CN115689068B - 一种基于室温修正和CNN-BiLSTM的热负荷预测方法 - Google Patents
一种基于室温修正和CNN-BiLSTM的热负荷预测方法 Download PDFInfo
- Publication number
- CN115689068B CN115689068B CN202310000030.1A CN202310000030A CN115689068B CN 115689068 B CN115689068 B CN 115689068B CN 202310000030 A CN202310000030 A CN 202310000030A CN 115689068 B CN115689068 B CN 115689068B
- Authority
- CN
- China
- Prior art keywords
- data
- load prediction
- time
- heat load
- prediction model
- 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 37
- 238000012937 correction Methods 0.000 title claims abstract description 14
- 238000010438 heat treatment Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于室温修正和CNN‑BiLSTM的热负荷预测方法,采集供热企业监控系统中各供暖季与热负荷预测相关的数据,采用室温对热负荷进行修正;利用卷积双向长短期记忆神经网络建立供热系统的负荷预测模型;将经过预处理的数据进行训练集和测试集的划分;其中,针对各个供暖季数据,将所述数据依据室外温度分为初末期和中期两个阶段,分别对所述两阶段数据进行训练集和测试集的划分;利用所述训练集和所述测试集对所述供热系统的热负荷预测模型进行训练,并得到最终的热负荷预测模型;利用所述模型对供热系统的热负荷进行短期预测,实现对供热系统热负荷的短期预测,有效提高了热负荷预测的精度和准度。
Description
技术领域
本发明属于供热系统热负荷预测技术领域,特别涉及一种基于室温修正和CNN-BiLSTM的热负荷预测方法与系统。
背景技术
随着人们对美好生活的向往,区域集中供热系统有从北往南、逐年快速扩大的趋势,供热所带来的能耗增加也越来越受到业内重视,尤其是在“双碳”目标下,以节能降耗为技术的智慧供热是实现的重要手段。对热负荷预测方法进行研究以提高热负荷预测的精度,减少能耗的浪费,实现按需供热是十分必要。
现有技术中已有通过数据特征处理结合神经网络的短期热负荷预测方法,例如中国专利申请202111408084 .9,公开了一种基于LSTM深度学习的供暖热负荷预测方法,首先采集热负荷及天气历史数据得到序列数据集,进行归一化处理;将准备好的数据按比例分成训练集和测试集,建立供暖负荷LSTM网络模型,调整网络内部参数,用训练集数据完成LSTM模型拟合;将预测与测试数据结合,用来进行模型的过拟合评估;模型评估验证后,将在线采样的数据输入到验证好的LSTM网络对未来时间的供暖负荷值进行预测。最后,对现有的模型进行优化升级,循环提升LSTM模型的预测精度;该方法中LSTM能够在更长的序列中有更佳的表现,基于LSTM深度学习的供暖热负荷预测方法,能长期记录所需数据和在线预测,预测周期长、预测热负荷精度高,满足供热企业的一个供暖季热负荷预测要求。然而,现有技术中已有的预测方法大部分未考虑室内温度对供热负荷的修正,只考虑了时顺序数据的正向特征,没有考虑反向数据特征,并且没有根据供暖的特点,分阶段处理数据,模型不够精确。以上的缺陷造成了现有技术中已有的预测方法预测精度不够高。
发明内容
本发明目的是提供一种基于室温修正和CNN-BiLSTM的热负荷预测方法,采用室温对热负荷进行修正,结合CNN-BiLSTM双循环神经网络,并对供暖季的数据分阶段处理,实现对供热系统热负荷的短期预测,有效提高了热负荷预测的精度和准度。
本发明提供一种基于室温修正和CNN-BiLSTM的供热系统热负荷预测方法,包括以下步骤:
步骤S01、采集供热企业监控系统中各供暖季与热负荷预测相关的数据,并对所述数据进行预处理;所述数据包括室内温度、室外温湿度、太阳辐射强度、逐时的热负荷、以及天气;
步骤S02、利用卷积双向长短期记忆神经网络(CNN-BiLSTM),建立供热系统的负荷预测模型;将步骤S01中经过预处理的所述数据进行训练集和测试集的划分;其中,针对各个供暖季数据,将所述数据依据室外温度分为初末期和中期两个阶段,分别对所述两阶段数据进行训练集和测试集的划分;利用所述训练集和所述测试集对所述供热系统的热负荷预测模型进行训练,并得到最终的热负荷预测模型;
