CN115013858A - 一种基于滞后时间辨识的供热二级网分户调控方法 - Google Patents
一种基于滞后时间辨识的供热二级网分户调控方法 Download PDFInfo
- Publication number
- CN115013858A CN115013858A CN202210592077.7A CN202210592077A CN115013858A CN 115013858 A CN115013858 A CN 115013858A CN 202210592077 A CN202210592077 A CN 202210592077A CN 115013858 A CN115013858 A CN 115013858A
- Authority
- CN
- China
- Prior art keywords
- user
- household
- valve
- regulation
- heat supply
- 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.)
- Granted
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
- F24D19/00—Details
- F24D19/10—Arrangement or mounting of control or safety devices
- 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
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)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于滞后时间辨识的供热二级网分户调控方法，包括：建立供热系统二级网数字孪生模型；基于供热系统二级网数字孪生模型和热用户户前安装的热计量表、户内安装的室温传感器采集的数据，结合室外天气数据，建立热用户需求负荷预测模型；分别对户前安装的电动调节阀动作到供水流量变化响应的滞后时间，供水流量发生变化到室内温度变化响应的滞后时间进行辨识，建立滞后控制模型；基于热用户需求负荷预测模型，以室温满足需求范围为目标，建立分户供热阀门调控预测模型；基于分户供热阀门调控预测模型和滞后控制模型，获取各供热用户户前安装的电动调节阀的阀门调控策略；基于供热系统二级网数字孪生模型，对各供热用户户前安装的电动调节阀的阀门调控策略进行验证和策略下发执行。
Description
技术领域
本发明属于智慧供热技术领域，具体涉及一种基于滞后时间辨识的供热二级网分户调控方法。
背景技术
随着集中供热事业的快速发展，集中供热系统采暖用户越来越多，热网的覆盖面积逐年增大。同时，人们对生活舒适性的追求越来越高，对供热质量的要求也越来越高。目前，在国家节能减排的政策下，大量的热力站、换热站一次网的节能改造已经实现实时监测，联动调控，无人值守等的一系列节能功能。而二次管网，尤其是供热末端用户系统的控制由于受到成本以及现场施工方面等条件制约，发展较慢，效果不好。随着物联网的深入发展，为智慧供热建设的发展奠定了坚实基础，智慧供热对二级网末端用户的供热提出了更精准化、更及时有效满足用户供热需求的条件。
目前，在供热二级网调控系统中延迟效应普遍存在，例如控制动作执行后用户末端参数达到目标状态的延迟，由于延迟的存在，使得扰动不能及时发现，调节效果也不能及时体现，对于供热二级网分户调控是不利的影响，而且缺乏有效的调节手段，传统的控制技术无法解决大滞后的问题，对供热二级网分户系统的调控无论是稳定性还是响应速度都很难满足调控的实际需求，存在供热系统可调性较差、供热效率低、居民投诉经常发生的现象。
基于上述技术问题，需要设计一种新的基于滞后时间辨识的供热二级网分户调控方法。
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，提供一种基于滞后时间辨识的供热二级网分户调控方法。
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滞后时间辨识的供热二级网分户调控方法，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、基于供热系统二级网数字孪生模型和热用户户前安装的热计量表、户内安装的室温传感器采集的数据，结合室外天气数据，建立热用户需求负荷预测模型；
步骤S3、分别对户前安装的电动调节阀动作到供水流量变化响应的滞后时间，供水流量发生变化到室内温度变化响应的滞后时间进行辨识，建立滞后控制模型；
步骤S4、基于热用户需求负荷预测模型，以室温满足需求范围为目标，建立分户供热阀门调控预测模型；
步骤S5、基于分户供热阀门调控预测模型和滞后控制模型，获取各供热用户户前安装的电动调节阀的阀门调控策略；
步骤S6、基于供热系统二级网数字孪生模型，对各供热用户户前安装的电动调节阀的阀门调控策略进行验证和策略下发执行。
进一步，所述步骤S2中，基于热用户户前安装的热计量表和户内安装的室温传感器采集的数据，结合室外天气数据，建立热用户需求负荷预测模型，包括：
采集热用户户前安装的热计量表的热计量数据、户内安装的室温传感器数据，结合室外天气数据作为输入数据；通过学习算法对输入数据进行训练获得热用户需求负荷预测模型；所述学习算法至少包括神经网络算法、最小二乘支持向量机算法、随机森林算法、强化学习算法和深度强化学习算法。
进一步，所述步骤S3中，分别对户前安装的电动调节阀动作到供水流量变化响应的滞后时间，供水流量发生变化到室内温度变化响应的滞后时间进行辨识，建立滞后控制模型，具体包括：
当户前安装的电动调节阀动作发生变化时，供水流量对阀门动作变化的响应存在一段时间滞后；以及当供水流量发生变化时，室内温度对流量变化的响应存在一段时间滞后；
采用滑动时间窗口和均值计算获得电动调节阀动作变化点、供水流量变化点，在状态变化的时间窗口内计算电动调节阀动作和供水流量的相关性系数、供水流量和室内温度的相关性系数，确定相关系数最大值对应位置，依据最大值对应位置计算获得分户调控的滞后时间，包括阀门-流量动作响应滞后时间和流量-室温响应滞后时间。
进一步，所述采用滑动时间窗口和均值计算获得电动调节阀动作变化点、供水流量变化点，包括：
设定阀门变化阈值、流量变化阈值、时间窗，将时间窗在时间轴上向前滑动一步，分别计算时间窗的前半段和后半段的阀门开度平均值和流量平均值；
若前半段和后半段的阀门开度平均值大于设定的阀门变化阈值，则确定阀门动作变化点；若前半段和后半段的流量平均值大于设定的流量变化阈值，则确定流量变化点；否则，重新将时间窗在时间轴上向前滑动一步，分别计算时间窗的前半段和后半段的阀门开度平均值和流量平均值；
以及，
所述计算电动调节阀动作和供水流量的相关性系数、供水流量和室内温度的相关性系数，确定相关系数最大值对应位置，依据最大值对应位置计算获得分户调控的滞后时间，包括：
基于阀门动作变化点和流量变化点、时间窗计算获取阀门动作序列和流量矩阵、流量变化序列和室内温度矩阵；
计算阀门动作序列和流量矩阵中每一列的互相关系数，计算流量变化序列和室内温度矩阵中每一列的互相关系数，确定相关系数最大值对应位置，所述相关系数最大值对应位置即为分户调控的滞后时间，表示为阀门-流量动作响应滞后时间和流量-室温响应滞后时间之和。
进一步，所述步骤S4中，基于热用户需求负荷预测模型，以室温满足需求范围为目标，建立分户供热阀门调控预测模型，具体包括：
步骤S401、采集历史热计量数据和室温数据、阀门调控数据，并结合室外天气数据、热用户需求负荷预测值作为样本数据；
步骤S402、将样本数据采用初始权重训练获得Elman1预测器，计算Elman1预测器的学习误差率，并依据学习误差率更新样本数据的权重；
步骤S403、基于更新权重后的样本数据训练获得Elman2预测器；
步骤S404、重复执行步骤S402～步骤S403，直到Elman预测器的数目达到设定的数目L；
步骤S405、采用AdaBoost算法对L个Elman预测器进行集成，获得集成的Elman模型，建立分户供热阀门调控预测模型，表示为：
βl为第l个Elman模型的权重，且
进一步，所述步骤S5中，基于分户供热阀门调控预测模型和滞后控制模型，获取各供热用户户前安装的电动调节阀的阀门调控策略，包括：基于分户供热阀门调控预测模型获得分户供热阀门调控策略，基于滞后控制模型获得分户调控的滞后时间，依据所述分户调控的滞后时间，提前对分户供热阀门进行调控。
进一步，所述供热二级网分户调控方法还包括：采集供热系统二级网用户多维度数据，进行数据预处理、用户标签提取和用户画像模型构建，并根据用户画像模型和热用户需求负荷预测模型建立分户供热阀门调控预测模型。
进一步，所述采集供热系统二级网用户多维度数据，进行数据预处理、用户标签提取和用户画像模型构建，具体包括：
采集供热系统二级网用户多维度数据，所述供热系统二级网用户多维度数据至少包括用户年龄、小区名称、用户房屋朝向、房屋面积和房屋所在楼层、家庭成员工作信息、起居时间、早午晚可调负荷和供热峰谷时段、用户投诉信息、缴费记录和上门维护工单信息；所述家庭成员工作信息包括工作日上班族、工作日居家族、老人居家族、老人上班混居族、周末外出族和周末宅居族；
对采集的供热系统二级网用户多维度数据进行标准化处理、异常值处理、降维处理、补全空值及去掉重复值的清洗操作，生成预处理后的二级网分户数据；
基于预处理后的二级网分户数据建立用户画像的标签体系，根据用户行为为每位用户匹配画像标签；所述用户画像的标签体系包括用户基本属性标签和用户行为属性标签；
将采集的数据映射到构建的用户基本属性标签和用户行为属性标签中，并且将用户的基本特征和行为特征组合到一起，形成用户个体画像；
基于用户个体画像，采用分析算法对所有用户的标签进行分类和聚集，提取不同用户类型的行为特征，并采用语义化标签进行描述和对用户进行等级划分，获得群体用户画像；
其中，分析算法至少包括K-means算法、层次聚类算法、决策树算法、主成分分析法和卷积神经网络算法、线性回归分析和非线性回归分析。
进一步，所述多维度数据的获取方式包括问卷调查、上门询问、公共平台日志、社区用户信息管理；
通过获取的用户年龄、小区名称、用户房屋朝向、房屋面积和房屋所在楼层基本信息构建用户基本属性标签，获得用户的基本特征；
通过获取的家庭成员工作信息，起居时间、早午晚可调负荷和供热峰谷时段、用户投诉信息、缴费记录和上门维护工单信息，从用户工作日和周末居家状态、用热习惯、平台交互、活跃度四个维度构建用户行为属性标签，获得用户的行为特征。
进一步，基于供热系统二级网数字孪生模型，对各供热用户户前安装的电动调节阀的阀门调控策略进行验证和策略下发执行，包括：基于供热系统二级网数字孪生模型对分户供热调控策略进行验证，监测电动调节阀动作变化后和流量响应、室内温度响应的变化是否及时，室内温度是否达标，在策略验证通过后进行策略下发执行。
本发明的有益效果是：
本发明通过分别对户前安装的电动调节阀动作到供水流量变化响应的滞后时间，供水流量发生变化到室内温度变化响应的滞后时间进行辨识，建立滞后控制模型；基于供热系统二级网数字孪生模型和热用户需求负荷预测模型，以室温满足需求范围为目标，建立分户供热阀门调控预测模型；能够依据室外天气变化和其他因素的影响，通过提前一定的时间对分户阀门进行调控，抵消室外天气变化和其他因素所产生的热负荷，阀门调控变化的及时性、精确性和合理性直接决定了供热质量的高低，满足用户供热需求；此外，以单元楼各用户数据为研究对象，根据数据标签对用户进行可视化，深度挖掘用户全方位的数据信息，从多维度标签构建用户个人画像和用户群体画像，为供热二级网分户调控奠定了基础；再结合用户画像和分户供热阀门调控预测模型、滞后控制模型，有效提高了分户阀门调控的精确度，满足用户供热需求和行为特征，减少用户投诉，提高用户供热满意度。
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为本发明一种基于滞后时间辨识的供热二级网分户调控方法流程图；
图2为本发明基于滞后时间辨识和分户阀门调控预测模型的原理框图；
图3为本发明用户画像技术原理框图。
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。
图1是本发明所涉及的一种基于滞后时间辨识的供热二级网分户调控方法流程图。
图2是本发明所涉及的基于滞后时间辨识和分户阀门调控预测模型的原理框图。
如图1、2所示，本实施例提供了一种基于滞后时间辨识的供热二级网分户调控方法，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、基于供热系统二级网数字孪生模型和热用户户前安装的热计量表、户内安装的室温传感器采集的数据，结合室外天气数据，建立热用户需求负荷预测模型；
步骤S3、分别对户前安装的电动调节阀动作到供水流量变化响应的滞后时间，供水流量发生变化到室内温度变化响应的滞后时间进行辨识，建立滞后控制模型；
步骤S4、基于热用户需求负荷预测模型，以室温满足需求范围为目标，建立分户供热阀门调控预测模型；
步骤S5、基于分户供热阀门调控预测模型和滞后控制模型，获取各供热用户户前安装的电动调节阀的阀门调控策略；
步骤S6、基于供热系统二级网数字孪生模型，对各供热用户户前安装的电动调节阀的阀门调控策略进行验证和策略下发执行。
在本实施例中，步骤S2中，基于热用户户前安装的热计量表和户内安装的室温传感器采集的数据，结合室外天气数据，建立热用户需求负荷预测模型，包括：
采集热用户户前安装的热计量表的热计量数据、户内安装的室温传感器数据，结合室外天气数据作为输入数据；通过学习算法对输入数据进行训练获得热用户需求负荷预测模型；学习算法至少包括神经网络算法、最小二乘支持向量机算法、随机森林算法、强化学习算法和深度强化学习算法。
在实际的应用中，可选的热用户需求负荷预测模型方案包括采用最小二乘支持向量机结合遗传算法实现，具体包括：
S201、采集热用户户前安装的热计量表的热计量数据、户内安装的室温传感器数据，结合室外天气数据作为输入数据，划分为训练数据和测试数据；其中，最小二乘支持向量机算法模型表示为：
xn为输入数据，y输出数据，m为数据个数，λn为拉格朗日乘子，K(x,xn)为核函数，b为偏置值；
S202、对数据进行归一化处理，确定核函数类型为径向基核函数；
S203、对遗传算法的循环迭代次数、种群容量、交叉概率和变异概率参数进行设置，并利用遗传算法对最小二乘支持向量机算法的核参数σ和正则化参数C的种群进行初始化；
S204、进行遗传算法迭代，逐一将种群中的核参数σ和正则化参数C代入最小二乘支持向量机算法中，并通过训练数据，训练得到λ和b，获得热用户需求负荷预测模型；
S205、进行负荷预测，并和测试数据对比计算平均相对误差MRE，以平均相对误差MRE作为适应度函数，计算适应度值，以其为评价标准对个体进行相应的遗传操作，产生新的种群；
S206、判断是否满足迭代结束的条件，若满足，则输出热用户需求负荷预测值；否则重复执行S204和S205。
在本实施例中，步骤S3中，分别对户前安装的电动调节阀动作到供水流量变化响应的滞后时间，供水流量发生变化到室内温度变化响应的滞后时间进行辨识，建立滞后控制模型，具体包括：
当户前安装的电动调节阀动作发生变化时，供水流量对阀门动作变化的响应存在一段时间滞后；以及当供水流量发生变化时，室内温度对流量变化的响应存在一段时间滞后；
采用滑动时间窗口和均值计算获得电动调节阀动作变化点、供水流量变化点，在状态变化的时间窗口内计算电动调节阀动作和供水流量的相关性系数、供水流量和室内温度的相关性系数，确定相关系数最大值对应位置，依据最大值对应位置计算获得分户调控的滞后时间，包括阀门-流量动作响应滞后时间和流量-室温响应滞后时间。
在本实施例中，采用滑动时间窗口和均值计算获得电动调节阀动作变化点、供水流量变化点，包括：
设定阀门变化阈值、流量变化阈值、时间窗，将时间窗在时间轴上向前滑动一步，分别计算时间窗的前半段和后半段的阀门开度平均值和流量平均值；
若前半段和后半段的阀门开度平均值大于设定的阀门变化阈值，则确定阀门动作变化点；若前半段和后半段的流量平均值大于设定的流量变化阈值，则确定流量变化点；否则，重新将时间窗在时间轴上向前滑动一步，分别计算时间窗的前半段和后半段的阀门开度平均值和流量平均值；
以及，
计算电动调节阀动作和供水流量的相关性系数、供水流量和室内温度的相关性系数，确定相关系数最大值对应位置，依据最大值对应位置计算获得分户调控的滞后时间，包括：
基于阀门动作变化点和流量变化点、时间窗计算获取阀门动作序列和流量矩阵、流量变化序列和室内温度矩阵；
计算阀门动作序列和流量矩阵中每一列的互相关系数，计算流量变化序列和室内温度矩阵中每一列的互相关系数，确定相关系数最大值对应位置，相关系数最大值对应位置即为分户调控的滞后时间，表示为阀门-流量动作响应滞后时间和流量-室温响应滞后时间之和。
在本实施例中，步骤S4中，基于热用户需求负荷预测模型，以室温满足需求范围为目标，建立分户供热阀门调控预测模型，具体包括：
步骤S401、采集历史热计量数据和室温数据、阀门调控数据，并结合室外天气数据、热用户需求负荷预测值作为样本数据；
步骤S402、将样本数据采用初始权重训练获得Elman1预测器，计算Elman1预测器的学习误差率，并依据学习误差率更新样本数据的权重；
步骤S403、基于更新权重后的样本数据训练获得Elman2预测器；
步骤S404、重复执行步骤S402～步骤S403，直到Elman预测器的数目达到设定的数目L；
步骤S405、采用AdaBoost算法对L个Elman预测器进行集成，获得集成的Elman模型，建立分户供热阀门调控预测模型，表示为：
βl为第l个Elman模型的权重，且
需要说明的是，AdaBoost算法的核心思想是在每轮迭代过程中找到一个当前权重分布上的最佳弱预测器，然后根据当前弱预测器的误差调整样本的权重，加重误差率较高的权重。经过若干轮迭代后根据权值合成一个强预测器。Elman神经网络具有良好的动态记忆和时变能力，但同时由于随机选择初始值和阈值，且采用梯度下降法寻优，其网络学习速度较慢且预测的精度比较低，可利用WOA算法优化Elman神经网络的初始权值及阈值，提高Elman神经网络的预测精度。
在本实施例中，步骤S5中，基于分户供热阀门调控预测模型和滞后控制模型，获取各供热用户户前安装的电动调节阀的阀门调控策略，包括：基于分户供热阀门调控预测模型获得分户供热阀门调控策略，基于滞后控制模型获得分户调控的滞后时间，依据分户调控的滞后时间，提前对分户供热阀门进行调控。
图3是本发明所涉及的用户画像技术原理框图。
如图3所示，在本实施例中，供热二级网分户调控方法还包括：采集供热系统二级网用户多维度数据，进行数据预处理、用户标签提取和用户画像模型构建，并根据用户画像模型和热用户需求负荷预测模型建立分户供热阀门调控预测模型。
在本实施例中，采集供热系统二级网用户多维度数据，进行数据预处理、用户标签提取和用户画像模型构建，具体包括：
采集供热系统二级网用户多维度数据，供热系统二级网用户多维度数据至少包括用户年龄、小区名称、用户房屋朝向、房屋面积和房屋所在楼层、家庭成员工作信息、起居时间、早午晚可调负荷和供热峰谷时段、用户投诉信息、缴费记录和上门维护工单信息；家庭成员工作信息包括工作日上班族、工作日居家族、老人居家族、老人上班混居族、周末外出族和周末宅居族；
对采集的供热系统二级网用户多维度数据进行标准化处理、异常值处理、降维处理、补全空值及去掉重复值的清洗操作，生成预处理后的二级网分户数据；
基于预处理后的二级网分户数据建立用户画像的标签体系，根据用户行为为每位用户匹配画像标签；用户画像的标签体系包括用户基本属性标签和用户行为属性标签；
将采集的数据映射到构建的用户基本属性标签和用户行为属性标签中，并且将用户的基本特征和行为特征组合到一起，形成用户个体画像；
基于用户个体画像，采用分析算法对所有用户的标签进行分类和聚集，提取不同用户类型的行为特征，并采用语义化标签进行描述和对用户进行等级划分，获得群体用户画像；
其中，分析算法至少包括K-means算法、层次聚类算法、决策树算法、主成分分析法和卷积神经网络算法、线性回归分析和非线性回归分析。
在本实施例中，多维度数据的获取方式包括问卷调查、上门询问、公共平台日志、社区用户信息管理；
通过获取的用户年龄、小区名称、用户房屋朝向、房屋面积和房屋所在楼层基本信息构建用户基本属性标签，获得用户的基本特征；
通过获取的家庭成员工作信息，起居时间、早午晚可调负荷和供热峰谷时段、用户投诉信息、缴费记录和上门维护工单信息，从用户工作日和周末居家状态、用热习惯、平台交互、活跃度四个维度构建用户行为属性标签，获得用户的行为特征。
在本实施例中，基于供热系统二级网数字孪生模型，对各供热用户户前安装的电动调节阀的阀门调控策略进行验证和策略下发执行，包括：基于供热系统二级网数字孪生模型对分户供热调控策略进行验证，监测电动调节阀动作变化后和流量响应、室内温度响应的变化是否及时，室内温度是否达标，在策略验证通过后进行策略下发执行。
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)
1.一种基于滞后时间辨识的供热二级网分户调控方法，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、基于供热系统二级网数字孪生模型和热用户户前安装的热计量表、户内安装的室温传感器采集的数据，结合室外天气数据，建立热用户需求负荷预测模型；
步骤S3、分别对户前安装的电动调节阀动作到供水流量变化响应的滞后时间，供水流量发生变化到室内温度变化响应的滞后时间进行辨识，建立滞后控制模型；
步骤S4、基于热用户需求负荷预测模型，以室温满足需求范围为目标，建立分户供热阀门调控预测模型；
步骤S5、基于分户供热阀门调控预测模型和滞后控制模型，获取各供热用户户前安装的电动调节阀的阀门调控策略；
步骤S6、基于供热系统二级网数字孪生模型，对各供热用户户前安装的电动调节阀的阀门调控策略进行验证和策略下发执行。
2.根据权利要求1所述的供热二级网分户调控方法，其特征在于，所述步骤S2中，基于热用户户前安装的热计量表和户内安装的室温传感器采集的数据，结合室外天气数据，建立热用户需求负荷预测模型，包括：
采集热用户户前安装的热计量表的热计量数据、户内安装的室温传感器数据，结合室外天气数据作为输入数据；
通过学习算法对输入数据进行训练获得热用户需求负荷预测模型；
所述学习算法至少包括神经网络算法、最小二乘支持向量机算法、随机森林算法、强化学习算法和深度强化学习算法。
3.根据权利要求1所述的供热二级网分户调控方法，其特征在于，所述步骤S3中，分别对户前安装的电动调节阀动作到供水流量变化响应的滞后时间，供水流量发生变化到室内温度变化响应的滞后时间进行辨识，建立滞后控制模型，具体包括：
采用滑动时间窗口和均值计算获得电动调节阀动作变化点、供水流量变化点，在状态变化的时间窗口内计算电动调节阀动作和供水流量的相关性系数、供水流量和室内温度的相关性系数，确定相关系数最大值对应位置，依据最大值对应位置计算获得分户调控的滞后时间，包括阀门-流量动作响应滞后时间和流量-室温响应滞后时间。
4.根据权利要求3所述的供热二级网分户调控方法，其特征在于，所述采用滑动时间窗口和均值计算获得电动调节阀动作变化点、供水流量变化点，包括：
设定阀门变化阈值、流量变化阈值、时间窗，将时间窗在时间轴上向前滑动一步，分别计算时间窗的前半段和后半段的阀门开度平均值和流量平均值；
若前半段和后半段的阀门开度平均值大于设定的阀门变化阈值，则确定阀门动作变化点；若前半段和后半段的流量平均值大于设定的流量变化阈值，则确定流量变化点；否则，重新将时间窗在时间轴上向前滑动一步，分别计算时间窗的前半段和后半段的阀门开度平均值和流量平均值；
以及，
所述计算电动调节阀动作和供水流量的相关性系数、供水流量和室内温度的相关性系数，确定相关系数最大值对应位置，依据最大值对应位置计算获得分户调控的滞后时间，包括：
基于阀门动作变化点和流量变化点、时间窗计算获取阀门动作序列和流量矩阵、流量变化序列和室内温度矩阵；
计算阀门动作序列和流量矩阵中每一列的互相关系数，计算流量变化序列和室内温度矩阵中每一列的互相关系数，确定相关系数最大值对应位置，所述相关系数最大值对应位置即为分户调控的滞后时间，表示为阀门-流量动作响应滞后时间和流量-室温响应滞后时间之和。
5.根据权利要求1所述的供热二级网分户调控方法，其特征在于，所述步骤S4中，基于热用户需求负荷预测模型，以室温满足需求范围为目标，建立分户供热阀门调控预测模型，具体包括：
步骤S401、采集历史热计量数据和室温数据、阀门调控数据，并结合室外天气数据、热用户需求负荷预测值作为样本数据；
步骤S402、将样本数据采用初始权重训练获得Elman1预测器，计算Elman1预测器的学习误差率，并依据学习误差率更新样本数据的权重；
步骤S403、基于更新权重后的样本数据训练获得Elman2预测器；
步骤S404、重复执行步骤S402～步骤S403，直到Elman预测器的数目达到设定的数目L；
步骤S405、采用AdaBoost算法对L个Elman预测器进行集成，获得集成的Elman模型，建立分户供热阀门调控预测模型，表示为：
其中，βl为第l个Elman模型的权重，且
6.根据权利要求1所述的供热二级网分户调控方法，其特征在于，所述步骤S5中，基于分户供热阀门调控预测模型和滞后控制模型，获取各供热用户户前安装的电动调节阀的阀门调控策略，包括：
基于分户供热阀门调控预测模型获得分户供热阀门调控策略，基于滞后控制模型获得分户调控的滞后时间，依据所述分户调控的滞后时间，提前对分户供热阀门进行调控。
7.根据权利要求1所述的供热二级网分户调控方法，其特征在于，还包括：采集供热系统二级网用户多维度数据，进行数据预处理、用户标签提取和用户画像模型构建，并根据用户画像模型和热用户需求负荷预测模型建立分户供热阀门调控预测模型。
8.根据权利要求7所述的供热二级网分户调控方法，其特征在于，所述采集供热系统二级网用户多维度数据，进行数据预处理、用户标签提取和用户画像模型构建，具体包括：
采集供热系统二级网用户多维度数据，所述供热系统二级网用户多维度数据至少包括用户年龄、小区名称、用户房屋朝向、房屋面积和房屋所在楼层、家庭成员工作信息、起居时间、早午晚可调负荷和供热峰谷时段、用户投诉信息、缴费记录和上门维护工单信息；所述家庭成员工作信息包括工作日上班族、工作日居家族、老人居家族、老人上班混居族、周末外出族和周末宅居族；
对采集的供热系统二级网用户多维度数据进行标准化处理、异常值处理、降维处理、补全空值及去掉重复值的清洗操作，生成预处理后的二级网分户数据；
基于预处理后的二级网分户数据建立用户画像的标签体系，根据用户行为为每位用户匹配画像标签；所述用户画像的标签体系包括用户基本属性标签和用户行为属性标签；
将采集的数据映射到构建的用户基本属性标签和用户行为属性标签中，并且将用户的基本特征和行为特征组合到一起，形成用户个体画像；
基于用户个体画像，采用分析算法对所有用户的标签进行分类和聚集，提取不同用户类型的行为特征，并采用语义化标签进行描述和对用户进行等级划分，获得群体用户画像；
其中，所述分析算法至少包括K-means算法、层次聚类算法、决策树算法、主成分分析法、卷积神经网络算法、线性回归分析和非线性回归分析。
9.根据权利要求8所述的供热二级网分户调控方法，其特征在于，所述多维度数据的获取方式包括问卷调查、上门询问、公共平台日志、社区用户信息管理；
通过获取的用户年龄、小区名称、用户房屋朝向、房屋面积和房屋所在楼层基本信息构建用户基本属性标签，获得用户的基本特征；
通过获取的家庭成员工作信息，起居时间、早午晚可调负荷和供热峰谷时段、用户投诉信息、缴费记录和上门维护工单信息，从用户工作日和周末居家状态、用热习惯、平台交互、活跃度四个维度构建用户行为属性标签，获得用户的行为特征。
10.根据权利要求1所述的供热二级网分户调控方法，其特征在于，所述步骤S6中，基于供热系统二级网数字孪生模型，对各供热用户户前安装的电动调节阀的阀门调控策略进行验证和策略下发执行，包括：
基于供热系统二级网数字孪生模型对分户供热调控策略进行验证，监测电动调节阀动作变化后和流量响应、室内温度响应的变化是否及时，室内温度是否达标，在策略验证通过后进行策略下发执行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210592077.7A CN115013858B (zh) | 2022-05-27 | 2022-05-27 | 一种基于滞后时间辨识的供热二级网分户调控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210592077.7A CN115013858B (zh) | 2022-05-27 | 2022-05-27 | 一种基于滞后时间辨识的供热二级网分户调控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115013858A true CN115013858A (zh) | 2022-09-06 |
| CN115013858B CN115013858B (zh) | 2023-09-22 |
Family
ID=83071618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210592077.7A Active CN115013858B (zh) | 2022-05-27 | 2022-05-27 | 一种基于滞后时间辨识的供热二级网分户调控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115013858B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2450760A1 (en) * | 2010-11-04 | 2012-05-09 | Honda Motor Co., Ltd. | Control apparatus |
| US20160334122A1 (en) * | 2015-01-27 | 2016-11-17 | Patrick Andrew Shiel | Method of controlling ventilation and chilling systems to conserve energy in commercial buildings |
| CN106369834A (zh) * | 2016-09-02 | 2017-02-01 | 南通大学 | 基于神经网络的直热式热泵系统恒温流量控制方法 |
| CN108916986A (zh) * | 2018-09-10 | 2018-11-30 | 常州英集动力科技有限公司 | 信息物理融合的二级管网变流量水力平衡调控方法及系统 |
| CN109297086A (zh) * | 2018-09-10 | 2019-02-01 | 常州英集动力科技有限公司 | 热力站负荷分时段滚动预测及自适应矫正方法及系统 |
| CN111275579A (zh) * | 2020-02-21 | 2020-06-12 | 浙江大学 | 基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法 |
| CN112013446A (zh) * | 2020-08-27 | 2020-12-01 | 常州英集动力科技有限公司 | 解决温度传输延迟的热网均衡升降温方法及其系统 |
| 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 |
| 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 |
-
2022
- 2022-05-27 CN CN202210592077.7A patent/CN115013858B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2450760A1 (en) * | 2010-11-04 | 2012-05-09 | Honda Motor Co., Ltd. | Control apparatus |
| US20160334122A1 (en) * | 2015-01-27 | 2016-11-17 | Patrick Andrew Shiel | Method of controlling ventilation and chilling systems to conserve energy in commercial buildings |
| CN106369834A (zh) * | 2016-09-02 | 2017-02-01 | 南通大学 | 基于神经网络的直热式热泵系统恒温流量控制方法 |
| CN108916986A (zh) * | 2018-09-10 | 2018-11-30 | 常州英集动力科技有限公司 | 信息物理融合的二级管网变流量水力平衡调控方法及系统 |
| CN109297086A (zh) * | 2018-09-10 | 2019-02-01 | 常州英集动力科技有限公司 | 热力站负荷分时段滚动预测及自适应矫正方法及系统 |
| CN111275579A (zh) * | 2020-02-21 | 2020-06-12 | 浙江大学 | 基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法 |
| CN112013446A (zh) * | 2020-08-27 | 2020-12-01 | 常州英集动力科技有限公司 | 解决温度传输延迟的热网均衡升降温方法及其系统 |
| 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115013858B (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| Parhizkar et al. | Evaluation and improvement of energy consumption prediction models using principal component analysis based feature reduction | |
| Zeng et al. | Comparative study of data driven methods in building electricity use prediction | |
| Gao et al. | Interpretable deep learning model for building energy consumption prediction based on attention mechanism | |
| Xikai et al. | Comparison of regression models for estimation of carbon emissions during building's lifecycle using designing factors: a case study of residential buildings in Tianjin, China | |
| Sun et al. | Short‐term building load forecast based on a data‐mining feature selection and LSTM‐RNN method | |
| 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 | |
| Xiao et al. | Impacts of data preprocessing and selection on energy consumption prediction model of HVAC systems based on deep learning | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN112330077B (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
| CN114811713B (zh) | 基于混合深度学习的二级网户间均衡供热调控方法 | |
| CN115013859A (zh) | 一种基于用户画像的供热二级网分户调控方法 | |
| CN114113773A (zh) | 一种基于零样本学习的非侵入式负荷监测方法 | |
| CN112365082A (zh) | 一种基于机器学习的公共能源消耗预测方法 | |
| CN117390550A (zh) | 考虑排放训练集的低碳园区碳排放动态预测方法及系统 | |
| CN115013858B (zh) | 一种基于滞后时间辨识的供热二级网分户调控方法 | |
| Godinho et al. | Forecasting heating and cooling energy demand in an office building using machine learning methods | |
| CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
| Seyedzadeh et al. | Data-Driven Modelling of Non-Domestic Buildings Energy Performance: Supporting Building Retrofit Planning | |
| CN114444760A (zh) | 一种基于模式提取和误差调整的行业用户电量预测方法 | |
| CN112365280B (zh) | 电力需求的预测方法及装置 | |
| Huang et al. | Short-term load forecasting method based on heterogeneous big data of power | |
| Dai et al. | Forecasting Method of Power Consumption Information for Power Users Based on Cloud Computing |
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 |