CN115630561A - 一种神经网络热负荷预测模型自动优化方法及装置 - Google Patents

一种神经网络热负荷预测模型自动优化方法及装置 Download PDF

Info

Publication number
CN115630561A
CN115630561A CN202211006313.9A CN202211006313A CN115630561A CN 115630561 A CN115630561 A CN 115630561A CN 202211006313 A CN202211006313 A CN 202211006313A CN 115630561 A CN115630561 A CN 115630561A
Authority
CN
China
Prior art keywords
thermal load
prediction model
load prediction
data
temperature
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
Application number
CN202211006313.9A
Other languages
English (en)
Inventor
王安倩
邢敬创
乔匡华
刘志鹏
马钰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Si'an Yunchuang Technology Co ltd
Original Assignee
Xi'an Si'an Yunchuang Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xi'an Si'an Yunchuang Technology Co ltd filed Critical Xi'an Si'an Yunchuang Technology Co ltd
Priority to CN202211006313.9A priority Critical patent/CN115630561A/zh
Publication of CN115630561A publication Critical patent/CN115630561A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种神经网络热负荷预测模型自动优化方法及装置，在线获取温度数据和供热系统的历史供热数据；根据温度数据和历史供热数据生成数据集；获取热负荷预测模型的超参数组的集合；选取集合中的超参数组作为热负荷预测模型的训练超参数，基于数据集对热负荷预测模型进行训练和测试；根据热负荷预测模型的测试结果计算热负荷预测模型的R2分数，当R2分数大于等于分数阈值时，完成热负荷预测模型的优化；本发明可以降低热负荷预测模型训练过程中对人工处理数据的依赖度。

