CN116307074A - 真实热力数据的获取方法、热力数据的神经网络模型构建系统及构建方法、热负荷预测方法 - Google Patents

真实热力数据的获取方法、热力数据的神经网络模型构建系统及构建方法、热负荷预测方法 Download PDF

Info

Publication number
CN116307074A
CN116307074A CN202310049959.3A CN202310049959A CN116307074A CN 116307074 A CN116307074 A CN 116307074A CN 202310049959 A CN202310049959 A CN 202310049959A CN 116307074 A CN116307074 A CN 116307074A
Authority
CN
China
Prior art keywords
neural network
thermal
artificial neural
data
thermal data
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.)
Granted
Application number
CN202310049959.3A
Other languages
English (en)
Other versions
CN116307074B (zh
Inventor
梁书奎
孙宗宇
胡月波
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.)
China Academy of Building Research CABR
Original Assignee
China Academy of Building Research CABR
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 China Academy of Building Research CABR filed Critical China Academy of Building Research CABR
Priority to CN202310049959.3A priority Critical patent/CN116307074B/zh
Publication of CN116307074A publication Critical patent/CN116307074A/zh
Application granted granted Critical
Publication of CN116307074B publication Critical patent/CN116307074B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Air Conditioning Control Device (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

真实热力数据的获取方法、热力数据的神经网络模型构建系统及构建方法、热负荷预测方法，涉及热负荷预测技术领域。解决了现有的热负荷预测方法获得的预测数据不是真实负荷数据的问题。真实热力数据的获取方法：获取热力站的历史热力数据，对所述历史热力数据进行预处理，得到室内设计温度、室内实际温度和供热监测数据；根据所述室内实际温度，得到平均室内实际温度；根据所述室内设计温度和所述平均室内实际温度，得到过量供热率；根据所述供热监测数据和过量供热率，得到真实热力数据。根据真实热力数据得到神经网络模型，将换热站的热力数据输入到所述神经网络模型中，获得换热站的真实热负荷数据。本发明适用于热负荷的预测。

