CN115751441A - 基于二次侧流量的供热系统热力站热量调节方法及系统 - Google Patents

Abstract

本发明公开了一种基于二次侧流量的供热系统热力站热量调节方法，包括：建立各热力站负荷预测模型；当各个热力站的热负荷变化超过阈值时，根据热负荷预测值计算所需的二次侧供水流量；建立各个热力站换热器的板换模型；基于双重注意力机制的LSTM模型，建立各热力站二次侧循环泵和辅助调节装置的调节参数与对应的包括一次侧供水流量和温度、基于板换模型的一次侧与二次侧的换热量之间的数据驱动模型；依据数据驱动模型调节各个热力站二次侧循环泵和辅助调节装置，满足各个热力站所需的二次侧供水流量需求值和改变一次侧进入二次侧的热量；对各个热力站二次侧循环泵和辅助调节装置的调节参数进行修正，获得最优调节参数。

Description

基于二次侧流量的供热系统热力站热量调节方法及系统

技术领域

本发明属于智慧供热调节技术领域，具体涉及一种基于二次侧流量的供热系统热力站热量调节方法。

背景技术

供热系统通过在热源厂内生产高温热水并驱动热水在一次侧管网内循环流动，向各热力站输送热能，在热力站内，一次侧与二次侧进行换热，将热量从一次侧换热到二次侧，二次侧再向二次侧管网内的各个热用户进行供热，然而目前为了保证热用户的供热需求，避免供热不足，在集中供热系统换热站的运行中普遍存在二次侧循环水流量大于设计的循环水流量的现象，导致二次侧回水温度过高，靠近回水侧的热用户供热过量，造成能源的浪费，另外会造成热交换器换热效率的下降，而通常为维持所需的二次侧流量、供水温度必须加大一次侧循环水流量，会造成一次网水力失衡。因此，如何在不改变一次网循环水流量、温度的情况和不改变一次侧水力平衡的情况下，通过对二次侧流量调节，改变一次侧进入二次侧的热量，建立在一次侧流量和温度不变的情况下，二次侧流量调节跟一次侧流量、温度之间形成相应的板换换热量，且保证全网水力平衡是目前急需解决的问题。

基于上述技术问题，需要设计一种新的基于二次侧流量的供热系统热力站热量调节方法。

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，提供一种基于二次侧流量的供热系统热力站热量调节方法，能够在一次侧流量和温度不变的情况下，通过二次侧循环泵和辅助调节装置实现二次侧流量调节，改变一次侧进入二次侧的热量，也就是通过循环泵和辅助调节装置的调节动作，跟一次侧的流量和温度之间形成相应的板换的换热量，保证热力站二次侧热量的需求。

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二次侧流量的供热系统热力站热量调节方法，所述供热系统热力站热量调节方法包括：

步骤S1、获取各个热力站的历史运行数据和天气数据，通过预测模型对获取的数据进行气象模式聚类、特征重要性评估和模型训练后建立各热力站负荷预测模型；

步骤S2、当各个热力站的热负荷变化超过阈值时，根据热负荷预测值计算所需的二次侧供水流量；

步骤S3、建立各个热力站换热器的板换模型；

步骤S4、基于双重注意力机制的LSTM模型，建立各热力站二次侧循环泵和辅助调节装置的调节参数与对应的包括一次侧供水流量和温度、基于板换模型的一次侧与二次侧的换热量之间的数据驱动模型；

步骤S5、依据数据驱动模型调节各个热力站二次侧循环泵和辅助调节装置，满足各个热力站所需的二次侧供水流量需求值和改变一次侧进入二次侧的热量；

步骤S6、依据建立的供热系统二级网仿真模型对二次侧流量调节后的运行工况进行分析后，对各个热力站二次侧循环泵和辅助调节装置的调节参数进行修正，获得二次侧循环泵和辅助调节装置的最优调节参数。

进一步，所述步骤S1包括：

根据热力站所部署的热量表和供热系统对接的天气数据接口分别获取历史运行数据和天气数据，所述历史运行数据至少包括二次侧供水流量、二次侧供回水温度、二次侧供回水压力和热负荷，所述天气数据至少包括温度、湿度、风速和光照；

将所述历史运行数据和天气数据作为模型样本，采用高斯混合模型聚类GMM，并依据历史天气数据的自身性质进行气象特征聚类分析，获得多个气象模式；

采用随机森林算法对模型样本中的数据进行特征选择，选择出特征重要性较高的特征子集，再将选取的特征子集输入至优化的LSSVM模型中，对各气象模式下的数据进行训练后建立热力站负荷预测模型，再将各气象模式下的对应负荷预测结果进行叠加获得最终的热力站负荷预测结果。

进一步，所述采用随机森林算法对模型样本中的数据进行特征选择，选择出特征重要性较高的特征子集的实现过程包括：

随机森林包括多棵决策树，根据每个特征在每棵决策树中的贡献率多少计算特征重要性，根据一个特征在所有决策树上的贡献率求平均获得该特征的特征重要性；所述贡献率由基尼系数计算获得，第j个特征在节点a中的特征重要性根据基尼指数变化量计算，表示为：VIM_ja＝GI_a-GI_b-GI_c；GI_a、GI_b和GI_c分别为节点a、节点a分支后产生的两个新节点b和c的基尼系数；

