CN116306911A - 基于分布式机器学习的热力站负荷预测及优化控制方法 - Google Patents

基于分布式机器学习的热力站负荷预测及优化控制方法 Download PDF

Info

Publication number
CN116306911A
CN116306911A CN202211612922.9A CN202211612922A CN116306911A CN 116306911 A CN116306911 A CN 116306911A CN 202211612922 A CN202211612922 A CN 202211612922A CN 116306911 A CN116306911 A CN 116306911A
Authority
CN
China
Prior art keywords
load
model
network model
water supply
station
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
CN202211612922.9A
Other languages
English (en)
Inventor
谢金芳
金鹤峰
穆佩红
赵琼
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.)
Zhejiang Yingji Power Technology Co ltd
Original Assignee
Zhejiang Yingji Power 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 Zhejiang Yingji Power Technology Co ltd filed Critical Zhejiang Yingji Power Technology Co ltd
Priority to CN202211612922.9A priority Critical patent/CN116306911A/zh
Publication of CN116306911A publication Critical patent/CN116306911A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
    • F24D19/00—Details
    • F24D19/10—Arrangement or mounting of control or safety devices
    • F24D19/1006—Arrangement or mounting of control or safety devices for water heating systems
    • F24D19/1009—Arrangement or mounting of control or safety devices for water heating systems for central heating
    • F24D19/1015—Arrangement or mounting of control or safety devices for water heating systems for central heating using a valve or valves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/35—Utilities, e.g. electricity, gas or water
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/30—Information sensed or collected by the things relating to resources, e.g. consumed power
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/30—Control
    • G16Y40/35—Management of things, i.e. controlling in accordance with a policy or in order to achieve specified objectives
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/50—Safety; Security of things, users, data or systems
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Security & Cryptography (AREA)
  • Medical Informatics (AREA)
  • Bioethics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Accounting & Taxation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Toxicology (AREA)
  • Thermal Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)

Abstract

本发明公开了一种基于分布式机器学习的热力站负荷预测及优化控制方法，包括：在多个热力站附近设置对应的边缘计算装置，基于热力站负荷特征和时间序列特征构建特征向量；云端服务器初始全局热负荷预测网络模型，并下发给每个边缘计算装置；边缘计算装置利用本地数据进行热负荷预测网络模型的训练，获得局部热负荷预测网络模型；云端服务器聚合多个边缘计算装置的局部热负荷预测网络模型，更新全局热负荷预测网络模型，并下发至每个边缘计算装置；在保持供热系统的总流量和二次网回水温度不变的情况下，建立二次网供水温度预测模型，计算二次网的供水温度设定值，并调节一次网调节阀来控制二次热网供水温度。

Description

基于分布式机器学习的热力站负荷预测及优化控制方法
技术领域
本发明属于智慧供热技术领域，具体涉及一种基于分布式机器学习的热力站负荷预测及优化控制方法。
背景技术
随着我国建设节约型社会目标的提出，集中供热逐渐成为北方冬季主要的供暖方式。集中供热系统结构复杂并具有非线性、大滞后、大惯性、时变性和不确定性等特点，想要实现热网按需供热、提高能源利用率、优化供热调控策略，精准的热负荷预测十分有必要。因此，基于供暖系统的特点，热负荷预测及优化控制就变得尤为重要。
传统的方法是以供热系统中换热站的热负荷历史数据为数据支持，利用机器学习对热负荷的进行预测，并为后面的系统运行调控提供理论依据，从而提高热网控制品质。机器学习方法具有较强的拟合能力，能够充分反映热负荷的非线性特性，不仅为控制系统提供可靠的热负荷数据，而且能有效地支撑热负荷调节。然而，收集、存储、交换大量热力站的实时运行数据存在严重的隐私泄露风险。恶意攻击者窃取实时供热运行数据，不仅会影响热力站的隐私安全，还可能对供热系统造成不可逆的破坏；另外，如何对热负荷进行准确、快速预测，不仅对供热系统的稳定、正常运行至关重要，也会对整个社会的生产生活产生重大影响。因此如何解决数据泄漏问题，同时又保证预测模型的精度并且提高模型的训练速度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分布式机器学习的热力站负荷预测及优化控制方法。
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，提供一种基于分布式机器学习的热力站负荷预测及优化控制方法，能够结合联邦学习和边云协同技术，进行预测模型的搭建、预测模型的本地训练和联邦聚合过程，利用时间序列数据的额外特征进行建模，从而对时间序列数据进行更精确地预测，基于热力站负荷特征和时间序列特征构建特征向量，进行预测模型的训练，提高模型预测精度；另外，在热负荷预测网络模型训练的过程中，联邦学习训练方法只上传训练模型的参数而不是上传热力站运行数据，这种方法能够有效保护热力站的数据隐私，有效地避免了隐私安全问题，同时由于没有对训练数据进行脱敏操作，所以数据的可用性没有降低，既提高了通信效率，又避免了数据泄露导致的隐私安全问题，同时模型预测的精度也不会降低。
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分布式机器学习的热力站负荷预测及优化控制方法，所述热力站负荷预测及优化控制方法包括：
步骤S1、在多个热力站附近设置对应的边缘计算装置，对热力站的热负荷影响数据集进行获取和预处理后获得热力站负荷序列，并对时间序列相关的额外特征进行提取，基于热力站负荷特征和时间序列特征构建特征向量；
步骤S2、云端服务器利用已有公开数据初始全局热负荷预测网络模型，并广播下发给联邦学习系统中的每个边缘计算装置；
步骤S3、参与训练的每个边缘计算装置利用本地数据进行热负荷预测网络模型的训练，获得局部热负荷预测网络模型，并上传至云端服务器；
步骤S4、云端服务器聚合多个边缘计算装置的局部热负荷预测网络模型，更新全局热负荷预测网络模型，并下发至每个边缘计算装置；
步骤S5、重复步骤S1-S4，直至模型最终收敛或达到训练次数，通过全局热负荷预测网络模型获得各热力站负荷预测值；
步骤S6、结合各热力站负荷预测值，根据热平衡方程，在保持供热系统的总流量和二次网回水温度不变的情况下，采用分布式机器学习方法同样建立二次网供水温度预测模型，计算二次网的供水温度设定值，并调节一次网调节阀来控制二次热网供水温度，使得供水温度实际值能够跟随设定温度值变化，实现实时控制。
进一步，所述步骤S1中，对热力站的热负荷影响数据集进行获取和预处理后获得热力站负荷序列，并对时间序列相关的额外特征进行提取，基于热力站负荷特征和时间序列特征构建特征向量包括：
获取热力站的热负荷影响数据集，包括热力站的历史供回水温度、供回水流量、供回水压力、热负荷和历史室外温度、室外风速、室外湿度；
对热负荷影响数据集进行缺失数据和异常值处理后，进行小波包分解和单支重构，选择小波基函数和分解度，获得分解后的低频分量和高频分量序列；对高频分量采用自适应的完备经验模式分解获得不同的IMF分量；将低频分量和IMF分量均进行归一化处理后获得热力站负荷序列；
采用XGBoost模型计算热力站负荷序列中各个特征的重要度，进行特征选择，选取较为重要的负荷特征作为热力站负荷特征集合；
考虑t时刻的月份、小时、星期、节假日构成t时刻的时间序列特征集合；
考虑整点t时刻的负荷特征、距离整点t时刻的时间距离、下一整点t时刻的负荷特征，距离下一整点t时刻的时间距离，构成t时刻的热力站负荷特征；
将t时刻的热力站负荷特征和时间序列特征集合构成特征向量。
进一步，所述热负荷预测网络模型采用DeepAR自回归循环神经网络，内部包括LSTM模型和似然模块；所述似然模块结构设计包括似然函数选取、损失函数确定和输入层神经元个数设置，所述似然函数包括高斯似然函数和负二项似然函数；所述损失函数定义为：
Figure BDA0004000796310000031
z为热力站负荷在预测时刻上的真实值，任意时刻的热力站负荷值服从高斯分布，N～(μ，σ2)，μ为均值，σ为标准差；所述输入层神经元个数根据时间特征序列的个数和上一时刻热力站负荷值进行设置；所述LSTM模型包括输入层、隐含层和输出层、优化算法、损失函数、激活函数，所述输入层神经元个数根据所述热力站负荷序列的采样次数确定，所述隐含层的层数和隐含层的神经元个数是通过控制变量法不断调整参数来选择最优参数确定，所述输出层神经元输出的是热力站在下一时刻的负荷值，特征维度为1，输出层神经元个数为1，所述优化算法采用Adam优化算法，所述损失函数采用均方误差衡量预测值和真实值之间的差别，所述隐含层激活函数设定为sigmoid函数，所述输出层激活函数设定为tanh函数；所述DeepAR自回归循环神经网络模型采用网格搜索算法，在超参数空间中通过穷举法进行模型超参数寻优，获得最优的DeepAR自回归循环神经网络模型。
进一步，所述步骤S3中，利用本地数据进行热负荷预测网络模型的训练，获得局部热负荷预测网络模型，包括：
将包括热力站负荷特征和时间序列特征的特征向量作为本地数据，输入至热负荷预测网络模型中的LSTM模型中训练获得输出hi,t＝h(hi,t-1,zi,t-1,xi,t,Θ)；h为隐含层函数，内部采用多层循环神经网络实现，并通过参数Θ对隐含层函数进行参数化；在训练时，在每一个时间步t，hi,t-1为热负荷预测网络模型上一时间步的输出状态；zi,t-1为被测起点的上一时间步的取值，表示最后时刻的可以观测到的数据值；xi,t为热力站负荷序列i在时间步t上的值，表示网络输入状态；
计算出时间序列在未来时间步上的高斯分布参数μ和σ，表示为：
Figure BDA0004000796310000032
Figure BDA0004000796310000033
Figure BDA0004000796310000034
和/>
Figure BDA0004000796310000035
为似然层权重矩阵；bμ和bσ为全连接层偏置向量；
根据高斯分布参数μ和σ确定高斯分布，求高斯分布的二分位数作为热力站热负荷序列在t时刻的预测值zi,t。
进一步，所述步骤S4中，云端服务器聚合多个边缘计算装置的局部热负荷预测网络模型，更新全局热负荷预测网络模型包括：
所述云端服务器采用FedAvg联邦聚合算法对多个边缘计算装置的局部热负荷预测网络模型进行加权聚合，完成全局热负荷预测网络模型的权重和阈值参数更新；
其中，所述FedAvg联邦聚合算法进行模型加权聚合，表示为：
Figure BDA0004000796310000041
Wt和Wt+1分别为在第t和t+1轮次训练中全局热负荷预测网络模型的权重及激活阈值向量参数；K为热力站数量；n为K个热力站的数据样本总量；nk为热力站k的数据样本量；
Figure BDA0004000796310000042
为第t+1轮训练热力站k的本地局部热负荷预测网络模型权重及激活阈值向量参数；η为学习率；gk为热力站k的本地局部模型的损失函数的梯度，/>
Figure BDA0004000796310000043
L(·)为本地局部热负荷预测网络模型的损失函数，Xk为热力站k的本地局部热负荷预测网络模型的输入特征序列，yk为热力站k的实际热负荷值，wk为热力站k的本地局部热负荷预测网络模型的权重及激活阈值向量参数。
进一步，所述步骤S6中，结合各热力站负荷预测值，根据热平衡方程，在保持供热系统的总流量和二次网回水温度不变的情况下，采用分布式机器学习方法同样建立二次网供水温度预测模型，计算二次网的供水温度设定值，包括：
边缘计算装置结合热力站负荷预测值，根据热平衡方程，在保持供热系统的总流量和二次网回水温度不变的情况下，对二次网的供水温度影响数据集进行获取和预处理后获得供水温度序列，并对时间序列相关的额外特征进行提取；所述二次网的供水温度影响数据集包括各热力站负荷预测值、二次网回水温度、一次网供水温度、一次网回水温度、一次网流量、室外温度、室外风速和室外湿度；
云端服务器利用已有公开数据初始全局二次网供水温度预测网络模型，并广播下发给联邦学习系统中的每个边缘计算装置；
参与训练的每个边缘计算装置利用本地数据进行二次网供水温度预测网络模型的训练，获得局部二次网供水温度预测网络模型，并上传至云端服务器；
云端服务器聚合多个边缘计算装置的局部二次网供水温度预测网络模型，更新全局二次网供水温度预测网络模型，并下发至每个边缘计算装置；
重复上述过程，直至模型最终收敛或达到训练次数，通过全局二次网供水温度预测网络模型获得各热力站对应的二次网供水温度设定值。
进一步，所述热力站负荷预测及优化控制方法，还包括：
当增加新的热力站时，通过在已有的热力站中选择相似热力站，并利用相似热力站的数据训练可迁移的热负荷预测网络模型和二次网供水温度预测网络模型后，基于新热力站的运行数据进一步微调热负荷预测网络模型和二次网供水温度预测网络模型。
进一步，所述选择相似热力站考虑热力站服务对象、所处位置和功能、连接热网输送的热媒和热力站所供区域面积；
所述利用相似热力站的数据训练可迁移的热负荷预测网络模型和二次网供水温度预测网络模型：利用相似热力站的数据训练全局热负荷预测网络模型和二次网供水温度预测网络模型，并将训练完成的模型的权重及激活阈值向量参数迁移到新的热力站对应的边缘计算装置中；
所述基于新热力站的运行数据进一步微调热负荷预测网络模型和二次网供水温度预测网络模型：将迁移的模型的权重及激活阈值向量参数作为本地联邦模型训练的初始参数，再利用新热力站的本地运行数据计算模型新的梯度，对模型参数进行调整，获得新热力站本地的热负荷预测网络模型和二次网供水温度预测网络模型。
进一步，所述云端服务器和边缘计算装置在进行数据传输时，发送方将数据进行加密后传输至接收方，接收方进行解密获取明文数据；所述云端服务器和边缘计算装置中设置有密码单元，所述密码单元中预置有加密和解密算法，至少包括对称加密算法和非对称加密算法。
本发明的有益效果是：
本发明通过在多个热力站附近设置对应的边缘计算装置，对热力站的热负荷影响数据集进行获取和预处理后获得热力站负荷序列，并对时间序列相关的额外特征进行提取，基于热力站负荷特征和时间序列特征构建特征向量；云端服务器利用已有公开数据初始全局热负荷预测网络模型，并广播下发给联邦学习系统中的每个边缘计算装置；参与训练的每个边缘计算装置利用本地数据进行热负荷预测网络模型的训练，获得局部热负荷预测网络模型，并上传至云端服务器；云端服务器聚合多个边缘计算装置的局部热负荷预测网络模型，更新全局热负荷预测网络模型，并下发至每个边缘计算装置；重复上述过程，直至模型最终收敛或达到训练次数，通过全局热负荷预测网络模型获得各热力站负荷预测值；结合各热力站负荷预测值，根据热平衡方程，在保持供热系统的总流量和二次网回水温度不变的情况下，采用分布式机器学习方法同样建立二次网供水温度预测模型，计算二次网的供水温度设定值，并调节一次网调节阀来控制二次热网供水温度，使得供水温度实际值能够跟随设定温度值变化，实现实时控制；能够结合联邦学习和边云协同技术，进行预测模型的搭建、预测模型的本地训练和联邦聚合过程，利用时间序列数据的额外特征进行建模，从而对时间序列数据进行更精确地预测，基于热力站负荷特征和时间序列特征构建特征向量，进行预测模型的训练，提高模型预测精度；另外，在热负荷预测网络模型训练的过程中，云端服务器将热负荷预测网络模型的训练任务下发给各个边缘计算装置，每个边缘计算装置保存着各自对应的热力站历史运行数据，最终的全局热负荷预测网络模型建立是由云端服务器完成的，在整个模型训练过程中，边缘计算装置不会共享彼此的热力站历史运行数据，避免了隐私泄漏问题的发生。不同于传统的集中式训练方法，联邦学习训练方法只上传训练模型的参数而不是上传热力站运行数据，这种方法能够有效保护热力站的数据隐私，有效地避免了隐私安全问题，同时由于没有对训练数据进行脱敏操作，所以数据的可用性没有降低，既提高了通信效率，又避免了数据泄露导致的隐私安全问题，同时模型预测的精度也不会降低。
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为本发明一种基于分布式机器学习的热力站负荷预测及优化控制方法流程示意图；
图2为本发明DeepAR网络结构示意图。
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分布式机器学习的热力站负荷预测及优化控制方法流程示意图。
图2是本发明所涉及的DeepAR网络结构示意图。
如图1和2所示，本实施例1提供了一种基于分布式机器学习的热力站负荷预测及优化控制方法，所述热力站负荷预测及优化控制方法包括：
步骤S1、在多个热力站附近设置对应的边缘计算装置，对热力站的热负荷影响数据集进行获取和预处理后获得热力站负荷序列，并对时间序列相关的额外特征进行提取，基于热力站负荷特征和时间序列特征构建特征向量；
步骤S2、云端服务器利用已有公开数据初始全局热负荷预测网络模型，并广播下发给联邦学习系统中的每个边缘计算装置；
步骤S3、参与训练的每个边缘计算装置利用本地数据进行热负荷预测网络模型的训练，获得局部热负荷预测网络模型，并上传至云端服务器；
步骤S4、云端服务器聚合多个边缘计算装置的局部热负荷预测网络模型，更新全局热负荷预测网络模型，并下发至每个边缘计算装置；
步骤S5、重复步骤S1-S4，直至模型最终收敛或达到训练次数，通过全局热负荷预测网络模型获得各热力站负荷预测值；
步骤S6、结合各热力站负荷预测值，根据热平衡方程，在保持供热系统的总流量和二次网回水温度不变的情况下，采用分布式机器学习方法同样建立二次网供水温度预测模型，计算二次网的供水温度设定值，并调节一次网调节阀来控制二次热网供水温度，使得供水温度实际值能够跟随设定温度值变化，实现实时控制。
在本实施例中，所述步骤S1中，对热力站的热负荷影响数据集进行获取和预处理后获得热力站负荷序列，并对时间序列相关的额外特征进行提取，基于热力站负荷特征和时间序列特征构建特征向量包括：
获取热力站的热负荷影响数据集，包括热力站的历史供回水温度、供回水流量、供回水压力、热负荷和历史室外温度、室外风速、室外湿度；
对热负荷影响数据集进行缺失数据和异常值处理后，进行小波包分解和单支重构，选择小波基函数和分解度，获得分解后的低频分量和高频分量序列；对高频分量采用自适应的完备经验模式分解获得不同的IMF分量；将低频分量和IMF分量均进行归一化处理后获得热力站负荷序列；
采用XGBoost模型计算热力站负荷序列中各个特征的重要度，进行特征选择，选取较为重要的负荷特征作为热力站负荷特征集合；
考虑t时刻的月份、小时、星期、节假日构成t时刻的时间序列特征集合；
考虑整点t时刻的负荷特征、距离整点t时刻的时间距离、下一整点t时刻的负荷特征，距离下一整点t时刻的时间距离，构成t时刻的热力站负荷特征；
将t时刻的热力站负荷特征和时间序列特征集合构成特征向量。
在本实施例中，所述热负荷预测网络模型采用DeepAR自回归循环神经网络，内部包括LSTM模型和似然模块；所述似然模块结构设计包括似然函数选取、损失函数确定和输入层神经元个数设置，所述似然函数包括高斯似然函数和负二项似然函数；所述损失函数定义为：
Figure BDA0004000796310000081
z为热力站负荷在预测时刻上的真实值，任意时刻的热力站负荷值服从高斯分布，N～(μ，σ2)，μ为均值，σ为标准差；所述输入层神经元个数根据时间特征序列的个数和上一时刻热力站负荷值进行设置；所述LSTM模型包括输入层、隐含层和输出层、优化算法、损失函数、激活函数，所述输入层神经元个数根据所述热力站负荷序列的采样次数确定，所述隐含层的层数和隐含层的神经元个数是通过控制变量法不断调整参数来选择最优参数确定，所述输出层神经元输出的是热力站在下一时刻的负荷值，特征维度为1，输出层神经元个数为1，所述优化算法采用Adam优化算法，所述损失函数采用均方误差衡量预测值和真实值之间的差别，所述隐含层激活函数设定为sigmoid函数，所述输出层激活函数设定为tanh函数；所述DeepAR自回归循环神经网络模型采用网格搜索算法，在超参数空间中通过穷举法进行模型超参数寻优，获得最优的DeepAR自回归循环神经网络模型。
需要说明的是，热力站的热负荷很大程度上受用户生活作息和行为习惯影响，而人们的生活作息和行为习惯又会受到时间因素的影响。很显然，对于白天工作外出活动所使用的热负荷较少，而晚上睡觉休息所使用到的热负荷较多了。同理，周末人们对热负荷需求也与工作日不一样。而且，在春节和中秋节等节日，对热负荷需求也与平常不一样。这些时间因素会增大热力站热负荷预测的复杂性，同时也是实现热力站热负荷精确预测的关键。因此引入DeepAR模型来对热力站热负荷进行预测。DeepAR模型可以利用时间序列数据的额外特征进行建模，从而对时间序列数据进行更精确地预测。
在本实施例中，所述步骤S3中，利用本地数据进行热负荷预测网络模型的训练，获得局部热负荷预测网络模型，包括：
将包括热力站负荷特征和时间序列特征的特征向量作为本地数据，输入至热负荷预测网络模型中的LSTM模型中训练获得输出hi,t＝h(hi,t-1,zi,t-1,xi,t,Θ)；h为隐含层函数，内部采用多层循环神经网络实现，并通过参数Θ对隐含层函数进行参数化；在训练时，在每一个时间步t，hi,t-1为热负荷预测网络模型上一时间步的输出状态；zi,t-1为被测起点的上一时间步的取值，表示最后时刻的可以观测到的数据值；xi,t为热力站负荷序列i在时间步t上的值，表示网络输入状态；
计算出时间序列在未来时间步上的高斯分布参数μ和σ，表示为：
Figure BDA0004000796310000091
Figure BDA0004000796310000092
Figure BDA0004000796310000093
和/>
Figure BDA0004000796310000094
为似然层权重矩阵；bμ和bσ为全连接层偏置向量；
根据高斯分布参数μ和σ确定高斯分布，求高斯分布的二分位数作为热力站热负荷序列在t时刻的预测值zi,t。
需要说明的是，在热负荷预测网络模型训练的过程中，云端服务器将热负荷预测网络模型的训练任务下发给各个边缘计算装置，每个边缘计算装置保存着各自对应的热力站历史运行数据，最终的全局热负荷预测网络模型建立是由云端服务器完成的，在整个模型训练过程中，边缘计算装置不会共享彼此的热力站历史运行数据，避免了隐私泄漏问题的发生。不同于传统的集中式训练方法，联邦学习训练方法只上传训练模型的参数而不是上传热力站运行数据，这种方法能够有效保护热力站的数据隐私，有效地避免了隐私安全问题，同时由于没有对训练数据进行脱敏操作，所以数据的可用性没有降低，联邦学习既提高了通信效率，又避免了数据泄露导致的隐私安全问题。
在本实施例中，所述步骤S4中，云端服务器聚合多个边缘计算装置的局部热负荷预测网络模型，更新全局热负荷预测网络模型包括：
所述云端服务器采用FedAvg联邦聚合算法对多个边缘计算装置的局部热负荷预测网络模型进行加权聚合，完成全局热负荷预测网络模型的权重和阈值参数更新；
其中，所述FedAvg联邦聚合算法进行模型加权聚合，表示为：
Figure BDA0004000796310000095
Wt和Wt+1分别为在第t和t+1轮次训练中全局热负荷预测网络模型的权重及激活阈值向量参数；K为热力站数量；n为K个热力站的数据样本总量；nk为热力站k的数据样本量；
Figure BDA0004000796310000101
为第t+1轮训练热力站k的本地局部热负荷预测网络模型权重及激活阈值向量参数；η为学习率；gk为热力站k的本地局部模型的损失函数的梯度，/>
Figure BDA0004000796310000102
L(·)为本地局部热负荷预测网络模型的损失函数，Xk为热力站k的本地局部热负荷预测网络模型的输入特征序列，yk为热力站k的实际热负荷值，wk为热力站k的本地局部热负荷预测网络模型的权重及激活阈值向量参数。
需要说明的是，FedAvg联邦聚合算法表示，参与热力站的边缘计算装置可以利用计算得到的梯度完成本地局部热负荷预测网络模型的参数更新，然后将更新后的本地局部热负荷预测网络模型参数上传到云端服务器，云端服务器对参与热力站的边缘计算装置的本地局部热负荷预测网络模型参数进行加权聚合完成全局局部热负荷预测网络模型的参数更新；在FedAvg联邦聚合算法中，参与热力站的边缘计算装置可以在本地进行多个回合的迭代更新，然后上传最终的本地局部热负荷预测网络模型参数，有效地简化了云端服务器的计算量，同时降低边缘计算装置和云端服务器的通信次数，从而提升系统性能。
在本实施例中，所述步骤S6中，结合各热力站负荷预测值，根据热平衡方程，在保持供热系统的总流量和二次网回水温度不变的情况下，采用分布式机器学习方法同样建立二次网供水温度预测模型，计算二次网的供水温度设定值，包括：
边缘计算装置结合热力站负荷预测值，根据热平衡方程，在保持供热系统的总流量和二次网回水温度不变的情况下，对二次网的供水温度影响数据集进行获取和预处理后获得供水温度序列，并对时间序列相关的额外特征进行提取；所述二次网的供水温度影响数据集包括各热力站负荷预测值、二次网回水温度、一次网供水温度、一次网回水温度、一次网流量、室外温度、室外风速和室外湿度；
云端服务器利用已有公开数据初始全局二次网供水温度预测网络模型，并广播下发给联邦学习系统中的每个边缘计算装置；
参与训练的每个边缘计算装置利用本地数据进行二次网供水温度预测网络模型的训练，获得局部二次网供水温度预测网络模型，并上传至云端服务器；
云端服务器聚合多个边缘计算装置的局部二次网供水温度预测网络模型，更新全局二次网供水温度预测网络模型，并下发至每个边缘计算装置；
重复上述过程，直至模型最终收敛或达到训练次数，通过全局二次网供水温度预测网络模型获得各热力站对应的二次网供水温度设定值。
在本实施例中，所述热力站负荷预测及优化控制方法，还包括：
当增加新的热力站时，通过在已有的热力站中选择相似热力站，并利用相似热力站的数据训练可迁移的热负荷预测网络模型和二次网供水温度预测网络模型后，基于新热力站的运行数据进一步微调热负荷预测网络模型和二次网供水温度预测网络模型。
在本实施例中，所述选择相似热力站考虑热力站服务对象、所处位置和功能、连接热网输送的热媒和热力站所供区域面积；
所述利用相似热力站的数据训练可迁移的热负荷预测网络模型和二次网供水温度预测网络模型：利用相似热力站的数据训练全局热负荷预测网络模型和二次网供水温度预测网络模型，并将训练完成的模型的权重及激活阈值向量参数迁移到新的热力站对应的边缘计算装置中；
所述基于新热力站的运行数据进一步微调热负荷预测网络模型和二次网供水温度预测网络模型：将迁移的模型的权重及激活阈值向量参数作为本地联邦模型训练的初始参数，再利用新热力站的本地运行数据计算模型新的梯度，对模型参数进行调整，获得新热力站本地的热负荷预测网络模型和二次网供水温度预测网络模型。
需要说明的是，基于联邦学习算法建立相似热力站之间的迁移网络，网络中的所有热力站主体共同训练一个可共享、可迁移的联邦模型，通过联邦模型的全局训练和局部微调，学习多热力站的共性用热规律和单热力站的个性用热特征，该迁移网络能够实现多方数据的安全有效利用，从而有效应对部分热力站运行数据有限的小样本场景。
在本实施例中，所述云端服务器和边缘计算装置在进行数据传输时，发送方将数据进行加密后传输至接收方，接收方进行解密获取明文数据；所述云端服务器和边缘计算装置中设置有密码单元，所述密码单元中预置有加密和解密算法，至少包括对称加密算法和非对称加密算法。
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 (9)

1.一种基于分布式机器学习的热力站负荷预测及优化控制方法，其特征在于，所述热力站负荷预测及优化控制方法包括：
步骤S1、在多个热力站附近设置对应的边缘计算装置，对热力站的热负荷影响数据集进行获取和预处理后获得热力站负荷序列，并对时间序列相关的额外特征进行提取，基于热力站负荷特征和时间序列特征构建特征向量；
步骤S2、云端服务器利用已有公开数据初始全局热负荷预测网络模型，并广播下发给联邦学习系统中的每个边缘计算装置；
步骤S3、参与训练的每个边缘计算装置利用本地数据进行热负荷预测网络模型的训练，获得局部热负荷预测网络模型，并上传至云端服务器；
步骤S4、云端服务器聚合多个边缘计算装置的局部热负荷预测网络模型，更新全局热负荷预测网络模型，并下发至每个边缘计算装置；
步骤S5、重复步骤S1-S4，直至模型最终收敛或达到训练次数，通过全局热负荷预测网络模型获得各热力站负荷预测值；
步骤S6、结合各热力站负荷预测值，根据热平衡方程，在保持供热系统的总流量和二次网回水温度不变的情况下，采用分布式机器学习方法同样建立二次网供水温度预测模型，计算二次网的供水温度设定值，并调节一次网调节阀来控制二次热网供水温度，使得供水温度实际值能够跟随设定温度值变化，实现实时控制。
2.根据权利要求1所述的热力站负荷预测及优化控制方法，其特征在于，所述步骤S1中，对热力站的热负荷影响数据集进行获取和预处理后获得热力站负荷序列，并对时间序列相关的额外特征进行提取，基于热力站负荷特征和时间序列特征构建特征向量包括：
获取热力站的热负荷影响数据集，包括热力站的历史供回水温度、供回水流量、供回水压力、热负荷和历史室外温度、室外风速、室外湿度；
对热负荷影响数据集进行缺失数据和异常值处理后，进行小波包分解和单支重构，选择小波基函数和分解度，获得分解后的低频分量和高频分量序列；对高频分量采用自适应的完备经验模式分解获得不同的IMF分量；将低频分量和IMF分量均进行归一化处理后获得热力站负荷序列；
采用XGBoost模型计算热力站负荷序列中各个特征的重要度，进行特征选择，选取较为重要的负荷特征作为热力站负荷特征集合；
考虑t时刻的月份、小时、星期、节假日构成t时刻的时间序列特征集合；
考虑整点t时刻的负荷特征、距离整点t时刻的时间距离、下一整点t时刻的负荷特征，距离下一整点t时刻的时间距离，构成t时刻的热力站负荷特征；
将t时刻的热力站负荷特征和时间序列特征集合构成特征向量。
3.根据权利要求1所述的热力站负荷预测及优化控制方法，其特征在于，所述热负荷预测网络模型采用DeepAR自回归循环神经网络，内部包括LSTM模型和似然模块；所述似然模块结构设计包括似然函数选取、损失函数确定和输入层神经元个数设置，所述似然函数包括高斯似然函数和负二项似然函数；所述损失函数定义为：
Figure FDA0004000796300000021
z为热力站负荷在预测时刻上的真实值，任意时刻的热力站负荷值服从高斯分布，N～(μ，σ2)，μ为均值，σ为标准差；所述输入层神经元个数根据时间特征序列的个数和上一时刻热力站负荷值进行设置；所述LSTM模型包括输入层、隐含层和输出层、优化算法、损失函数、激活函数，所述输入层神经元个数根据所述热力站负荷序列的采样次数确定，所述隐含层的层数和隐含层的神经元个数是通过控制变量法不断调整参数来选择最优参数确定，所述输出层神经元输出的是热力站在下一时刻的负荷值，特征维度为1，输出层神经元个数为1，所述优化算法采用Adam优化算法，所述损失函数采用均方误差衡量预测值和真实值之间的差别，所述隐含层激活函数设定为sigmoid函数，所述输出层激活函数设定为tanh函数；所述DeepAR自回归循环神经网络模型采用网格搜索算法，在超参数空间中通过穷举法进行模型超参数寻优，获得最优的DeepAR自回归循环神经网络模型。
4.根据权利要求1所述的热力站负荷预测及优化控制方法，其特征在于，所述步骤S3中，利用本地数据进行热负荷预测网络模型的训练，获得局部热负荷预测网络模型，包括：
将包括热力站负荷特征和时间序列特征的特征向量作为本地数据，输入至热负荷预测网络模型中的LSTM模型中训练获得输出hi,t＝h(hi,t-1,zi,t-1,xi,t,Θ)；h为隐含层函数，内部采用多层循环神经网络实现，并通过参数Θ对隐含层函数进行参数化；在训练时，在每一个时间步t，hi,t-1为热负荷预测网络模型上一时间步的输出状态；zi,t-1为被测起点的上一时间步的取值，表示最后时刻的可以观测到的数据值；xi,t为热力站负荷序列i在时间步t上的值，表示网络输入状态；
计算出时间序列在未来时间步上的高斯分布参数μ和σ，表示为：
Figure FDA0004000796300000022
Figure FDA0004000796300000023
Figure FDA0004000796300000024
和/>
Figure FDA0004000796300000025
为似然层权重矩阵；bμ和bσ为全连接层偏置向量；
根据高斯分布参数μ和σ确定高斯分布，求高斯分布的二分位数作为热力站热负荷序列在t时刻的预测值zi,t。
5.根据权利要求1所述的热力站负荷预测及优化控制方法，其特征在于，所述步骤S4中，云端服务器聚合多个边缘计算装置的局部热负荷预测网络模型，更新全局热负荷预测网络模型包括：
所述云端服务器采用FedAvg联邦聚合算法对多个边缘计算装置的局部热负荷预测网络模型进行加权聚合，完成全局热负荷预测网络模型的权重和阈值参数更新；
其中，所述FedAvg联邦聚合算法进行模型加权聚合，表示为：
Figure FDA0004000796300000031
Wt和Wt+1分别为在第t和t+1轮次训练中全局热负荷预测网络模型的权重及激活阈值向量参数；K为热力站数量；n为K个热力站的数据样本总量；nk为热力站k的数据样本量；
Figure FDA0004000796300000032
为第t+1轮训练热力站k的本地局部热负荷预测网络模型权重及激活阈值向量参数；η为学习率；gk为热力站k的本地局部模型的损失函数的梯度，/>
Figure FDA0004000796300000033
L(·)为本地局部热负荷预测网络模型的损失函数，Xk为热力站k的本地局部热负荷预测网络模型的输入特征序列，yk为热力站k的实际热负荷值，wk为热力站k的本地局部热负荷预测网络模型的权重及激活阈值向量参数。
6.根据权利要求1所述的热力站负荷预测及优化控制方法，其特征在于，所述步骤S6中，结合各热力站负荷预测值，根据热平衡方程，在保持供热系统的总流量和二次网回水温度不变的情况下，采用分布式机器学习方法同样建立二次网供水温度预测模型，计算二次网的供水温度设定值，包括：
边缘计算装置结合热力站负荷预测值，根据热平衡方程，在保持供热系统的总流量和二次网回水温度不变的情况下，对二次网的供水温度影响数据集进行获取和预处理后获得供水温度序列，并对时间序列相关的额外特征进行提取；所述二次网的供水温度影响数据集包括各热力站负荷预测值、二次网回水温度、一次网供水温度、一次网回水温度、一次网流量、室外温度、室外风速和室外湿度；
云端服务器利用已有公开数据初始全局二次网供水温度预测网络模型，并广播下发给联邦学习系统中的每个边缘计算装置；
参与训练的每个边缘计算装置利用本地数据进行二次网供水温度预测网络模型的训练，获得局部二次网供水温度预测网络模型，并上传至云端服务器；
云端服务器聚合多个边缘计算装置的局部二次网供水温度预测网络模型，更新全局二次网供水温度预测网络模型，并下发至每个边缘计算装置；
重复上述过程，直至模型最终收敛或达到训练次数，通过全局二次网供水温度预测网络模型获得各热力站对应的二次网供水温度设定值。
7.根据权利要求1所述的热力站负荷预测及优化控制方法，其特征在于，所述热力站负荷预测及优化控制方法，还包括：
当增加新的热力站时，通过在已有的热力站中选择相似热力站，并利用相似热力站的数据训练可迁移的热负荷预测网络模型和二次网供水温度预测网络模型后，基于新热力站的运行数据进一步微调热负荷预测网络模型和二次网供水温度预测网络模型。
8.根据权利要求7所述的热力站负荷预测及优化控制方法，其特征在于，所述选择相似热力站考虑热力站服务对象、所处位置和功能、连接热网输送的热媒和热力站所供区域面积；
所述利用相似热力站的数据训练可迁移的热负荷预测网络模型和二次网供水温度预测网络模型：利用相似热力站的数据训练全局热负荷预测网络模型和二次网供水温度预测网络模型，并将训练完成的模型的权重及激活阈值向量参数迁移到新的热力站对应的边缘计算装置中；
所述基于新热力站的运行数据进一步微调热负荷预测网络模型和二次网供水温度预测网络模型：将迁移的模型的权重及激活阈值向量参数作为本地联邦模型训练的初始参数，再利用新热力站的本地运行数据计算模型新的梯度，对模型参数进行调整，获得新热力站本地的热负荷预测网络模型和二次网供水温度预测网络模型。
9.根据权利要求1所述的热力站负荷预测及优化控制方法，其特征在于，所述云端服务器和边缘计算装置在进行数据传输时，发送方将数据进行加密后传输至接收方，接收方进行解密获取明文数据；所述云端服务器和边缘计算装置中设置有密码单元，所述密码单元中预置有加密和解密算法，至少包括对称加密算法和非对称加密算法。
CN202211612922.9A 2022-12-15 2022-12-15 基于分布式机器学习的热力站负荷预测及优化控制方法 Pending CN116306911A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211612922.9A CN116306911A (zh) 2022-12-15 2022-12-15 基于分布式机器学习的热力站负荷预测及优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211612922.9A CN116306911A (zh) 2022-12-15 2022-12-15 基于分布式机器学习的热力站负荷预测及优化控制方法

Publications (1)

Publication Number Publication Date
CN116306911A true CN116306911A (zh) 2023-06-23

Family

ID=86834783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211612922.9A Pending CN116306911A (zh) 2022-12-15 2022-12-15 基于分布式机器学习的热力站负荷预测及优化控制方法

Country Status (1)

Country Link
CN (1) CN116306911A (zh)

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
CN117950354A (zh) * 2024-03-25 2024-04-30 江苏铭星供水设备有限公司 一种基于大数据的给水泵站远程控制系统及方法

Cited By (4)

* 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
CN117950354A (zh) * 2024-03-25 2024-04-30 江苏铭星供水设备有限公司 一种基于大数据的给水泵站远程控制系统及方法
CN117950354B (zh) * 2024-03-25 2024-05-28 江苏铭星供水设备有限公司 一种基于大数据的给水泵站远程控制系统及方法

Similar Documents

Publication Publication Date Title
Wu et al. A short-term load forecasting method based on GRU-CNN hybrid neural network model
CN116306911A (zh) 基于分布式机器学习的热力站负荷预测及优化控制方法
WO2021238505A1 (zh) 基于联邦学习的区域光伏功率概率预测方法及协同调控系统
CN111932015B (zh) 一种区域供冷供热冷热量负荷的预测方法及系统
CN107808212B (zh) 基于灰色神经网络的太阳能收集功率预测方法
CN112598150B (zh) 一种在智能电厂中基于联邦学习提升火灾检测效果的方法
CN108205717A (zh) 一种光伏发电功率多时间尺度预测方法
CN105512745A (zh) 基于粒子群—bp神经网络的风电功率区间预测方法
CN103218675A (zh) 一种基于聚类和滑动窗口的短期负荷预测方法
CN114217524A (zh) 一种基于深度强化学习的电网实时自适应决策方法
CN107966600B (zh) 一种基于深度学习算法的防窃电系统及其防窃电方法
CN114777192B (zh) 基于数据关联和深度学习的二级网供热自主优化调控方法
CN112287990A (zh) 一种基于在线学习的边云协同支持向量机的模型优化方法
CN116307209A (zh) 基于机器学习和预测控制的供热系统调度自动化实现方法
CN115795992A (zh) 一种基于运行态势虚拟推演的园区能源互联网在线调度方法
CN114462683A (zh) 基于联邦学习的云边协同多居民区负荷预测方法
CN112039058A (zh) 基于风功率预测区间的机组组合方法、系统、介质及设备
CN114909706B (zh) 一种基于强化学习算法和压差控制的二级网平衡调控方法
CN114169416B (zh) 一种基于迁移学习的小样本集下短期负荷预测方法
Lu et al. Residential Energy Consumption Forecasting Based on Federated Reinforcement Learning with Data Privacy Protection.
CN114234392B (zh) 一种基于改进pso-lstm的空调负荷精细预测方法
Zhang et al. Prediction of direct normal irradiance based on ensemble deep learning models
Wang et al. Energy management strategy for HEV based on KFCM and neural network
Yan et al. Matching Theory Aided Federated Learning Method for Load Forecasting of Virtual Power Plant
Ye et al. Improved echo state network (esn) for the prediction of network traffic

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