Description

真实热力数据的获取方法、热力数据的神经网络模型构建系 统及构建方法、热负荷预测方法
技术领域
本发明涉及热负荷预测技术领域。
背景技术
集中供热虽然给人们生产生活带来了很多的方便。在一定程度上要比其他采暖方式节能环保，但不能否认的是，在实际的运行当中，换热站的能源消耗也是非常巨大的，而且换热站中存在着很严重的不必要的能源浪费问题。如果能使这部分的能源消耗降下来，那么节省下来的能源也是巨大的。通过科学合理的方法对供热负荷进行精准预测可以提升供热效率，减少能源浪费，对调整供热方式以及供热热度起指导作用。
随着数学方法和科学技术的不断发展应用，负荷预测也随之有了很大的进步，但是供热系统为热的特殊性和复杂性，使其负荷预测较其他领域发展较慢。准确的数据在研究项目中起着至关重要的作用。准确的热负荷预测在集中供热系统中发挥着不可估量的作用，可以为用户提供适当的热量并调整系统的准备工作。同时，系统运行过程中产生的数据对下一步系统的改进具有重要意义。
目前国内对相关方面的研究较少。2008年公开的论文文献：李琼，孟庆林.基于RBF神经网络的建筑逐时空调负荷预测模型[J].华南理工大学学报(自然科学版)：2008，36(10):25-30。该论文文献建立了RBF神经网络来预测办公楼和图书馆对于空调的热负荷，结果表明，RBF神经网络具有良好的预测效果。2009年公开的论文文献：Li Q,Meng Q,Cai J,et al.Predicting hourly cooling load in the building:A comparison of supportvector machine and different artificial neural networks[J](建筑逐时冷负荷预测：支持向量机与不同人工神经网络的比较)Energy Conversion and Management(能源转换与管理):2009,50(1):90-96。该论文文献比较了三种神经网络模型BPNN、RBFNN和GRNN在广东某建筑冷负荷预测中的应用，结果表明GRNN预测误差最小。2014年公开的论文文献：李璐，于军琪，杨益.基于GA-BP神经网络的大型公共建筑能耗预测研究[J].中外建筑：2014，(03)112-114。该论文文献使用BPNN结合GA算法预测大型公共建筑的能耗，GA-BP神经网络可以更准确地预测建筑物的能耗。2003年公开的论文文献：郝有志，李德英，郝斌.基于神经网络的供热计量系统热负荷短期预测[J].暖通空调，2003，33(6)：105-107。该论文文献使用BPNN算法建立热负荷预测模型，通过大量数据对比发现，BPNN算法预测的平均相对误差为6.93％，效果不错。
从现有的研究中可以看出，都使用了大数据分析技术，然后对比分析不同预测方法中哪种方法效果更好；另一方面，选择热负荷预测方法，选择不同的输入参数来确定哪个参数影响更大。研究的重点是各种预测方法在热负荷预测中的效果。但是没有研究通过多维比较确定不同预测模型的适用性。从已有的研究可以得出，目前的研究使用不同的关键变量建立预测模型，虽然得到的模型的预测精度较高，但普遍性较差。主要原因是不同热特性的建筑物或热力站影响热负荷的关键因素不同。
因此，现有的负荷预测方法，采用的历史数据多为直接测量得到，而非真正的负荷需求。而进行负荷预测的主要目的是指导控制和运行调节，需要的是真实负荷需求数据。
发明内容
本发明解决了现有的热负荷预测方法获得的预测数据不是真实负荷数据的问题。
为实现上述目的，本发明提供了如下方案：
本发明提供一种真实热力数据的获取方法，所述获取方法为：
S1、获取热力站的历史热力数据，对所述历史热力数据进行预处理，得到室内设计温度、室内实际温度和供热监测数据；
S2、根据所述室内实际温度，得到平均室内实际温度；
S3、根据所述室内设计温度和所述平均室内实际温度，得到过量供热率；
S4、根据所述供热监测数据和过量供热率，得到真实热力数据。
进一步，还有一种优选实施例，上述步骤S1中的供热监测数据包括回水温度、流量变化值和压差值。
进一步，还有一种优选实施例，上述步骤S3中的过量供热率ε表示为：
Figure BDA0004057443070000021
其中，Ti，a为平均室内实际温度，Ti，d为室内设计温度，T0为室外气温。
本发明还提供一种热力数据的神经网络模型构建方法，所述神经网络模型是采用上述任意一项所述的真实热力数据获得的，所述构建方法为：
A1、建立人工神经网络，并对所述人工神经网络进行初始化，获得初始人工神经网络；
A2、设置所述初始人工神经网络的准确率和最大学习次数，获得准确率和最大学习次数；
