CN114857656A - 一种供热负荷预测方法和装置 - Google Patents
一种供热负荷预测方法和装置 Download PDFInfo
- Publication number
- CN114857656A CN114857656A CN202210576555.5A CN202210576555A CN114857656A CN 114857656 A CN114857656 A CN 114857656A CN 202210576555 A CN202210576555 A CN 202210576555A CN 114857656 A CN114857656 A CN 114857656A
- Authority
- CN
- China
- Prior art keywords
- characteristic data
- heat supply
- heat
- data
- heat exchange
- 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 72
- 238000012545 processing Methods 0.000 claims abstract description 117
- 238000010438 heat treatment Methods 0.000 claims abstract description 87
- 238000012163 sequencing technique Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 40
- 238000012795 verification Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 18
- 230000006403 short-term memory Effects 0.000 claims description 16
- 230000007787 long-term memory Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013075 data extraction Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 10
- 229910052799 carbon Inorganic materials 0.000 description 10
- 238000006386 neutralization reaction Methods 0.000 description 10
- 238000004134 energy conservation Methods 0.000 description 9
- 230000009467 reduction Effects 0.000 description 9
- 238000005065 mining Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000015654 memory Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
- F24D19/00—Details
- F24D19/10—Arrangement or mounting of control or safety devices
- F24D19/1006—Arrangement or mounting of control or safety devices for water heating systems
- F24D19/1009—Arrangement or mounting of control or safety devices for water heating systems for central heating
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种供热负荷预测方法和装置，涉及智能城市技术领域。该方法的一具体实施方式包括：接收预测换热站供热负荷的请求，获取供热系统的实时运行数据；从实时运行数据中提取多个等分时刻对应的第一特征数据，并将第一特征数据按照时间序列排序，得到第一时序特征数据；其中，第一特征数据包括二次网供热特征数据、气象特征数据和用户侧特征数据；利用换热站供热负荷预测模型对第一时序特征数据进行第一处理，并将第一处理结果输入全连接层中进行第二处理，得到下一等分时刻对应的换热站供热负荷的预测值。该实施方式提高了预测结果的准确率，拓展了供热负荷预测方法的适用场景，提升了用户体验。
Description
技术领域
本发明涉及智能城市技术领域，尤其涉及产业数字化技术领域，具体涉及一种供热负荷预测方法和装置。
背景技术
碳中和是指国家、企业、产品、活动或个人在一定时间内直接或间接产生的二氧化碳或温室气体排放总量，通过植树造林、节能减排等形式，以抵消自身产生的二氧化碳或温室气体排放量，实现正负抵消，达到相对“零排放”。供热系统在推进产业数字化的过程中，如何实现节能减排、达到碳中和，是当前的研究热点问题。
集中供热系统主要由热源、供热管网、热用户几部分组成，其中，供热管网主要包括一次网、换热站、二次网，热源厂产生的热水经由一次网传输至换热站，在通过回水管道返回到热源厂继续加热，在换热站内经由换热器与二次网中的水进行热交换，二次网中的水被加热并循环到用户的室内设施，达到室内升温的目的。
供热负荷是热源厂、换热站提供热量能力的度量，是衡量其供热能力的重要指标。对供热负荷进行准确的预测，是供热系统成功运行的前提，有助于达到最佳的供热资源调度并满足供热需求，更加合理地优化供热资源的分配、减少能源浪费，保证热用户更加舒适的用热体验，同时通过节能减排，助力碳中和。
相关技术中至少存在如下问题：
相关技术中，一种是通过传统机器学习进行预测，由于对供热特征挖掘不足，导致预测准确率较低，且存在模型构建困难，求解复杂系数高的技术问题；另一种是通过神经网络模型进行预测，由于是针对供热系统进行整体性建模，无法实现针对供热来源(热源、换热站)的精细化、分级预测，导致预测结果的精细化程度和准确率较低，无法根据预测结果对供热来源进行针对性管理、调控，预测方法的适用场景较窄，难以满足实际需求，用户体验差。
发明内容
有鉴于此，本发明实施例提供一种供热负荷预测方法和装置，能够从供热系统的运行数据中提取预测所需的全部时序特征数据，并实现了针对供热来源(热源和换热站)的分级预测，提升了预测结果的精细化程度，提高了预测结果的准确率，拓展了供热负荷预测方法的适用场景，提升了用户体验，并通过节能减排，为实现碳中和提供助力。
为实现上述目的，根据本发明实施例的一个方面，提供了一种供热负荷预测方法，包括：
接收预测换热站供热负荷的请求，获取供热系统的实时运行数据；
从实时运行数据中提取多个等分时刻对应的第一特征数据，并将第一特征数据按照时间序列排序，得到第一时序特征数据；其中，第一特征数据包括二次网供热特征数据、气象特征数据和用户侧特征数据；
利用换热站供热负荷预测模型对第一时序特征数据进行第一处理，并将第一处理结果输入全连接层中进行第二处理，得到下一等分时刻对应的换热站供热负荷的预测值。
进一步地，方法还包括：
接收预测热源供热负荷的请求，热源供热负荷的请求中指示了热源对应的全部换热站；
确定全部换热站分别对应的第一处理结果；
从实时运行数据中提取多个等分时刻对应的第二特征数据，并将第二特征数据按照时间序列排序，得到第二时序特征数据；其中，第二特征数据包括一次网供热特征数据和热源运行特征数据；
将第二时序特征数据输入全连接层中进行第三处理，得到第三处理结果，将全部换热站分别对应的第一处理结果和第三处理结果进行特征拼接，并将特征拼接结果依次输入热源供热负荷预测模型和全连接层进行第四处理，得到下一等分时刻对应的热源供热负荷的预测值。
进一步地，换热站供热负荷预测模型和热源供热预测模型均为长短期记忆神经网络模型，方法还包括供热负荷模型训练步骤：
获取供热系统的历史运行数据，从历史运行数据中分别选取训练集和验证集；其中，训练集包括多个等分时刻对应的第一特征数据和第二特征数据，验证集包括下一时刻对应的换热站供热负荷实际值和热源供热负荷实际值；
根据训练集和验证集对长短期记忆神经网络模型和全连接层进行训练，得到换热站供热负荷预测模型和热源供热负荷预测模型。
进一步地，方法还包括：
根据换热站供热负荷的预测值和热源供热负荷的预测值分别与换热站供热负荷实际值和热源供热负荷实际值的误差构建损失函数；
根据损失函数对换热站供热负荷预测模型和热源供热负荷预测模型进行优化处理。
进一步地，在获取供热系统的历史运行数据的步骤之后，方法还包括：
对历史运行数据进行数据清洗处理和数据补全处理。
根据本发明实施例的另一个方面，提供了一种供热负荷预测装置，包括：
请求接收模块，用于接收预测换热站供热负荷的请求，获取供热系统的实时运行数据；
特征数据提取模块，用于从实时运行数据中提取多个等分时刻对应的第一特征数据，并将第一特征数据按照时间序列排序，得到第一时序特征数据；其中，第一特征数据包括二次网供热特征数据、气象特征数据和用户侧特征数据；
预测模块，用于利用换热站供热负荷预测模型对第一时序特征数据进行第一处理，并将第一处理结果输入全连接层中进行第二处理，得到下一等分时刻对应的换热站供热负荷的预测值。
进一步地，若请求接收模块接收预测热源供热负荷的请求；其中，热源供热负荷的请求中指示了热源对应的全部换热站；
特征数据提取模块还用于：从实时运行数据中提取多个等分时刻对应的第二特征数据，并将第二特征数据按照时间序列排序，得到第二时序特征数据；其中，第二特征数据包括一次网供热特征数据和热源运行特征数据；
预测模块还用于：确定全部换热站分别对应的第一处理结果；将第二时序特征数据输入全连接层中进行第三处理，得到第三处理结果，将全部换热站分别对应的第一处理结果和第三处理结果进行特征拼接，并将特征拼接结果依次输入热源供热负荷预测模型和全连接层进行第四处理，得到下一等分时刻对应的热源供热负荷的预测值。
进一步地，换热站供热负荷预测模型和热源供热预测模型均为长短期记忆神经网络模型，装置还包括供热负荷模型训练模块，用于：
获取供热系统的历史运行数据，从历史运行数据中分别选取训练集和验证集；其中，训练集包括多个等分时刻对应的第一特征数据和第二特征数据，验证集包括下一时刻对应的换热站供热负荷实际值和热源供热负荷实际值；
根据训练集和验证集对长短期记忆神经网络模型和全连接层进行训练，得到换热站供热负荷预测模型和热源供热负荷预测模型。
根据本发明实施例的另一个方面，提供了一种供热负荷预测的电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述任一种供热负荷预测方法。
根据本发明实施例的另一个方面，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述任一种供热负荷预测方法。
上述发明中的一个实施例具有如下优点或有益效果：因为采用接收预测换热站供热负荷的请求，获取供热系统的实时运行数据；从实时运行数据中提取多个等分时刻对应的第一特征数据，并将第一特征数据按照时间序列排序，得到第一时序特征数据；其中，第一特征数据包括二次网供热特征数据、气象特征数据和用户侧特征数据；利用换热站供热负荷预测模型对第一时序特征数据进行第一处理，并将第一处理结果输入全连接层中进行第二处理，得到下一等分时刻对应的换热站供热负荷的预测值的技术手段，所以克服了相关技术中，由于对供热特征挖掘不足、或针对供热系统进行整体性建模，导致预测结果的精细化程度和准确率较低，模型构建困难，求解复杂系数高，预测方法的适用场景较窄，难以满足实际需求，用户体验差的技术问题，进而达到能够从供热系统的运行数据中提取预测所需的全部时序特征数据，并实现了针对供热来源(热源和换热站)的分级预测，提升了预测结果的精细化程度，提高了预测结果的准确率，拓展了供热负荷预测方法的适用场景，提升了用户体验，并通过节能减排，为实现碳中和提供助力的技术效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明一个实施例提供的供热负荷预测方法的主要流程的示意图；
图2是根据本发明又一个实施例提供的供热负荷预测方法的主要流程的示意图；
图3是根据本发明实施例提供的供热负荷预测装置的主要模块的示意图；
图4是本发明实施例可以应用于其中的示例性系统架构图；
图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明一个实施例提供的供热负荷预测方法的主要流程的示意图；如图1所示，本发明实施例提供的供热负荷预测方法主要包括：
步骤S101，接收预测换热站供热负荷的请求，获取供热系统的实时运行数据。
具体地，根据本发明实施例，响应于接收预测换热站供热负荷的请求，获取供热系统的实时运行数据，包括预测换热站供热负荷的请求所对应的当前时刻之前一段时间内的运行数据。其中，供热系统中存储有热源、热网(热源与换热站之间的一次网、换热站与用户侧之间的二次网)、换热站、用户侧内的系统运行数据。本方案将全部供热来源以及供热中间管道网、供热终端中对供热负荷产生影响的因素全部纳入考量范围，实现了对供热负荷产生影响的特征数据的深度挖掘，有助于后续基于此作为供热负荷模型的输入，提高预测结果的准确率。
进一步地，在获取供热系统的实时运行数据的步骤之后，方法还包括：
对实时运行数据进行数据清洗处理和数据补全处理。
由于实际获取到的实时运行数据中可能包含大量的缺失值、噪音、异常点等，为提高数据质量，对实时运行数据进行数据清洗。具体地，根据本发明实施例，可通过数据分析，例如统计分析、3σ原则(又称为拉依达准则，它是先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除)、箱型图分析、聚类分析等数据分析手段对实时运行数据进行数据清洗。
另一方面，由于供热系统中某些传感器失灵或数据传输错误会导致的部分数据缺失，通过对实时运行数据进行填补空缺数据可平滑数据噪声。
步骤S102，从实时运行数据中提取多个等分时刻对应的第一特征数据，并将第一特征数据按照时间序列排序，得到第一时序特征数据；其中，第一特征数据包括二次网供热特征数据、气象特征数据和用户侧特征数据。
具体地，根据本发明实施例，二次网供热特征数据包括换热站与用户侧直接的二次网的供回水温度、压力、流量等特征数据；气象特征数据是指换热站对应的当地气象特征数据，包括室外温度、室外湿度、风向、风速、光照等特征数据；用户侧特征数据包括用户侧的室内温度、室内湿度等特征数据。即，在进行换热站供热负荷预测时，将“换热站—二次网—用户侧”的供热链上的全部特征数据进行提取，以便于后续更加精确地进行不同工况条件下各个换热站负荷的预测，进而根据预测结果指导各个换热站合理的调控。
步骤S103，利用换热站供热负荷预测模型对第一时序特征数据进行第一处理，并将第一处理结果输入全连接层中进行第二处理，得到下一等分时刻对应的换热站供热负荷的预测值。
具体地，根据本发明实施例，换热站供热负荷预测模型采用长短期记忆神经网络模型(LSTM，Long Short-Term Memory)，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM是解决循环神经网络RNN结构中存在的“梯度消失”问题而提出的，是一种特殊的循环神经网络。利用换热站供热负荷预测模型对第一时序特征数据进行第一处理后，再利用全连接层对第一处理结果的特征进行整合、归一化处理，得到下一等分时刻对应的换热站供热负荷的预测值。
进一步地，根据本发明实施例，上述方法还包括供热负荷模型训练步骤：
获取供热系统的历史运行数据，从历史运行数据中分别选取训练集和验证集；其中，训练集包括多个等分时刻对应的第一特征数据和第二特征数据，验证集包括下一时刻对应的换热站供热负荷实际值和热源供热负荷实际值；
根据训练集和验证集对长短期记忆神经网络模型和全连接层进行训练，得到换热站供热负荷预测模型和热源供热负荷预测模型。
在供热负荷模型训练过程中，基于供热系统的历史运行数据，结合供热负荷模型的类型(换热站供热负荷预测模型或热源供热负荷预测模型)，分别提取相应的特征数据作为训练集，并提取对应时刻的实际供热负荷值作为验证集。在供热负荷模型训练的过程中将长短期记忆神经网络模型和全连接层作为一个整体进行训练。
根据本发明实施例，在获取供热系统的历史运行数据的步骤之后，方法还包括：对历史运行数据进行数据清洗处理和数据补全处理。
优选地，根据本发明实施例，上述方法还包括：
接收预测热源供热负荷的请求，热源供热负荷的请求中指示了热源对应的全部换热站；
确定全部换热站分别对应的第一处理结果；
从实时运行数据中提取多个等分时刻对应的第二特征数据，并将第二特征数据按照时间序列排序，得到第二时序特征数据；其中，第二特征数据包括一次网供热特征数据和热源运行特征数据；
将第二时序特征数据输入全连接层中进行第三处理，得到第三处理结果，将全部换热站分别对应的第一处理结果和第三处理结果进行特征拼接，并将特征拼接结果依次输入热源供热负荷预测模型和全连接层进行第四处理，得到下一等分时刻对应的热源供热负荷的预测值。