假设随机森林中共有n棵树，则第j个特征在所有树上重要性表示为：

为在n棵树上特征的重要性之和；VIM_ij为第j个特征在第i棵树的重要性之和；

对第j个特征的重要性总和求平均，即为第j个特征的特征重要性，

为m个特征在n棵树上所有重要性之和，p＝1,2,3,…,n；

通过对所有特征的特征重要性从大到小进行排序，选择出特征重要性较高即排序前n个的特征作为特征子集；

所述GMM模型进行气象模式聚类时，采用期望最大化算法来进行初始化GMM的均值及协方差的参数估计；所述期望最大化算法包括期望步：需要设定GMM模型的簇个数，求解初始化GMM的均值及协方差的预估计值并计算天气数据只属于相应簇的概率；最大化步：使用最大似然函数，将数据点划分到概率较大的簇中，同时更新GMM的均值及协方差；最后循环进行期望步和最大化步，直至参数收敛或似然函数收敛，获得气象模式的聚类结果；

所述优化的LSSVM模型为采用元启发式优化算法AOA对LSSVM模型核参数σ和正则化参数γ进行优化，包括：初始化AOA优化算法的参数，包括种群数、最大迭代次数、局部开发精度和加速函数；随机生成种群，设置其初始位置参数(σ，γ)，以均方根误差计算个体适应度值，再比较各适应度值获得当前最佳种群位置；判断初始种群是进入探索阶段或开发阶段，并对初始种群位置更新；对更新后的种群进行比较，适应度最低的作为最优种群位置，并判断是否满足迭代条件；将迭代结束产生的最优值作为LSSVM的参数(σ，γ)进行模型预测。

进一步，所述步骤S2包括：当各个热力站的热负荷预测值与热负荷当前值比较，当热负荷值变化超过设定的阈值时，则根据热负荷预测值、二次侧供回水温度设定值计算所需的二次侧供水流量；否则维持当前系统运行工况。

进一步，所述步骤S3中，建立各个热力站换热器的板换模型，包括：采用神经网络算法训练板换模型，通过拟合热力站换热器在不同二次侧供水流量、不同换热量和不同一次侧供水流量和供水温度数据，建立换热器的换热量模型，用于描述在给定一次侧供水流量和供水温度的情况下，二次侧供水流量与通过换热器从一次侧获取的热量之间的关系。

进一步，所述步骤S4包括：

通过拟合各热力站不同的二次侧循环泵和辅助调节装置调节参数所对应的一次侧供水流量和温度、二次侧通过换热器从一次侧获取的热量和其他影响二次侧流量的相关参数的历史数据，建立二次侧流量控制模型，用于描述在一定的模型输入向量：一次侧供水流量和温度、二次侧通过换热器从一次侧获取的热量、其他影响二次侧流量相关参数的情况下，模型输出所需的二次侧流量调节参数，包括二次侧循环泵和辅助调节装置的调节参数；

所述辅助调节装置包括安装在热力站二次侧的混水装置，并通过调节混水装置的阀门开度对混水管的流量进行调整，将二次侧回水部分流量引入混水管，同时通过调整二次侧循环泵参数对二次侧循环流量进行调整，通过二次侧循环泵和混水装置共同调节二次侧供水流量；所述其他与二次侧流量相关参数包括二次侧供回水压差、二次侧循环泵属性、辅助调节装置属性和二次侧供回水压力；

其中，所述二次侧流量控制模型训练采用基于双重注意力机制的LSTM模型，包括：输入向量层、特征注意力层、LSTM网络、时序注意力层和全连接层输出；所述输入向量层获取二次侧流量调节历史序列和相关输入特征序列组成的输入特征向量x_t，并传输至所述特征注意力层，通过特征注意力权重的动态分配进行特征提取，获得加权修正后的输入特征向量x_t′；搭建LSTM网络层结构，并从加权修正后的输入特征向量提取隐藏的时序关联信息，获得各历史时刻的隐藏层状态h_t；通过所述时序注意力层挖掘相关特征时间序列各时刻信息和当前时刻数据间的相关性，采用时序注意力机制计算各历史时刻输出信息的影响权重l_t，最后将各历史时刻信息的全局隐藏层状态h_t′输入至全连接层，输出未来n步的二次侧流量调节预测值y_t+n。

进一步，所述特征注意力层以输入特征向量x_t作为特征注意力机制的输入，对当前时刻下m个特征进行注意力权重计算，表示为：e_t＝σ(W_ex_t+b_e)；x_t＝[x_1,t,x_2,t,…,x_m,t]；e_t＝[e_1,t,e_2,t,…,e_m,t]；σ()为Sigmoid激活函数；W_e为可训练权重矩阵；b_e为计算特征注意力权重的偏置向量；

对各特征注意力权重系数进行归一化处理，获得特征注意力权重α_t＝[α_1,t,α_2,t,…,α_m,t]，第m个特征的注意力权重值表示为：

通过当前时刻获得的特征注意力权重α_t与输入特征向量x_t计算加权修正后的输入特征向量x_t′，表示为：x_t′＝α_t⊙x_t＝[α_1,tx_1,t α_2,tx_2,t … α_m,tx_m,t]；⊙为哈达玛积；

所述特征注意力层除了特征注意力机制外，还包括CNN网络，用于在计算注意力权重之前，对输入数据进行局部特征提取。

进一步，所述时序注意力层以t时刻的LSTM网络的隐藏层状态h_t作为时序注意力机制的输入，对当前时刻对应各历史时刻的时间注意力权重进行计算，表示为：l_t＝ReLU(W_dh_t+b_d)；h_t＝[h_1,t,h_2,t,…,h_k,t]；k为输入序列时间窗口长度；l_t＝[l_1,t,l_2,t,…,l_k,t]；ReLU()为激活函数；W_d为可训练权重矩阵；b_d为计算时序注意力权重的偏置向量；