A3、对所述初始人工神经网络进行赋予权重，并根据所述真实热力数据进行训练，获得人工神经网络的隐藏层各单元的输出值和输出层各单元的输出值；
A4、将所述输出层各单元的输出值和隐藏层各单元的输出值与最优值进行比较，从而对所述权重进行修正，获得所述人工神经网络的准确率；
A5、将所述人工神经网络的准确率与设置的准确率进行对比，获得所述人工神经网络的学习次数，将所述人工神经网络的学习次数与设置的最大学习次数进行比较；
A6、当所述人工神经网络的准确率和学习次数满足要求时，训练结束，获得热力数据的神经网络模型。
进一步，还有一种优选实施例，上述步骤A2中的准确率为10.95％，最大学习次数为2000。
进一步，还有一种优选实施例，上述步骤A3中的权重为-1到1之间的随机数。
本发明还提供一种热负荷预测方法，所述预测方法是采用热力数据的神经网络模型实现的，所述热力数据的神经网络模型由上述任意一项所述的一种热力数据的神经网络模型构建方法获得，所述热负荷预测方法为：
将换热站的热力数据输入到所述神经网络模型中，获得换热站的真实热负荷数据。
本发明还提供一种热力数据的神经网络模型构建系统，所述系统包括：
用于建立人工神经网络，并对所述人工神经网络进行初始化，获得初始人工神经网络的存储装置；
用于设置所述初始人工神经网络的准确率和最大学习次数，获得准确率和最大学习次数的存储装置；
用于对所述初始人工神经网络进行赋予权重，并根据所述真实热力数据进行训练，获得人工神经网络的隐藏层各单元的输出值和输出层各单元的输出值的存储装置；
用于将所述输出层各单元的输出值和隐藏层各单元的输出值与最优值进行比较，从而对所述权重进行修正，获得所述人工神经网络的准确率的存储装置；
用于将所述人工神经网络的准确率与设置的准确率进行对比，获得所述人工神经网络的学习次数，将所述人工神经网络的学习次数与设置的最大学习次数进行比较的存储装置；
用于当所述人工神经网络的准确率和学习次数满足要求时，训练结束，获得热力数据的神经网络模型的存储装置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述任意一项所述的一种真实热力数据的获取方法或上述任一项所述的一种热力数据的神经网络模型构建方法。
本发明还提供一种计算机设备，该设备包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行上述任意一项所述的一种真实热力数据的获取方法或上述任意一项所述的一种热力数据的神经网络模型构建方法。
本发明的有益效果为：
1、本发明提供一种真实热力数据的获取方法，根据所述方法得出真实热力数据，同时根据所述真实热力数据建立热力数据的神经网络模型，根据所述热力数据的神经网络模型得到真实热负荷数据，根据所述热负荷数据，减少能源浪费，解决现有的热负荷预测方法获得的预测数据不是真实负荷数据的问题。
2、本发明提供一种热力数据的神经网络模型构建方法，采用真实热力数据对神经网络模型进行训练，获得热力数据的神经网络模型，解决了传统的预测模型普适性较差、使用非真正的负荷需求指导控制和运行的问题，提高了预测结果的准确度，拓宽了供热负荷预测的应用。
3、本发明提供一种热力数据的神经网络模型构建方法，采用将真实热力数据放入到所述人工神经网络中进行训练，通过对权重的不断修正，可以得到最优的热力数据的神经网络模型，提高了应用热力数据的神经网络模型得到的热负荷预测的准确性。
本发明适用于热负荷的预测。
附图说明
图1是实施方式一所述的一种真实热力数据的获取方法的流程图；
图2是实施方式四所述的一种热力数据的神经网络模型构建方法的流程图；
图3是实施方式十一所述的随机森林模型和热力数据的人工神经网络的RMSE与CV-RMSE对比图。
具体实施方式
实施方式一.参见图1说明本实施方式，本实施方式提供一种真实热力数据的获取方法，所述方法为：
S1、获取热力站的历史热力数据，对所述历史热力数据进行预处理，得到室内设计温度、室内实际温度和供热监测数据；
S2、根据所述室内实际温度，得到平均室内实际温度；
S3、根据所述室内设计温度和所述平均室内实际温度，得到过量供热率；
S4、根据所述供热监测数据和过量供热率，得到真实热力数据。
本实施方式在实际应用时，选取历史热力数据中的一段时间，一天或者几十小时进行分析，得到室内设计温度、室内实际温度和供热监测数据，同时还可以得到瞬时热负荷热表值和设计最大热负荷。根据室内温度，计算出平均室内温度，根据室内设计温度和和室内平均温度，得到过量供热率，过量供热率为实际供热量与理论热负荷的相对差异率，因此，对于某一供暖时间段，通过计算平均室内温度，则可得出过量供热率。根据所述供热监测数据和过量供热率，得到真实热力数据。
本实施方式提供一种真实热力数据的获取方法，根据所述方法得出真实热力数据，同时根据所述真实热力数据建立热力数据的神经网络模型，根据所述热力数据的神经网络模型得到真实热负荷数据，根据所述热负荷数据，减少能源浪费，解决现有的热负荷预测方法获得的预测数据不是真实负荷数据的问题。
实施方式二.本实施方式是对实施方式一所述的一种真实热力数据的获取方法中步骤S1的供热监测数据作举例说明，所述供热监测数据包括回水温度、流量变化值和压差值。
本实施方式在实际应用时，获取热力站的历史热力数据，对所述历史热力数据进行预处理，得到回水温度、流量变化值和压差值。
本实施方式在实际应用时，室内温度和回水温度通过与设计值相比，按照权重对数据进行修正。流量变化值与压差值长时间不变化，通过热惰性系数进行修正，建筑热惰性是指建筑围护结构抵抗外界温度波动的能力，随着室外温度的变化，会引起室内温度变化和室内供热需求的衰减和延迟。热惰性能系数是根据专业知识背景首次构造并提出的一种新的输入特征，用于表征供热系统热惰性和传热滞后性的情况。将热惰性能系数作为新输入特征引入供热负荷预测模型的训练中，相当于基于专业知识背景人工的进行特征提取，提升模型的预测性能。
实施方式三.本实施方式是对实施方式一所述的一种真实热力数据的获取方法中步骤S3的过量供热率ε作举例说明，所述过量供热率ε表示为：
Figure BDA0004057443070000051
其中，Ti，a为平均室内实际温度，Ti，d为室内设计温度，T0为室外气温。
本实施方式针对历史热力数据可靠性和针对性的问题，计算出过量供热率，如果过量供热率较为严重的情况，则需要对数据进行优化修正，提高了热负荷预测的可靠性与准确率。
实施方式四.参见图2说明本实施方式，本实施方式提供一种热力数据的神经网络模型构建方法，所述神经网络模型是采用实施方式一至实施方式三任意一项所述的真实热力数据获得的，所述构建方法为：
A1、建立人工神经网络，并对所述人工神经网络进行初始化，获得初始人工神经网络；
A2、设置所述初始人工神经网络的准确率和最大学习次数，获得准确率和最大学习次数；
A3、对所述初始人工神经网络进行赋予权重，并根据所述真实热力数据进行训练，获得人工神经网络的隐藏层各单元的输出值和输出层各单元的输出值；
A4、将所述输出层各单元的输出值和隐藏层各单元的输出值与最优值进行比较，从而对所述权重进行修正，获得所述人工神经网络的准确率；
A5、将所述人工神经网络的准确率与设置的准确率进行对比，获得所述人工神经网络的学习次数，将所述人工神经网络的学习次数与设置的最大学习次数进行比较；
A6、当所述人工神经网络的准确率和学习次数满足要求时，训练结束，获得热力数据的神经网络模型。
本实施方式在实际应用时，建立人工神经网络，并对所述人工神经网络进行初始化，然后设置人工神经网络的准确率和最大学习次数，分别将所述人工神经网络的输入层和隐藏层之间赋予权重和人工神经网络的隐藏层和输出层之间赋予权重，并根据所述真实热力数据进行训练，首先室内温度和回水温度通过与最优值相比，按照对比结果对权重进行修正。流量变化值与压差值长时间不变化，通过热惰性系数进行修正，建筑热惰性是指建筑围护结构抵抗外界温度波动的能力，随着室外温度的变化，会引起室内温度变化和室内供热需求的衰减和延迟。热惰性能系数是根据专业知识背景首次构造并提出的一种新的输入特征，用于表征供热系统热惰性和传热滞后性的情况。将热惰性能系数作为新输入特征引入供热负荷预测模型的训练中，相当于基于专业知识背景人工的进行特征提取，提升模型的预测性能。获得人工神经网络的隐藏层各单元的输出值和输出层各单元的输出值；将所述输出层各单元的输出值与最优值进行比较，从而对隐藏层和输出层之间的权重进行修正；根据输入层的输入值与所述隐藏层的输出值进行比较，从而对输入层和隐藏层之间的权重进行修正；获得所述人工神经网络的准确率，并与所述人工神经网络设置的准确率进行比较，计算所述人工神经网络的学习次数，与所述人工神经网络设置的学习次数进行比较；当所述人工神经网络的准确率和学习次数满足设置的准确率和最大学习次数时，训练结束，得到热力数据的神经网络模型。
本实施方式提供一种热力数据的神经网络模型构建方法，采用真实热力数据对神经网络模型进行训练，获得热力数据的神经网络模型，解决了传统的预测模型普适性较差、使用非真正的负荷需求指导控制和运行的问题，提高了预测结果的准确度，拓宽了供热负荷预测的应用。
本实施方式提供一种热力数据的神经网络模型构建方法，采用将真实热力数据放入到所述人工神经网络中进行训练，通过对权重的不断修正，可以得到最优的热力数据的神经网络模型，提高了应用热力数据的神经网络模型得到的热负荷预测的准确性。
实施方式五.本实施方式是对实施方式四所述的一种热力数据的神经网络模型构建方法中步骤A3的准确率和最大学习次数作举例说明，所述步骤A3中的准确率为10.95％，最大学习次数为2000。
实施方式六.本实施方式是对实施方式四所述的一种热力数据的神经网络模型构建方法中步骤A2中的权重作举例说明，所述步骤A2中的权重具体为：
所述权重为-1到1之间的随机数。
实施方式七.本实施方式提供一种热负荷预测方法，所述预测方法是采用热力数据的神经网络模型实现的，所述热力数据的神经网络模型由实施方式四至实施方式六任意一项所述的一种热力数据的神经网络模型构建方法获得，所述热负荷预测方法为：
将换热站的热力数据输入到所述神经网络模型中，获得换热站的真实热负荷数据。
本实施方式采用热力数据的神经网络模型实现热负荷的预测，所述热力数据的神经网络模型将真实热力数据进行训练，通过对权重的不断修正，得到最优的热力数据的神经网络模型，提高了应用热力数据的神经网络模型得到的热负荷预测的准确性。
实施方式八.本实施方式提供一种热力数据的神经网络模型系统，所述系统包括：
用于建立人工神经网络，并对所述人工神经网络进行初始化，获得初始人工神经网络的存储装置；
用于设置所述初始人工神经网络的准确率和最大学习次数，获得准确率和最大学习次数的存储装置；
用于对所述初始人工神经网络进行赋予权重，并根据所述真实热力数据进行训练，获得人工神经网络的隐藏层各单元的输出值和输出层各单元的输出值的存储装置；
用于将所述输出层各单元的输出值和隐藏层各单元的输出值与最优值进行比较，从而对所述权重进行修正，获得所述人工神经网络的准确率的存储装置；
用于将所述人工神经网络的准确率与设置的准确率进行对比，获得所述人工神经网络的学习次数，将所述人工神经网络的学习次数与设置的最大学习次数进行比较的存储装置；
用于当所述人工神经网络的准确率和学习次数满足要求时，训练结束，获得热力数据的神经网络模型的存储装置。
实施方式九.本实施方式提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行实施方式一至实施方式三任意一项所述的一种热力数据的辨识方法或实施方式四至实施方式六任一项所述的一种热力数据的神经网络模型构建方法。
实施方式十.本实施方式提供一种计算机设备，该设备包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行实施方式一至实施方式三任意一项所述的一种热力数据的辨识方法或实施方式四至实施方式六任一项所述的一种热力数据的神经网络模型构建方法。
实施方式十一.参见图3说明本实施方式，本实施方式采用实施方式四至实施方式六任意一项所述的热力数据的神经网络模型对热力用户一二次网的运行记录数据并依据计算得到的热负荷需求进行比对，采用两种基础预测模型：随机森林和热力数据的人工神经网络，对时间序列处理方法对各模型预测精度的提升效果进行验证，然后对数据进行基于热惰性的热力数据系数修正处理后各模型的预测性能进行对比分析。
应用原始记录数据预测，随机森林模型的测试集RMSE为7304.2，CV-RMSE为22.3％；热力数据的人工神经网络模型的测试集RMSE为6275.4，CV-RMSE为19.14％。经过时间序列处理后再进行训练与预测，随机森林模型的RMSE为5790.9，下降了20.7％，CV-RMSE为17.66％，下降了4.74％；热力数据的人工神经网络模型的RMSE为5460.5，下降了12.8％，CV-RMSE为16.63％，下降了2.48％。对热力数据进行系数修正处理后，随机森林模型的RMSE为4499.8，下降了22.2％，CV-RMSE为13.72％，下降了3.94％；热力数据的人工神经网络模型的RMSE为3648.61，下降了33％，CV-RMSE为11.13％，下降了5.5％。
上述RMSE为均方根误差值，CV-RMSE为均方根误差变异系数。
由上述结果可知，两次处理过程均对建筑实际需求预测的精度均有显著提升，另外也可看出热力数据的人工神经网络在热负荷预测过程中有着更好的表现。
以上所述仅为本发明的实施例而已，并不限制于本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所做的任何修改，等同替换、改进等。均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种真实热力数据的获取方法，其特征在于，所述获取方法为：
S1、获取热力站的历史热力数据，对所述历史热力数据进行预处理，得到室内设计温度、室内实际温度和供热监测数据；
S2、根据所述室内实际温度，得到平均室内实际温度；
S3、根据所述室内设计温度和所述平均室内实际温度，得到过量供热率；
S4、根据所述供热监测数据和过量供热率，得到真实热力数据。
2.根据权利要求1所述的一种真实热力数据的获取方法，其特征在于，所述步骤S1中的供热监测数据包括回水温度、流量变化值和压差值。
3.根据权利要求1所述的一种真实热力数据的获取方法，其特征在于，所述步骤S3中的过量供热率ε表示为：
Figure FDA0004057443060000011
其中，Ti，a为平均室内实际温度，Ti，d为室内设计温度，T0为室外气温。
4.一种热力数据的神经网络模型构建方法，其特征在于，所述神经网络模型是采用权利要求1-3任意一项所述的真实热力数据获得的，所述构建方法为：
A1、建立人工神经网络，并对所述人工神经网络进行初始化，获得初始人工神经网络；
A2、设置所述初始人工神经网络的准确率和最大学习次数，获得准确率和最大学习次数；
A3、对所述初始人工神经网络进行赋予权重，并根据所述真实热力数据进行训练，获得人工神经网络的隐藏层各单元的输出值和输出层各单元的输出值；
A4、将所述输出层各单元的输出值和隐藏层各单元的输出值与最优值进行比较，从而对所述权重进行修正，获得所述人工神经网络的准确率；
A5、将所述人工神经网络的准确率与设置的准确率进行对比，获得所述人工神经网络的学习次数，将所述人工神经网络的学习次数与设置的最大学习次数进行比较；
A6、当所述人工神经网络的准确率和学习次数满足要求时，训练结束，获得热力数据的神经网络模型。
5.根据权利要求4所述的一种热力数据的神经网络模型构建方法，其特征在于，所述步骤A2中的准确率为10.95％，最大学习次数为2000。
6.根据权利要求4所述的一种热力数据的神经网络模型构建方法，其特征在于，所述步骤A3中的权重为-1到1之间的随机数。
7.一种热负荷预测方法，其特征在于，所述预测方法是采用热力数据的神经网络模型实现的，所述热力数据的神经网络模型由权利要求4-6任意一项所述的一种热力数据的神经网络模型构建方法获得，所述热负荷预测方法为：
将换热站的热力数据输入到所述神经网络模型中，获得换热站的真实热负荷数据。
8.一种热力数据的神经网络模型构建系统，其特征在于，所述系统包括：
用于建立人工神经网络，并对所述人工神经网络进行初始化，获得初始人工神经网络的存储装置；
用于设置所述初始人工神经网络的准确率和最大学习次数，获得准确率和最大学习次数的存储装置；
用于对所述初始人工神经网络进行赋予权重，并根据所述真实热力数据进行训练，获得人工神经网络的隐藏层各单元的输出值和输出层各单元的输出值的存储装置；
用于将所述输出层各单元的输出值和隐藏层各单元的输出值与最优值进行比较，从而对所述权重进行修正，获得所述人工神经网络的准确率的存储装置；
用于将所述人工神经网络的准确率与设置的准确率进行对比，获得所述人工神经网络的学习次数，将所述人工神经网络的学习次数与设置的最大学习次数进行比较的存储装置；
用于当所述人工神经网络的准确率和学习次数满足要求时，训练结束，获得热力数据的神经网络模型的存储装置。
9.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行权利要求1-3任意一项所述的一种真实热力数据的获取方法或权利要求4-6任一项所述的一种热力数据的神经网络模型构建方法。
10.一种计算机设备，其特征在于，该设备包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行权利要求1-3任意一项所述的一种真实热力数据的获取方法或权利要求4-6任一项所述的一种热力数据的神经网络模型构建方法。
CN202310049959.3A 2023-02-01 2023-02-01 真实热力数据的获取方法、热力数据的神经网络模型构建系统及构建方法、热负荷预测方法 Active CN116307074B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310049959.3A CN116307074B (zh) 2023-02-01 2023-02-01 真实热力数据的获取方法、热力数据的神经网络模型构建系统及构建方法、热负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310049959.3A CN116307074B (zh) 2023-02-01 2023-02-01 真实热力数据的获取方法、热力数据的神经网络模型构建系统及构建方法、热负荷预测方法

Publications (2)

Publication Number Publication Date
CN116307074A true CN116307074A (zh) 2023-06-23
CN116307074B CN116307074B (zh) 2024-10-18

Family

ID=86833182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310049959.3A Active CN116307074B (zh) 2023-02-01 2023-02-01 真实热力数据的获取方法、热力数据的神经网络模型构建系统及构建方法、热负荷预测方法

Country Status (1)

Country Link
CN (1) CN116307074B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117267782A (zh) * 2023-11-22 2023-12-22 瑞纳智能设备股份有限公司 供热控制方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0835706A (ja) * 1994-07-21 1996-02-06 Hitachi Plant Eng & Constr Co Ltd 空調熱負荷予測システム
US20050192915A1 (en) * 2004-02-27 2005-09-01 Osman Ahmed System and method for predicting building thermal loads
CN110910017A (zh) * 2019-11-22 2020-03-24 国网江苏省电力有限公司电力科学研究院 一种建筑供冷/热状况评价方法及装置
CN115423191A (zh) * 2022-09-05 2022-12-02 大连理工大学 一种基于神经网络并受房间热负荷约束的室温模型预测控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0835706A (ja) * 1994-07-21 1996-02-06 Hitachi Plant Eng & Constr Co Ltd 空調熱負荷予測システム
US20050192915A1 (en) * 2004-02-27 2005-09-01 Osman Ahmed System and method for predicting building thermal loads
CN110910017A (zh) * 2019-11-22 2020-03-24 国网江苏省电力有限公司电力科学研究院 一种建筑供冷/热状况评价方法及装置
CN115423191A (zh) * 2022-09-05 2022-12-02 大连理工大学 一种基于神经网络并受房间热负荷约束的室温模型预测控制方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117267782A (zh) * 2023-11-22 2023-12-22 瑞纳智能设备股份有限公司 供热控制方法及装置
CN117267782B (zh) * 2023-11-22 2024-02-20 瑞纳智能设备股份有限公司 供热控制方法及装置

Also Published As

Publication number Publication date
CN116307074B (zh) 2024-10-18

Similar Documents

Publication Publication Date Title
CN103912966B (zh) 一种地源热泵制冷系统优化控制方法
CN110458340B (zh) 基于模式分类的建筑空调冷负荷自回归预测方法
CN110796307B (zh) 一种综合能源系统分布式负荷预测方法及系统
CN112950098B (zh) 基于综合能源系统的能源规划方法、装置及终端设备
CN111754037B (zh) 区域终端集成供能系统长期负荷混合预测方法
CN110380444B (zh) 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
CN116307074B (zh) 真实热力数据的获取方法、热力数据的神经网络模型构建系统及构建方法、热负荷预测方法
CN117172499A (zh) 一种基于强化学习的智慧社区能量优化调度方法、系统及存储介质
CN116485036A (zh) 一种基于多任务学习机制的多能流碳排放短期预测方法
CN113449909B (zh) 一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法
CN110533247A (zh) 一种采用气温数据异常点补偿的月度用电量预测方法
CN117993611A (zh) 一种基于场景时序的灵活热源新能源消纳能力评估方法
CN117559422A (zh) 基于画像的工业园区可调节功率区间估计方法、系统与计算机可读存储介质
CN115660325B (zh) 一种电网调峰能力量化方法及系统
CN117091242A (zh) 空调温控负荷集群的评估方法、温度设定方法及系统
CN111105090A (zh) 一种基于智能算法的分布式能源系统优化调度方法及装置
CN116629119A (zh) 一种室内综合环境设计参数优化与控制方法
CN116227725A (zh) 一种建筑物空调系统的负荷预测方法、装置及电子设备
Zheng Research on energy-saving control and optimisation of air conditioning system based on genetic algorithm
Chen et al. Model Free Adaptive Control for Air-Conditioning System in Office Buildings Based on Improved NSGA-II Algorithm
Zou et al. Research on public building energy consumption prediction method based on hybrid analysis of dynamic and static data
CN117371624B (zh) 一种建筑节能改造优化管理方法
CN117318049B (zh) 一种基于系数校正的配电网柔性负荷建模方法及系统
Ye et al. Combined Prediction Model of Electricity Consumption Based on Grey System and ARIMA Model Correction
CN118423746A (zh) 一种基于用户需求和能量不平衡度的供热系统调控方法

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