 2022-10-14 史登峰 供热系统热力平衡控制方法、装置、设备、介质及产品
CN115793558A (zh) * 2022-11-25 2023-03-14 上海时链节能科技有限公司 一种热力站二次管网智能控制系统
CN115793558B (zh) * 2022-11-25 2023-10-03 上海时链节能科技有限公司 一种热力站二次管网智能控制系统
CN115626184A (zh) * 2022-12-19 2023-01-20 北京科技大学 自动驾驶车辆的权重系数和控制策略自学习方法及装置

Similar Documents

Publication Publication Date Title
CN114444655A (zh) 基于蓝牙通信和迁移学习的热用户室温测量及控制方法
US11409347B2 (en) Method, system and storage medium for predicting power load probability density based on deep learning
CN110440396B (zh) 云边端协同的中央空调全局优化节能控制方法和系统
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
CN112066355B (zh) 基于数据驱动的余热锅炉阀门自适应调节方法
CN103730006A (zh) 一种短时交通流量的组合预测方法
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
CN114202111A (zh) 基于粒子群优化bp神经网络的电子膨胀阀流量特性预测
CN116266253A (zh) 空调参数的优化控制方法、系统和计算机可读存储介质
CN115545967A (zh) 实现安全用气的燃气异常判断方法和智慧燃气物联网系统
AU2021100960A4 (en) Artificial Intelligence Based Cooling System for Managing the Energy Efficiency
CN110543108B (zh) 基于机理模型预测的供热系统测量数据的校正方法及系统
CN112070317A (zh) 酒店空调能耗预测方法
CN114909707B (zh) 一种基于智能平衡装置和强化学习的供热二级网调控方法
CN116777027A (zh) 一种非正常日的负荷预测方法及系统
CN116182428A (zh) 一种用于太阳能热泵的优化控制方法及系统
CN104713410A (zh) 一种调控冷却塔出水温度的方法
CN110309978A (zh) 基于二次动态调整的神经网络光伏功率预测模型及方法
CN115013863A (zh) 基于数字孪生模型的喷射泵供热系统自主优化调控方法
CN114189970A (zh) 一种基于在线学习的灯具后备智能控制方法
KR102457016B1 (ko) 인공신경망을 이용한 공조기 최적 제어 장치 및 방법
CN114881382B (zh) 一种用于供热需求负荷自主预测的优化调节方法
CN113188229A (zh) 一种智能空调控制系统及方法
Sklavounos et al. A subspace identification method for detecting abnormal behavior in HVAC systems
CN114575802A (zh) 一种基于机器学习的高含水期油藏油井产量预测方法

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