其中，一次网供热特征数据包括热源与换热站之间的一次网中的供回水温度、压力、流量等特征数据；热源运行特征数据包括热源运行时的供水总流量、供水温度、供水压力等特征数据。实际场景中，通常一个热源同时向多个换热站进行供热，因此，在进行热源的供热负荷预测时，不仅需要考虑热源运行特征数据、热源与换热站之间的一次网供热特征数据，还需要全部换热站对应的特征数据纳入考量因素。通过上述设置，在进行热源供热负荷预测时，由于涉及到热源侧的特征数据与换热站的特征数据之间的特征拼接，为避免对热源侧特征数据的影响，先通过全连接层对第二时序特征数据进行处理得到第三处理结果，以调整热源侧特征数据的特征维度。然后，再将全部换热站分别对应的第一处理结果与第三处理结果进行特征拼接，将特征拼接结果依次输入至热源负荷预测模型中进行第四处理，确定热源供热负荷对应的预测值。
进一步地，根据本发明实施例，上述方法还包括：
根据换热站供热负荷的预测值和热源供热负荷的预测值分别与换热站供热负荷实际值和热源供热负荷实际值的误差构建损失函数；
根据损失函数对换热站供热负荷预测模型和热源供热负荷预测模型进行优化处理。
通过上述设置，对供热负荷预测模型进行优化，可进一步提供预测结果的准确率。
根据本发明实施例的技术方案，因为采用接收预测换热站供热负荷的请求，获取供热系统的实时运行数据；从实时运行数据中提取多个等分时刻对应的第一特征数据，并将第一特征数据按照时间序列排序，得到第一时序特征数据；其中，第一特征数据包括二次网供热特征数据、气象特征数据和用户侧特征数据；利用换热站供热负荷预测模型对第一时序特征数据进行第一处理，并将第一处理结果输入全连接层中进行第二处理，得到下一等分时刻对应的换热站供热负荷的预测值的技术手段，所以克服了相关技术中，由于对供热特征挖掘不足、或针对供热系统进行整体性建模，导致预测结果的精细化程度和准确率较低，模型构建困难，求解复杂系数高，预测方法的适用场景较窄，难以满足实际需求，用户体验差的技术问题，进而达到能够从供热系统的运行数据中提取预测所需的全部时序特征数据，并实现了针对供热来源(热源和换热站)的分级预测，提升了预测结果的精细化程度，提高了预测结果的准确率，拓展了供热负荷预测方法的适用场景，提升了用户体验，并通过节能减排，为实现碳中和提供助力的技术效果。
图2是根据本发明又一个实施例提供的供热负荷预测方法的主要流程的示意图；如图2所示，本发明实施例提供的供热负荷预测方法主要包括：
步骤S201，获取供热系统的历史运行数据，从历史运行数据中分别选取训练集和验证集；其中，训练集包括多个等分时刻对应的第一特征数据和第二特征数据，验证集包括下一时刻对应的换热站供热负荷实际值和热源供热负荷实际值；
具体地，供热系统中包括热源、热网(热源与换热站之间的一次网、换热站与用户侧之间的二次网)、换热站、用户侧内的系统运行数据。本方案将全部供热来源以及供热中间管道网、供热终端中对供热负荷产生影响的因素全部纳入考量范围，在供热负荷模型训练过程中，基于供热系统的历史运行数据，结合供热负荷模型的类型(换热站供热负荷预测模型或热源供热负荷预测模型)，分别提取相应的特征数据作为训练集，并提取对应时刻的实际供热负荷值作为验证集，实现了对供热负荷产生影响的特征数据的深度挖掘，有助于后续基于此作为供热负荷模型的输入，提高预测结果的准确率。
进一步地，在获取供热系统的历史运行数据的步骤之后，方法还包括：
对历史运行数据进行数据清洗处理和数据补全处理。
由于实际获取到的历史运行数据中可能包含大量的缺失值、噪音、异常点等，为提高数据质量，对历史运行数据进行数据清洗。具体地，根据本发明实施例，可通过数据分析，例如统计分析、3σ原则(又称为拉依达准则，它是先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除)、箱型图分析、聚类分析等数据分析手段对历史运行数据进行数据清洗。
另一方面，由于供热系统中某些传感器失灵或数据传输错误会导致的部分数据缺失，通过对历史运行数据进行填补空缺数据可平滑数据噪声。
步骤S202，根据训练集和验证集对长短期记忆神经网络模型和全连接层进行训练，得到换热站供热负荷预测模型和热源供热负荷预测模型。
具体地，根据本发明实施例，换热站供热负荷预测模型和热源供热负荷预测模型均采用长短期记忆神经网络模型(LSTM，Long Short-Term Memory，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM是解决循环神经网络RNN结构中存在的“梯度消失”问题而提出的，是一种特殊的循环神经网络)。根据训练集和验证集对长短期记忆神经网络模型进行训练的过程具体包括：将训练集中特征数据按照时序排列后，依次输入至长短期记忆神经网络模型、全连接层中，输出预测值，根据预测值和验证集进行比对，确定准确率达到一定阈值(可根据实际需求进行设定)时，完成对供热负荷预测模型的训练。
步骤S203，根据换热站供热负荷的预测值和热源供热负荷的预测值分别与换热站供热负荷实际值和热源供热负荷实际值的误差构建损失函数。
具体地，根据本发明实施例，所构建的损失函数的表达式为：
其中，loss*是热源供热负荷的预测值与实际值之间的均方误差；lossi是指与热源对应的第i个换热站的换热站供热负荷的预测值与实际值之间的均方误差。α、β是指优化参数，可根据常见的超参数搜索算法(如网格搜索，随机搜索，贝叶斯优化等)搜索得到最佳参数。这里最佳参数的判断依据即定义的模型的综合损失函数，即模型进行负荷预测精度的评价指标。
步骤S204，根据损失函数对换热站供热负荷预测模型和热源供热负荷预测模型进行优化处理。
通过上述设置，对供热负荷预测模型进行优化，可进一步提供预测结果的准确率。
步骤S205，接收预测换热站供热负荷的请求，获取供热系统的实时运行数据，从实时运行数据中提取多个等分时刻对应的第一特征数据，并将第一特征数据按照时间序列排序，得到第一时序特征数据；其中，第一特征数据包括二次网供热特征数据、气象特征数据和用户侧特征数据。
