CN115759422A

CN115759422A - 供暖热负荷预测方法、系统、设备和介质

Info

Publication number: CN115759422A
Application number: CN202211461756.7A
Authority: CN
Inventors: 耿超; 张宗耀; 党海峰; 夏建涛
Original assignee: Beijing Quanying Technology Co ltd
Current assignee: Beijing Quanying Technology Co ltd
Priority date: 2022-11-21
Filing date: 2022-11-21
Publication date: 2023-03-07

Abstract

本申请属于集中供热技术领域，具体涉及一种供暖热负荷预测方法、系统、设备和介质。其中的方法包括：S10、针对待预测供热系统中各个换热站对热源的输配延时，获取与各换热站输配延时对应的天气预报数据；S20、将获取的天气预报数据和换热站中各热负荷单元的目标室内温度数据输入到基于线性回归模型建立的热负荷预测模型中，得到各热负荷单元的热负荷预测值；S30、基于各热负荷单元的热负荷预测值，加总得到换热站相应输配延时下的热负荷预测值；S40、基于各换热站相应输配延时下的热负荷预测值，加总得到待预测供热系统的热负荷预测值。本申请的方法可及时、准确地计算出热负荷，热负荷计算更适应当前供热环境，保证供热质量。

Description

供暖热负荷预测方法、系统、设备和介质

技术领域

本申请属于集中供热技术领域，具体涉及一种供暖热负荷预测方法、系统、设备和介质。

背景技术

建筑物或房间通常有多种获取热量和散失热量的途径，为了保证室内的目标温度，需要由供暖设备向房间内补进热量平衡系统散失热量值，以保证室内要求温度，而这需要冲抵系统热散失值的供热荷载称之为热负荷。供热系统的热负荷是热力系统运维工作中最基本的数据，它直接影响供热系统方案的选择和热量生产分配方式。

供热系统的热负荷需要精确的计算。当前热负荷计算方式大致采用两种：静态热负荷计算和室外温度线性追踪。其中静态热负荷计算是假想当前供热系统处于一个特定的室外和室内环境下，包括确定的室外温度、室外风速、空气湿度、太阳辐射强度等外部环境以及确定的外窗密闭性能、外墙保温状况、门窗传热系统等室内环境。在这样的理想状况下计算出热负荷，符合工业机理知识，但需要较长时间去测试、计算，在正在运行中的热力系统，很难做到及时、高效参数测定。而通过室外温度线性追踪计算热负荷是假定热负荷的大小与室外温度呈线性关系，比如热负荷大小随着室外温度下降而呈现等比例的增长。这种方式忽略了室外温度之外的影响因素，而从理论上讲热负荷与室外温度本就不是线性函数关系，影响热热负荷大小的因素有室外温度、室外湿度、室外风速、管道保温、房屋围护结构等，各因素动态交织一起。因此利用该方法计算出的热负荷往往存在较大的偏差。

综上所述，现有的计算方式无法及时、准确地计算出热负荷，从而导致热用户调控目标错误、供热质量无法保证。

发明内容

(一)要解决的技术问题

鉴于现有技术的上述缺点、不足，本申请提供一种供暖热负荷预测方法、系统、设备和介质。

(二)技术方案

为达到上述目的，本申请采用如下技术方案：

第一方面，本申请实施例提供一种基于大数据分析的供暖热负荷预测方法，该方法包括以下步骤：

S10、针对待预测供热系统中各个换热站对热源的输配延时，获取与各换热站输配延时对应的天气预报数据；

S20、将获取的天气预报数据和换热站中各个热负荷单元的目标室内温度数据输入到预先建立的热负荷预测模型中，得到各个热负荷单元的热负荷预测值；其中，所述热负荷预测模型基于线性回归模型建立；

S30、基于各个热负荷单元的热负荷预测值，加总得到换热站相应输配延时下的热负荷预测值；

S40、基于各个换热站相应输配延时下热负荷预测值，加总得到待预测供热系统的热负荷预测值。

可选地，所述热负荷预测模型的建立方法包括：

A1、针对所述待预测供热系统，确定所述待预测供热系统的供热热负荷影响特征，所述供热热负荷影响特征包括：基础热负荷、冷风渗透热负荷、湿度影响热负荷、附加热负荷；

A2、基于所述供热热负荷影响特征，采集历史室外气象数据、历史室内温度数据以及所述待预测供热系统中各热负荷单元的历史热量数据；

A3、将所述热负荷单元的热负荷作为因变量，将所述供热热负荷影响特征作为自变量，构建线性回归模型；基于所述历史室外气象数据、所述历史室内温度数据和历史热量数据对构建的线性回归模型进行训练，将训练好的模型作为所述热负荷单元的热负荷预测模型。

可选地，所述热负荷预测模型表示为：

Q＝Kf₁+Lf₂+Mf₃+N

其中，Q是热负荷，K、L、M、N分别表示基础热负荷、冷风渗透热负荷、湿度影响热负荷、附加热负荷的特征系数，f₁、f₂、f₃分别为基础热负荷、冷风渗透热负荷以及湿度影响热负荷模型表达式。

可选地，A2之后、A3之前还包括：对所述历史室外气象数据、所述历史热量数据按照所述历史室内温度数据进行采样聚合，具体方法包括：

对所述历史室外气象数据、所述历史热量数据遍历数据的每一行，选取与当前行的室内温度在精度上相等且最接近的一行数据，将两行数据之间的所有数据分别对每列求取平均值作为聚合后数据；其中，判断与当前行的室内温度在精度上相等且最接近的方法为，若两个室内温度相减后的绝对值小于第一预设阈值，则认为其二者在精度上相等且最接近。

可选地，A2中还包括对采集到的历史室外气象数据、历史室内温度数据和历史热量数据进行数据清洗，具体包括：

清洗数据缺失值，统一数据格式；

去除数据重复值，对数据中与历史平均值的差值大于第二预设阈值的数据进行修正，剔除非目标数据段；

根据预先获取的专家知识在不同来源的数据之间进行关联性验证。

可选地，所述基础热负荷基于室外温度和室内温度确定，所述冷风渗透热负荷基于室外风速和室内温度确定，所述湿度影响热负荷基于室外湿度确定。

第二方面，本申请实施例提供一种供热系统，该系统基于如上第一方面任一项所述的基于大数据分析的供暖热负荷预测方法得到的热负荷预测值对目标热用户进行热量供给。

第三方面，本申请实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上第一方面任一项所述的基于大数据分析的供暖热负荷预测方法的步骤。

第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面任一项所述的基于大数据分析的供暖热负荷预测方法的步骤。

(三)有益效果

本申请的有益效果是：本申请提出了一种供暖热负荷预测方法、系统、设备和介质。其中的方法包括：S10、针对待预测供热系统中各个换热站对热源的输配延时，获取与各换热站输配延时对应的天气预报数据；S20、将获取的天气预报数据和换热站中各个热负荷单元的目标室内温度数据输入到预先建立的热负荷预测模型中，得到各个热负荷单元的热负荷预测值；其中，热负荷预测模型基于线性回归模型建立；S30、基于各个热负荷单元的热负荷预测值，加总得到换热站相应输配延时下的热负荷预测值；S40、基于各个换热站相应输配延时下的热负荷预测值，加总得到待预测供热系统的热负荷预测值。本申请的方法可及时、准确地计算出热负荷，保证供热质量。

进一步地，通过提取室外温度、室外湿度、室外风速等特征进行热负荷预测，可进一步提高热负荷预测的准确度。

附图说明

本申请借助于以下附图进行描述：

图1为本申请一个实施例中的基于大数据分析的供暖热负荷预测方法流程示意图；

图2为本申请另一个实施例中的热力管网系统结构图；

图3为本申请另一个实施例中的热力管网拓扑关系图；

图4为本申请另一个实施例中的供暖热负荷预测方法的计算流程图；

图5为本申请再一实施例中的电子设备的架构示意图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。可以理解的是，以下所描述的具体的实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合；为了便于描述，附图中仅示出了与发明相关的部分。

为了解决现有热负荷预测存在的热负荷预测不准确，无法量化瞬时多变量影响关系和无法自适应供热环境等问题，本申请提出了一种基于大数据分析的供暖热负荷预测方法，以下通过实施例对该方法进行具体说明。

实施例一

图1为本申请一个实施例中的基于大数据分析的供暖热负荷预测方法流程示意图，如图1所示，本实施例的基于大数据分析的供暖热负荷预测方法包括以下步骤：

S20、将获取的天气预报数据和换热站中各个热负荷单元的目标室内温度数据输入到预先建立的热负荷预测模型中，得到各个热负荷单元的热负荷预测值；其中，热负荷预测模型基于线性回归模型建立；

S40、基于各个换热站相应输配延时下的热负荷预测值，加总得到待预测供热系统的热负荷预测值。

本实施例的基于大数据分析的供暖热负荷预测方法，改变原有通过静态计算和室外温度线性追的热负荷计算方式，采集较短时间运行数据，通过模型自适应及自我更新，使得热负荷计算更适应当前供热环境，热负荷计算更精准、及时，从而可建立正确的热用户调控目标，保证供热质量。

为了更好地理解本发明，以下对本实施例中的各步骤进行展开说明。

本实施例S10中，供热系统通常包括1个热源，1个或多个换热站，每个换热站有一个或多个热用户。热源、换热站、热用户之间通过热力管网系统中的供水管道连接。

本实施例S10中，天气预报数据可以包括未来某一时刻的室外温度数据、室外风速数据、室外湿度数据。

本实施例S10中，基于换热站到热源的时间延时，获取与热负荷预报时段相对应的天气预报数据。

举例来说，换热站到热源的时间延时为x小时，热负荷预报时段为y时段，则需要获取换热站在y时段后x小时的天气预报数据。

通过提取室外温度、室外湿度、室外风速等特征进行热负荷预测，并考虑时间延迟，从而可进一步提高热负荷预测的准确度。

本实施例S20中，热负荷单元可以是热用户。

本实施例S30中，通过对各个热负荷单元的热负荷预测值进行累加，得到换热站的热负荷预测值。

本实施例S40中，通过对各个换热站的热负荷预测值进行累加，得到待预测供热系统的热负荷预测值。

实施例二

本实施例在实施例一的基础上，以图2和图3所示的热力管网系统为例，对本发明方法中的各个步骤具体实现过程进行详细说明。

图2为本申请另一个实施例中的热力管网系统结构图，图3为本申请另一个实施例中的热力管网拓扑关系图；如图2和图3所示，待初始化热力管网系统由1处热源和3个换热站(分别为换热站A、换热站B和换热站C)组成，图中，a、b、c、d、e、f表示该热力管网系统中供水管道之间的各个连接节点，a’、b’、c’、d’、e’、f’表示该热力管网系统中回水管道之间的各个连接节点。热源的调控设备为循环水泵，换热站的调控设备为电动调节阀。

本实施例中，无论热源、换热站还是热用户，都具有热量采集、室内温度采集和存储功能，除此之外还具有室外气象参数采集能力。其数据采集频率及投运环境如下：

(1)热源、换热站具备热计量表数据采集能力，其采集频率为每分钟一笔；

(2)采集当地室外气候情况，包括室外温度、风速、湿度，采集频率为每15分钟一笔；

(3)采集热用户室内温度采集器数据，采集频率为每15分钟一笔；

(4)供热地点处于严寒地区，采暖季为5个月，目前已进行为其1周的正式管网运行；

(5)A、B、C换热站分别有3、4、5个热用户，热用户均设置有独立室内温度采集器以及热计量装置。

需要说明的是，供热系统流量较为稳定，A、B、C换热站相对热源的供热延时较为固定，经测算延时时间分别为t_A、t_B、t_c。

图4为本申请另一个实施例中的供暖热负荷预测方法的计算流程图，如图4所示，该方法包括以下步骤。

步骤1、确定热负荷的影响因素，进行特征构建。

将室外温度、室外风速、空气湿度、室内目标温度、太阳辐射、建筑外围护结构作为供热负荷的影响因素，本发明将影响因素特点进行分类，分别为：基础热负荷、冷风渗透热负荷、湿度影响热负荷、附加热负荷四类，其数学表达式分别为Kf₁、Lf₂、Mf₃、N，其中K、L、M、N分别表示基础热负荷、冷风渗透热负荷、湿度影响热负荷、附加热负荷的特征系数。热负荷各特征构建后，热负荷为该四个影响因素的加总值，其数学表达式为：

Q＝Kf₁+Lf₂+Mf₃+N

其中，Q是系统热负荷。

步骤2、对历史运行数据采集与清洗。

采集的历史运行数据包括：

针对A、B、C换热站的每个热用户，通过热表度数采集的热量数据，热用户室内温度T_n；

历史室外气象参数，包括室外温度T_w、室外风速V、室外湿度Φ。

对供热设备或系统采集到的数据，进行清洗，其中包括：清洗数据缺失值，统一数据格式，去除数据重复值，修正数据不合理值，剔除非目标数据段，以及根据专家知识在不同来源的数据之间进行关联性验证。

(1)清洗数据缺失值，包括：确定数据缺失范围，对缺失范围中的非目标数据段进行去除，根据业务知识，对缺失范围中目标数据段的数据缺失值进行填充。

由于表征供热质量的室内温度来自于室内温度采集器；室外温度，室外风速、室外湿度来自于天气预报；瞬时热量数据来自热计量表。来自不同设备或系统采集到的数据，其数据频率将有差异，因此需要对数据进行对齐，通过数据平滑处理，确保每个数据采集周期中，各参数均有数据，从而可用于模型训练及大数据分析。

(2)修正数据不合理值，包括：将超出预先设定的数据分布范围的历史运行数据作为数据不合理值，具体地，超出预先设定的数据分布范围定义为与历史平均值的差值大于第二预设阈值；根据业务知识修正数据不合理值。

(3)数据关联性分析，根据专家知识在不同来源的数据之间进行关联性验证，例如：热计量表显示供水管温度小于回水管温度等，能够研判数据的准确性。

如此，通过对历史数据进行预处理，提高了数据查找和运行速度，并保证了对历史运行数据进行分析的准确性。

步骤3、模型训练。

对数据处理完缺失值和异常值后，接下来结合热负荷传递的机理以及大数据建模技术完成热负荷模型的建立。通过少量运行数据(其数据量通常不小于5天)进行模型训练，拟合出与真实运行结构最相近的K、L、M、N热负荷特征系统组合。

首先，对于数据中的主要特征，热负荷、室外温度、室内温度、风速、湿度等完成建模前的数据处理。考虑室内温度变化的惰性，以及采集的室内温度的波动性，对数据按照室内温度进行采样聚合。具体方法为：

对历史室外气象数据、所述历史热量数据，遍历数据的每一行，选取与当前行的室内温度在精度上相等且最接近的一行数据，对两行数据之间的所有数据分别对每列求取平均值作为聚合后数据；其中，判断与当前行的室内温度在精度上相等且最接近的方法为，若两个室内温度相减后的绝对值小于第一预设阈值，则认为其二者在精度上相等且最接近。通过对数据按照室内温度进行采样聚合，可以避免室内温度变化的惰性，以及采集的室内温度的波动性对预测结果的影响。

其中，选取数据时室内温度在精度上相等，往往使用小数点后一位作为比较精度。至此，可以消除因室内温度的波动所带来的误差。

接着，按照热负荷特征与其他特征之间的机理关系完成特征的构建。所构建的特征1为由室外温度与室内温度构造的特征，对应模型系数K，代表基础热负荷部分，该特征受建筑外围护结构影响，记作特征f₁；特征2为由风速和室内温度构造的特征，对应模型系数L，代表冷风渗透热负荷部分，记作特征f₂；特征3为由室外湿度构造的特征，对应模型系数M，代表湿度所影响的热负荷部分，记作特征f₃。附加热负荷系数N是通过特征f1、f2、f3以及热负荷建立线性模型后得到的截距项，代表对预测热负荷的修正。至此完成了特征工程的部分，依此构建了建模所需的特征。

最后，用热单元热负荷Q与所构造的特征f₁、f₂、f₃，以及它们之间由机理所决定的多元一次关系，选取线性回归模型算法作为建模算法。其中热负荷Q作为模型的目标字段(也称为因变量)，特征字段f₁、f₂、f₃(也成为自变量)作为模型的特征字段，建立有截距的线性模型，通过数据进行拟合，以及多次的模型调参和交叉验证过程，构造出泛化能力强、预测精度高的模型，作为该热负荷单元的热负荷模型。

按照以上的方法，对每个热负荷单元分别进行模型构建与训练，得到每个热负荷单元的热负荷模型。

建立模型后，完成模型部署，在使用中，使用室外温度、风速、湿度、设计室内温度等数据，可以得到预测的热负荷，以此完成热负荷的预测过程。

步骤4、制定模型训练周期

例如，可以确定模型训练周期为5天，采用最近5天的数据进行模型的再次训练和校正。

模型的再次训练和校正，主要针对以下情景：

当前的室外温度变化极快，出现了模型训练时不曾出现的天气情况，如暴雨、雪等极端天气，那么模型训练时采用的历史数据就可能无法满足当前的运行环境。比如模型训练周期1周，上周的天气很平稳，从来没有出现台风，但本周一开始出现百年一遇的台风，那么遇到这种极端天气就必须减少训练周期，把训练周期缩短成3天，通过最近的气象数据、室内温度数据和热量数据来对模型进行再次训练，以提高模型的预测准确度。

步骤5、进行换热站的热负荷预测。

制定模型训练时间周期，在当前实际运行环境中，根据天气预报数据进行热负荷预测，通过各换热站各用户热负荷加总，形成各个换热站在未来不同时刻的热负荷，其表达式分别为：

Q_A＝Q_a1+Q_a2+Q_a3

Q_B＝Q_b1+Q_b2+Q_b3+Q_b4

Q_C＝Q_c1+Q_c2+Q_c3+Q_c4+Q_c5

其中，Q_A、Q_B、Q_C分别是换热站A、换热站B和换热站C在未来某一时刻的热负荷,Q_a1、Q_a2、Q_a3分别是换热站A的3个热用户的热负荷，Q_b1、Q_b2、Q_b3、Q_b4分别是换热站B的4个热用户的热负荷，Q_c1、Q_c2、Q_c3、Q_c4、Q_c5分别是换热站C的5个热用户的热负荷。

由于本实施例中天气预报提供未来24小时每小时的天气情况，因此将会依据天气预报，A、B、C三个换热站形成未来24小时预测热负荷集合，分别表示为：

Q_A∈{Q_A1,Q_A2,Q_A3,Q_A4,Q_A5,Q_A6,Q_A7......Q_A24}

Q_B∈{Q_B1,Q_B2,Q_B3,Q_B4,Q_B5,Q_B6,Q_B7......Q_B24}

Q_C∈{Q_C1,Q_C2,Q_C3,Q_C4,Q_C5,Q_C6,Q_C7......Q_C24}

其中，Q_A、Q_B、Q_C分别为A、B、C三个换热站热负荷预测值，Q_A1,Q_A2,Q_A3,Q_A4,Q_A5,Q_A6,Q_A7......Q_A24分别为换热站A未来24小时内各个时间点的热负荷预测值，Q_B1,Q_B2,Q_B3,Q_B4,Q_B5,Q_B6,Q_B7......Q_B24分别为换热站B未来24小时内各个时间点的热负荷预测值，Q_C1,Q_C2,Q_C3,Q_C4,Q_C5,Q_C6,Q_C7......Q_C24分别为换热站C未来24小时内各个时间点的热负荷预测值。

步骤6、系统总热负荷预测。

根据既有的供热延时模型，计算各个换热站到热源的时间延时，从各个换热站热负荷预测组中，挑选对应热负荷，加总得到整个供热系统热负荷需求。

举例来说，通过延时模型计算得到A、B、C到热源的时间延时为1、2、3小时，对应A、B、C三个换热站未来1小时、2小时、3小时热负荷预测值，即Q_A1、Q_B2、Q_C3，当前系统总热负荷预测值为：

Q_s＝Q_A1+Q_B2+Q_C3

其中，Q_s为当前系统统总热负荷预测值。

至此完成所有整个系统热负荷预测值计算。

本实施例的方法避免了因建筑物外围护结构、管道保温情况等设施均存在一定的性能自然衰减规律且需要较长试验周期的问题，能够适应变化中的供热条件，并且热负荷计算精度能够长时间保持。

实施例三

本申请第二方面通过实施例三提供了一种供热系统，该系统基于如上实施例中任意一项所述的基于大数据分析的供暖热负荷预测方法得到的热负荷预测值对目标热用户进行热量供给。

本实施例的具体实现方式和达到的技术效果可参照前述基于大数据分析的供暖热负荷预测方法的实现方式和技术效果，这里不再赘述。

实施例四

本申请第三方面通过实施例四提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被处理器执行时实现如上实施例中任意一项所述的基于大数据分析的供暖热负荷预测方法的步骤。