对各时间注意力权重系数进行归一化处理，获得时间注意力权重β_t＝[β_1,t,β_2,t,…,β_k,t]，第k个时刻的注意力权重值表示为：

通过当前时刻获得的时间注意力权重β_t与隐藏层状态h_t计算全局隐藏层状态h_t′，表示为：

为矩阵乘积。

进一步，所述步骤S6中，依据建立的供热系统二级网仿真模型对二次侧流量调节后的运行工况进行分析后，对各个热力站二次侧循环泵和辅助调节装置的调节参数进行修正，获得二次侧循环泵和辅助调节装置的最优调节参数，包括：

依据预先建立的供热系统二级网仿真模型，对依据二次侧循环泵和混水装置的调节参数进行流量调节后的系统运行水力工况进行分析，依据水力失调度对各个热力站二次侧循环泵和辅助调节装置的调节参数进行修正，获得二次侧循环泵和辅助调节装置的最优调节参数；

其中，水力失调度为实际的二次侧供水流量与预测的二次侧供水流量的比值，若水力失调度大于1表示该热力站的实际二次侧供水流量大于其预测流量；若水力失调度小于1表示该热力站的实际二次侧供水流量小于其预测流量；

依据水力失调度对各个热力站二次侧循环泵和辅助调节装置的调节参数进行不同浮动值的调整修正后获得多种调节方案，以不同调节方案中的调节参数作为控制量，通过构建的二级网仿真模型运行调节参数后，输出不同调节方案对应的热力站二次侧供水流量，以各热力站二次侧供水流量方差作为水力平衡的标准，采用全局优化算法进行计算后获得最优调节方案。

本发明还提出一种基于二次侧流量的供热系统热力站热量调节系统，所述供热系统热力站热量调节系统包括：

热负荷预测模块，用于获取各个热力站的历史运行数据和天气数据，通过预测模型对获取的数据进行气象模式聚类、特征重要性评估和模型训练后建立各热力站负荷预测模型；

二次侧流量需求模块，用于当各个热力站的热负荷变化超过阈值时，根据热负荷预测值计算所需的二次侧供水流量；

板换模型建立模块，用于建立各个热力站换热器的板换模型；

二次侧流量控制模块，用于基于双重注意力机制的LSTM模型，建立各热力站二次侧循环泵和辅助调节装置的调节参数与对应的包括一次侧供水流量和温度、基于板换模型的一次侧与二次侧的换热量之间的数据驱动模型；

执行模块，用于依据数据驱动模型调节各个热力站二次侧循环泵和辅助调节装置，满足各个热力站所需的二次侧供水流量需求值和改变一次侧进入二次侧的热量；

调节参数修正模块，用于依据建立的供热系统二级网仿真模型对二次侧流量调节后的运行工况进行分析后，对各个热力站二次侧循环泵和辅助调节装置的调节参数进行修正，获得二次侧循环泵和辅助调节装置的最优调节参数。

本发明的有益效果是：

(1)本发明通过获取各个热力站的历史运行数据和天气数据，通过预测模型对获取的数据进行特征重要性评估和模型训练后建立各热力站负荷预测模型；当各个热力站的热负荷变化超过阈值时，根据热负荷预测值计算所需的二次侧供水流量；建立各个热力站换热器的板换模型；基于双重注意力机制的LSTM模型，建立各热力站二次侧循环泵和辅助调节装置的调节参数与对应的包括一次侧供水流量和温度、基于板换模型的一次侧与二次侧的换热量之间的数据驱动模型；依据数据驱动模型调节各个热力站二次侧循环泵和辅助调节装置，满足各个热力站所需的二次侧供水流量需求值和改变一次侧进入二次侧的热量；依据建立的供热系统二级网仿真模型对二次侧流量调节后的运行工况进行分析后，对各个热力站二次侧循环泵和辅助调节装置的调节参数进行修正，获得二次侧循环泵和辅助调节装置的最优调节参数；能够在一次侧流量和温度不变的情况、不改变一次侧水力平衡的情况下，通过二次侧循环泵和辅助调节装置实现二次侧流量调节，改变一次侧进入二次侧的热量，也就是通过循环泵和辅助调节装置的调节动作，跟一次侧的流量和温度之间形成相应的板换的换热量，保证热力站二次侧热量的需求；

(2)本发明通过对模型样本中的数据进行特征重要性评估和计算特征重要性分值；以及采用高斯混合模型聚类GMM，并依据历史天气数据的自身性质进行气象特征聚类分析，获得多个气象模式；通过气象特征聚类和特征重要性评估能够提升负荷预测的精确性；

(3)本发明通过采用基于双重注意力机制的LSTM模型训练二次侧流量控制模型，很好地解决了LSTM模型在流量预测时存在忽略实际运行中各输入特征的关联性，以及在处理历史信息上表现较差的问题。特征注意力机制挖掘流量与其影响因素的相关性，优化LSTM模型的输入，提高整体预测精度；时序注意力机制挖掘当前时刻流量与历史关键时刻信息的关联度，优化LSTM模型的输出，提高了关键时刻点预测精度。

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为本发明一种基于二次侧流量的供热系统热力站热量调节方法流程示意图；