具体地，根据本发明实施例，获取预测换热站供热负荷的请求所对应的当前时刻之前一段时间内，供热系统的实时运行数据。二次网供热特征数据包括换热站与用户侧直接的二次网的供回水温度、压力、流量等特征数据；气象特征数据是指换热站对应的当地气象特征数据，包括室外温度、室外湿度、风向、风速、光照、天气等特征数据；用户侧特征数据包括用户侧的室内温度、室内湿度等特征数据。即，在进行换热站供热负荷预测时，将“换热站—二次网—用户侧”的供热链上的全部特征数据进行提取，以便于后续更加精确地进行不同工况条件下各个换热站负荷的预测，进而根据预测结果指导各个换热站合理的调控。
步骤S206，利用换热站供热负荷预测模型对第一时序特征数据进行第一处理，并将第一处理结果输入全连接层中进行第二处理，得到下一等分时刻对应的换热站供热负荷的预测值。
步骤S207，接收预测热源供热负荷的请求，热源供热负荷的请求中指示了热源对应的全部换热站；从实时运行数据中提取多个等分时刻对应的第二特征数据，并将第二特征数据按照时间序列排序，得到第二时序特征数据；其中，第二特征数据包括一次网供热特征数据和热源运行特征数据；
其中，一次网供热特征数据包括热源与换热站之间的一次网中的供回水温度、压力、流量等特征数据；热源运行特征数据包括热源运行时的供水总流量、供水温度、供水压力等特征数据。实际场景中，通常一个热源同时向多个换热站进行供热，因此，在进行热源的供热负荷预测时，不仅需要考虑热源运行特征数据、热源与换热站之间的一次网供热特征数据，还需要全部换热站对应的特征数据纳入考量因素，以便于后续更加精确地进行不同工况条件下热源负荷的预测，进而根据预测结果指导热源合理的进行负荷生产。
步骤S208，确定全部换热站分别对应的第一处理结果；将第二时序特征数据输入全连接层中进行第三处理，得到第三处理结果，将全部换热站分别对应的第一处理结果和第三处理结果进行特征拼接，并将特征拼接结果依次输入热源供热负荷预测模型和全连接层进行第四处理，得到下一等分时刻对应的热源供热负荷的预测值。
根据本发明实施例的技术方案，因为采用接收预测换热站供热负荷的请求，获取供热系统的实时运行数据；从实时运行数据中提取多个等分时刻对应的第一特征数据，并将第一特征数据按照时间序列排序，得到第一时序特征数据；其中，第一特征数据包括二次网供热特征数据、气象特征数据和用户侧特征数据；利用换热站供热负荷预测模型对第一时序特征数据进行第一处理，并将第一处理结果输入全连接层中进行第二处理，得到下一等分时刻对应的换热站供热负荷的预测值的技术手段，所以克服了相关技术中，由于对供热特征挖掘不足、或针对供热系统进行整体性建模，导致预测结果的精细化程度和准确率较低，模型构建困难，求解复杂系数高，预测方法的适用场景较窄，难以满足实际需求，用户体验差的技术问题，进而达到能够从供热系统的运行数据中提取预测所需的全部时序特征数据，并实现了针对供热来源(热源和换热站)的分级预测，提升了预测结果的精细化程度，提高了预测结果的准确率，拓展了供热负荷预测方法的适用场景，提升了用户体验，并通过节能减排，为实现碳中和提供助力的技术效果。
图3是根据本发明实施例提供的供热负荷预测装置的主要模块的示意图；如图3所示，本发明实施例提供的供热负荷预测装置300主要包括：
请求接收模块301，用于接收预测换热站供热负荷的请求，获取供热系统的实时运行数据。
具体地，根据本发明实施例，响应于接收预测换热站供热负荷的请求，获取供热系统的实时运行数据，包括预测换热站供热负荷的请求所对应的当前时刻之前一段时间内的运行数据。其中，供热系统中包括热源、热网(热源与换热站之间的一次网、换热站与用户侧之间的二次网)、换热站、用户侧内的系统运行数据。本方案将全部供热来源以及供热中间管道网、供热终端中对供热负荷产生影响的因素全部纳入考量范围，实现了对供热负荷产生影响的特征数据的深度挖掘，有助于后续基于此作为供热负荷模型的输入，提高预测结果的准确率。
进一步地，上述供热负荷预测装置300还包括数据清洗和数据补全模块，在获取供热系统的实时运行数据的步骤之后，用于：
对实时运行数据进行数据清洗处理和数据补全处理。
由于实际获取到的实时运行数据中可能包含大量的缺失值、噪音、异常点等，为提高数据质量，对实时运行数据进行数据清洗。具体地，根据本发明实施例，可通过数据分析，例如统计分析、3σ原则(又称为拉依达准则，它是先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除)、箱型图分析、聚类分析等数据分析手段对实时运行数据进行数据清洗。
另一方面，由于供热系统中某些传感器失灵或数据传输错误会导致的部分数据缺失，通过对实时运行数据进行填补空缺数据可平滑数据噪声。
特征数据提取模块302，用于从实时运行数据中提取多个等分时刻对应的第一特征数据，并将第一特征数据按照时间序列排序，得到第一时序特征数据；其中，第一特征数据包括二次网供热特征数据、气象特征数据和用户侧特征数据。
具体地，根据本发明实施例，二次网供热特征数据包括换热站与用户侧直接的二次网的供回水温度、压力、流量等特征数据；气象特征数据是指换热站对应的当地气象特征数据，包括室外温度、室外湿度、风向、风速、光照、天气等特征数据；用户侧特征数据包括用户侧的室内温度、室内湿度等特征数据。即，在进行换热站供热负荷预测时，将“换热站—二次网—用户侧”的供热链上的全部特征数据进行提取，以便于后续更加精确地进行不同工况条件下各个换热站负荷的预测，进而根据预测结果指导各个换热站合理的调控。
预测模块303，用于利用换热站供热负荷预测模型对第一时序特征数据进行第一处理，并将第一处理结果输入全连接层中进行第二处理，得到下一等分时刻对应的换热站供热负荷的预测值。
具体地，根据本发明实施例，换热站供热负荷预测模型采用长短期记忆神经网络模型。利用换热站供热负荷预测模型对第一时序特征数据进行第一处理后，再利用全连接层对第一处理结果的特征进行整合、归一化处理，得到下一等分时刻对应的换热站供热负荷的预测值。
进一步地，根据本发明实施例，上述供热负荷预测装置300还包括供热负荷模型训练模块，用于：