Description

一种神经网络热负荷预测模型自动优化方法及装置
技术领域
本发明属于热负荷预测技术领域，尤其涉及一种神经网络热负荷预测模型自动优化方法及装置。
背景技术
目前，供热系统的精细化运行日益重要，而热负荷预测在其中扮演了重要角色。另一方面，随着计算机技术的不断发展，人工智能，机器学习，深度学习逐渐崭露头角，其中神经网络预测技术更是在各个行业落地实践，取得优秀的效果。
在供暖技术领域，神经网络预测技术可以准确到每个时间点的热负荷预测，在数值精度上也非常高，获得普遍青睐。但是，神经网络的训练过程大部分依赖人工的方式，需要人工处理数据、训练模型、调试参数等等，这就会消耗大量的准备时间，费时费力。
发明内容
本发明的目的是提供一种神经网络热负荷预测模型自动优化方法及装置，通过在线自动获取数据生成训练数据，再对热负荷预测模型进行自动训练，进而减少人工训练模型的依赖度。
本发明采用以下技术方案：一种神经网络热负荷预测模型自动优化方法，包括以下步骤：
在线获取温度数据和供热系统的历史供热数据；
根据温度数据和历史供热数据生成数据集；
获取热负荷预测模型的超参数组的集合；
选取集合中的超参数组作为热负荷预测模型的训练超参数，基于数据集对热负荷预测模型进行训练和测试；
根据热负荷预测模型的测试结果计算热负荷预测模型的R2分数，当R2分数大于等于分数阈值时，完成热负荷预测模型的优化。
进一步地，在线获取温度数据和供热系统的历史供热数据包括：
在线获取供热系统的采集时间、一次测供水温度、一次侧回水温度、一次侧供水流量、目标室内温度、采集时间的时序、采集时间的周序、采集时间前各时间段的平均热负荷值和采集时间前各时间点的实时热负荷值；
通过外部接口在线获取采集时间对应的室外温度；
采用三西格玛准则筛选采集时间、一次测供水温度、一次侧回水温度、一次侧供水流量和室外温度中的异常数据，并用线性插值方法进行补值。
进一步地，根据温度数据和历史供热数据生成数据集包括：
根据一次侧供水流量、一次测供水温度和一次侧回水温度计算采集时间对应的实际热负荷值；
将实际热负荷值、目标室内温度、室外温度、采集时间的时序、采集时间的周序、采集时间前各时间段的平均热负荷和采集时间前各时间点的实时热负荷组合，得到数据集。
进一步地，计算采集时间对应的实际热负荷值的具体方法为：
Figure BDA0003808749970000021
其中，Qh为实际热负荷值，Gh为一次侧供水流量，tg为一次测供水温度，th为一次侧回水温度。
进一步地，获取热负荷预测模型的超参数组的集合包括：
采用逐一变化单项超参数值的方法，对热负荷预测模型进行训练，并计算得到不同的超参数值对应的均方差值；
根据均方差值确定超参数组中的超参数，以及该项超参数对应的取值范围。
进一步地，基于数据集对热负荷预测模型进行训练和测试包括：
将数据集分为训练数据集和测试数据集；
对于每一个超参数组，基于训练数据集对热负荷预测模型进行训练，基于测试数据集对热负荷预测模型进行测试。
进一步地，根据热负荷预测模型的测试结果计算热负荷预测模型的R2分数包括：
对于每个测试数据集，获取热负荷预测值；
根据热负荷预测值和测试数据集中的实际热负荷值计算R2分数。
进一步地，R2分数的计算方法为：
Figure BDA0003808749970000031
其中，R2为热负荷预测模型的R2分数，
Figure BDA0003808749970000032
为第i个测试数据集对应的热负荷预测值，yi为第i个测试数据集中的实际热负荷值，
Figure BDA0003808749970000033
为所有测试数据集中实际热负荷值的均值。
本发明的另一种技术方案：一种神经网络热负荷预测模型自动优化装置，包括：
第一获取模块，用于在线获取温度数据和供热系统的历史供热数据；
生成模块，用于根据温度数据和历史供热数据生成数据集；
第二获取模块，用于获取热负荷预测模型的超参数组的集合；
训练测试模块，用于选取集合中的超参数组作为热负荷预测模型的训练超参数，基于数据集对热负荷预测模型进行训练和测试；
计算模块，用于根据热负荷预测模型的测试结果计算热负荷预测模型的R2分数，当R2分数大于等于分数阈值时，完成热负荷预测模型的优化。
本发明的另一种技术方案：一种神经网络热负荷预测模型自动优化装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种神经网络热负荷预测模型自动优化方法。
本发明的有益效果是：本发明通过在线获取供热系统中的历史供热数据和温度数据，再根据历史供热数据和温度数据生成对应的数据集，同时结合热负荷预测模型的超参数组对热负荷预测模型进行实时训练，最后通过R2分数来选择热负荷预测模型的超参数和权重参数，可以降低热负荷预测模型训练过程中对人工处理数据的依赖度。
附图说明
图1为本发明实施例一种神经网络热负荷预测模型自动优化方法的流程图；
图2为本发明实施例一种神经网络热负荷预测模型自动优化装置的结构示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明公开了一种神经网络热负荷预测模型自动优化方法，如图1所示，包括以下步骤：步骤S110、在线获取温度数据和供热系统的历史供热数据；步骤S120、根据温度数据和历史供热数据生成数据集；步骤S130、获取热负荷预测模型的超参数组的集合；步骤S140、选取集合中的超参数组作为热负荷预测模型的训练超参数，基于数据集对热负荷预测模型进行训练和测试；步骤S150、根据热负荷预测模型的测试结果计算热负荷预测模型的R2分数，当R2分数大于等于分数阈值时，完成热负荷预测模型的优化。
本发明通过在线获取供热系统中的历史供热数据和温度数据，再根据历史供热数据和温度数据生成对应的数据集，同时结合热负荷预测模型的超参数组对热负荷预测模型进行实时训练，最后通过R2分数来选择热负荷预测模型的超参数和权重参数，可以降低热负荷预测模型训练过程中对人工处理数据的依赖度。
在步骤S110中，在线获取温度数据和供热系统的历史供热数据包括：在线获取供热系统的采集时间、一次测供水温度、一次侧回水温度、一次侧供水流量、目标室内温度、采集时间的时序、采集时间的周序、采集时间前各时间段的平均热负荷值和采集时间前各时间点的实时热负荷值；通过外部接口在线获取采集时间对应的室外温度；采用三西格玛准则筛选采集时间、一次测供水温度、一次侧回水温度、一次侧供水流量和室外温度中的异常数据，如错误的流量或者负数的温度等，用线性插值方法进行补值。
本发明实施例中的“在线”指的是，该方法在运行过程中直接通过通信方式与供热系统的数据库连接，进而直接获取数据，在根据下述方法直接对获取的数据进行处理，从而避免人工获取数据和处理数据等工作。
具体的，本发明实施例中，可以基于scada系统设备数据采集，数据通过mqtt协议接收。接收的数据以列式存储的方式存入时序数据库。通常一行数据由多个属性组成，列式存储是按照属性，即每个属性一列数据的存储方式进行存储。属性包括但不止以下：采集时间，一次侧供水温度，一次侧回水温度，一次侧供水流量。同时，用于在线获取数据的采集端获还可通过外部接口API获取天气数据。天气数据属性为：时间，室外温度(在本实施例中以小时级为例)。天气数据以行式存储的方式存储入mysql数据库。
通过在线数据的采集，可以完全脱离于人工数据采集，不再需要人工复制，便于后续对数据进行自动化处理，形成数据集，在解放人力的同时也提高了处理效率。
在本发明实施例步骤S120中，根据温度数据和历史供热数据生成数据集包括：根据一次侧供水流量、一次测供水温度和一次侧回水温度计算采集时间对应的实际热负荷值；将实际热负荷值、目标室内温度、室外温度、采集时间的时序、采集时间的周序、采集时间前各时间段的平均热负荷值和采集时间前各时间点的实时热负荷值组合，得到数据集。
具体的，计算采集时间对应的实际热负荷值的具体方法为：
Figure BDA0003808749970000061
其中，Qh为实际热负荷值(单位为W)，Gh为一次侧供水流量(单位为t/h)，tg为一次测供水温度(单位为℃)，th为一次侧回水温度(单位为℃)。
计算后数据以行式存储的方式存于mysql数据库。存储的属性为：时间、目标室内温度、室外温度和热负荷。例如：[2021-12-10 10:00:00，20，5，387.65]，表示2021年12月10日10点的设定目标室内温度为20℃，室外温度为5℃，实际热负荷值为387.65W。
在计算得到实际热负荷值后，再将其与热负荷预测模型的其他数据共同组成数据集。在本发明实施例中，该数据集中包括了实际热负荷值、目标室内温度、室外温度、采集时间的时序、采集时间的周序、采集时间前各时间段的平均热负荷值和采集时间前各时间点的实时热负荷值。
具体的，tn表示目标室内温度，tw表示室外温度，h为时刻的时序，w为时刻的周序，24_mean_qh表示当前时刻起向前24小时的平均热负荷值，48_mean_qh表示当前时刻起向前48小时的平均热负荷值，72_mean_qh表示当前时刻起向前72小时的平均热负荷值，24_qh表示当前时刻起向前24小时的实时热负荷值，48_qh表示当前时刻起向前48小时的实时热负荷值，72_qh表示当前时刻起向前72小时的实时热负荷值。
在步骤S130中，获取热负荷预测模型的超参数组的集合包括：采用逐一变化单项超参数值的方法，对热负荷预测模型进行训练，并计算得到不同的超参数值对应的均方差值；根据均方差值确定超参数组中的超参数，以及该项超参数对应的取值范围。
在本发明实施例中，热负荷预测模型选择为BP神经网络，固定初始的训练超参数。超参数指模型权重参数以外，在模型训练之前进行设定的参数，包括学习率，迭代次数，隐含层神经元个数，正则化系数等。这些超参数的调节方式有以下方式：
1.增加或减少神经网络的层数；
2.增加或减少隐藏层神经元个数；
3.调整神经网络的学习率；
4.增大或减小迭代次数；
5.增大或减小正则化系数。
由于程序特性，自动化优化技术选择各项尽量小的值作为初始值，在优化时按照最小单位逐次增加，计算误差值及影响分数。其中，学习率由于越大计算越快，越小计算越慢，因此是初始化一个较大值，之后依次递减的方式进行更新。
预测值与真实值的均方差为常用评价指标之一，均方差越大，说明模型预测效果越差，均方差越小，说明模型预测效果越好。所以，本实施例中选定均方差mse作为评估热负荷预测模型预测效果的指标。
更为具体的，采用逐一变化单项超参数值的方法，对热负荷预测模型进行训练，并计算得到不同得超参数值对应的均方差值，通过该均方差值调整方式对模型预测效果的影响，经实际数据分析，数据来源某项目2020年热负荷数据集，不同超参数在数据集上的mse如下表1所示(选取部分数据展示)。
表1
#L #L-MSE #H #H-MSE #LR #LR-MSE #Iter #Iter-MSE #A #A-MSE
1 916.4 10 1506.88 10<sup>-1</sup> 1809.1 10 1916.4 0.0001 726.4
2 783.45 80 980 10<sup>-2</sup> 1760.88 50 783.45 0.01 783.45
3 837.56 100 760.45 10<sup>-3</sup> 980.66 150 837.56 0.1 837.56
4 791.55 300 753.33 10<sup>-4</sup> 880.5 500 791.55 0.3 991.55
5 960.66 1000 801.99 10<sup>-5</sup> 763.5 800 760.66 0.5 960.66
6 980.69 1500 810.5 10<sup>-6</sup> 804.66 1000 780.69 0.8 980.69
7 1100.67 3000 800.33 10<sup>-7</sup> 807.33 10000 780.67 0.9 990.67
8 1800.98 5000 780.55 10<sup>-8</sup> 908.99 100000 770.98 0.99 1100.98
注：#L神经网络层数；#H隐含层神经元个数；#LR神经网络梯度下降学习率；#Iter迭代次数；#A正则系数
通过该表可以看出，不同的优化方式对热负荷预测模型的预测效果都会有影响。由数据可看出改变神经网络层数、改变神经元个数、改变学习率的调节都对训练出的模型的预测准确度有较大影响，而改变迭代次数在前期10到500次时提升明显，而到$00以后对模型影响变化不大。改变正则化系数则对模型影响不大。
另外，从实际应用中不仅要考虑优化方式对模型的影响程度，也要考虑不同优化方式的改变所导致的时间复杂度改变。众所周知，改变神经网络层数时，随着神经网络层数越多，训练的计算复杂度会大大提升，所需的计算时间和计算资源都相应大幅增加。因此，神经网络层数不适合作为频繁改动的调节参数。综合考虑最小计算时间和复杂度，同时又能保证模型预测效果较优，本实施例中选择方式2(#H)与方式3(#LR)作为模型自动化训练技术中的自动化优化调整方式，其他超参数设定对应mse最小的值。
在步骤S140中，基于数据集对热负荷预测模型进行训练和测试包括：将数据集分为训练数据集和测试数据集；对于每一个超参数组，基于训练数据集对热负荷预测模型进行训练，基于测试数据集对热负荷预测模型进行测试。
具体地，根据热负荷预测模型的测试结果计算热负荷预测模型的R2分数包括：对于每个测试数据集，获取热负荷预测值；根据热负荷预测值和测试数据集中的实际热负荷值计算R2分数。R2评估分数越接近于1，则预测准确度越高，越远离1，则预测准确度越低。
R2分数相对于MSE的评价方式优点在于不同数据集间的模型也可比较。具体自动优化方式为，其他超参数不变，将优化调节的超参数组合作为字典数据类型匹配，循环遍历每个组合数值，最后选取最优预测效果模型。
更为具体的，R2分数的计算方法为：
Figure BDA0003808749970000091
其中，R2为热负荷预测模型的R2分数，
Figure BDA0003808749970000092
为第i个测试数据集对应的热负荷预测值，yi为第i个测试数据集中的实际热负荷值，
Figure BDA0003808749970000093
为所有测试数据集中实际热负荷值的均值。
下面，以某地智慧供热项目换热站二次网动态平衡系统实施自动化神经网络优化技术为例来具体说明本方法。
数据采集模块：本案例所包含的采集数据包括换热站一次供压，一次除污器后压，一次回压，循环泵出口压力，二次供压，二次回压，二次除污器后压，二次供水温度，二次回水温度，阀门开度，一次瞬时流量，一次累计流量，一次累积热量，单元楼换热管道温度，流量流速，住宅室内温度等。基于scada系统对设备数据采集，数据通过mqtt协议接收。接收的数据以列式存储的方式存入时序数据库。外部接口API每小时获取天气预报数据。天气数据包括：时间，室外温度(小时级)。天气数据以行式存储的方式存储入mysql数据库。
以上数据采集流程自2020年供暖季开始后持续采集，换热站设备采集数据频次为每分钟采集一次，气象数据采集频次为每小时采集一次。20201年供暖季开始前实施本发明实施例的方法。
从数据库中提取构建数据集的原始历史数据，时间为2020-11-15至2021-03-15，频次为一小时一条数据，数据包括：采集时间、一次侧供水温度、一次侧回水温度、一次侧供水流量、室内温度。例：[2020-11-15 00:00:00,67.2,31.7,14.4，20]，即表示2020年11月15日0时，一次侧供水温度为67.2，一次侧回水温度为31.7，一次侧供水流量为14.1，室内温度为20。
接着，根据三西格玛准则筛选出异常数据，共筛选出56条异常数据，对异常数据进行清零，并使用线性插值的方式对该时间点的数据进行补值。
然后，计算每个时间点对应的热负荷，再构建训练数据集。数据集如下表2所示。
表2
Figure BDA0003808749970000101
Figure BDA0003808749970000111
得到数据集之后，将其分成训练数据集和测试数据集。固定超参数：隐含层层数2层，迭代次数800次，正则系数0.0001。初始超参数：#H1＝10，#H2＝10,#LR＝0.1。其中，#H1表示第一层隐含层神经元个数；#H2表示第二层隐含层神经元个数；#LR表示学习率。
开始训练，训练完成，使用测试数据集进行评估，得到R2分数为0.50(在本实施例中，分数阈值设定为0.9)。程序判定该模型不符合要求，继续更新超参数。
更新优化超参数，#H1＝20,#H2＝10,#LR＝0.1。训练并评估，得到R2分数为0.49。程序判定该模型不符合要求，继续更新超参数。
更新结果为：#H1＝20,#H2＝20,#LR＝0.1。训练并评估，得到R2分数为0.51。程序判定该模型不符合要求，继续更新超参数。
更新结果为：#H1＝20,#H2＝20,#LR＝0.01。训练并评估，得到R2分数为0.60。程序判定该模型不符合要求，继续更新超参数。
更新结果为：#H1＝30,#H2＝20,#LR＝0.01。训练并评估，得到R2分数为0.61。程序判定该模型不符合要求，继续更新超参数。
直至超参数迭代至#H1＝150,#H2＝150,#LR＝0.001，得到R2分数为0.91。程序判定模型符合要求，执行保存程序。
上述的热负荷预测模型整个训练过程从数据自动处理到预测完成，用时：161.63秒。以往未使用自动化优化技术时此部分的工作需要10人/天左右。经实践表明，神经网络热负荷自动优化技术在项目的开发和实施中节省了大量人工过程，大大提高了工作效率，并达到优良的预测效果。
保存热负荷预测模型后，项目运行期间，每小时执行一次热负荷预测功能，输入：用户想要达到的目标室内温度，天气预报的室外温度，预测时刻的小时，预测时刻的周序(0-6)(0表示周一、1表示周二、2表示周三，…，5表示周六，6表示周日)，预测时刻过去24小时的平均热负荷，预测时刻过去48小时平均热负荷，预测时刻过去72小时平均热负荷，预测时刻前24小时时刻热负荷，预测时刻前48小时时刻热负荷，预测时刻前72小时时刻热负荷。
若历史数据不足则不预测。历史数据满足时，例如，预测2021年11月21日14点时刻的热负荷，则输入:[20,10,14,0,1819.48,1808.89,1965.616,1716,1762]计算得到预测热负荷结果为：1761。
本发明将神经网络预测技术的数据处理和模型训练过程设计为自动化进行的方式，大大减少了人工，实现自动化数据采集、数据处理、调试参数、训练模型等过程。效果良好。模型预测结果精度高。同时本技术方案在不同项目上的实施体现出较好的鲁棒性，可推广性强。
本发明还公开了一种神经网络热负荷预测模型自动优化装置，如图2所示，包括：第一获取模块210，用于在线获取温度数据和供热系统的历史供热数据；生成模块220，用于根据温度数据和历史供热数据生成数据集；第二获取模块230，用于获取热负荷预测模型的超参数组的集合；训练测试模块240，用于选取集合中的超参数组作为热负荷预测模型的训练超参数，基于数据集对热负荷预测模型进行训练和测试；计算模块250，用于根据热负荷预测模型的测试结果计算热负荷预测模型的R2分数，当R2分数大于等于分数阈值时，完成热负荷预测模型的优化。
需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将所述装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明还公开了一种神经网络热负荷预测模型自动优化装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种神经网络热负荷预测模型自动优化方法。
上述的装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该装置可包括但不仅限于处理器、存储器。本领域技术人员可以理解，该装置可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器在一些实施例中可以是所述装置的内部存储单元，例如装置的硬盘或内存。所述存储器在另一些实施例中也可以是所述装置的外部存储设备，例如所述装置上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器还可以既包括所述装置的内部存储单元也包括外部存储设备。所述存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述装置的具体内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

Claims (10)

1.一种神经网络热负荷预测模型自动优化方法，其特征在于，包括以下步骤：
在线获取温度数据和供热系统的历史供热数据；
根据所述温度数据和历史供热数据生成数据集；
获取热负荷预测模型的超参数组的集合；
选取所述集合中的所述超参数组作为所述热负荷预测模型的训练超参数，基于所述数据集对所述热负荷预测模型进行训练和测试；
根据所述热负荷预测模型的测试结果计算所述热负荷预测模型的R2分数，当所述R2分数大于等于分数阈值时，完成所述热负荷预测模型的优化。
2.如权利要求1所述的一种神经网络热负荷预测模型自动优化方法，其特征在于，在线获取温度数据和供热系统的历史供热数据包括：
在线获取所述供热系统的采集时间、一次测供水温度、一次侧回水温度、一次侧供水流量、目标室内温度、采集时间的时序、采集时间的周序、采集时间前各时间段的平均热负荷和采集时间前各时间点的实时热负荷；
通过外部接口在线获取所述采集时间对应的室外温度；
采用三西格玛准则筛选所述采集时间、一次测供水温度、一次侧回水温度、一次侧供水流量和室外温度中的异常数据，并用线性插值方法进行补值。
3.如权利要求2所述的一种神经网络热负荷预测模型自动优化方法，其特征在于，根据所述温度数据和历史供热数据生成数据集包括：
根据所述一次侧供水流量、一次测供水温度和一次侧回水温度计算采集时间对应的实际热负荷值；
将所述实际热负荷值、目标室内温度、室外温度、采集时间的时序、采集时间的周序、采集时间前各时间段的平均热负荷值和采集时间前各时间点的实时热负荷值组合，得到所述数据集。
4.如权利要求3所述的一种神经网络热负荷预测模型自动优化方法，其特征在于，计算采集时间对应的实际热负荷值的具体方法为：
Figure FDA0003808749960000021
其中，Qh为实际热负荷值，Gh为一次侧供水流量，tg为一次测供水温度，th为一次侧回水温度。
5.如权利要求2-4任一所述的一种神经网络热负荷预测模型自动优化方法，其特征在于，获取热负荷预测模型的超参数组的集合包括：
采用逐一变化单项超参数值的方法，对所述热负荷预测模型进行训练，并计算得到不同的超参数值对应的均方差值；
根据所述均方差值确定超参数组中的超参数，以及该项超参数对应的取值范围。
6.如权利要求5所述的一种神经网络热负荷预测模型自动优化方法，其特征在于，基于所述数据集对所述热负荷预测模型进行训练和测试包括：
将所述数据集分为训练数据集和测试数据集；
对于每一个所述超参数组，基于所述训练数据集对所述热负荷预测模型进行训练，基于所述测试数据集对所述热负荷预测模型进行测试。
7.如权利要求1或6所述的一种神经网络热负荷预测模型自动优化方法，其特征在于，根据所述热负荷预测模型的测试结果计算所述热负荷预测模型的R2分数包括：
对于每个测试数据集，获取热负荷预测值；
根据所述热负荷预测值和所述测试数据集中的实际热负荷值计算R2分数。
8.如权利要求7所述的一种神经网络热负荷预测模型自动优化方法，其特征在于，所述R2分数的计算方法为：
Figure FDA0003808749960000031
其中，R2为热负荷预测模型的R2分数，
Figure FDA0003808749960000032
为第i个测试数据集对应的热负荷预测值，yi为第i个测试数据集中的实际热负荷值，
Figure FDA0003808749960000033
为所有测试数据集中实际热负荷值的均值。
9.一种神经网络热负荷预测模型自动优化装置，其特征在于，包括：
第一获取模块，用于在线获取温度数据和供热系统的历史供热数据；
生成模块，用于根据所述温度数据和历史供热数据生成数据集；
第二获取模块，用于获取热负荷预测模型的超参数组的集合；
训练测试模块，用于选取所述集合中的所述超参数组作为所述热负荷预测模型的训练超参数，基于所述数据集对所述热负荷预测模型进行训练和测试；
计算模块，用于根据所述热负荷预测模型的测试结果计算所述热负荷预测模型的R2分数，当所述R2分数大于等于分数阈值时，完成所述热负荷预测模型的优化。
10.一种神经网络热负荷预测模型自动优化装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8任一项所述的一种神经网络热负荷预测模型自动优化方法。
CN202211006313.9A 2022-08-22 2022-08-22 一种神经网络热负荷预测模型自动优化方法及装置 Pending CN115630561A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211006313.9A CN115630561A (zh) 2022-08-22 2022-08-22 一种神经网络热负荷预测模型自动优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211006313.9A CN115630561A (zh) 2022-08-22 2022-08-22 一种神经网络热负荷预测模型自动优化方法及装置

Publications (1)

Publication Number Publication Date
CN115630561A true CN115630561A (zh) 2023-01-20

Family

ID=84903591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211006313.9A Pending CN115630561A (zh) 2022-08-22 2022-08-22 一种神经网络热负荷预测模型自动优化方法及装置

Country Status (1)

Country Link
CN (1) CN115630561A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078047A (zh) * 2023-10-16 2023-11-17 华能济南黄台发电有限公司 一种基于lstm的热负荷预测与分配优化方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078047A (zh) * 2023-10-16 2023-11-17 华能济南黄台发电有限公司 一种基于lstm的热负荷预测与分配优化方法及系统
CN117078047B (zh) * 2023-10-16 2024-02-23 华能济南黄台发电有限公司 一种基于lstm的热负荷预测与分配优化方法及系统

Similar Documents

Publication Publication Date Title
CN111563706A (zh) 一种基于lstm网络的多变量物流货运量预测方法
CN111561734B (zh) 基于人工智能的供暖户阀调节方法、系统及设备
CN112987666B (zh) 电厂机组运行优化调控方法及系统
CN110163429B (zh) 一种基于相似日优化筛选的短期负荷预测方法
CN104091216A (zh) 基于果蝇优化最小二乘支持向量机的交通信息预测方法
CN105868853A (zh) 一种短期风电功率组合概率预测方法
CN111461466B (zh) 基于lstm时间序列的供暖户阀调节方法、系统及设备
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN113591368A (zh) 一种综合能源系统多能负荷预测方法及系统
CN116796141A (zh) 一种基于gbdt回归模型的办公建筑能耗预测方法
CN115630561A (zh) 一种神经网络热负荷预测模型自动优化方法及装置
CN112819246A (zh) 基于布谷鸟算法优化神经网络的能源需求预测方法
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN115616333A (zh) 一种配电网线损预测方法及系统
CN111709585A (zh) 一种空调负荷预测方法、装置及存储介质
CN108694440A (zh) 一种实时搜索在线泛化方法
CN117474173B (zh) 一种用于平原河网地区多水源动态调配装置及系统
CN117113086A (zh) 一种储能机组负荷预测方法、系统、电子设备及介质
CN116341753A (zh) 一种使用机器学习对区域二氧化碳排放预测的方法
CN116307038A (zh) 一种灌溉用水量预测方法、系统及计算机存储介质
CN115829123A (zh) 基于灰色模型与神经网络的天然气需求预测方法及装置
CN109934394A (zh) 一种基于灰色和马尔科夫理论的需求侧响应预测方法
CN115204036A (zh) 基于CNN-LSTM的电离层foF2预测方法、装置及存储介质
CN112463643A (zh) 一种软件质量预测方法
CN111814389A (zh) 一种制冷系统制冷系数预测方法及装置

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