CN115511197A - 一种高寒地区换热站供热负荷预测方法 - Google Patents

Abstract

本发明提供一种高寒地区换热站供热负荷预测方法，属于智慧供热技术领域，具体包括：提取换热站供热区域的民用供热负荷比例、民用供热住宅的平均入住率、室外温度、室外风速、室外雪暴天气状态量、相似日的平均供热负荷、前一天的平均供热负荷作为输入集，并将所述输入集输入到基于AMO‑DNNs算法以及RSA‑GRU算法构成的预测模型中，得到换热站的初步预测热负荷；基于换热站供热区域的供热满意度权值和高寒地区供暖管道损耗权值，构建热负荷修正权值；基于所述热负荷修正权值对所述初步预测热负荷进行修正，得到预测热负荷，从而进一步的提升了换热站热负荷预测的准确度。

Description

一种高寒地区换热站供热负荷预测方法

技术领域

本发明属于智慧供热技术领域，尤其涉及一种高寒地区换热站供热负荷预测方法。

背景技术

换热站是集中供热系统中的非常重要的组成部分，起着举足轻重的作用，它是连接锅炉与热用户之间的桥梁。换热站的安全可靠运转直接影响到热量的配送和再分配，并且直接关系到用户的供热品质，因此合理控制换热站，提高换热站的运行效率和可靠性具有很大的使用价值和经济效益。准确快速的热负荷预测也大大有利于改善集中供热管网微机监控系统的工作，从而提高集中供热管网系统的运行效率、可靠性和经济性，因此，供热负荷预测具有十分重要的意义。

在硕士论文《集中供热系统换热站负荷预测与控制算法研究》中作者孟凡威提出了一种区域供热系统中换热站热负荷预测模型，即SD-DNNs。该模型结合相似日选择和深度神经网络，在选择相似日中，用到了XGBoost特征权重学习算法和改进的欧几里得范数。结合DNNs在两个时间尺度上对未来热负荷进行预测，并与SVM、simple-RNN、MLP、RF、DT及LSTM模型进行了比较。最后，通过三组实验证明了SD-DNNs模型能够有效地预测热负荷，但上述方法仅仅采用了室外温度、风力、以及前一天的热负荷等基础影响因素，而未考虑换热站历史供热用户满意度、高寒地区供暖管道损耗等因素，对于换热站的预测结果进行动态调整，并且未结合高寒地区的天气特征雪暴等天气因素，进而预测结果不够准确，不能基于供热负荷的预测情况进行实时优化，从而造成极大的能源浪费，同时用户的用热体验也较差。

针对上述技术问题，本发明提供了一种高寒地区换热站供热负荷预测方法。

发明内容

为实现本发明目的，本发明采用如下技术方案：

根据本发明的一个方面，提供了一种高寒地区换热站供热负荷预测方法。

一种高寒地区换热站供热负荷预测方法，其特征在于，具体包括：

S1：提取换热站供热区域的民用供热负荷比例、民用供热住宅的平均入住率、室外温度、室外风速、室外雪暴天气状态量、相似日的平均供热负荷、前一天的平均供热负荷作为输入集，并将所述输入集输入到基于AMO-DNNs算法以及RSA-GRU算法构成的预测模型中，得到换热站的初步预测热负荷；

S2：基于换热站供热区域的供热满意度权值和高寒地区供暖管道损耗权值，构建热负荷修正权值；

S3：基于所述热负荷修正权值对所述初步预测热负荷进行修正，得到预测热负荷。

通过将室外雪暴天气状态量与其他影响换热站热负荷的数据一起作为输入集，输入到预测模型中，得到初步预测热负荷，从而解决了原有的没有结合高寒地区的天气特征雪暴等天气因素，进而预测结果不够准确的问题，使得预测结果与高寒地区的天气特征相结合，进一步提升了整体的预测精度，通过采用基于换热站供热区域的供热满意度权值和高寒地区供暖管道损耗权值，构建热负荷修正权值，通过修正权值对初步预测热负荷进行修正，得到预测热负荷，从而解决了原有的未考虑换热站历史供热用户满意度、高寒地区供暖管道损耗等因素，对于换热站的预测结果进行动态调整的技术问题，使得预测结果的精确度得到进一步的提升，也和用户的供热满意度结合起来，使得热负荷的预测和调节结果能够更加满足用户的需求，进一步提升预测的精准性。

通过将室外雪暴天气状态量作为输入集中的一部分，输入到预测模型中，从而与高寒地区的实际天气状况结合到一起，进一步提升了预测精准度和考虑的全面性，使得预测的结果能够更加准确的与高寒地区的实际情况相结合，通过采用基于AMO-DNNs算法以及RSA-GRU算法构成的预测模型，结合了DNNs算法精确度高的优势以及GRU算法计算速度快，减少过拟合的风险的优势，同时采用AMO算法对DNNs算法进行寻优以及采用RSA算法对GRU算法进行寻优，使得预测的效率得到进一步的提升，：基于换热站供热区域的供热满意度权值和高寒地区供暖管道损耗权值，构建热负荷修正权值，基于所述热负荷修正权值对所述初步预测热负荷进行修正，得到预测热负荷，从而进一步基于供热满意度权值和供暖管道损耗实现对热负荷的修正，从而使得预测结果不仅仅考虑外部因素，也和用户的体验相结合，进一步实现了针对性的供暖负荷修正。

进一步的技术方案在于，所述民用供热负荷比例为换热站供热区域中民用供热负荷与非民用供热负荷的比值。

进一步的技术方案在于，所述民用供热住宅的平均入住率为换热站供热区域中所述民用供热住宅的所有入住率的平均值。

进一步的技术方案在于，所述室外雪暴天气状态量为0或者1，其中1表示存在雷暴天气，0表示无雷暴天气。

进一步的技术方案在于，预测得到换热站的初步预测热负荷的具体步骤为：

S11将所述输入集输入到基于AMO-DNNs算法的预测模型之中，得到DNN预测热负荷，其中采用AMO算法对所述DNNs算法的层数进行寻优；

S12将所述输入集输入到基于RSA-GRU算法的预测模型之中，得到GRU预测热负荷，其中采用RSA算法对所述GRU算法的层数进行寻优；

S13基于所述DNN预测热负荷和所述GRU预测热负荷得到初步预测热负荷。

通过采用AMO算法对所述DNNs算法的层数进行寻优，从而实现了效率和精度的提升。

进一步的技术方案在于，所述初步预测热负荷的具体计算公式为：

t＝k₁t₁+k₂t₂

其中t为初步预测热负荷，t₁、t₂分别为DNN预测热负荷和GRU预测热负荷，k₁、k₂分别为所述DNN预测热负荷的权值、GRU预测热负荷的权值。

进一步的技术方案在于，所述供热满意度权值根据换热站供热区域内采暖季的用户满意度、采暖季的平均室外温度、采暖季的平均室外风速确定，其具体公式为：

其中M为供热满意度权值，V₁为采暖季的平均室外风速，T₁为采暖季的平均室外温度，k₃为权值，M₁为采暖季的用户满意度。

进一步的技术方案在于，所述高寒地区供暖管道损耗权值根据换热站供热区域的管道长度、所述室外温度、所述室外风速确定，其具体公式为：

S＝k₄Le^-TV

其中S为供暖管道损耗权值，k₄为权值，L为换热站供热区域的管道长度，T为室外温度，V为室外风速。

进一步的技术方案在于，所述热负荷修正权值的具体公式为：

Q＝k₅M(1+S)

其中k₅为权值。

进一步的技术方案在于，所述预测热负荷的具体公式为：

P＝Qt

其中P为预测热负荷，t为初步预测热负荷，Q为热负荷修正权值。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。

图1是根据实施例1的一种高寒地区换热站供热负荷预测方法的流程图。

图2是根据实施例1的预测得到换热站的初步预测热负荷的具体步骤的流程图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。

用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。

换热站是集中供热系统中的非常重要的组成部分，起着举足轻重的作用，它是连接锅炉与热用户之间的桥梁。换热站的安全可靠运转直接影响到热量的配送和再分配，并且直接关系到用户的供热品质，因此合理控制换热站，提高换热站的运行效率和可靠性具有很大的使用价值和经济效益。准确快速的热负荷预测也大大有利于改善集中供热管网微机监控系统的工作，从而提高集中供热管网系统的运行效率、可靠性和经济性，因此，供热负荷预测具有十分重要的意义。

在硕士论文《集中供热系统换热站负荷预测与控制算法研究》中作者孟凡威提出了一种区域供热系统中换热站热负荷预测模型，即SD-DNNs。该模型结合相似日选择和深度神经网络，在选择相似日中，用到了XGBoost特征权重学习算法和改进的欧几里得范数。结合DNNs在两个时间尺度上对未来热负荷进行预测，并与SVM、simple-RNN、MLP、RF、DT及LSTM模型进行了比较。最后，通过三组实验证明了SD-DNNs模型能够有效地预测热负荷，但上述方法仅仅采用了室外温度、风力、以及前一天的热负荷等基础影响因素，而未考虑换热站历史供热用户满意度、高寒地区供暖管道损耗等因素，对于换热站的预测结果进行动态调整，并且未结合高寒地区的天气特征雪暴等天气因素，进而预测结果不够准确，不能基于供热负荷的预测情况进行实时优化，从而造成极大的能源浪费，同时用户的用热体验也较差。

实施例1

为解决上述问题，根据本发明的一个方面，如图1所示，提供了一种高寒地区换热站供热负荷预测方法。

一种高寒地区换热站供热负荷预测方法，其特征在于，具体包括：

S1：提取换热站供热区域的民用供热负荷比例、民用供热住宅的平均入住率、室外温度、室外风速、室外雪暴天气状态量、相似日的平均供热负荷、前一天的平均供热负荷作为输入集，并将所述输入集输入到基于AMO-DNNs算法以及RSA-GRU算法构成的预测模型中，得到换热站的初步预测热负荷；

S2：基于换热站供热区域的供热满意度权值和高寒地区供暖管道损耗权值，构建热负荷修正权值；

S3：基于所述热负荷修正权值对所述初步预测热负荷进行修正，得到预测热负荷。

通过将室外雪暴天气状态量与其他影响换热站热负荷的数据一起作为输入集，输入到预测模型中，得到初步预测热负荷，从而解决了原有的没有结合高寒地区的天气特征雪暴等天气因素，进而预测结果不够准确的问题，使得预测结果与高寒地区的天气特征相结合，进一步提升了整体的预测精度，通过采用基于换热站供热区域的供热满意度权值和高寒地区供暖管道损耗权值，构建热负荷修正权值，通过修正权值对初步预测热负荷进行修正，得到预测热负荷，从而解决了原有的未考虑换热站历史供热用户满意度、高寒地区供暖管道损耗等因素，对于换热站的预测结果进行动态调整的技术问题，使得预测结果的精确度得到进一步的提升，也和用户的供热满意度结合起来，使得热负荷的预测和调节结果能够更加满足用户的需求，进一步提升预测的精准性。

通过将室外雪暴天气状态量作为输入集中的一部分，输入到预测模型中，从而与高寒地区的实际天气状况结合到一起，进一步提升了预测精准度和考虑的全面性，使得预测的结果能够更加准确的与高寒地区的实际情况相结合，通过采用基于AMO-DNNs算法以及RSA-GRU算法构成的预测模型，结合了DNNs算法精确度高的优势以及GRU算法计算速度快，减少过拟合的风险的优势，同时采用AMO算法对DNNs算法进行寻优以及采用RSA算法对GRU算法进行寻优，使得预测的效率得到进一步的提升，：基于换热站供热区域的供热满意度权值和高寒地区供暖管道损耗权值，构建热负荷修正权值，基于所述热负荷修正权值对所述初步预测热负荷进行修正，得到预测热负荷，从而进一步基于供热满意度权值和供暖管道损耗实现对热负荷的修正，从而使得预测结果不仅仅考虑外部因素，也和用户的体验相结合，进一步实现了针对性的供暖负荷修正。

在另外一种可能的实施例中，所述民用供热负荷比例为换热站供热区域中民用供热负荷与非民用供热负荷的比值。

在另外一种可能的实施例中，所述民用供热住宅的平均入住率为换热站供热区域中所述民用供热住宅的所有入住率的平均值。

在另外一种可能的实施例中，所述室外雪暴天气状态量为0或者1，其中1表示存在雷暴天气，0表示无雷暴天气。

在另外一种可能的实施例中，如图2所示，预测得到换热站的初步预测热负荷的具体步骤为：

S11将所述输入集输入到基于AMO-DNNs算法的预测模型之中，得到DNN预测热负荷，其中采用AMO算法对所述DNNs算法的层数进行寻优；

S12将所述输入集输入到基于RSA-GRU算法的预测模型之中，得到GRU预测热负荷，其中采用RSA算法对所述GRU算法的层数进行寻优；

S13基于所述DNN预测热负荷和所述GRU预测热负荷得到初步预测热负荷。

通过采用AMO算法对所述DNNs算法的层数进行寻优，从而实现了效率和精度的提升。

在另外一种可能的实施例中，所述初步预测热负荷的具体计算公式为：

t＝k₁t₁+k₂t₂

其中t为初步预测热负荷，t₁、t₂分别为DNN预测热负荷和GRU预测热负荷，k₁、k₂分别为所述DNN预测热负荷的权值、GRU预测热负荷的权值。

在另外一种可能的实施例中，所述供热满意度权值根据换热站供热区域内采暖季的用户满意度、采暖季的平均室外温度、采暖季的平均室外风速确定，其具体公式为：

其中M为供热满意度权值，V₁为采暖季的平均室外风速，T₁为采暖季的平均室外温度，k₃为权值，M₁为采暖季的用户满意度。

在另外一种可能的实施例中，当所述采暖季的用户满意度大于第一满意度权值时，此时不再通过所述供热满意度权值对所述初步预测热负荷进行修正，取值为1，当所述采暖季的用户满意度大于第二满意度权值时，此时将所述供热满意度权值设置为小于1的数字，对所述初步预测热负荷进行修正，所述第一满意度权值小于第二满意度权值。

在另外一种可能的实施例中，所述高寒地区供暖管道损耗权值根据换热站供热区域的管道长度、所述室外温度、所述室外风速确定，其具体公式为：

S＝k₄Le^-TV

其中S为供暖管道损耗权值，k₄为权值，L为换热站供热区域的管道长度，T为室外温度，V为室外风速。

在另外一种可能的实施例中，所述热负荷修正权值的具体公式为：

Q＝k₅M(1+S)

其中k₅为权值。

在另外一种可能的实施例中，所述预测热负荷的具体公式为：

P＝Qt

其中P为预测热负荷，t为初步预测热负荷，Q为热负荷修正权值。

在本发明实施例中，术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可折卸连接，或一体地连接。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明实施例中的具体含义。

本发明实施例的描述中，需要理解的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明实施例的限制。

在本说明书的描述中，术语“一个实施例”、“一个优选实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上仅为本发明实施例的优选实施例而已，并不用于限制本发明实施例，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims (10)

1.一种高寒地区换热站供热负荷预测方法，其特征在于，具体包括：

S1：提取换热站供热区域的民用供热负荷比例、民用供热住宅的平均入住率、室外温度、室外风速、室外雪暴天气状态量、相似日的平均供热负荷、前一天的平均供热负荷作为输入集，并将所述输入集输入到基于AMO-DNNs算法以及RSA-GRU算法构成的预测模型中，得到换热站的初步预测热负荷；

S2：基于换热站供热区域的供热满意度权值和高寒地区供暖管道损耗权值，构建热负荷修正权值；

S3：基于所述热负荷修正权值对所述初步预测热负荷进行修正，得到预测热负荷。

2.如权利要求1所述的一种高寒地区换热站供热负荷预测方法，其特征在于，所述民用供热负荷比例为换热站供热区域中民用供热负荷与非民用供热负荷的比值。

3.如权利要求1所述的一种高寒地区换热站供热负荷预测方法，其特征在于，所述民用供热住宅的平均入住率为换热站供热区域中所述民用供热住宅的所有入住率的平均值。

4.如权利要求1所述的一种高寒地区换热站供热负荷预测方法，其特征在于，所述室外雪暴天气状态量为0或者1，其中1表示存在雷暴天气，0表示无雷暴天气。

5.如权利要求1所述的一种高寒地区换热站供热负荷预测方法，其特征在于，预测得到换热站的初步预测热负荷的具体步骤为：

S11将所述输入集输入到基于AMO-DNNs算法的预测模型之中，得到DNN预测热负荷，其中采用AMO算法对所述DNNs算法的层数进行寻优；

S12将所述输入集输入到基于RSA-GRU算法的预测模型之中，得到GRU预测热负荷，其中采用RSA算法对所述GRU算法的层数进行寻优；

S13基于所述DNN预测热负荷和所述GRU预测热负荷得到初步预测热负荷。

6.如权利要求5所述的一种高寒地区换热站供热负荷预测方法，其特征在于，所述初步预测热负荷的具体计算公式为：

t＝k₁t₁+k₂t₂

其中t为初步预测热负荷，t₁、t₂分别为DNN预测热负荷和GRU预测热负荷，k₁、k₂分别为所述DNN预测热负荷的权值、GRU预测热负荷的权值。

7.如权利要求1所述的一种高寒地区换热站供热负荷预测方法，其特征在于，所述供热满意度权值根据换热站供热区域内采暖季的用户满意度、采暖季的平均室外温度、采暖季的平均室外风速确定，其具体公式为：

其中M为供热满意度权值，V₁为采暖季的平均室外风速，T₁为采暖季的平均室外温度，k₃为权值，M₁为采暖季的用户满意度。

8.如权利要求7所述的一种高寒地区换热站供热负荷预测方法，其特征在于，所述高寒地区供暖管道损耗权值根据换热站供热区域的管道长度、所述室外温度、所述室外风速确定，其具体公式为：

S＝k₄Le^-TV

其中S为供暖管道损耗权值，k₄为权值，L为换热站供热区域的管道长度，T为室外温度，V为室外风速。

9.如权利要求8所述的一种高寒地区换热站供热负荷预测方法，其特征在于，所述热负荷修正权值的具体公式为：

Q＝k₅M(1+S)

其中k₅为权值。

10.如权利要求9所述的一种高寒地区换热站供热负荷预测方法，其特征在于，所述预测热负荷的具体公式为：

P＝Qt

其中P为预测热负荷，t为初步预测热负荷，Q为热负荷修正权值。

Images