获取供热系统的历史运行数据，从历史运行数据中分别选取训练集和验证集；其中，训练集包括多个等分时刻对应的第一特征数据和第二特征数据，验证集包括下一时刻对应的换热站供热负荷实际值和热源供热负荷实际值；
根据训练集和验证集对长短期记忆神经网络模型和全连接层进行训练，得到换热站供热负荷预测模型和热源供热负荷预测模型。
在供热负荷模型训练过程中，基于供热系统的历史运行数据，结合供热负荷模型的类型(换热站供热负荷预测模型或热源供热负荷预测模型)，分别提取相应的特征数据作为训练集，并提取对应时刻的实际供热负荷值作为验证集。
示例性地，根据本发明实施例，在获取供热系统的历史运行数据的步骤之后，上述数据清洗和数据补全模块还用于：
对历史运行数据进行数据清洗处理和数据补全处理。
优选地，根据本发明实施例，若请求接收模块301接收预测热源供热负荷的请求；其中，热源供热负荷的请求中指示了热源对应的全部换热站；
特征数据提取模块302还用于：从实时运行数据中提取多个等分时刻对应的第二特征数据，并将第二特征数据按照时间序列排序，得到第二时序特征数据；其中，第二特征数据包括一次网供热特征数据和热源运行特征数据；
预测模块303还用于：确定全部换热站分别对应的第一处理结果；将第二时序特征数据输入全连接层中进行第三处理，得到第三处理结果，将全部换热站分别对应的第一处理结果和第三处理结果进行特征拼接，并将特征拼接结果依次输入热源供热负荷预测模型和全连接层进行第四处理，得到下一等分时刻对应的热源供热负荷的预测值。
实际场景中，通常一个热源同时向多个换热站进行供热，因此，在进行热源的供热负荷预测时，不仅需要考虑热源运行特征数据、热源与换热站之间的一次网供热特征数据，还需要全部换热站对应的特征数据纳入考量因素。因此，可直接将全部换热站分别对应的第一处理结果和第三处理结果进行特征拼接后，通过全连接层进行处理确定热源供热负荷的预测值。
进一步地，根据本发明实施例，上述供热负荷预测装置300还包括模型优化模块，用于：
根据换热站供热负荷的预测值和热源供热负荷的预测值分别与换热站供热负荷实际值和热源供热负荷实际值的误差构建损失函数；
根据损失函数对换热站供热负荷预测模型和热源供热负荷预测模型进行优化处理。
通过上述设置，对供热负荷预测模型进行优化，可进一步提供预测结果的准确率。
根据本发明实施例的技术方案，因为采用接收预测换热站供热负荷的请求，获取供热系统的实时运行数据；从实时运行数据中提取多个等分时刻对应的第一特征数据，并将第一特征数据按照时间序列排序，得到第一时序特征数据；其中，第一特征数据包括二次网供热特征数据、气象特征数据和用户侧特征数据；利用换热站供热负荷预测模型对第一时序特征数据进行第一处理，并将第一处理结果输入全连接层中进行第二处理，得到下一等分时刻对应的换热站供热负荷的预测值的技术手段，所以克服了相关技术中，由于对供热特征挖掘不足、或针对供热系统进行整体性建模，导致预测结果的精细化程度和准确率较低，模型构建困难，求解复杂系数高，预测方法的适用场景较窄，难以满足实际需求，用户体验差的技术问题，进而达到能够从供热系统的运行数据中提取预测所需的全部时序特征数据，并实现了针对供热来源(热源和换热站)的分级预测，提升了预测结果的精细化程度，提高了预测结果的准确率，拓展了供热负荷预测方法的适用场景，提升了用户体验，并通过节能减排，为实现碳中和提供助力的技术效果。
图4示出了可以应用本发明实施例的供热负荷预测方法或供热负荷预测装置的示例性系统架构400。
如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405(此架构仅仅是示例，具体架构中包含的组件可以根据申请具体情况调整)。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如数据处理类应用、网页浏览器应用、搜索类应用、供热负荷预测类工具等(仅为示例)。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所(进行供热负荷预测/进行数据处理)的服务器(仅为示例)。该服务器可以对接收到的预测换热站供热负荷的请求等数据进行分析等处理，并将处理结果(例如换热站供热负荷的预测值、热源供热负荷的预测值--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的供热负荷预测方法一般由服务器405执行，相应地，供热负荷预测装置一般设置于服务器405中。
应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图5，其示出了适于用来实现本发明实施例的终端设备或服务器的计算机系统500的结构示意图。图5示出的终端设备或服务器仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、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，上述模块、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，两个接连地表示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，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操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。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括请求接收模块、特征数据提取模块和预测模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，请求接收模块还可以被描述为“用于接收预测换热站供热负荷的请求，获取供热系统的历史运行数据的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：接收预测换热站供热负荷的请求，获取供热系统的实时运行数据；从实时运行数据中提取多个等分时刻对应的第一特征数据，并将第一特征数据按照时间序列排序，得到第一时序特征数据；其中，第一特征数据包括二次网供热特征数据、气象特征数据和用户侧特征数据；利用换热站供热负荷预测模型对第一时序特征数据进行第一处理，并将第一处理结果输入全连接层中进行第二处理，得到下一等分时刻对应的换热站供热负荷的预测值。
根据本发明实施例的技术方案，因为采用接收预测换热站供热负荷的请求，获取供热系统的实时运行数据；从实时运行数据中提取多个等分时刻对应的第一特征数据，并将第一特征数据按照时间序列排序，得到第一时序特征数据；其中，第一特征数据包括二次网供热特征数据、气象特征数据和用户侧特征数据；利用换热站供热负荷预测模型对第一时序特征数据进行第一处理，并将第一处理结果输入全连接层中进行第二处理，得到下一等分时刻对应的换热站供热负荷的预测值的技术手段，所以克服了相关技术中，由于对供热特征挖掘不足、或针对供热系统进行整体性建模，导致预测结果的精细化程度和准确率较低，模型构建困难，求解复杂系数高，预测方法的适用场景较窄，难以满足实际需求，用户体验差的技术问题，进而达到能够从供热系统的运行数据中提取预测所需的全部时序特征数据，并实现了针对供热来源(热源和换热站)的分级预测，提升了预测结果的精细化程度，提高了预测结果的准确率，拓展了供热负荷预测方法的适用场景，提升了用户体验，并通过节能减排，为实现碳中和提供助力的技术效果。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种供热负荷预测方法，其特征在于，包括：
接收预测换热站供热负荷的请求，获取供热系统的实时运行数据；
从所述实时运行数据中提取多个等分时刻对应的第一特征数据，并将所述第一特征数据按照时间序列排序，得到第一时序特征数据；其中，所述第一特征数据包括二次网供热特征数据、气象特征数据和用户侧特征数据；
利用换热站供热负荷预测模型对所述第一时序特征数据进行第一处理，并将第一处理结果输入全连接层中进行第二处理，得到下一等分时刻对应的换热站供热负荷的预测值。
2.根据权利要求1所述的供热负荷预测方法，其特征在于，所述方法还包括：
接收预测热源供热负荷的请求，所述热源供热负荷的请求中指示了热源对应的全部换热站；
确定所述全部换热站分别对应的第一处理结果；
从所述实时运行数据中提取多个等分时刻对应的第二特征数据，并将所述第二特征数据按照时间序列排序，得到第二时序特征数据；其中，所述第二特征数据包括一次网供热特征数据和热源运行特征数据；
将所述第二时序特征数据输入所述全连接层中进行第三处理，得到第三处理结果，将所述全部换热站分别对应的第一处理结果和所述第三处理结果进行特征拼接，并将特征拼接结果依次输入热源供热负荷预测模型和所述全连接层进行第四处理，得到下一等分时刻对应的热源供热负荷的预测值。
3.根据权利要求1所述的供热负荷预测方法，其特征在于，所述换热站供热负荷预测模型和所述热源供热预测模型均为长短期记忆神经网络模型，所述方法还包括供热负荷模型训练步骤：
获取供热系统的历史运行数据，从所述历史运行数据中分别选取训练集和验证集；其中，所述训练集包括多个等分时刻对应的第一特征数据和第二特征数据，所述验证集包括下一时刻对应的换热站供热负荷实际值和热源供热负荷实际值；
根据所述训练集和所述验证集对所述长短期记忆神经网络模型和所述全连接层进行训练，得到换热站供热负荷预测模型和热源供热负荷预测模型。
4.根据权利要求3所述的供热负荷预测方法，其特征在于，所述方法还包括：
根据换热站供热负荷的预测值和热源供热负荷的预测值分别与换热站供热负荷实际值和热源供热负荷实际值的误差构建损失函数；
根据所述损失函数对所述换热站供热负荷预测模型和热源供热负荷预测模型进行优化处理。
5.根据权利要求3所述的供热负荷预测方法，其特征在于，在所述获取供热系统的历史运行数据的步骤之后，所述方法还包括：
对所述历史运行数据进行数据清洗处理和数据补全处理。
6.一种供热负荷预测装置，其特征在于，包括：
请求接收模块，用于接收预测换热站供热负荷的请求，获取供热系统的实时运行数据；
特征数据提取模块，用于从所述实时运行数据中提取多个等分时刻对应的第一特征数据，并将所述第一特征数据按照时间序列排序，得到第一时序特征数据；其中，所述第一特征数据包括二次网供热特征数据、气象特征数据和用户侧特征数据；
预测模块，用于利用换热站供热负荷预测模型对所述第一时序特征数据进行第一处理，并将第一处理结果输入全连接层中进行第二处理，得到下一等分时刻对应的换热站供热负荷的预测值。
7.根据权利要求6所述的供热负荷预测装置，其特征在于，若所述请求接收模块接收预测热源供热负荷的请求；其中，所述热源供热负荷的请求中指示了热源对应的全部换热站；
所述特征数据提取模块还用于：从所述实时运行数据中提取多个等分时刻对应的第二特征数据，并将所述第二特征数据按照时间序列排序，得到第二时序特征数据；其中，所述第二特征数据包括一次网供热特征数据和热源运行特征数据；
所述预测模块还用于：确定所述全部换热站分别对应的第一处理结果；将所述第二时序特征数据输入所述全连接层中进行第三处理，得到第三处理结果，将所述全部换热站分别对应的第一处理结果和所述第三处理结果进行特征拼接，并将特征拼接结果依次输入热源供热负荷预测模型和所述全连接层进行第四处理，得到下一等分时刻对应的热源供热负荷的预测值。
8.根据权利要求7所述的供热负荷预测装置，其特征在于，所述换热站供热负荷预测模型和所述热源供热预测模型均为长短期记忆神经网络模型，所述装置还包括供热负荷模型训练模块，用于：
获取供热系统的历史运行数据，从所述历史运行数据中分别选取训练集和验证集；其中，所述训练集包括多个等分时刻对应的第一特征数据和第二特征数据，所述验证集包括下一时刻对应的换热站供热负荷实际值和热源供热负荷实际值；
根据所述训练集和所述验证集对所述长短期记忆神经网络模型和所述全连接层进行训练，得到换热站供热负荷预测模型和热源供热负荷预测模型。
9.一种供热负荷预测的电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210576555.5A CN114857656A (zh) | 2022-05-25 | 2022-05-25 | 一种供热负荷预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210576555.5A CN114857656A (zh) | 2022-05-25 | 2022-05-25 | 一种供热负荷预测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114857656A true CN114857656A (zh) | 2022-08-05 |
Family
ID=82640083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210576555.5A Pending CN114857656A (zh) | 2022-05-25 | 2022-05-25 | 一种供热负荷预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114857656A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104791903A (zh) * | 2015-04-30 | 2015-07-22 | 北京上庄燃气热电有限公司 | 一种热网智能调度系统 |
| CN112712189A (zh) * | 2019-10-25 | 2021-04-27 | 北京市热力集团有限责任公司 | 一种供热需求负荷预测方法 |
-
2022
- 2022-05-25 CN CN202210576555.5A patent/CN114857656A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104791903A (zh) * | 2015-04-30 | 2015-07-22 | 北京上庄燃气热电有限公司 | 一种热网智能调度系统 |
| CN112712189A (zh) * | 2019-10-25 | 2021-04-27 | 北京市热力集团有限责任公司 | 一种供热需求负荷预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
| CN110969285B (zh) | 预测模型训练方法、预测方法、装置、设备及介质 | |
| WO2024046137A1 (zh) | 一种多能源联合发电系统的功率预测模型构建及预测方法 | |
| CN113837488B (zh) | 能源消耗数据预测方法、系统、设备 | |
| CN112799897B (zh) | 一种基于大数据的信息管理方法、管理系统、存储介质 | |
| CN111797132B (zh) | 考虑时空相关性的多可再生能源电站功率场景生成方法 | |
| CN111160847A (zh) | 一种处理流程信息的方法和装置 | |
| JP2019096164A (ja) | 電力市場価格予測装置、電力市場価格予測方法、および電力市場価格予測プログラム | |
| CN114895380A (zh) | 一种太阳辐射预测方法、装置、设备和介质 | |
| CN114857656A (zh) | 一种供热负荷预测方法和装置 | |
| CN111080037A (zh) | 一种基于深度神经网络的短期电力负荷预测方法及装置 | |
| CN115759395A (zh) | 光伏检测模型的训练、光伏发电的检测方法及相关装置 | |
| CN113723712B (zh) | 风电功率预测方法、系统、设备及介质 | |
| CN115203873A (zh) | 应用于配电网的拓扑关系构建方法、装置、设备及介质 | |
| CN105373880A (zh) | 电网工程项目方案反馈评价和方案决策系统 | |
| CN114611805A (zh) | 一种净负荷预测方法、装置、电子设备及存储介质 | |
| CN110443460B (zh) | 一种基于天气和小区热量损耗的换热站换热量人工智能分析方法以及装置 | |
| CN112732777A (zh) | 基于时间序列的头寸预测方法、装置、设备和介质 | |
| CN112580885A (zh) | 一种配件合格率的预测方法、装置、设备及存储介质 | |
| CN111046321A (zh) | 光伏电站运维策略优化方法和装置 | |
| CN112132325B (zh) | 考虑天气置信度的输电线路载流量限额评估方法及装置 | |
| CN117422259A (zh) | 一种分布式资源预测聚合方法、装置、设备及存储介质 | |
| CN115860249A (zh) | 一种分布式光伏发电功率预测方法、装置、设备和介质 | |
| Ku et al. | Self-learning mechanism for prediction of energy consumption and generation | |
| CN115774789A (zh) | 一种知识图谱的确定方法、装置、设备及存储介质 |
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 |