图2为本发明基于气象模式和特征重要性的热力站负荷预测方法流程图；

图3为本发明基于双重注意力机制的LSTM模型结构示意图；

图4为本发明一种基于二次侧流量的供热系统热力站热量调节系统结构示意图。

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。

实施例1

图1是本发明所涉及的一种基于二次侧流量的供热系统热力站热量调节方法流程示意图。

如图1所示，本实施例1提供了一种基于二次侧流量的供热系统热力站热量调节方法，所述供热系统热力站热量调节方法包括：

步骤S1、获取各个热力站的历史运行数据和天气数据，通过预测模型对获取的数据进行气象模式聚类、特征重要性评估和模型训练后建立各热力站负荷预测模型；

步骤S2、当各个热力站的热负荷变化超过阈值时，根据热负荷预测值计算所需的二次侧供水流量；

步骤S3、建立各个热力站换热器的板换模型；

步骤S4、基于双重注意力机制的LSTM模型，建立各热力站二次侧循环泵和辅助调节装置的调节参数与对应的包括一次侧供水流量和温度、基于板换模型的一次侧与二次侧的换热量之间的数据驱动模型；

步骤S5、依据数据驱动模型调节各个热力站二次侧循环泵和辅助调节装置，满足各个热力站所需的二次侧供水流量需求值和改变一次侧进入二次侧的热量；

步骤S6、依据建立的供热系统二级网仿真模型对二次侧流量调节后的运行工况进行分析后，对各个热力站二次侧循环泵和辅助调节装置的调节参数进行修正，获得二次侧循环泵和辅助调节装置的最优调节参数。

需要说明的是，二次侧供水流量是一个流量区间范围，设有流量调节的上下限，通常可选择水力平衡下的最小流量，通过二次侧流量调节，可以不改变一次侧水力平衡状态和一次侧供水流量、温度，便可改变一次侧进入二次侧的热量。

图2是本发明所涉及的基于气象模式和特征重要性的热力站负荷预测方法流程图。

如图2所示，在本实施例中，所述步骤S1包括：

根据热力站所部署的热量表和供热系统对接的天气数据接口分别获取历史运行数据和天气数据，所述历史运行数据至少包括二次侧供水流量、二次侧供回水温度、二次侧供回水压力和热负荷，所述天气数据至少包括温度、湿度、风速和光照；

将所述历史运行数据和天气数据作为模型样本，采用高斯混合模型聚类GMM，并依据历史天气数据的自身性质进行气象特征聚类分析，获得多个气象模式；

采用随机森林算法对模型样本中的数据进行特征选择，选择出特征重要性较高的特征子集，再将选取的特征子集输入至优化的LSSVM模型中，对各气象模式下的数据进行训练后建立热力站负荷预测模型，再将各气象模式下的对应负荷预测结果进行叠加获得最终的热力站负荷预测结果。

在本实施例中，所述采用随机森林算法对模型样本中的数据进行特征选择，选择出特征重要性较高的特征子集的实现过程包括：

随机森林包括多棵决策树，根据每个特征在每棵决策树中的贡献率多少计算特征重要性，根据一个特征在所有决策树上的贡献率求平均获得该特征的特征重要性；所述贡献率由基尼系数计算获得，第j个特征在节点a中的特征重要性根据基尼指数变化量计算，表示为：VIM_ja＝GI_a-GI_b-GI_c；GI_a、GI_b和GI_c分别为节点a、节点a分支后产生的两个新节点b和c的基尼系数；

假设随机森林中共有n棵树，则第j个特征在所有树上重要性表示为：

为在n棵树上特征的重要性之和；VIM_ij为第j个特征在第i棵树的重要性之和；

对第j个特征的重要性总和求平均，即为第j个特征的特征重要性，

为m个特征在n棵树上所有重要性之和，p＝1,2,3,…,n；

通过对所有特征的特征重要性从大到小进行排序，选择出特征重要性较高即排序前n个的特征作为特征子集；

所述GMM模型进行气象模式聚类时，采用期望最大化算法来进行初始化GMM的均值及协方差的参数估计；所述期望最大化算法包括期望步：需要设定GMM模型的簇个数，求解初始化GMM的均值及协方差的预估计值并计算天气数据只属于相应簇的概率；最大化步：使用最大似然函数，将数据点划分到概率较大的簇中，同时更新GMM的均值及协方差；最后循环进行期望步和最大化步，直至参数收敛或似然函数收敛，获得气象模式的聚类结果；

在获得多个气象模式之后，采用XGBoost学习算法对各气象模式下的天气数据和运行数据进行特征重要性评估和计算特征重要性分值，再将选取的特征数据输入至优化的LSSVM模型中，对各气象模式下的数据进行训练后建立热力站负荷预测模型，再将各气象模式下的对应负荷预测结果进行叠加获得最终的热力站负荷预测结果；

其中，所述优化的LSSVM模型为采用元启发式优化算法AOA对LSSVM模型核参数σ和正则化参数γ进行优化，包括：初始化AOA优化算法的参数，包括种群数、最大迭代次数、局部开发精度和加速函数；随机生成种群，设置其初始位置参数(σ，γ)，以均方根误差计算个体适应度值，再比较各适应度值获得当前最佳种群位置；判断初始种群是进入探索阶段或开发阶段，并对初始种群位置更新；对更新后的种群进行比较，适应度最低的作为最优种群位置，并判断是否满足迭代条件；将迭代结束产生的最优值作为LSSVM的参数(σ，γ)进行模型预测。

需要说明的是，GMM聚类是基于多维GMM来刻画各样本的簇类，聚类后生成的结果为一系列的概率值，样本中的个体对应不同的类别都有其对应的概率，选取最大概率的所属类别作为分类依据。天气数据至少包括温度、湿度、风速和光照，GMM根据历史天气要素的自身性质，将其划分为多个气象模式，实现精细化的分组训练与预测。从预测角度来看，不同的气象模式考虑了不同气象条件下热负荷预测的差异性，各气象模式隶属于不同参数的多元高斯分布。例如，气象模式1代表中风速、中高气温、中高光照、中高湿度天气条件；气象模式2代表中低风速、中低气温、中低湿度、中低光照天气条件；气象模式3代表中风速、低气温、中低湿度、低光照天气条件。

AOA优化算法包括：

(1)通过数学优化器加速函数MOA选择优化策略，包括全局探索阶段和局部开发阶段，当随机数r₁＞MOA时，进行全局探索阶段，当随机数r₁＜MOA时，进行局部开发阶段；

M_max、M_min分别为MOA的最大值和最小值；t为当前迭代次数；T为总迭代次数；

(2)探索阶段，通过乘法和除法策略实现全局探索，增强全局寻优能力和克服早熟收敛能力，当随机数r₂＜0.5时，执行除法探索策略，当随机数r₂≥0.5时，执行乘法探索策略；

ξ为极小值；u为调整搜索过程的控制参数；UB、LB为变量的上下边界；MOP为数学优化器概率；

(3)开发阶段，通过加法和减法策略实现局部探索，增强局部寻优能力，当随机数r₃＜0.5时，执行减法探索策略，当随机数r₃≥0.5时，执行加法探索策略；

通过采用寻优能力强，收敛速度快的AOA对LSSVM模型的两个参数进行优化，解决了LSSVM参数较难确定的问题，同时在寻优性能方面也比以往的优化算法更好，能够较大地提升预测的精确度。

在本实施例中，所述步骤S2包括：当各个热力站的热负荷预测值与热负荷当前值比较，当热负荷值变化超过设定的阈值时，则根据热负荷预测值、二次侧供回水温度设定值计算所需的二次侧供水流量；否则维持当前系统运行工况。

在本实施例中，所述步骤S3中，建立各个热力站换热器的板换模型，包括：采用神经网络算法训练板换模型，通过拟合热力站换热器在不同二次侧供水流量、不同换热量和不同一次侧供水流量和供水温度数据，建立换热器的换热量模型，用于描述在给定一次侧供水流量和供水温度的情况下，二次侧供水流量与通过换热器从一次侧获取的热量之间的关系。

图3是本发明所涉及的基于双重注意力机制的LSTM模型结构示意图。

如图3所示，在本实施例中，所述步骤S4包括：

通过拟合各热力站不同的二次侧循环泵和辅助调节装置调节参数所对应的一次侧供水流量和温度、二次侧通过换热器从一次侧获取的热量和其他影响二次侧流量的相关参数的历史数据，建立二次侧流量控制模型，用于描述在一定的模型输入向量：一次侧供水流量和温度、二次侧通过换热器从一次侧获取的热量、其他影响二次侧流量相关参数的情况下，模型输出所需的二次侧流量调节参数，包括二次侧循环泵和辅助调节装置的调节参数；

所述辅助调节装置包括安装在热力站二次侧的混水装置，并通过调节混水装置的阀门开度对混水管的流量进行调整，将二次侧回水部分流量引入混水管，同时通过调整二次侧循环泵参数对二次侧循环流量进行调整，通过二次侧循环泵和混水装置共同调节二次侧供水流量；所述其他与二次侧流量相关参数包括二次侧供回水压差、二次侧循环泵属性、辅助调节装置属性和二次侧供回水压力；

其中，所述二次侧流量控制模型训练采用基于双重注意力机制的LSTM模型，包括：输入向量层、特征注意力层、LSTM网络、时序注意力层和全连接层输出；所述输入向量层获取二次侧流量调节历史序列和相关输入特征序列组成的输入特征向量x_t，并传输至所述特征注意力层，通过特征注意力权重的动态分配进行特征提取，获得加权修正后的输入特征向量x_t′；搭建LSTM网络层结构，并从加权修正后的输入特征向量提取隐藏的时序关联信息，获得各历史时刻的隐藏层状态h_t；通过所述时序注意力层挖掘相关特征时间序列各时刻信息和当前时刻数据间的相关性，采用时序注意力机制计算各历史时刻输出信息的影响权重l_t，最后将各历史时刻信息的全局隐藏层状态h_t′输入至全连接层，输出未来n步的二次侧流量调节预测值y_t+n。

在本实施例中，所述特征注意力层以输入特征向量x_t作为特征注意力机制的输入，对当前时刻下m个特征进行注意力权重计算，表示为：e_t＝σ(W_ex_t+b_e)；x_t＝[x_1,t,x_2,t,…,x_m,t]；e_t＝[e_1,t,e_2,t,…,e_m,t]；σ()为Sigmoid激活函数；W_e为可训练权重矩阵；b_e为计算特征注意力权重的偏置向量；

对各特征注意力权重系数进行归一化处理，获得特征注意力权重α_t＝[α_1,t,α_2,t,…,α_m,t]，第m个特征的注意力权重值表示为：

通过当前时刻获得的特征注意力权重α_t与输入特征向量x_t计算加权修正后的输入特征向量x_t′，表示为：x_t′＝α_t⊙x_t＝[α_1,tx_1,t α_2,tx_2,t … α_m,tx_m,t]；⊙为哈达玛积；

所述特征注意力层除了特征注意力机制外，还包括CNN网络，用于在计算注意力权重之前，对输入数据进行局部特征提取。

在本实施例中，所述时序注意力层以t时刻的LSTM网络的隐藏层状态h_t作为时序注意力机制的输入，对当前时刻对应各历史时刻的时间注意力权重进行计算，表示为：l_t＝ReLU(W_dh_t+b_d)；h_t＝[h_1,t,h_2,t,…,h_k,t]；k为输入序列时间窗口长度；l_t＝[l_1,t,l_2,t,…,l_k,t]；ReLU()为激活函数；W_d为可训练权重矩阵；b_d为计算时序注意力权重的偏置向量；

对各时间注意力权重系数进行归一化处理，获得时间注意力权重β_t＝[β_1,t,β_2,t,…,β_k,t]，第k个时刻的注意力权重值表示为：

通过当前时刻获得的时间注意力权重β_t与隐藏层状态h_t计算全局隐藏层状态h_t′，表示为：

为矩阵乘积。

需要说明的是，注意力机制是一种模拟人脑注意力的模型，借鉴人脑在某个特定时刻对事物的注意力会集中到特定的地方，而减少甚至忽略对其他部分注意力的特点。注意力通过对模型的输入特征赋予不同的权重，突出更关键的影响因素，进而帮助模型做出更加准确的判断。在二次侧流量预测中通过特征注意力机制分析出不同输入参量对预测信息的重要程度，量化二次侧流量影响因素输入特征影响力的权重，突出关键特征，弱化相关度较小的特征。在二次侧流量预测终通过时序注意力机制充分考虑二次侧流量受历史状态影响比较大且不同时刻的二次侧流量影响力不同等问题，通过量化每一历史时刻状态信息对当前流量预测结果的影响程度，自适应处理历史状态信息，强化相关时刻状态信息的影响力。

在本实施例中，所述步骤S6中，依据建立的供热系统二级网仿真模型对二次侧流量调节后的运行工况进行分析后，对各个热力站二次侧循环泵和辅助调节装置的调节参数进行修正，获得二次侧循环泵和辅助调节装置的最优调节参数，包括：

依据预先建立的供热系统二级网仿真模型，对依据二次侧循环泵和混水装置的调节参数进行流量调节后的系统运行水力工况进行分析，依据水力失调度对各个热力站二次侧循环泵和辅助调节装置的调节参数进行修正，获得二次侧循环泵和辅助调节装置的最优调节参数；

其中，水力失调度为实际的二次侧供水流量与预测的二次侧供水流量的比值，若水力失调度大于1表示该热力站的实际二次侧供水流量大于其预测流量；若水力失调度小于1表示该热力站的实际二次侧供水流量小于其预测流量；

依据水力失调度对各个热力站二次侧循环泵和辅助调节装置的调节参数进行不同浮动值的调整修正后获得多种调节方案，以不同调节方案中的调节参数作为控制量，通过构建的二级网仿真模型运行调节参数后，输出不同调节方案对应的热力站二次侧供水流量，以各热力站二次侧供水流量方差作为水力平衡的标准，采用全局优化算法进行计算后获得最优调节方案。

实施例2

图4是本发明所涉及的一种基于二次侧流量的供热系统热力站热量调节系统结构示意图。

如图4所示，本实施例2提出一种基于二次侧流量的供热系统热力站热量调节系统，所述供热系统热力站热量调节系统包括：

热负荷预测模块，用于获取各个热力站的历史运行数据和天气数据，通过预测模型对获取的数据进行气象模式聚类、特征重要性评估和模型训练后建立各热力站负荷预测模型；

二次侧流量需求模块，用于当各个热力站的热负荷变化超过阈值时，根据热负荷预测值计算所需的二次侧供水流量；

板换模型建立模块，用于建立各个热力站换热器的板换模型；

二次侧流量控制模块，用于基于双重注意力机制的LSTM模型，建立各热力站二次侧循环泵和辅助调节装置的调节参数与对应的包括一次侧供水流量和温度、基于板换模型的一次侧与二次侧的换热量之间的数据驱动模型；

执行模块，用于依据数据驱动模型调节各个热力站二次侧循环泵和辅助调节装置，满足各个热力站所需的二次侧供水流量需求值和改变一次侧进入二次侧的热量；

调节参数修正模块，用于依据建立的供热系统二级网仿真模型对二次侧流量调节后的运行工况进行分析后，对各个热力站二次侧循环泵和辅助调节装置的调节参数进行修正，获得二次侧循环泵和辅助调节装置的最优调节参数。

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)

1.一种基于二次侧流量的供热系统热力站热量调节方法，其特征在于，所述供热系统热力站热量调节方法包括：

步骤S1、获取各个热力站的历史运行数据和天气数据，通过预测模型对获取的数据进行气象模式聚类、特征重要性评估和模型训练后建立各热力站负荷预测模型；

步骤S2、当各个热力站的热负荷变化超过阈值时，根据热负荷预测值计算所需的二次侧供水流量；

步骤S3、建立各个热力站换热器的板换模型；

步骤S4、基于双重注意力机制的LSTM模型，建立各热力站二次侧循环泵和辅助调节装置的调节参数与对应的包括一次侧供水流量和温度、基于板换模型的一次侧与二次侧的换热量之间的数据驱动模型；

步骤S5、依据数据驱动模型调节各个热力站二次侧循环泵和辅助调节装置，满足各个热力站所需的二次侧供水流量需求值和改变一次侧进入二次侧的热量；

步骤S6、依据建立的供热系统二级网仿真模型对二次侧流量调节后的运行工况进行分析后，对各个热力站二次侧循环泵和辅助调节装置的调节参数进行修正，获得二次侧循环泵和辅助调节装置的最优调节参数。

2.根据权利要求1所述的供热系统热力站热量调节方法，其特征在于，所述步骤S1包括：

根据热力站所部署的热量表和供热系统对接的天气数据接口分别获取历史运行数据和天气数据，所述历史运行数据至少包括二次侧供水流量、二次侧供回水温度、二次侧供回水压力和热负荷，所述天气数据至少包括温度、湿度、风速和光照；

将所述历史运行数据和天气数据作为模型样本，采用高斯混合模型聚类GMM，并依据历史天气数据的自身性质进行气象特征聚类分析，获得多个气象模式；

采用随机森林算法对模型样本中的数据进行特征选择，选择出特征重要性较高的特征子集，再将选取的特征子集输入至优化的LSSVM模型中，对各气象模式下的数据进行训练后建立热力站负荷预测模型，再将各气象模式下的对应负荷预测结果进行叠加获得最终的热力站负荷预测结果。

3.根据权利要求2所述的供热系统热力站热量调节方法，其特征在于，所述采用随机森林算法对模型样本中的数据进行特征选择，选择出特征重要性较高的特征子集的实现过程包括：

随机森林包括多棵决策树，根据每个特征在每棵决策树中的贡献率多少计算特征重要性，根据一个特征在所有决策树上的贡献率求平均获得该特征的特征重要性；所述贡献率由基尼系数计算获得，第j个特征在节点a中的特征重要性根据基尼指数变化量计算，表示为：VIM_ja＝GI_a-GI_b-GI_c；GI_a、GI_b和GI_c分别为节点a、节点a分支后产生的两个新节点b和c的基尼系数；

假设随机森林中共有n棵树，则第j个特征在所有树上重要性表示为：

为在n棵树上特征的重要性之和；VIM_ij为第j个特征在第i棵树的重要性之和；

对第j个特征的重要性总和求平均，即为第j个特征的特征重要性，

为m个特征在n棵树上所有重要性之和，p＝1,2,3,…,n；

通过对所有特征的特征重要性从大到小进行排序，选择出特征重要性较高即排序前n个的特征作为特征子集；

所述GMM模型进行气象模式聚类时，采用期望最大化算法来进行初始化GMM的均值及协方差的参数估计；所述期望最大化算法包括期望步：需要设定GMM模型的簇个数，求解初始化GMM的均值及协方差的预估计值并计算天气数据只属于相应簇的概率；最大化步：使用最大似然函数，将数据点划分到概率较大的簇中，同时更新GMM的均值及协方差；最后循环进行期望步和最大化步，直至参数收敛或似然函数收敛，获得气象模式的聚类结果；

所述优化的LSSVM模型为采用元启发式优化算法AOA对LSSVM模型核参数σ和正则化参数γ进行优化，包括：初始化AOA优化算法的参数，包括种群数、最大迭代次数、局部开发精度和加速函数；随机生成种群，设置其初始位置参数(σ，γ)，以均方根误差计算个体适应度值，再比较各适应度值获得当前最佳种群位置；判断初始种群是进入探索阶段或开发阶段，并对初始种群位置更新；对更新后的种群进行比较，适应度最低的作为最优种群位置，并判断是否满足迭代条件；将迭代结束产生的最优值作为LSSVM的参数(σ，γ)进行模型预测。

4.根据权利要求1所述的供热系统热力站热量调节方法，其特征在于，所述步骤S2包括：当各个热力站的热负荷预测值与热负荷当前值比较，当热负荷值变化超过设定的阈值时，则根据热负荷预测值、二次侧供回水温度设定值计算所需的二次侧供水流量；否则维持当前系统运行工况。

5.根据权利要求1所述的供热系统热力站热量调节方法，其特征在于，所述步骤S3中，建立各个热力站换热器的板换模型，包括：采用神经网络算法训练板换模型，通过拟合热力站换热器在不同二次侧供水流量、不同换热量和不同一次侧供水流量和供水温度数据，建立换热器的换热量模型，用于描述在给定一次侧供水流量和供水温度的情况下，二次侧供水流量与通过换热器从一次侧获取的热量之间的关系。

6.根据权利要求1所述的供热系统热力站热量调节方法，其特征在于，所述步骤S4包括：

通过拟合各热力站不同的二次侧循环泵和辅助调节装置调节参数所对应的一次侧供水流量和温度、二次侧通过换热器从一次侧获取的热量和其他影响二次侧流量的相关参数的历史数据，建立二次侧流量控制模型，用于描述在一定的模型输入向量：一次侧供水流量和温度、二次侧通过换热器从一次侧获取的热量、其他影响二次侧流量相关参数的情况下，模型输出所需的二次侧流量调节参数，包括二次侧循环泵和辅助调节装置的调节参数；

所述辅助调节装置包括安装在热力站二次侧的混水装置，并通过调节混水装置的阀门开度对混水管的流量进行调整，将二次侧回水部分流量引入混水管，同时通过调整二次侧循环泵参数对二次侧循环流量进行调整，通过二次侧循环泵和混水装置共同调节二次侧供水流量；所述其他与二次侧流量相关参数包括二次侧供回水压差、二次侧循环泵属性、辅助调节装置属性和二次侧供回水压力；

其中，所述二次侧流量控制模型训练采用基于双重注意力机制的LSTM模型，包括：输入向量层、特征注意力层、LSTM网络、时序注意力层和全连接层输出；所述输入向量层获取二次侧流量调节历史序列和相关输入特征序列组成的输入特征向量x_t，并传输至所述特征注意力层，通过特征注意力权重的动态分配进行特征提取，获得加权修正后的输入特征向量x_t′；搭建LSTM网络层结构，并从加权修正后的输入特征向量提取隐藏的时序关联信息，获得各历史时刻的隐藏层状态h_t；通过所述时序注意力层挖掘相关特征时间序列各时刻信息和当前时刻数据间的相关性，采用时序注意力机制计算各历史时刻输出信息的影响权重l_t，最后将各历史时刻信息的全局隐藏层状态h_t′输入至全连接层，输出未来n步的二次侧流量调节预测值y_t+n。

7.根据权利要求6所述的供热系统热力站热量调节方法，其特征在于，所述特征注意力层以输入特征向量x_t作为特征注意力机制的输入，对当前时刻下m个特征进行注意力权重计算，表示为：e_t＝σ(W_ex_t+b_e)；x_t＝[x_1,t,x_2,t,...,x_m,t]；e_t＝[e_1,t,e_2,t,...,e_m,t]；σ()为Sigmoid激活函数；W_e为可训练权重矩阵；b_e为计算特征注意力权重的偏置向量；

对各特征注意力权重系数进行归一化处理，获得特征注意力权重α_t＝[α_1,t,α_2,t,...,α_m,t]，第m个特征的注意力权重值表示为：

通过当前时刻获得的特征注意力权重α_t与输入特征向量x_t计算加权修正后的输入特征向量x_t′，表示为：x_t′＝α_t⊙x_t＝[α_1,tx_1,t α_2,tx_2,t … α_m,tx_m,t]；⊙为哈达玛积；

所述特征注意力层除了特征注意力机制外，还包括CNN网络，用于在计算注意力权重之前，对输入数据进行局部特征提取。

8.根据权利要求6所述的供热系统热力站热量调节方法，其特征在于，所述时序注意力层以t时刻的LSTM网络的隐藏层状态h_t作为时序注意力机制的输入，对当前时刻对应各历史时刻的时间注意力权重进行计算，表示为：l_t＝ReLU(W_dh_t+b_d)；h_t＝[h_1,t,h_2,t,...,h_k,t]；k为输入序列时间窗口长度；l_t＝[l_1,t,l_2,t,...,l_k,t]；ReLU()为激活函数；W_d为可训练权重矩阵；b_d为计算时序注意力权重的偏置向量；

对各时间注意力权重系数进行归一化处理，获得时间注意力权重β_t＝[β_1,t,β_2,t,...,β_k,t]，第k个时刻的注意力权重值表示为：

通过当前时刻获得的时间注意力权重β_t与隐藏层状态h_t计算全局隐藏层状态h_t′，表示为：

为矩阵乘积。

9.根据权利要求1所述的供热系统热力站热量调节方法，其特征在于，所述步骤S6中，依据建立的供热系统二级网仿真模型对二次侧流量调节后的运行工况进行分析后，对各个热力站二次侧循环泵和辅助调节装置的调节参数进行修正，获得二次侧循环泵和辅助调节装置的最优调节参数，包括：

依据预先建立的供热系统二级网仿真模型，对依据二次侧循环泵和混水装置的调节参数进行流量调节后的系统运行水力工况进行分析，依据水力失调度对各个热力站二次侧循环泵和辅助调节装置的调节参数进行修正，获得二次侧循环泵和辅助调节装置的最优调节参数；

其中，水力失调度为实际的二次侧供水流量与预测的二次侧供水流量的比值，若水力失调度大于1表示该热力站的实际二次侧供水流量大于其预测流量；若水力失调度小于1表示该热力站的实际二次侧供水流量小于其预测流量；

依据水力失调度对各个热力站二次侧循环泵和辅助调节装置的调节参数进行不同浮动值的调整修正后获得多种调节方案，以不同调节方案中的调节参数作为控制量，通过构建的二级网仿真模型运行调节参数后，输出不同调节方案对应的热力站二次侧供水流量，以各热力站二次侧供水流量方差作为水力平衡的标准，采用全局优化算法进行计算后获得最优调节方案。

10.一种基于二次侧流量的供热系统热力站热量调节系统，其特征在于，所述供热系统热力站热量调节系统包括：

热负荷预测模块，用于获取各个热力站的历史运行数据和天气数据，通过预测模型对获取的数据进行气象模式聚类、特征重要性评估和模型训练后建立各热力站负荷预测模型；

二次侧流量需求模块，用于当各个热力站的热负荷变化超过阈值时，根据热负荷预测值计算所需的二次侧供水流量；

板换模型建立模块，用于建立各个热力站换热器的板换模型；

二次侧流量控制模块，用于基于双重注意力机制的LSTM模型，建立各热力站二次侧循环泵和辅助调节装置的调节参数与对应的包括一次侧供水流量和温度、基于板换模型的一次侧与二次侧的换热量之间的数据驱动模型；

执行模块，用于依据数据驱动模型调节各个热力站二次侧循环泵和辅助调节装置，满足各个热力站所需的二次侧供水流量需求值和改变一次侧进入二次侧的热量；

调节参数修正模块，用于依据建立的供热系统二级网仿真模型对二次侧流量调节后的运行工况进行分析后，对各个热力站二次侧循环泵和辅助调节装置的调节参数进行修正，获得二次侧循环泵和辅助调节装置的最优调节参数。

Images