CN114811713B - 基于混合深度学习的二级网户间均衡供热调控方法 - Google Patents
基于混合深度学习的二级网户间均衡供热调控方法 Download PDFInfo
- Publication number
- CN114811713B CN114811713B CN202210429419.3A CN202210429419A CN114811713B CN 114811713 B CN114811713 B CN 114811713B CN 202210429419 A CN202210429419 A CN 202210429419A CN 114811713 B CN114811713 B CN 114811713B
- Authority
- CN
- China
- Prior art keywords
- data
- user
- network
- model
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000013135 deep learning Methods 0.000 title claims abstract description 32
- 230000033228 biological regulation Effects 0.000 title claims abstract description 21
- 238000010438 heat treatment Methods 0.000 claims abstract description 63
- 230000001105 regulatory effect Effects 0.000 claims abstract description 33
- 230000009471 action Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 43
- 239000002245 particle Substances 0.000 claims description 36
- 238000013527 convolutional neural network Methods 0.000 claims description 32
- 230000004913 activation Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000011176 pooling Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000012512 characterization method Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 230000001419 dependent effect Effects 0.000 claims description 17
- 238000013178 mathematical model Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 230000002441 reversible effect Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 230000001276 controlling effect Effects 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 7
- 210000004027 cell Anatomy 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000013021 overheating Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000004781 supercooling Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000009529 body temperature measurement Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 claims description 3
- 230000008846 dynamic interplay Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000013486 operation strategy Methods 0.000 claims description 3
- 230000036961 partial effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000002407 reforming Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 238000012098 association analyses Methods 0.000 abstract description 3
- 230000006855 networking Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- F24D19/1015—Arrangement or mounting of control or safety devices for water heating systems for central heating using a valve or valves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Thermal Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于混合深度学习的二级网户间均衡供热调控方法,包括:建立供热系统二级网数字孪生模型;对热用户物联网硬件设备进行改造,包括:在选取的单元楼典型热用户的户前供热管道入口处安装热计量表、在每栋楼中设置有数据集中器、在热用户管道分户供热系统入口支管处安装电动调节阀;建立多元数据序列与用户室温的关联分析后,获得该楼栋用户的室温数据;基于二级网数字孪生模型,采用第一混合深度学习方法建立分时段的用户需求负荷预测模型,获得分时段的用户需求负荷预测值;以满足用户室温需求为目标,采用第二混合深度学习方法建立用户阀门控制模型,计算各用户户前电动调节阀的动作状态,指导阀门进行控制。
Description
技术领域
本发明属于智慧供热技术领域,具体涉及一种基于混合深度学习的二级网户间均衡供热调控方法。
背景技术
城镇集中供热作为一项重要的民生工程一直受到各级政府和社会的关注,是国家在基础建设领域中重点支持的行业,提高供热质量,降低供热成本、减少污染排放一直是供热行业的研究的重要课题。长期以来,由于一次热网的水力平衡涉及整个热网的安全运行,大多数供热企业非常重视,投入大量资金和精力进行研究和整改。取得了显著的成果,管网的热损失率和失水率明显下降。而现有的二次网的管理手段大都还停留在人工调控阶段,调控精细度和灵活度远远无法满足要求。
户间平衡是供热系统的最终目标,因为用户之间散热面积的差异,导致各户的需热量存在明显差距;同时,虽然在设计阶段对边套用户等散热面积有所考量,然而在建设阶段往往也因施工不到位等原因难以消除这种差距。传统做法是按照回水温度调一致的目标来调节平衡,并给予边户一定的偏差倾斜。通过对实际状况的考察,由于用户生活习惯、散热器等设备状况存在差异,相似户型的用户在同样的室温条件下,所需的热量存在明显的差异。因此,仅按照回水温度调一致进行调控,户间不平衡程度依然很高。
通过安装室温采集设备或者人工入户测温的方法获取典型住户的室温。室温采集装置可以自动定时上传住户室温,极大方便了供热企业的管理需求。但是在实践中,部分典型住户出于各种原因可能拒绝安装室温采集装置,也可能在使用过程中因为种种原因停止室温采集装置的使用。
应对由于二次网热力失调而造成的热用户投诉问题,热力公司调度过程中,只能是为了提高末端住户的室内温度而提高整个热力站的二次网供热运行参数,使原本偏冷的用户室温接近达标,但是原本过热的用户由于缺乏限制手段,供热参数也同步上升,室温变得更高了。由于室内温度太高,许多前端用户往往采取开窗通风的方式降温,从而造成了热能的大量浪费,整个热力站过度供热严重,系统能耗增加。
基于上述技术问题,需要设计一种新的基于混合深度学习的二级网户间均衡供热调控方法。
发明内容
本发明所要解决的技术问题是,克服现有技术的不足,提供一种基于混合深度学习的二级网户间均衡供热调控方法。
为了解决上述技术问题,本发明的技术方案是:
本发明提供了一种基于混合深度学习的二级网户间均衡供热调控方法,它包括:
步骤S1、采用机理建模和数据辨识方法建立供热系统二级网数字孪生模型;
步骤S2、对热用户物联网硬件设备进行改造,至少包括:在选取的单元楼典型热用户的户前供热管道入口处安装热计量表、在每栋楼中设置有数据集中器、在热用户管道分户供热系统入口支管处安装电动调节阀;
步骤S3、将供热运行数据与用户室温相关的多变量数据组成多元数据序列,并建立多元数据序列与用户室温的关联分析后,获得该楼栋用户室温表征数据;
步骤S4、基于供热系统二级网数字孪生模型,对历史天气数据、用户室温表征数据和热计量数据,采用第一混合深度学习方法建立分时段的用户需求负荷预测模型,获得分时段的用户需求负荷预测值;
步骤S5、以满足用户室温需求范围为目标,基于用户室温表征数据、目标室温和分时段的用户需求负荷预测值、历史阀门控制数据,采用第二混合深度学习方法建立用户阀门控制模型,分时段计算各用户户前电动调节阀的动作状态;
步骤S6、基于供热系统二级网数字孪生模型进行用户阀门控制仿真验证,并通过电动调节阀的动作状态指导阀门进行控制,使得过热用户的供热时间缩短,过冷用户的供热时间增加,达到用户室内冷热均衡。
进一步,所述步骤S1中,采用机理建模和数据辨识方法建立供热系统二级网数字孪生模型,具体包括:
步骤S101、构建供热系统二级网虚拟实体,并进行虚实数据连接后建立二级网数字孪生模型,包括:
构建供热系统二级网结构模型、物理设备实体模型、行为模型和规则模型;所述供热系统二级网结构模型至少包括换热器、二级管网和单元楼热用户;所述物理设备实体模型通过添加设备物理属性获得;基于供热系统二级网热力学基本理论构建行为模型,建立具有交互功能和模拟真实操作环境的供热系统二级网虚拟仿真系统;最后建立虚拟实体的规则模型制定虚拟实体的控制策略;
通过采集供热系统二级网物理设备的实际运行数据驱动相应虚拟设备,建立虚实数据的映射关系,形成供热系统二级网作业策略;通过不断迭代和优化数据采集控制过程,实现物理实体与虚拟空间实时数据的连接与动态交互,建立供热系统二级网数字孪生模型;
步骤S102、对数字孪生模型进行辨识,包括:
将供热系统二级网的多工况实时运行数据接入已建立的供热系统数字孪生模型中,采用反向辨识方法对数字孪生模型的仿真结果进行自适应辨识修正,获得辨识修正后的供热系统二级网数字孪生模型。
进一步,所述步骤S2中,对热用户物联网硬件设备进行改造,至少包括:在选取的单元楼典型热用户的户前供热管道入口处安装热计量表、在每栋楼中设置有据集中器、在热用户管道分户供热系统入口支管处安装电动调节阀,具体包括:
选取单元楼典型热用户,将典型热用户划分为过热用户和过冷用户,所述典型热用户的选取包括:选取单元楼的顶层、底层、中间层、边住户和中间住户作为典型热用户;
在选取的典型热用户的户前供热管道入口处安装热计量表;在每栋楼中设置有数据集中器,数据集中器与热计量表相连接;在热用户管道暖井内的分户供热系统入口支管处安装电动调节阀;所述电动调节、所述数据集中器通过通信模块将电动调节阀数据、热计量数据传输至楼栋设置的自主优化运行终端中进行数据处理。
进一步,步骤S3中,将供热运行数据与用户室温相关的多变量数据组成多元数据序列,并建立多元数据序列与用户室温的关联分析后,获得该楼栋用户室温表征数据,具体包括:
获取与用户室温相关的多元数据,至少包括:定期进户温度测量数据、投诉数据、房屋朝向类型、建筑类型、天气数据;
将分户热计量数据、电动调节阀的运行数据和与用户室温相关的多元数据组成多元数据序列样本;
将多元数据序列样本中的数据作为自变量,将用户室温表征数据作为因变量,首先考虑每个自变量与因变量之间的关系,获得各自变量和因变量的数学模型;然后将所有数学模型逐一叠加,若叠加后的模型不满足要求,则考虑各自变量之间的相互作用,获得相应的多元非线性数学模型,表示为:
其中,Y为因变量;xi、xj为自变量;ai、bm、k为回归系数;fi(xi)为某一自变量和因变量间的函数关系;每个自变量与因变量之间的相关程度采用偏相关分析,将显著相关和一般相关的自变量筛选出来,剔除不相关的自变量;若自变量之间存在高度共线性,以相互间关系系数作为共线判断依据,将因子间关系系数大于阈值的进行剔除;依据所述多元非线性数学模型分别获得所述过热用户、一般用户和过冷用户的室内温度数据。
进一步,所述步骤S4中,基于供热系统二级网数字孪生模型,对历史天气数据、室温数据和热计量数据,采用第一混合深度学习方法建立分时段的用户需求负荷预测模型,获得分时段的用户需求负荷预测值,具体包括:
步骤S401、基于供热系统二级网数字孪生模型,对获取的历史天气数据、用户室温表征数据和热计量数据作为原始时间序列,采用SSA奇异谱分析方法,根据奇异值的大小进行数据去噪,选择贡献大的数据重构原始时间序列;采用滑动窗口算法将数据划分为训练集和测试集;所述滑动窗口算法的输入包括训练集、测试集、滑动窗口值和预测步数;
步骤S402、采用卷积神经网络和门控循环单元相结合的深度学习混合模型依次进行特征提取和用户需求负荷预测;以一天作为一个轮回周期,依据用户行为将一天划分为不同的时段进行分时段的用户需求负荷预测。
进一步,所述步骤S402包括:
步骤S4021、通过卷积神经网络中的卷积层和池化层提取负荷数据特征,经过池化层后的输出表示为:
其中,Ocl(l)为第l层使用第cl个卷积核进行卷积和池化后所得负荷的输出;l为CNN模型的深度;cl为卷积核最大个数;pool(·)为池化操作;xl,a为第l层第a个时间段负荷输入向量;为卷积运算;σcl为第cl个卷积核的激活函数;wcl(l)和bcl(l)分别为第l层第cl个卷积核的权重和偏置向量;
步骤S4022、对卷积层和池化层的输出数据进行扁平化操作,表示为:
Ol=flatten[O1(l),…,Ocl(l)];
其中,Ol为对第l-1层输出进行扁平化操作后所得的输出数据;flatten(·)为扁平化操作;
步骤S4023、设定负荷输入数据对应的GRU模型中隐藏层的记忆信息H为:
H=(h1,h2,…,ha);
其中,h1~ha分别为第1~a个时间段内,GRU神经网络所得负荷的记忆信息;
步骤S4024、在第a个时间段内,GRU神经网络所得负荷的更新门和重置门的输出分别为za和ra,表示为:
za=σZ[ωZ(ha,xa)+bZ];
ra=σR[ωR(ha,xa)+bR];
其中,σZ、σR分别为更新门和重置门所选激活函数;ωZ、ωR分别为更新门和重置门所选权重;bZ、bR分别为更新门和重置门所选偏置向量;
步骤S4025、基于za和ra计算表示为:
其中,为重置门控制前一状态时被写入到当前的候选集的信息;/>分别为计算/>时所选权重和偏置向量;
步骤S4026、将Ol、输入卷积神经网络CNN和门控循环单元GRU组合模型的全连接层,获得CNN-GRU组合模型在第a+1个时间段内的用户需求负荷预测值,表示为:
其中,σcl、ωcl和bcl分别为CNN-GRU组合模型全连接层所选激活函数、权重和偏置向量。
进一步,步骤S5中,基于用户室温表征数据、目标室温和分时段的用户需求负荷预测值、历史阀门控制数据,采用第二混合深度学习方法建立用户阀门控制模型,具体包括:
步骤S501、对包括室温数据、目标室温和分时段的用户需求负荷预测值、历史阀门控制数据的数据样本进行预处理后,划分为训练集和测试集;
步骤S502、初始化CNN网络和BiLSTM网络结构及相关参数后,将训练集数据输入至CNN网络中进行特征提取,并将提取的特征数据输入至BiLSTM网络进行训练,获得用户阀门控制预测值,建立CNN-BiLSTM用户阀门控制模型。
步骤S503、通过测试集输入CNN-BiLSTM用户阀门控制模型进行测试验证,获得最终的阀门控制结果。
进一步,所述步骤S502中,初始化CNN网络和BiLSTM网络结构及相关参数后,将训练集数据输入至CNN网络中进行特征提取,包括:
初始化CNN网络的参数包括卷积层、池化层、卷积激活函数;
初始化BiLSTM网络的参数包括隐含层、隐含层神经元、输入层、输出层、激活函数、优化器、学习率因子;同时为了进行正则化以及防止过拟合,设定dropout;
CNN网络通过卷积层对测试集数据进行卷积计算后,使用设定的激活函数提取输入数据的局部特征信息,池化层对卷积层进行采样从而减少网络计算量以及参数个数,同时设定dropout层避免过拟合,最后输出特征序列作为后续BiLSTM的输入;
BiLSTM网络的输入门,输出门,遗忘门分别对应特征序列的写入、读取和先前状态的重置操作,在Forward层从1时刻到t时刻正向计算一遍,得到并保存每个时刻向前隐含层的输出,在Backward层沿着时刻t到时刻1反向计算一遍,得到并保存每个时刻向后隐含层的输出,最后在每个时刻结合Forward层和Backward层的相应时刻输出的结果得到最终的输出;
其中,遗忘门计算表示为:ft=σ(Wf·[ht-1,xt]+bf);
输入门计算表示为:it=σ(Wi·[ht-1,xt]+bi);
输出门计算表示为:ot=σ(Wo·[ht-1,xt]+bo);ht=ot·tanh(ct);
ft为遗忘门;it为输入门;ot为输出门;Wf为遗忘门对应的权重矩阵,Wi为输入门对应的权重矩阵,Wc为当前输入的单元状态对应的权重矩阵,为Wo输出门对应的权重矩阵;bf为遗忘门的偏置项,bi为输入门的偏置项,bc为当前输入的单元状态的偏置项,bo为输出门的偏置项;σ为激活函数,tanh为双曲正切函数;xt为t时刻的输入;ht-1为当前输入的单元状态;为当前输入的单元状态;ct为当前时刻的单元状态。
进一步,采用DE差分进化算法对所述CNN-GRU组合模型的超参数进行优化,包括:
初始化DE差分进化算法的的参数,确定种群规模、迭代次数、粒子位置的限定区间;
构建CNN-GRU组合模型,确定参数寻优范围;确定隐藏层神经元数量L1、L2和L3的最优取值;
确定粒子的评价函数,计算各粒子的适应度值,保留适应度最小的网格参数;
进行变异、交叉与选择操作后,判断是否满足迭代的终止条件,若满足,则将最优参数赋值给CNN-GRU网络进行模型构建;否则,重新计算适应度值,直至迭代完成。
进一步,采用PSO粒子群优化算法对所述BiLSTM网络参数进行优化,包括:
初始化PSO粒子群优化算法参数及BiLSTM网络结构;随机生成种群粒子,将隐藏层的神经元个数、学习率和迭代次数作为待优化参数;
确定评价函数,计算每个粒子位置的适应度值,依据初始状态下的粒子的适应度值来算出个体极值和群体极值,同时将粒子当前状态的最优位置作为历史最佳位置;
在迭代过程中,粒子的更新是由个体极值与全局极值确定的,计算更新粒子的适应度值,若更新后的适应度值优于之前粒子的适应度值,则更新当前时刻的最优位置和全局最优位置;
若算法迭代次数达到设置的最大迭代次数时,将寻找到的最优参数赋值给BiLSTM网络并进行网络训练;否则,重新计算适应度值,直至迭代完成。
本发明的有益效果是:
本发明通过对热用户物联网硬件设备进行改造,至少包括:在选取的单元楼典型热用户的户前供热管道入口处安装热计量表、在每栋楼中设置有数据集中器、在热用户管道分户供热系统入口支管处安装电动调节阀;建立多元数据序列与用户室温的关联分析后,获得该楼栋用户室温表征数据;采用第一混合深度学习方法建立分时段的用户需求负荷预测模型,获得分时段的用户需求负荷预测值;以用户室温满足需求范围为目标,基于用户室温表征数据、目标室温和分时段的用户需求负荷预测值、历史阀门控制数据,采用第二混合深度学习方法建立用户阀门控制模型,获得各用户户前电动调节阀的动作状态;基于二次网供热平衡系统,根据每户的室内温度和目标室温、负荷需求,对电动调节阀进行控制,通过缩短过热用户的供热时间,针对供热不足用户,则适当增加供热时间,使每户的供暖温度达到供暖要求,降低用户投诉率,从而达到用户室内冷热均衡;采用混合深度学习分别建立分时段的用户需求负荷预测模型和用户调节阀控制模型,相比传统的网络模型,具有预测精度高,预测效率快的优点;此外通过建立室温数据与相关数据的多元关联分析,避免了用户需要安装室温采集装置和室温难以获取的问题。
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为本发明一种基于混合深度学习的二级网户间均衡供热调控方法流程图;
图2为本发明CNN-GRU网络结构示意图;
图3为本发明BiLSTM模型结构示意图。
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是本发明所涉及的一种基于混合深度学习的二级网户间均衡供热调控方法流程图。
图2是本发明所涉及的CNN-GRU网络结构示意图。
图3是本发明所涉及的BiLSTM模型结构示意图。
如图1-3所示,本实施例1提供了一种基于混合深度学习的二级网户间均衡供热调控方法,它包括:
步骤S1、采用机理建模和数据辨识方法建立供热系统二级网数字孪生模型;
步骤S2、对热用户物联网硬件设备进行改造,至少包括:在选取的单元楼典型热用户的户前供热管道入口处安装热计量表、在每栋楼中设置有数据集中器、在热用户管道分户供热系统入口支管处安装电动调节阀;
步骤S3、将供热运行数据与用户室温相关的多变量数据组成多元数据序列,并建立多元数据序列与用户室温的关联分析后,获得该楼栋用户室温表征数据;
步骤S4、基于供热系统二级网数字孪生模型,对历史天气数据、用户室温表征数据和热计量数据,采用第一混合深度学习方法建立分时段的用户需求负荷预测模型,获得分时段的用户需求负荷预测值;
步骤S5、以满足用户室温需求范围为目标,基于用户室温表征数据、目标室温和分时段的用户需求负荷预测值、历史阀门控制数据,采用第二混合深度学习方法建立用户阀门控制模型,分时段计算各用户户前电动调节阀的动作状态;
步骤S6、基于供热系统二级网数字孪生模型进行用户阀门控制仿真验证,并通过电动调节阀的动作状态指导阀门进行控制,使得过热用户的供热时间缩短,过冷用户的供热时间增加,达到用户室内冷热均衡。
需要说明的是,二级网户间均衡供热调控方法还包括建立用户供热评估模型:依据每户回水温度、室温数据、客服满意度、投诉数据等建立用户供热评估模型,获得每户供热效果。
在本实施例中,所述步骤S1中,采用机理建模和数据辨识方法建立供热系统二级网数字孪生模型,具体包括:
步骤S101、构建供热系统二级网虚拟实体,并进行虚实数据连接后建立二级网数字孪生模型,包括:
构建供热系统二级网结构模型、物理设备实体模型、行为模型和规则模型;所述供热系统二级网结构模型至少包括换热器、二级管网和单元楼热用户;所述物理设备实体模型通过添加设备物理属性获得;基于供热系统二级网热力学基本理论构建行为模型,建立具有交互功能和模拟真实操作环境的供热系统二级网虚拟仿真系统;最后建立虚拟实体的规则模型制定虚拟实体的控制策略;
通过采集供热系统二级网物理设备的实际运行数据驱动相应虚拟设备,建立虚实数据的映射关系,形成供热系统二级网作业策略;通过不断迭代和优化数据采集控制过程,实现物理实体与虚拟空间实时数据的连接与动态交互,建立供热系统二级网数字孪生模型;
步骤S102、对数字孪生模型进行辨识,包括:
将供热系统二级网的多工况实时运行数据接入已建立的数字孪生模型中,采用反向辨识方法对数字孪生模型的仿真结果进行自适应辨识修正,获得辨识修正后的供热系统二级网数字孪生模型。
在本实施例中,所述步骤S2中,对热用户物联网硬件设备进行改造,至少包括:在选取的单元楼典型热用户的户前供热管道入口处安装热计量表、在每栋楼中设置有数据集中器、在热用户管道分户供热系统入口支管处安装电动调节阀,具体包括:
选取单元楼典型热用户,将典型热用户划分为过热用户和过冷用户,所述典型热用户的选取包括:选取单元楼的顶层、底层、中间层、边住户和中间住户作为典型热用户;
在选取的典型热用户的户前供热管道入口处安装热计量表;在每栋楼中设置有数据集中器,数据集中器与热计量表相连接;在热用户管道暖井内的分户供热系统入口支管处安装电动调节阀;所述电动调节阀、所述数据集中器通过通信模块将电动调节阀数据、热计量数据传输至楼栋设置的自主优化运行终端中进行数据处理。
在本实施例中,步骤S3中,将供热运行数据与用户室温相关的多变量数据组成多元数据序列,并建立多元数据序列与用户室温的关联分析后,获得该楼栋用户室温表征数据,具体包括:
获取与用户室温相关的多元数据,至少包括:定期进户温度测量数据、投诉数据、房屋朝向类型、建筑类型、天气数据;
将分户热计量数据、电动调节阀的运行数据和与用户室温相关的多元数据组成多元数据序列样本;
将多元数据序列样本中的数据作为自变量,将用户室温表征数据作为因变量,首先考虑每个自变量与因变量之间的关系,获得各自变量和因变量的数学模型;然后将所有数学模型逐一叠加,若叠加后的模型不满足要求,则考虑各自变量之间的相互作用,获得相应的多元非线性数学模型,表示为:
其中,Y为因变量;xi、xj为自变量;ai、bm、k为回归系数;fi(xi)为某一自变量和因变量间的函数关系;每个自变量与因变量之间的相关程度采用偏相关分析,将显著相关和一般相关的自变量筛选出来,剔除不相关的自变量;若自变量之间存在高度共线性,以相互间关系系数作为共线判断依据,将因子间关系系数大于阈值的进行剔除;依据所述多元非线性数学模型分别获得所述过热用户、一般用户和过冷用户的室内温度数据。
在本实施例中,所述步骤S4中,基于供热系统二级网数字孪生模型,对历史天气数据、用户室温表征数据和热计量数据,采用第一混合深度学习方法建立分时段的用户需求负荷预测模型,获得分时段的用户需求负荷预测值,具体包括:
步骤S401、基于供热系统二级网数字孪生模型,对获取的历史天气数据、用户室温表征数据和热计量数据作为原始时间序列,采用SSA奇异谱分析方法,根据奇异值的大小进行数据去噪,选择贡献大的数据重构原始时间序列;采用滑动窗口算法将数据划分为训练集和测试集;所述滑动窗口算法的输入包括训练集、测试集、滑动窗口值和预测步数;
步骤S402、采用卷积神经网络和门控循环单元相结合的深度学习混合模型依次进行特征提取和用户需求负荷预测;以一天作为一个轮回周期,依据用户行为将一天划分为不同的时段进行分时段的用户需求负荷预测。
在本实施例中,所述步骤S402包括:
步骤S4021、通过卷积神经网络中的卷积层和池化层提取负荷数据特征,经过池化层后的输出表示为:
其中,Ocl(l)为第l层使用第cl个卷积核进行卷积和池化后所得负荷的输出;l为CNN模型的深度;cl为卷积核最大个数;pool(·)为池化操作;xl,a为第l层第a个时间段负荷输入向量;为卷积运算;σcl为第cl个卷积核的激活函数;wcl(l)和bcl(l)分别为第l层第cl个卷积核的权重和偏置向量;
步骤S4022、对卷积层和池化层的输出数据进行扁平化操作,表示为:
Ol=flatten[O1(l),…,Ocl(l)];
其中,Ol为对第l-1层输出进行扁平化操作后所得的输出数据;flatten(·)为扁平化操作;
步骤S4023、设定负荷输入数据对应的GRU模型中隐藏层的记忆信息H为:
H=(h1,h2,…,ha);
其中,h1~ha分别为第1~a个时间段内,GRU神经网络所得负荷的记忆信息;
步骤S4024、在第a个时间段内,GRU神经网络所得负荷的更新门和重置门的输出分别为za和ra,表示为:
za=σZ[ωZ(ha,xa)+bZ];
ra=σR[ωR(ha,xa)+bR];
其中,σZ、σR分别为更新门和重置门所选激活函数;ωZ、ωR分别为更新门和重置门所选权重;bZ、bR分别为更新门和重置门所选偏置向量;
步骤S4025、基于za和ra计算表示为:
其中,为重置门控制前一状态时被写入到当前的候选集的信息;/>分别为计算/>时所选权重和偏置向量;
步骤S4026、将Ol、输入卷积神经网络CNN和门控循环单元GRU组合模型的全连接层,获得CNN-GRU组合模型在第a+1个时间段内的用户需求负荷预测值,表示为:
其中,σcl、ωcl和bcl分别为CNN-GRU组合模型全连接层所选激活函数、权重和偏置向量。
在本实施例中,步骤S5中,基于室温数据、目标室温和分时段的用户需求负荷预测值、历史阀门控制数据,采用第二混合深度学习方法建立用户阀门控制模型,具体包括:
步骤S501、对包括室温数据、目标室温和分时段的用户需求负荷预测值、历史阀门控制数据的数据样本进行预处理后,划分为训练集和测试集;
步骤S502、初始化CNN网络和BiLSTM网络结构及相关参数后,将训练集数据输入至CNN网络中进行特征提取,并将提取的特征数据输入至BiLSTM网络进行训练,获得用户阀门控制预测值,建立CNN-BiLSTM用户阀门控制模型。
步骤S503、通过测试集输入CNN-BiLSTM用户阀门控制模型进行测试验证,获得最终的阀门控制结果。
在本实施例中,所述S502中,初始化CNN网络和BiLSTM网络结构及相关参数后,将训练集数据输入至CNN网络中进行特征提取,包括:
初始化CNN网络的参数包括卷积层、池化层、卷积激活函数;
初始化BiLSTM网络的参数包括隐含层、隐含层神经元、输入层、输出层、激活函数、优化器、学习率因子;同时为了进行正则化以及防止过拟合,设定dropout;
CNN网络通过卷积层对测试集数据进行卷积计算后,使用设定的激活函数提取输入数据的局部特征信息,池化层对卷积层进行采样从而减少网络计算量以及参数个数,同时设定dropout层避免过拟合,最后输出特征序列作为后续BiLSTM的输入;
BiLSTM网络的输入门,输出门,遗忘门分别对应特征序列的写入、读取和先前状态的重置操作,在Forward层从1时刻到t时刻正向计算一遍,得到并保存每个时刻向前隐含层的输出,在Backward层沿着时刻t到时刻1反向计算一遍,得到并保存每个时刻向后隐含层的输出,最后在每个时刻结合Forward层和Backward层的相应时刻输出的结果得到最终的输出;
其中,遗忘门计算表示为:ft=σ(Wf·[ht-1,xt]+bf);
输入门计算表示为:it=σ(Wi·[ht-1,xt]+bi);
输出门计算表示为:ot=σ(Wo·[ht-1,xt]+bo);ht=ot·tanh(ct);
ft为遗忘门;it为输入门;ot为输出门;Wf为遗忘门对应的权重矩阵,Wi为输入门对应的权重矩阵,Wc为当前输入的单元状态对应的权重矩阵,为Wo输出门对应的权重矩阵;bf为遗忘门的偏置项,bi为输入门的偏置项,bc为当前输入的单元状态的偏置项,bo为输出门的偏置项;σ为激活函数,tanh为双曲正切函数;xt为t时刻的输入;ht-1为当前输入的单元状态;为当前输入的单元状态;ct为当前时刻的单元状态。
需要说明的是,为了改进LSTM模型只能单向学习其信息特征,引入了双向长短时忆神经网络模型(Bi-directional Long Short-Term Memory Network,BiLSTM),BiLSTM模型是由正向的LSTM和反向的LSTM两个模型组合而成,即在LSTM模型的基础上增加一层反向LSTM,两层LSTM分别具有独立的隐藏层。正向LSTM是指输入LSTM层的数据是按照输入数据方向为顺序,反向LSTM是指输入LSTM层的数据是以输入数据方向为逆序,数据输入方向是这两者最主要的区别,将两个方向的LSTM通过线性融合的方式才能得到最终的输出结果。
BiLSTM模型在搭建过程中通常包括:
(1)输入层
该层输入的是多维时间序列数据,因此在数据预处理阶段将原始的阀门控制相关数据转变为多维数据。。
(2)BiLSTM层
BiLSTM层将隐藏层神经元分为正向和反向LSTM模型,为两个独立的隐藏层。正向LSTM从1至t时刻进行正向特征学习,反向LSTM从t至1时刻进行反向特征学习,BiLSTM层数选定为2层,最终反馈到全连接层。
BiLSTM模型可以正反双向学习时间数据序列的特征,这种优势使其更适用于阀门控制预测问题。
搭建模型参数设定如下:
①Dropout层
BiLSTM模型不断地学习历史数据的特征来更新神经元的权值,当神经元的权值特殊化程度较高时,就会造成过拟合现象。所以在BiLSTM模型构建时,在BiLSTM层之间增添Dropout层,设置随机失活概率为0.2,该方法能够在一定程度上避免模型过拟合的问题,起到正则化的效果,从而提高了模型的泛化能力。
②激活函数
深度学习方法解决非线性特征问题的关键点是:利用模型中的激活函数,它可以保留客流数据的原始特征同时向模型中增添少部分非线性因素,能够再次增强深度学习模型学习非线性特征的能力。
③优化器和损失函数
优化器主要包括:RMSprop、SGD、Adam等,损失函数主要包括平方损失函数、对数损失函数等。
(3)全连接层
全连接层在BiLSTM模型中的作用主要是维度变换,和增加模型的复杂度。
(4)输出层
主要负责模型预测结果的输出,由于在BiLSTM模型中的预测值为一维数据,故输出层为一个神经元。
在本实施例中,采用DE差分进化算法对CNN-GRU组合模型的超参数进行优化,包括:
初始化DE差分进化算法的的参数,确定种群规模、迭代次数、粒子位置的限定区间;
构建CNN-GRU组合模型,确定参数寻优范围;确定隐藏层神经元数量L1、L2和L3的最优取值;
确定粒子的评价函数,计算各粒子的适应度值,保留适应度最小的网格参数;
进行变异、交叉与选择操作后,判断是否满足迭代的终止条件,若满足,则将最优参数赋值给CNN-GRU网络进行模型构建;否则,重新计算适应度值,直至迭代完成。
需要说明的是,构建CNN-GRU网络。一维卷积神经网络可以分段提取序列数据的特征,但是它无法构建前后时间步之间的联系。首先,通过卷积神经网络对序列数据进行预处理,将长的输入序列转换为由特征构成的短序列;然后,将经过卷积计算的新特征组成的输出序列作为GRU网络的输入,输入到GRU网络中。使用差分进化算法对CNN-GRU网络的超参数进行调节,从而优化CNN-GRU网络的网络结构,来提高网络的预测精度。
在本实施例中,采用PSO粒子群优化算法对BiLSTM网络参数进行优化,包括:
初始化PSO粒子群优化算法参数及BiLSTM网络结构;随机生成种群粒子,将隐藏层的神经元个数、学习率和迭代次数作为待优化参数;
确定评价函数,计算每个粒子位置的适应度值,依据初始状态下的粒子的适应度值来算出个体极值和群体极值,同时将粒子当前状态的最优位置作为历史最佳位置;
在迭代过程中,粒子的更新是由个体极值与全局极值确定的,计算更新粒子的适应度值,若更新后的适应度值优于之前粒子的适应度值,则更新当前时刻的最优位置和全局最优位置;
若算法迭代次数达到设置的最大迭代次数时,将寻找到的最优参数赋值给BiLSTM网络并进行网络训练;否则,重新计算适应度值,直至迭代完成。
需要说明的是,选取标准的BiLSTM模型,利用PSO算法优化BiLSTM参数中隐藏层神经元个数、学习率与迭代次数,构建PSO-BiLSTM组合模型,相较于LSTM、GRU与BiLSTM等单一模型预测精度相对较高。
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)
1.一种基于混合深度学习的二级网户间均衡供热调控方法,其特征在于,它包括:
步骤S1、采用机理建模和数据辨识方法建立供热系统二级网数字孪生模型;
步骤S2、对热用户物联网硬件设备进行改造,至少包括:在选取的单元楼典型热用户的户前供热管道入口处安装热计量表、在每栋楼中设置有数据集中器、在热用户管道分户供热系统入口支管处安装电动调节阀;
步骤S3、将供热运行数据与用户室温相关的多变量数据组成多元数据序列,并建立多元数据序列与用户室温的关联分析后,获得该单元楼用户室温表征数据;
步骤S4、基于供热系统二级网数字孪生模型,对历史天气数据、用户室温表征数据和热计量数据,采用第一混合深度学习方法建立分时段的用户需求负荷预测模型,获得分时段的用户需求负荷预测值;
步骤S5、以满足用户室温需求范围为目标,基于用户室温表征数据、目标室温和分时段的用户需求负荷预测值、历史阀门控制数据,采用第二混合深度学习方法建立用户阀门控制模型,分时段计算各用户户前电动调节阀的动作状态;
步骤S6、基于供热系统二级网数字孪生模型进行用户阀门控制仿真验证,并通过电动调节阀的动作状态指导阀门进行控制,使得过热用户的供热时间缩短,过冷用户的供热时间增加,达到用户室内冷热均衡。
2.根据权利要求1所述的二级网户间均衡供热调控方法,其特征在于,所述步骤S1中,采用机理建模和数据辨识方法建立供热系统二级网数字孪生模型,具体包括:
步骤S101、构建供热系统二级网虚拟实体,并进行虚实数据连接后建立供热系统二级网数字孪生模型,包括:
构建供热系统二级网结构模型、物理设备实体模型、行为模型和规则模型;
所述供热系统二级网结构模型至少包括换热器、二级管网和单元楼热用户;
所述物理设备实体模型通过添加设备物理属性获得;
基于供热系统二级网热力学基本理论构建行为模型,建立具有交互功能和模拟真实操作环境的供热系统二级网虚拟仿真系统;
最后建立虚拟实体的规则模型制定虚拟实体的控制策略;
通过采集供热系统二级网物理设备的实际运行数据驱动相应虚拟设备,建立虚实数据的映射关系,形成供热系统二级网作业策略;通过不断迭代和优化数据采集控制过程,实现物理实体与虚拟空间实时数据的连接与动态交互,建立供热系统二级网数字孪生模型;
步骤S102、对数字孪生模型进行辨识,包括:
将供热系统二级网的多工况实时运行数据接入已建立的供热系统二级网数字孪生模型中,采用反向辨识方法对数字孪生模型的仿真结果进行自适应辨识修正,获得辨识修正后的供热系统二级网数字孪生模型。
3.根据权利要求1所述的二级网户间均衡供热调控方法,其特征在于,所述步骤S2中,对热用户物联网硬件设备进行改造,至少包括:在选取的单元楼典型热用户的户前供热管道入口处安装热计量表、在每栋楼中设置有数据集中器、在热用户管道分户供热系统入口支管处安装电动调节阀,具体包括:
选取单元楼典型热用户,将典型热用户划分为过热用户和过冷用户,所述典型热用户的选取包括:选取单元楼的顶层、底层、中间层、边住户和中间住户作为典型热用户;
在选取的典型热用户的户前供热管道入口处安装热计量表;在每栋楼中设置有数据集中器,所述数据集中器与热计量表相连接;在热用户管道暖井内的分户供热系统入口支管处安装电动调节阀;所述电动调节阀、数据集中器通过通信模块将电动调节阀数据、热计量数据传输至楼栋设置的自主优化运行终端中进行数据处理。
4.根据权利要求1所述的二级网户间均衡供热调控方法,其特征在于,步骤S3中,将供热运行数据与用户室温相关的多变量数据组成多元数据序列,并建立多元数据序列与用户室温的关联分析后,获得该楼栋用户室温表征数据,具体包括:
获取与用户室温相关的多元数据,至少包括:定期进户温度测量数据、投诉数据、房屋朝向类型、建筑类型、天气数据;
将分户热计量数据、电动调节阀的运行数据和与用户室温相关的多元数据组成多元数据序列样本;
将多元数据序列样本中的数据作为自变量,将用户室温表征数据作为因变量,获得各自变量和因变量的数学模型;然后将所有数学模型逐一叠加,若叠加后的模型不满足要求,则考虑各自变量之间的相互作用,获得相应的多元非线性数学模型,表示为:
其中,Y为因变量;xi、xj为自变量;ai、bm、k为回归系数;fi(xi)为某一自变量和因变量间的函数关系;每个自变量与因变量之间的相关程度采用偏相关分析,将显著相关和一般相关的自变量筛选出来,剔除不相关的自变量;若自变量之间存在高度共线性,以相互间关系系数作为共线判断依据,将因子间关系系数大于阈值的进行剔除;依据所述多元非线性数学模型分别获得所述过热用户、一般用户和过冷用户的室内温度数据。
5.根据权利要求1所述的二级网户间均衡供热调控方法,其特征在于,所述步骤S4中,基于供热系统二级网数字孪生模型,对历史天气数据、用户室温表征数据和热计量数据,采用第一混合深度学习方法建立分时段的用户需求负荷预测模型,获得分时段的用户需求负荷预测值,具体包括:
步骤S401、基于供热系统二级网数字孪生模型,对获取的历史天气数据、用户室温表征数据和热计量数据作为原始时间序列,采用SSA奇异谱分析方法,根据奇异值的大小进行数据去噪,选择贡献大的数据重构原始时间序列;采用滑动窗口算法将数据划分为训练集和测试集;所述滑动窗口算法的输入包括训练集、测试集、滑动窗口值和预测步数;
步骤S402、采用卷积神经网络和门控循环单元相结合的深度学习混合模型依次进行特征提取和用户需求负荷预测;以一天作为一个轮回周期,依据用户行为将一天划分为不同的时段进行分时段的用户需求负荷预测。
6.根据权利要求5所述的二级网户间均衡供热调控方法,其特征在于,所述步骤S402具体包括:
步骤S4021、通过卷积神经网络中的卷积层和池化层提取负荷数据特征,经过池化层后的输出表示为:
其中,Ocl(l)为第l层使用第cl个卷积核进行卷积和池化后所得负荷的输出;l为CNN模型的深度;cl为卷积核最大个数;pool(·)为池化操作;xl,a为第l层第a个时间段负荷输入向量;为卷积运算;σcl为第cl个卷积核的激活函数;wcl(l)和bcl(l)分别为第l层第cl个卷积核的权重和偏置向量;
步骤S4022、对卷积层和池化层的输出数据进行扁平化操作,表示为:
Ol=flatten[O1(l),…,Ocl(l)];
其中,Ol为对第l-1层输出进行扁平化操作后所得的输出数据;flatten(·)为扁平化操作;
步骤S4023、设定负荷输入数据对应的GRU模型中隐藏层的记忆信息H为:
H=(h1,h2,…,ha);
其中,h1~ha分别为第1~a个时间段内,GRU神经网络所得负荷的记忆信息;
步骤S4024、在第a个时间段内,GRU神经网络所得负荷的更新门和重置门的输出分别为za和ra,表示为:
za=σZ[ωZ(ha,xa)+bZ];
ra=σR[ωR(ha,xa)+bR];
其中,σZ、σR分别为更新门和重置门所选激活函数;ωZ、ωR分别为更新门和重置门所选权重;bZ、bR分别为更新门和重置门所选偏置向量;
步骤S4025、基于za和ra计算表示为:
其中,为重置门控制前一状态时被写入到当前的候选集的信息;/>分别为计算/>时所选权重和偏置向量;
步骤S4026、将Ol、输入卷积神经网络CNN和门控循环单元GRU组合模型的全连接层,获得CNN-GRU组合模型在第a+1个时间段内的用户需求负荷预测值,表示为:
其中,σcl、ωcl和bcl分别为CNN-GRU组合模型全连接层所选激活函数、权重和偏置向量。
7.根据权利要求1所述的二级网户间均衡供热调控方法,其特征在于,所述步骤S5中,基于用户室温表征数据、目标室温和分时段的用户需求负荷预测值、历史阀门控制数据,采用第二混合深度学习方法建立用户阀门控制模型,具体包括:
步骤S501、对包括室温数据、目标室温和分时段的用户需求负荷预测值、历史阀门控制数据的数据样本进行预处理后,划分为训练集和测试集;
步骤S502、初始化CNN网络和BiLSTM网络结构及相关参数后,将训练集数据输入至CNN网络中进行特征提取,并将提取的特征数据输入至BiLSTM网络进行训练,获得用户阀门控制预测值,建立CNN-BiLSTM用户阀门控制模型;
步骤S503、通过测试集输入CNN-BiLSTM用户阀门控制模型进行测试验证,获得最终的阀门控制结果。
8.根据权利要求7所述的二级网户间均衡供热调控方法,其特征在于,所述步骤S502中,初始化CNN网络和BiLSTM网络结构及相关参数后,将训练集数据输入至CNN网络中进行特征提取,包括:
初始化CNN网络的参数包括卷积层、池化层、卷积激活函数;
初始化BiLSTM网络的参数包括隐含层、隐含层神经元、输入层、输出层、激活函数、优化器、学习率因子;同时为了进行正则化以及防止过拟合,设定dropout;
CNN网络通过卷积层对测试集数据进行卷积计算后,使用设定的激活函数提取输入数据的局部特征信息,池化层对卷积层进行采样从而减少网络计算量以及参数个数,同时设定dropout层避免过拟合,最后输出特征序列作为后续BiLSTM的输入;
BiLSTM网络的输入门、输出门和遗忘门分别对应特征序列的写入、读取和先前状态的重置操作,在Forward层从1时刻到t时刻正向计算一遍,得到并保存每个时刻向前隐含层的输出,在Backward层沿着时刻t到时刻1反向计算一遍,得到并保存每个时刻向后隐含层的输出,最后在每个时刻结合Forward层和Backward层的相应时刻输出的结果得到最终的输出;
其中,遗忘门计算表示为:ft=σ(Wf·[ht-1,xt]+bf);
输入门计算表示为:it=σ(Wi·[ht-1,xt]+bi);
输出门计算表示为:ot=σ(Wo·[ht-1,xt]+bo);ht=ot·tanh(ct);
ft为遗忘门;it为输入门;ot为输出门;Wf为遗忘门对应的权重矩阵,Wi为输入门对应的权重矩阵,Wc为当前输入的单元状态对应的权重矩阵,为Wo输出门对应的权重矩阵;bf为遗忘门的偏置项,bi为输入门的偏置项,bc为当前输入的单元状态的偏置项,bo为输出门的偏置项;σ为激活函数,tanh为双曲正切函数;xt为t时刻的输入;ht-1为当前输入的单元状态;为当前输入的单元状态;ct为当前时刻的单元状态。
9.根据权利要求6所述的二级网户间均衡供热调控方法,其特征在于,采用DE差分进化算法对所述CNN-GRU组合模型的超参数进行优化,包括:
初始化DE差分进化算法的的参数,确定种群规模、迭代次数、粒子位置的限定区间;
构建CNN-GRU组合模型,确定参数寻优范围,确定隐藏层神经元数量L1、L2和L3的最优取值;
确定粒子的评价函数,计算各粒子的适应度值,保留适应度最小的网格参数;
进行变异、交叉与选择操作后,判断是否满足迭代的终止条件;若满足,则将最优参数赋值给CNN-GRU网络进行模型构建;否则,重新计算适应度值,直至迭代完成。
10.根据权利要求8所述的二级网户间均衡供热调控方法,其特征在于,采用PSO粒子群优化算法对所述BiLSTM网络参数进行优化,包括:
初始化PSO粒子群优化算法参数及BiLSTM网络结构;
随机生成种群粒子,将隐藏层的神经元个数、学习率和迭代次数作为待优化参数;
确定评价函数,计算每个粒子位置的适应度值,依据初始状态下的粒子的适应度值来算出个体极值和群体极值,同时将粒子当前状态的最优位置作为历史最佳位置;
在迭代过程中,粒子的更新是由个体极值与全局极值确定的,计算更新粒子的适应度值,若更新后的适应度值优于之前粒子的适应度值,则更新当前时刻的最优位置和全局最优位置;
若算法迭代次数达到设置的最大迭代次数时,将寻找到的最优参数赋值给BiLSTM网络并进行网络训练;否则,重新计算适应度值,直至迭代完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210429419.3A CN114811713B (zh) | 2022-04-22 | 2022-04-22 | 基于混合深度学习的二级网户间均衡供热调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210429419.3A CN114811713B (zh) | 2022-04-22 | 2022-04-22 | 基于混合深度学习的二级网户间均衡供热调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114811713A CN114811713A (zh) | 2022-07-29 |
CN114811713B true CN114811713B (zh) | 2024-03-19 |
Family
ID=82506092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210429419.3A Active CN114811713B (zh) | 2022-04-22 | 2022-04-22 | 基于混合深度学习的二级网户间均衡供热调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114811713B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116817357B (zh) * | 2023-08-30 | 2023-11-17 | 瑞纳智能设备股份有限公司 | 基于热力站、楼栋及户的供暖控制方法及装置 |
CN116916390A (zh) * | 2023-09-11 | 2023-10-20 | 军事科学院系统工程研究院系统总体研究所 | 一种结合资源分配的边缘协作缓存优化方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113091123A (zh) * | 2021-05-11 | 2021-07-09 | 杭州英集动力科技有限公司 | 一种基于数字孪生模型的楼宇机组供热系统调控方法 |
CN113266869A (zh) * | 2021-05-20 | 2021-08-17 | 华北电力大学 | 基于数字孪生技术的热电联合供暖系统实时优化调控方法 |
CN114183796A (zh) * | 2021-11-26 | 2022-03-15 | 杭州英集动力科技有限公司 | 基于电制热与集中供热多能互补系统优化调度方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3025231A1 (en) * | 2017-11-23 | 2019-05-23 | Groundswell Grid Energy Corp. | Method and system for controlling the heating and cooling requirements in a modular heat energy network |
-
2022
- 2022-04-22 CN CN202210429419.3A patent/CN114811713B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113091123A (zh) * | 2021-05-11 | 2021-07-09 | 杭州英集动力科技有限公司 | 一种基于数字孪生模型的楼宇机组供热系统调控方法 |
CN113266869A (zh) * | 2021-05-20 | 2021-08-17 | 华北电力大学 | 基于数字孪生技术的热电联合供暖系统实时优化调控方法 |
CN114183796A (zh) * | 2021-11-26 | 2022-03-15 | 杭州英集动力科技有限公司 | 基于电制热与集中供热多能互补系统优化调度方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114811713A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jallal et al. | A hybrid neuro-fuzzy inference system-based algorithm for time series forecasting applied to energy consumption prediction | |
CN114811713B (zh) | 基于混合深度学习的二级网户间均衡供热调控方法 | |
CN112116153B (zh) | 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 | |
Kalogirou | Optimization of solar systems using artificial neural-networks and genetic algorithms | |
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
CN111561734B (zh) | 基于人工智能的供暖户阀调节方法、系统及设备 | |
CN106951611A (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
CN111461466B (zh) | 基于lstm时间序列的供暖户阀调节方法、系统及设备 | |
CN114777192B (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
CN113762387B (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
Alamin et al. | An Artificial Neural Network (ANN) model to predict the electric load profile for an HVAC system | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN111461404A (zh) | 一种基于神经网络预测区间的短期负荷和水电预测方法 | |
CN115310782A (zh) | 一种基于神经图灵机的电力用户需求响应潜力评估方法及装置 | |
CN114909706B (zh) | 一种基于强化学习算法和压差控制的二级网平衡调控方法 | |
Sharif et al. | Generation of whole building renovation scenarios using variational autoencoders | |
CN115640901A (zh) | 一种基于混合神经网络和生成对抗的小样本负荷预测方法 | |
CN115759336A (zh) | 一种面向短期电力负荷预测的预测方法及存储介质 | |
CN104834975A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
CN115907122A (zh) | 区域电动汽车充电负荷预测方法 | |
Čurčić et al. | Gaining insights into dwelling characteristics using machine learning for policy making on nearly zero-energy buildings with the use of smart meter and weather data | |
CN108376294A (zh) | 一种供能反馈与气象因素的热负荷预测方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN111311001A (zh) | 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法 | |
CN114462683A (zh) | 基于联邦学习的云边协同多居民区负荷预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |