CN115013859B - 一种基于用户画像的供热二级网分户调控方法 - Google Patents
一种基于用户画像的供热二级网分户调控方法 Download PDFInfo
- Publication number
- CN115013859B CN115013859B CN202210592324.3A CN202210592324A CN115013859B CN 115013859 B CN115013859 B CN 115013859B CN 202210592324 A CN202210592324 A CN 202210592324A CN 115013859 B CN115013859 B CN 115013859B
- Authority
- CN
- China
- Prior art keywords
- user
- model
- heat supply
- regulation
- secondary network
- 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 47
- 238000010438 heat treatment Methods 0.000 claims abstract description 123
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 102
- 230000002787 reinforcement Effects 0.000 claims abstract description 32
- 230000009471 action Effects 0.000 claims abstract description 29
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000011217 control strategy Methods 0.000 claims abstract description 5
- 230000006399 behavior Effects 0.000 claims description 34
- 230000001276 controlling effect Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- 230000001105 regulatory effect Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 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
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用户画像的供热二级网分户调控方法，包括：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；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；基于供热系统二级网数字孪生模型和用户画像模型，以室温满足需求范围为目标，采用学习算法建立分户供热阀门调控预测模型，由分户供热阀门调控预测模型生成分户供热调控策略；基于分户供热阀门调控预测模型，获取各供热用户户前安装的阀门动作状态；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和策略下发执行。本发明从多维度标签构建用户画像，为供热二级网分户调控奠定了基础；采用双重强化学习算法筛选出最优的调控预测模型，并进行预测结果修正，获得分户阀门调控最终值，减少用户投诉，提高用户供热满意度。
Description
技术领域
本发明属于智慧供热技术领域，具体涉及一种基于用户画像的供热二级网分户调控方法。
背景技术
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、更满足用户需求的条件。然而，目前针对二级网末端用户的供热调控技术较少，没有分析各个单元楼用户的特征，例如，家中白天是否有人，房屋类型，用户供热满意度等等，缺乏技术化和高效精准的调控手段，调控粒度较粗，造成分户供热不均衡，难以满足各个用户的供热需求。
用户画像技术的发展为用户行为的分析带来了更直观、简洁的表达，了解用户的行为习惯，挖掘用户的供热需求，根据强大的数据支持来提高供热公司的服务水平。将数据应用于用户评估，需要对海量的数据信息进行预处理，筛选出有效、完整的用户数据，挖掘具有评估能力的指标，是建立用户画像模型构建的基础。因此，通过用户画像模型建立二级网末端用户的供热调控显得尤为重要。
基于上述技术问题，需要设计一种新的基于用户画像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，提供一种基于用户画像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用户画像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、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；
步骤S3、基于供热系统二级网数字孪生模型和用户画像模型，以室温满足需求范围为目标，采用学习算法建立分户供热阀门调控预测模型，由分户供热阀门调控预测模型生成分户供热调控策略；
步骤S4、基于分户供热阀门调控预测模型，获取各供热用户户前安装的阀门动作状态；
步骤S5、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和策略下发执行。
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：
建立包括供热系统二级网物理空间、数字孪生数字空间和数字孪生映射模型的供热系统二级网数字孪生模型；所述数字孪生数字空间通过数字孪生映射模型与供热系统二级网物理空间进行连接；
其中，供热系统二级网物理空间包括供热系统二级网设备结构、数据传感器和处理系统，数据传感器通过不同的数据接口与处理系统连接，处理系统通过数字孪生映射模型进行相关数据的采集与协议的解析；所述数字孪生数字空间包括数字孪生描述模型和数字孪生智能化模型，数字孪生智能化模型通过数据分析与决策，实现供热系统二级网数字孪生的智能化服务；
对供热系统二级网数字孪生模型进行辨识，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供热系统二级网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，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：
步骤S201、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、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、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；
步骤S202、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；
步骤S203、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；
步骤S204、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。
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，在形成所述用户个体画像之后，还包括：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，在形成所述用户个体画像之后，还包括：采用窗口的滑动机制对用户画像标签，按照一定周期定时更新，具体包括：将初步得到的用户画像与随着时间变化而逐渐衰减的时间因素相乘，再增加在更新周期内用户所产生的新行为标签，获得更新后的用户画像标签。
进一步，所述步骤S3中，基于供热系统二级网数字孪生模型和用户画像，以室温满足需求范围为目标，采用学习算法建立分户供热调控预测模型，具体包括：
步骤S301、将供热系统二级网数字孪生模型获得各用户户前安装的热计量表数据、用户画像模型获得反映各用户特征的画像标签数据、历史用户室温数据、天气数据、调控阀门数据和预测的用户热负荷数据，共同作为分户供热调控模型的输入数据；
步骤S302、以室温满足需求范围为目标，将分户供热调控模型的输入数据输入至由多种机器学习算法组成的强化学习模型库中分别进行训练，通过强化学习算法挑选出分时段最优的预测算法，获得分户供热阀门调控预测初值；基于分户供热阀门调控预测初值和分户供热调控模型的输入数据，通过强化学习算法获取预测初值与价值函数Q值中对应状态的误差值，对分户供热阀门调控预测初值进行修正，获得分户阀门调控预测最终值。
进一步，所述通过强化学习算法挑选出分时段最优的预测算法，包括：
定义基于强化学习算法的模型选择架构：
定义状态空间S由多种预测算法组成，表示为：S＝{s1,s2,...,si,...,sn}；si为当前预测算法，n为模型算法的数量；
定义动作空间在下一时段从当前预测算法切换到下一预测算法的动作组成，表示为：A＝{a1,a2,...,aj,...,an}；aj为从当前预测算法切换到下一预测算法的动作；
定义奖励函数，表示为：
Rt(si,aj)＝α[RANK(si,t)-RANK(sj,t+1)]+β[TIME(si,t)-TIME(sj,t+1)]；
RANK(si,t)为t时刻预测算法si的排序；TIME(si,t)为t时刻预测算法si的预测计算时间；α、β为权重系数，α+β＝1；
通过构建强化学习算法数据样本、预测算法数据样本，初始化强化学习参数，通过不断的迭代训练，从n个预测算法中选取最优的预测算法：
初始化价值函数Q(s,a)后，初始化随机数，若随机数小于等于贪婪因子，则随机选择动作，如果随机数大于贪婪因子，则选择状态空间S中Q值最大的元素对应的动作，并在当前状态采取此动作后获得新的状态，计算更新奖励函数和价值函数，通过不断的迭代训练，从不同动作的Q值中选择最大的Q值，获取最优动作
进一步，所述基于分户供热阀门调控预测初值和分户供热调控模型的输入数据，通过强化学习算法获取预测初值对应的误差值，对分户供热阀门调控预测初值进行修正，获得分户阀门调控预测最终值，包括：
基于分户供热阀门调控预测初值，对相应的分户阀门进行调控后获取各用户室内温度实测值，将各用户的室内温度实测值与设定值进行比较，若各用户的室内温度实测值与设定值不一致，则存在分户阀门调控误差，将分户供热调控模型的输入数据和室温差值、阀门调控预测初值作为训练集；
通过训练集进行强化学习算法模型的训练，获得模型参数，并利用训练好的强化学习算法模型，预测执行分户阀门调控的误差值；
通过误差值对分户供热阀门调控预测初值进行修正，获得分户阀门调控预测最终值。
进一步，所述基于分户供热阀门调控预测模型，获取各供热用户户前安装的阀门动作状态，包括：基于分户供热阀门调控预测模型获得的分户供热阀门调控预测最终值，对各供热用户户前安装的电动调节阀的开度进行调控，或对各供热用户户前安装的电动关断阀的开关状态和关闭时间进行调控。
本发明的有益效果是：
本发明通过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；基于供热系统二级网数字孪生模型和用户画像模型，以室温满足需求范围为目标，采用学习算法建立分户供热阀门调控预测模型，由分户供热阀门调控预测模型生成分户供热调控策略；基于分户供热阀门调控预测模型，获取各供热用户户前安装的阀门动作状态；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；再基于用户画像，采用双重强化学习算法筛选出最优的调控预测模型，并进行预测结果修正，获得分户阀门调控最终值，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为本发明一种基于用户画像的供热二级网分户调控方法流程图；
图2为本发明用户画像技术原理框图；
图3为本发明阀门预测控制模型结构。
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用户画像的供热二级网分户调控方法流程图。
如图1所示，本实施例提供了一种基于用户画像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、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；
步骤S3、基于供热系统二级网数字孪生模型和用户画像模型，以室温满足需求范围为目标，采用学习算法建立分户供热阀门调控预测模型，由分户供热阀门调控预测模型生成分户供热调控策略；
步骤S4、基于分户供热阀门调控预测模型，获取各供热用户户前安装的阀门动作状态；
步骤S5、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和策略下发执行。
在本实施例中，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：
建立包括供热系统二级网物理空间、数字孪生数字空间和数字孪生映射模型的供热系统二级网数字孪生模型；数字孪生数字空间通过数字孪生映射模型与供热系统二级网物理空间进行连接；
其中，供热系统二级网物理空间包括供热系统二级网设备结构、数据传感器和处理系统，数据传感器通过不同的数据接口与处理系统连接，处理系统通过数字孪生映射模型进行相关数据的采集与协议的解析；数字孪生数字空间包括数字孪生描述模型和数字孪生智能化模型，数字孪生智能化模型通过数据分析与决策，实现供热系统二级网数字孪生的智能化服务；
对供热系统二级网数字孪生模型进行辨识，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供热系统二级网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。
图2是本发明所涉及的用户画像技术原理框图。
如图2所示，在本实施例中，步骤S2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：
步骤S201、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、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、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；
步骤S202、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；
步骤S203、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；
步骤S204、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。
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，在形成用户个体画像之后，还包括：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，在形成用户个体画像之后，还包括：采用窗口的滑动机制对用户画像标签，按照一定周期定时更新，具体包括：将初步得到的用户画像与随着时间变化而逐渐衰减的时间因素相乘，再增加在更新周期内用户所产生的新行为标签，获得更新后的用户画像标签。
在实际的应用中，用户画像构建方法可采用贝叶斯网络、LDA主题模型和匹配定义规则方法，采用贝叶斯网络，选择大量数据提取用户核心特征，将用户行为特征标签映射为贝叶斯网络中的边权，并根据用户实时数据进行预测，量化用户行为，挖掘出不同行为间的关联关系；采用LDA主题模型，在大量数据中找到主题数据，通过主题模型从与用户行为偏好相关的文本信息中提取基于主题的兴趣特征，从而发现用户的偏好特征；采用匹配定义规则，梳理已有数据资源，结合具体的业务需求，通过定义计算规则得到相应的数据指标和用户标签。
需要说明的是，用户画像是指利用一系列的标签，将用户信息进行标签化，从而描述出用户的特点。通过采集用户行为动态数据和基本静态数据，建立相应的数学模型，从而描述用户特征、用热习惯和个性化需求的一种技术性方法。借助于用户画像，供热企业人员能够更深入了解用户需求，精准定位用户特征，进而实现更精准的供热调控，满足用户的供热需求。
在实际的应用中，用户标签架构是一个由数据源和标签定义所组成的两层结构，该数据源包括用户行为信息、用户基本信息、与热力公司交互信息等。其中标签的定义包括两部分，一部分是标签的生成，另一部分是标签库的管理。标签的生成包括直接生成与数据分析生成，直接生成的标签一般为用户自然属性标签，如性别，年龄，房屋建筑类型、房屋面积、房屋朝向等；数据分析生成标签是指利用数据分析技术进行分类，并形成良好的标签体系来指导标签的定义。标签库的管理主要是针对标签生成后的存储，更新等功能，用户在一段时间内可能会出现新的用热习惯，此时需要将标签库中的标签进行更新，以匹配现有用户的用热行为特征。
图3是本发明所涉及的阀门预测控制模型结构。
如图3所示，在本实施例中，步骤S3中，基于供热系统二级网数字孪生模型和用户画像，以室温满足需求范围为目标，采用学习算法建立分户供热调控预测模型，具体包括：
步骤S301、将供热系统二级网数字孪生模型获得各用户户前安装的热计量表数据、用户画像模型获得反映各用户特征的画像标签数据、历史用户室温数据、天气数据、调控阀门数据和预测的用户热负荷数据，共同作为分户供热调控模型的输入数据；
步骤S302、以室温满足需求范围为目标，将分户供热调控模型的输入数据输入至由多种机器学习算法组成的强化学习模型库中分别进行训练，通过强化学习算法挑选出分时段最优的预测算法，获得分户供热阀门调控预测初值；基于分户供热阀门调控预测初值和分户供热调控模型的输入数据，通过强化学习算法获取预测初值与价值函数Q值中对应状态的误差值，对分户供热阀门调控预测初值进行修正，获得分户阀门调控预测最终值。
需要说明的是，多种机器学习算法至少包括支持向量机回归算法、神经网络算法、XGBoost算法、随机森林、朴素贝叶斯算法和长短时记忆网络。以及在实际的应用中，用户热负荷需求同样根据用户画像结合历史室温数据、天气数据等建立用户需求负荷预测值，进而对不同用户的需求负荷进行精确化预测，为分户调控建立基础。
在本实施例中，通过强化学习算法挑选出分时段最优的预测算法，包括：
定义基于强化学习算法的模型选择架构：
定义状态空间S由多种预测算法组成，表示为：S＝{s1,s2,...,si,...,sn}；si为当前预测算法，n为模型算法的数量；
定义动作空间在下一时段从当前预测算法切换到下一预测算法的动作组成，表示为：A＝{a1,a2,...,aj,...,an}；aj为从当前预测算法切换到下一预测算法的动作；
定义奖励函数，表示为：
Rt(si,aj)＝α[RANK(si,t)-RANK(sj,t+1)]+β[TIME(si,t)-TIME(sj,t+1)]；
RANK(si,t)为t时刻预测算法si的排序；TIME(si,t)为t时刻预测算法si的预测计算时间；α、β为权重系数，α+β＝1；
通过构建强化学习算法数据样本、预测算法数据样本，初始化强化学习参数，通过不断的迭代训练，从n个预测算法中选取最优的预测算法：
初始化价值函数Q(s,a)后，初始化随机数，若随机数小于等于贪婪因子，则随机选择动作，如果随机数大于贪婪因子，则选择状态空间S中Q值最大的元素对应的动作，并在当前状态采取此动作后获得新的状态，计算更新奖励函数和价值函数，通过不断的迭代训练，从不同动作的Q值中选择最大的Q值，获取最优动作
在本实施例中，基于分户供热阀门调控预测初值和分户供热调控模型的输入数据，通过强化学习算法获取预测初值对应的误差值，对分户供热阀门调控预测初值进行修正，获得分户阀门调控预测最终值，包括：
基于分户供热阀门调控预测初值，对相应的分户阀门进行调控后获取各用户室内温度实测值，将各用户的室内温度实测值与设定值进行比较，若各用户的室内温度实测值与设定值不一致，则存在分户阀门调控误差，将分户供热调控模型的输入数据和室温差值、阀门调控预测初值作为训练集；
通过训练集进行强化学习算法模型的训练，获得模型参数，并利用训练好的强化学习算法模型，预测执行分户阀门调控的误差值；
通过误差值对分户供热阀门调控预测初值进行修正，获得分户阀门调控预测最终值。
在本实施例中，基于分户供热阀门调控预测模型，获取各供热用户户前安装的阀门动作状态，包括：基于分户供热阀门调控预测模型获得的分户供热阀门调控预测最终值，对各供热用户户前安装的电动调节阀的开度进行调控，或对各供热用户户前安装的电动关断阀的开关状态和关闭时间进行调控。
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)
1.一种基于用户画像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、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；
步骤S3、基于供热系统二级网数字孪生模型和用户画像模型，以室温满足需求范围为目标，采用学习算法建立分户供热阀门调控预测模型，由分户供热阀门调控预测模型生成分户供热调控策略；
步骤S4、基于分户供热阀门调控预测模型，获取各供热用户户前安装的阀门动作状态；
步骤S5、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：
建立包括供热系统二级网物理空间、数字孪生数字空间和数字孪生映射模型的供热系统二级网数字孪生模型，所述数字孪生数字空间通过数字孪生映射模型与供热系统二级网物理空间进行连接；
其中，所述供热系统二级网物理空间包括供热系统二级网设备结构、数据传感器和处理系统，所述数据传感器通过不同的数据接口与处理系统连接，所述处理系统通过数字孪生映射模型进行相关数据的采集与协议的解析；所述数字孪生数字空间包括数字孪生描述模型和数字孪生智能化模型，所述数字孪生智能化模型通过数据分析与决策，实现供热系统二级网数字孪生的智能化服务；
对供热系统二级网数字孪生模型进行辨识，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供热系统二级网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所述的供热二级网分户调控方法，其特征在于，所述步骤S2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：
步骤S201、采集供热系统二级网用户多维度数据；
步骤S202、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；
步骤S203、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；
步骤S204、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。
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。
5.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，在形成所述用户个体画像之后，还包括：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、主成分分析法和卷积神经网络算法、线性回归分析和非线性回归分析。
6.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，在形成所述用户个体画像之后，还包括：采用窗口的滑动机制对用户画像标签，按照一定周期定时更新，具体包括：
将初步得到的用户画像与随着时间变化而逐渐衰减的时间因素相乘，再增加在更新周期内用户所产生的新行为标签，获得更新后的用户画像标签。
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，所述步骤S3中，基于供热系统二级网数字孪生模型和用户画像，以室温满足需求范围为目标，采用学习算法建立分户供热调控预测模型，具体包括：
步骤S301、将供热系统二级网数字孪生模型获得各用户户前安装的热计量表数据、用户画像模型获得反映各用户特征的画像标签数据、历史用户室温数据、天气数据、调控阀门数据和预测的用户热负荷数据，共同作为分户供热调控模型的输入数据；
步骤S302、以室温满足需求范围为目标，将分户供热调控模型的输入数据输入至由多种机器学习算法组成的强化学习模型库中分别进行训练，通过强化学习算法挑选出分时段最优的预测算法，获得分户供热阀门调控预测初值；基于分户供热阀门调控预测初值和分户供热调控模型的输入数据，通过强化学习算法获取预测初值与价值函数Q值中对应状态的误差值，对分户供热阀门调控预测初值进行修正，获得分户阀门调控预测最终值。
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，所述通过强化学习算法挑选出分时段最优的预测算法，包括：
定义基于强化学习算法的模型选择架构：
定义状态空间S由多种预测算法组成，表示为：S＝{s1,s2,...,si,...,sn}；si为当前预测算法，n为模型算法的数量；
定义动作空间在下一时段从当前预测算法切换到下一预测算法的动作组成，表示为：
A＝{a1,a2,...,aj,...,an}；
其中，aj为从当前预测算法切换到下一预测算法的动作；
定义奖励函数，表示为：
Rt(si,aj)＝α[RANK(si,t)-RANK(sj,t+1)]+β[TIME(si,t)-TIME(sj,t+1)]；
其中，RANK(si,t)为t时刻预测算法si的排序；TIME(si,t)为t时刻预测算法si的预测计算时间；α、β为权重系数，α+β＝1；
通过构建强化学习算法数据样本和预测算法数据样本，初始化强化学习参数，通过不断的迭代训练，从n个预测算法中选取最优的预测算法，具体包括：
初始化价值函数Q(s,a)后，初始化随机数，若随机数小于等于贪婪因子，则随机选择动作，如果随机数大于贪婪因子，则选择状态空间S中Q值最大的元素对应的动作，并在当前状态采取此动作后获得新的状态，计算更新奖励函数和价值函数，通过不断的迭代训练，从不同动作的Q值中选择最大的Q值，获取最优动作
9.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，所述基于分户供热阀门调控预测初值和分户供热调控模型的输入数据，通过强化学习算法获取预测初值对应的误差值，对分户供热阀门调控预测初值进行修正，获得分户阀门调控预测最终值，包括：
基于分户供热阀门调控预测初值，对相应的分户阀门进行调控后获取各用户室内温度实测值，将各用户的室内温度实测值与设定值进行比较，若各用户的室内温度实测值与设定值不一致，则存在分户阀门调控误差，将分户供热调控模型的输入数据和室温差值、阀门调控预测初值作为训练集；
通过训练集进行强化学习算法模型的训练，获得模型参数，并利用训练好的强化学习算法模型，预测执行分户阀门调控的误差值；
通过误差值对分户供热阀门调控预测初值进行修正，获得分户阀门调控预测最终值。
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S4中，基于分户供热阀门调控预测模型，获取各供热用户户前安装的阀门动作状态，包括：
基于分户供热阀门调控预测模型获得的分户供热阀门调控预测最终值，对各供热用户户前安装的电动调节阀的开度进行调控，或对各供热用户户前安装的电动关断阀的开关状态和关闭时间进行调控。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210592324.3A CN115013859B (zh) | 2022-05-27 | 2022-05-27 | 一种基于用户画像的供热二级网分户调控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210592324.3A CN115013859B (zh) | 2022-05-27 | 2022-05-27 | 一种基于用户画像的供热二级网分户调控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115013859A CN115013859A (zh) | 2022-09-06 |
| CN115013859B true CN115013859B (zh) | 2023-11-24 |
Family
ID=83071228
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210592324.3A Active CN115013859B (zh) | 2022-05-27 | 2022-05-27 | 一种基于用户画像的供热二级网分户调控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115013859B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115841188B (zh) * | 2022-12-30 | 2023-05-23 | 北京热力智能控制技术有限责任公司 | 一种基于用户行为分析的供热系统供需优化方法 |
| CN116738216B (zh) * | 2023-08-15 | 2023-12-26 | 湖南警察学院 | 预警大数据的关联处理方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113450022A (zh) * | 2021-07-20 | 2021-09-28 | 山东普赛通信科技股份有限公司 | 一种基于生活习惯的智能节能平衡方法与系统 |
| CN113657031A (zh) * | 2021-08-12 | 2021-11-16 | 杭州英集动力科技有限公司 | 基于数字孪生的供热调度自动化实现方法、系统及平台 |
| CN113822496A (zh) * | 2021-10-27 | 2021-12-21 | 杭州英集动力科技有限公司 | 一种多机组热电厂供热模式及参数在线寻优方法 |
| CN113971463A (zh) * | 2021-10-13 | 2022-01-25 | 杭州英集动力科技有限公司 | 一种供热管线风险分布分析方法与巡检路径规划系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190258747A1 (en) * | 2018-02-22 | 2019-08-22 | General Electric Company | Interactive digital twin |
| EP4010636A4 (en) * | 2019-08-08 | 2023-11-29 | Sowillo Energy Ltd | INTEGRATED HEAT MANAGEMENT FOR BUILDINGS |
| CN112417619B (zh) * | 2020-11-23 | 2021-10-08 | 江苏大学 | 一种基于数字孪生的泵机组优化运行调节系统及方法 |
-
2022
- 2022-05-27 CN CN202210592324.3A patent/CN115013859B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113450022A (zh) * | 2021-07-20 | 2021-09-28 | 山东普赛通信科技股份有限公司 | 一种基于生活习惯的智能节能平衡方法与系统 |
| CN113657031A (zh) * | 2021-08-12 | 2021-11-16 | 杭州英集动力科技有限公司 | 基于数字孪生的供热调度自动化实现方法、系统及平台 |
| CN113971463A (zh) * | 2021-10-13 | 2022-01-25 | 杭州英集动力科技有限公司 | 一种供热管线风险分布分析方法与巡检路径规划系统 |
| CN113822496A (zh) * | 2021-10-27 | 2021-12-21 | 杭州英集动力科技有限公司 | 一种多机组热电厂供热模式及参数在线寻优方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115013859A (zh) | 2022-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Attention-based interpretable neural network for building cooling load prediction | |
| Zhang et al. | A review of machine learning in building load prediction | |
| CN115013859B (zh) | 一种基于用户画像的供热二级网分户调控方法 | |
| Nguyen et al. | Multiple neural networks for a long term time series forecast | |
| Wenninger et al. | Explainable long-term building energy consumption prediction using QLattice | |
| CN113962364A (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN108764584B (zh) | 一种企业电能替代潜力评估方法 | |
| Eijffinger et al. | Inferring hawks and doves from voting records | |
| Ntakolia et al. | Machine learning applied on the district heating and cooling sector: A review | |
| 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 | |
| CN109409561B (zh) | 多时间尺度时间序列协同预测模型的构建方法 | |
| Albert et al. | Predictive segmentation of energy consumers | |
| D'Oca et al. | Critical review and illustrative examples of office occupant modelling formalisms | |
| El Kontar et al. | Profiling occupancy patterns to calibrate Urban Building Energy Models (UBEMs) using measured data clustering | |
| CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 | |
| Lin et al. | Predictive analytics for building power demand: Day-ahead forecasting and anomaly prediction | |
| CN117575663A (zh) | 基于深度学习的装修成本估算方法及系统 | |
| Turgut et al. | A framework proposal for machine learning-driven agent-based models through a case study analysis | |
| CN117407571A (zh) | 一种基于相关性分析的信息技术咨询服务方法及系统 | |
| Wang et al. | A Transformer-based multi-entity load forecasting method for integrated energy systems | |
| 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 | |
| CN116865254A (zh) | 一种电力负荷指标预测方法、系统、设备及介质 | |
| Özgür et al. | Dynamic linear economies with social interactions | |
| Early et al. | Cost-Effective Feature Selection and Ordering for Personalized Energy Estimates. | |
| Połap et al. | Energy consumption prediction model for smart homes via decentralized federated learning with LSTM |
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 |