步骤S03、利用步骤S02中获得的所述热负荷预测模型对供热系统的热负荷进行短期预测,输入所述供热企业监控(SCADA)系统中近三天的逐时数据,预测未来一天内的逐时热负荷值。
进一步地,步骤S01中所述预处理包括:
S101、对所述数据中的缺失数据进行补充,并删除冗余数据;
S102、剔除所述数据中的异常数据;
S105、对采集到的所述与热负荷预测相关的数据进行归一化处理。
进一步地,步骤S01中所述预处理包括:
S103、对采集到的N个所述室内温度在逐时进行加权平均,得到逐时的室内温度特征值;具体而言,按照下式计算:
其中,为室内温度j时刻特征值;t n, i, j 为j时刻第i个点的采集室内温度;M i 为第i个室内采集点的权重,权重通过AHP(层次分析法)进行赋值。
进一步地,步骤S01中所述预处理包括:
S104、对采集到的所述逐时的热负荷依据下式进行修正:
其中,Q j 为j时刻采集到的热负荷值;为经温度修正后的热负荷值;/>为室内温度j时刻特征值;t w, j 为j时刻室外干球温度;t n 为设定的目标室内温度;β为运行安全系数,根据实际运行条件进行调节。
进一步地,所述步骤S02中,所述供热系统的热负荷预测模型按照以下方法建立:以步骤S01中经过预处理的所述逐时的热负荷为标签值,以步骤S01中经过预处理的其他数据为输入值,来预测作为输出序列未来时间的供热系统热负荷值;设定预测步长。
进一步地,所述步骤S02中,对所述两阶段数据进行训练集和测试集的划分采用K折交叉验证的方法:
将各阶段的数据分为若干个部分,每一部分分别作为测试集,而其他部分作为训练集;
把所述训练集数据输入到步骤S201中建立的所述供热系统的负荷预测模型,进行模型训练:对所述训练集采用卷积神经网络进行特征提取;采用一维卷积核,深度为三层,激活函数采用relu;进入双向长短期记忆双循环网络,采用参数寻优自适应的Adam进行算法优化,最后使用三层全连接网络,激活函数采用relu,获得热负荷预测模型;
把所述初末期数据、所述中期数据的测试集数据输入到训练后的所述热负荷预测模型,若每个测试集上的均方误差、平均绝对百分比误差均满足误差率的情况下,训练模型即为热负荷预测模型。
采用本发明提供的基于室温修正和CNN-BiLSTM的热负荷预测方法,可以对建筑热负荷短期实现精确预测,为按需供热提供基础条件。由于热负荷数据是对当前和以往热负荷的记录,若不考虑室内温度,所记录的热负荷数值相对于建筑所需要的热量可能是过量的(室内温度过高),也可能是不足的(室内温度较低),也就是说所记录的热负荷数值并不是建筑所需的热量,不能实现精准预测热负荷;现有技术中利用的LSTM循环神经解决时序问题有天然的优势,由于解决了长程依赖问题,可以在时序上做到很深,但层数上只有一层,为了增加层的深度,同时考虑到数据的反向特征,本发明选用BiLSTM进行建模预测。由于采用了室内温度的修正,使得热负荷数据能够更加接近用户的真实需求;采用了BiLSTM进行建模预测更能体现随时空变化不断波动的热负荷需求。
附图说明
为了更完整地理解本发明,现在将参考结合附图的以下描述,其中:
图1为本发明的基于室温修正和CNN-BiLSTM的热负荷预测方法流程示意图。
具体实施方式
为说明清楚本发明的目的、技术细节及有效应用,使之便于本领域普通技术人员理解与实施,下面将结合本发明实施例及附图作进一步的详细阐述。显然,此处描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供一种基于室温修正和CNN-BiLSTM的供热系统热负荷预测方法,参考说明书附图图1,主要包括以下步骤:
步骤S01、采集供热企业监控(SCADA)系统中各供暖季与热负荷预测相关的数据,并对所述数据进行预处理;所述数据包括室内温度、室外温湿度、太阳辐射强度、逐时的热负荷、以及天气。
所述与热负荷预测相关的数据包括企业监控系统中存储的所有与热负荷预测相关的数据,可能包括之前所有已经结束的供暖季(例如上一个供暖季、上两个供暖季等)数据、以及正在运行中的供暖季的已有数据(例如本次供暖季已经开始一个月,在此一个月内的数据)等。
所述预处理依据以下步骤进行:
S101、对所述数据中的缺失数据进行补充,并删除冗余数据;其中,缺失数据进行补充可采用两端平均值、中间线性插值、多项式拟合等方式进行处理。
S102、剔除所述数据中的异常数据;例如,利用拉以达法进行剔除。
S103、对采集到的N个所述室内温度在逐时进行加权平均,得到逐时的室内温度特征值;具体而言,按照下式计算:
其中,为室内温度j时刻特征值;t n, i, j 为j时刻第i个点的采集室内温度;M i 为第i个室内采集点的权重,权重通过AHP(层次分析法)进行赋值。
S104、对采集到的所述逐时的热负荷依据下式进行修正:
其中,Q j 为j时刻采集到的热负荷值;为经温度修正后的热负荷值;/>为室内温度j时刻特征值;t w, j 为j时刻室外干球温度;t n 为设定的目标室内温度;β为运行安全系数,根据实际运行条件进行调节。
S105、对采集到的所述与热负荷预测相关的数据进行归一化处理。
步骤S02、利用卷积双向长短期记忆神经网络(CNN-BiLSTM),建立供热系统的热负荷预测模型;将步骤S01中经过预处理的所述数据进行训练集和测试集的划分;其中,针对各个供暖季数据,将所述数据依据室外温度分为初末期和中期两个阶段,分别对所述两阶段数据进行训练集和测试集的划分;利用所述训练集和所述测试集对所述供热系统的热负荷预测模型进行训练,并得到最终的热负荷预测模型。
具体而言,包括如下步骤:
步骤S201、所述供热系统的热负荷预测模型按照以下方法建立:以步骤S01中经过预处理的所述逐时的热负荷为标签值,以步骤S01中经过预处理的其他数据为输入值,来预测作为输出序列未来时间的供热系统热负荷值;设定预测步长。
其中,所述逐时的热负荷依据所述供热企业监控系统的数据的采集频率,按照时间步长排布。
步骤S202、将步骤S01中经过预处理的所述数据进行训练集和测试集的划分;其中,针对各个供暖季数据,将所述数据依据室外温度分为初末期和中期两个阶段,分别对所述两阶段数据进行训练集和测试集的划分。
对所述两阶段数据进行训练集和测试集的划分采用K折交叉验证(K-CV)的方法:将各阶段的数据分为若干个部分,每一部分分别作为测试集,而其他部分作为训练集,进行模型预测与误差分析,确定最终的热负荷预测模型。具体而言:
将初末期数据分为6部分,其中初期数据按时序分为3部分,末期数据按时序分为3部分;将中期数据按时序分为5部分;每一部分分别作为测试集,而其他部分作为训练集。
步骤S203、把所述初末期数据、所述中期数据的训练集数据输入到步骤S201中建立的所述供热系统的热负荷预测模型,进行模型训练:
对所述训练集采用卷积神经网络(CNN)进行特征提取。采用一维卷积核,深度为三层,激活函数采用relu。进入双向长短期记忆(BiLSTM)双循环网络,采用参数寻优自适应的Adam进行算法优化,最后使用三层全连接网络,激活函数采用relu,获得热负荷预测。
步骤S204、把所述初末期数据、所述中期数据的测试集数据输入到训练后的所述热负荷预测模型,若每个测试集上的均方误差、平均绝对百分比误差均满足误差率的情况下,训练模型即为热负荷预测模型。
步骤S03、利用步骤S02中获得的所述热负荷预测模型对供热系统的热负荷进行短期预测,输入所述供热企业监控(SCADA)系统中近三天的逐时数据,预测未来一天内的逐时热负荷值。
Claims (4)
1.一种基于室温修正和CNN-BiLSTM的供热系统热负荷预测方法,包括以下步骤:
步骤S01、采集供热企业监控系统中各供暖季与热负荷预测相关的数据,并对所述数据进行预处理;所述数据包括室内温度、室外温湿度、太阳辐射强度、逐时的热负荷、以及天气;所述与热负荷预测相关的数据包括企业监控系统中存储的之前所有已经结束的供暖季数据、以及正在运行中的供暖季的已有数据;
所述预处理包括:
S103、对采集到的N个所述室内温度在逐时进行加权平均,得到逐时的室内温度特征值;具体而言,按照下式计算:
其中,tn,j T为室内温度j时刻特征值;tn,i,j为j时刻第i个点的采集室内温度;Mi为第i个室内采集点的权重,权重通过AHP(层次分析法)进行赋值;
S104、对采集到的所述逐时的热负荷依据下式进行修正:
Qj T=βQj(tn,j T-tw,j)/(tn-tw,j)
其中,Qj为j时刻采集到的热负荷值;Qj T为经温度修正后的热负荷值;tn,j T为室内温度j时刻特征值;tw,j为j时刻室外干球温度;tn为设定的目标室内温度;β为运行安全系数,根据实际运行条件进行调节;
步骤S02、利用卷积双向长短期记忆神经网络(CNN-BiLSTM),建立供热系统的负荷预测模型;将步骤S01中经过预处理的所述数据进行训练集和测试集的划分;其中,针对各个供暖季数据,将所述数据依据室外温度分为初末期和中期两个阶段,分别对所述两个阶段的数据进行训练集和测试集的划分;利用所述训练集和所述测试集对所述供热系统的热负荷预测模型进行训练,并得到最终的热负荷预测模型;
步骤S03、利用步骤S02中获得的所述热负荷预测模型对供热系统的热负荷进行短期预测,输入所述供热企业监控系统中近三天的逐时数据,预测未来一天内的逐时热负荷值。
2.根据权利要求1所述的方法,其特征在于,步骤S01中所述预处理包括:
S101、对所述数据中的缺失数据进行补充,并删除冗余数据;
S102、剔除所述数据中的异常数据;
S105、对各所述数据进行归一化处理。
3.根据权利要求1所述的方法,其特征在于,所述步骤S02中,所述供热系统的热负荷预测模型按照以下方法建立:设定预测步长,以步骤S01中经过预处理的所述逐时的热负荷为标签值,以步骤S01中经过预处理的其他数据为输入值,来预测作为输出序列未来时间的供热系统热负荷值。
4.根据权利要求1所述的方法,其特征在于,所述步骤S02中,对所述两个阶段的数据进行训练集和测试集的划分采用K折交叉验证的方法:
将所述初末期的数据以及所述中期的数据分别分为若干个部分,每一部分分别作为测试集,而其他部分作为训练集;
把所述训练集数据输入到所述供热系统的负荷预测模型,进行模型训练:对所述训练集采用卷积神经网络进行特征提取;采用一维卷积核,深度为三层,激活函数采用relu;进入双向长短期记忆双循环网络,采用参数寻优自适应的Adam进行算法优化,最后使用三层全连接网络,激活函数采用relu,获得训练后的热负荷预测模型;
把所述初末期的数据以及所述中期的数据的测试集数据输入到所述训练后的热负荷预测模型,若每个测试集上的均方误差、平均绝对百分比误差均满足误差率的要求,则所述训练后的热负荷预测模型即为最终的热负荷预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310000030.1A CN115689068B (zh) | 2023-01-01 | 2023-01-01 | 一种基于室温修正和CNN-BiLSTM的热负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310000030.1A CN115689068B (zh) | 2023-01-01 | 2023-01-01 | 一种基于室温修正和CNN-BiLSTM的热负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115689068A CN115689068A (zh) | 2023-02-03 |
CN115689068B true CN115689068B (zh) | 2024-01-26 |
Family
ID=85057044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310000030.1A Active CN115689068B (zh) | 2023-01-01 | 2023-01-01 | 一种基于室温修正和CNN-BiLSTM的热负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115689068B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401935A (zh) * | 2023-02-21 | 2023-07-07 | 哈尔滨工业大学 | 一种建筑动态热负荷神经网络预测方法及系统 |
CN116595443B (zh) * | 2023-07-17 | 2023-10-03 | 山东科技大学 | 一种基于元学习的无线信号本手势识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529283A (zh) * | 2020-12-04 | 2021-03-19 | 天津天大求实电力新技术股份有限公司 | 基于注意力机制的综合能源系统短期负荷预测方法 |
CN112926795A (zh) * | 2021-03-22 | 2021-06-08 | 西安建筑科技大学 | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统 |
CN113706337A (zh) * | 2021-09-06 | 2021-11-26 | 天津宏达瑞信科技有限公司 | 一种基于相似时段的供热负荷预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7502768B2 (en) * | 2004-02-27 | 2009-03-10 | Siemens Building Technologies, Inc. | System and method for predicting building thermal loads |
-
2023