图5为本申请再一实施例中的电子设备的架构示意图。

图5所示的电子设备可包括：至少一个处理器101、至少一个存储器102、至少一个网络接口104和其他的用户接口103。电子设备中的各个组件通过总线系统105耦合在一起。可理解，总线系统105用于实现这些组件之间的连接通信。总线系统105除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图5中将各种总线都标为总线系统105。

其中，用户接口103可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(trackball)或者触感板等。

可以理解，本实施例中的存储器102可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-onlyMemory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Sync link DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本文描述的存储器102旨在包括但不限于这些和任意其它适合类型的存储器。

在一些实施方式中，存储器102存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统1021和应用程序1022。

其中，操作系统1021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序1022，包含各种应用程序，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1022中。

在本发明实施例中，处理器101通过调用存储器102存储的程序或指令，具体的，可以是应用程序1022中存储的程序或指令，处理器101用于执行第一方面所提供的方法步骤。

上述本发明实施例揭示的方法可以应用于处理器101中，或者由处理器101实现。处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器、数字信号处理器、专用集成电路、现成可编程门阵列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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器102，处理器101读取存储器102中的信息，结合其硬件完成上述方法的步骤。

另外，结合上述实施例中的基于大数据分析的供暖热负荷预测方法，本发明实施例可提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上方法实施例中的任意一种基于大数据分析的供暖热负荷预测方法。

应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。词语第一、第二、第三等的使用，仅是为了表述方便，而不表示任何顺序。可将这些词语理解为部件名称的一部分。

此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明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必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。

Claims

1.一种基于大数据分析的供暖热负荷预测方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的基于大数据分析的供暖热负荷预测方法，其特征在于，所述热负荷预测模型的建立方法包括：

A3、将所述热负荷单元的热负荷作为因变量，将所述供热热负荷影响特征作为自变量，构建线性回归模型；基于所述历史室外气象数据、所述历史室内温度数据和所述历史热量数据对构建的线性回归模型进行训练，将训练好的模型作为所述热负荷单元的热负荷预测模型。

3.根据权利要求2所述的基于大数据分析的供暖热负荷预测方法，其特征在于，所述热负荷预测模型表示为：

Q＝Kf₁+Lf₂+Mf₃+N

其中，Q是热负荷，K、L、M、N分别表示基础热负荷、冷风渗透热负荷、湿度影响热负荷、附加热负荷的特征系数，f₁、f₂、f₃分别为基础热负荷、冷风渗透热负荷以及湿度影响热负荷模型特征表达式。

4.根据权利要求2所述的基于大数据分析的供暖热负荷预测方法，其特征在于，A2之后、A3之前还包括：对所述历史室外气象数据、所述历史热量数据按照所述历史室内温度数据进行采样聚合，具体方法包括：

对所述历史室外气象数据、所述历史热量数据，遍历数据的每一行，选取与当前行的室内温度在精度上相等且最接近的一行数据，对两行数据之间的所有数据分别对每列求取平均值作为聚合后数据；其中，判断与当前行的室内温度在精度上相等且最接近的方法为，若两个室内温度相减后的绝对值小于第一预设阈值，则认为其二者在精度上相等且最接近。

5.根据权利要求2所述的基于大数据分析的供暖热负荷预测方法，其特征在于，A2中还包括：对采集到的历史室外气象数据、历史室内温度数据和历史热量数据进行数据清洗，具体包括：

清洗数据缺失值，统一数据格式；

6.根据权利要求2所述的基于大数据分析的供暖热负荷预测方法，其特征在于，所述基础热负荷基于室外温度和室内温度确定，所述冷风渗透热负荷基于室外风速和室内温度确定，所述湿度影响热负荷基于室外湿度确定。

7.一种供热系统，其特征在于，该系统基于如上权利要求1至6任一项所述的基于大数据分析的供暖热负荷预测方法得到的热负荷预测值对目标热用户进行热量供给。

8.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上权利要求1至6任一项所述的基于大数据分析的供暖热负荷预测方法的步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上权利要求1至6任一项所述的基于大数据分析的供暖热负荷预测方法的步骤。