- 2023-01-01 CN CN202310000030.1A patent/CN115689068B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529283A (zh) * | 2020-12-04 | 2021-03-19 | 天津天大求实电力新技术股份有限公司 | 基于注意力机制的综合能源系统短期负荷预测方法 |
CN112926795A (zh) * | 2021-03-22 | 2021-06-08 | 西安建筑科技大学 | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统 |
CN113706337A (zh) * | 2021-09-06 | 2021-11-26 | 天津宏达瑞信科技有限公司 | 一种基于相似时段的供热负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115689068A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115689068B (zh) | 一种基于室温修正和CNN-BiLSTM的热负荷预测方法 | |
Saloux et al. | Forecasting district heating demand using machine learning algorithms | |
ES2644528T3 (es) | Método para la determinación asistida por ordenador del uso de energía eléctrica producida por una central de generación de energía, particularmente una central de generación de energía renovable | |
CN111580382B (zh) | 基于人工智能的单元级供热调节方法及系统 | |
CN111695736B (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
CN111561732B (zh) | 基于人工智能的换热站供热调节方法及系统 | |
CN108197404B (zh) | 一种基于时间遗传特性的建筑负荷预测方法 | |
CN112101669B (zh) | 一种基于改进极限学习机与分位数回归的光伏功率区间预测方法 | |
CN111079980A (zh) | 基于自适应分类策略和混合优化svr的光功率预测方法 | |
CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
JP4410046B2 (ja) | 空調熱源設備の熱負荷予測装置および方法 | |
CN106548285B (zh) | 计及小水电出力的趸售电量预测方法 | |
CN113361744A (zh) | 一种基于lstm算法的室内温度预测方法 | |
CN107977728A (zh) | 一种基于bp人工神经网络的中长期逐小时气温预测方法 | |
CN115796004A (zh) | 一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法 | |
CN116317104A (zh) | 一种基于数据中台的输电线路动态增容预测系统及方法 | |
CN113537582A (zh) | 一种基于短波辐射修正的光伏功率超短期预测方法 | |
Ku et al. | Building electric energy prediction modeling for BEMS using easily obtainable weather factors with Kriging model and data mining | |
CN113888202A (zh) | 一种电价预测模型的训练方法及应用方法 | |
CN114021783A (zh) | 一种考虑社会类碳排放因素和短期效益的两阶段月度机组组合和检修计划优化方法 | |
CN116542163A (zh) | 一种历史数据驱动的短期采暖热负荷预测方法 | |
CN116499023A (zh) | 一种地热耦合太阳能供热站智能控制方法及系统 | |
CN116227704A (zh) | 基于边缘计算和云计算的供热能耗诊断及节能调控方法 | |
CN113780644A (zh) | 一种基于在线学习的光伏出力预测方法 | |
CN114676866A (zh) | 基于误差修正的负荷日前预测修正方法、设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |