CN116307209A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116307209A CN116307209A CN202310294871.8A CN202310294871A CN116307209A CN 116307209 A CN116307209 A CN 116307209A CN 202310294871 A CN202310294871 A CN 202310294871A CN 116307209 A CN116307209 A CN 116307209A
- Authority
- CN
- China
- Prior art keywords
- heating system
- value
- energy efficiency
- neural network
- 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.)
- Pending
Links
- 238000010438 heat treatment Methods 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000010801 machine learning Methods 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 97
- 238000005457 optimization Methods 0.000 claims abstract description 80
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 53
- 230000006870 function Effects 0.000 claims abstract description 47
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 26
- 230000001105 regulatory effect Effects 0.000 claims abstract description 14
- 238000005096 rolling process Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims abstract description 5
- 239000002245 particle Substances 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000013499 data model Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 230000003190 augmentative effect Effects 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000003416 augmentation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000004800 variational method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种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,包括:采用机器学习算法建立供热系统末端用户热负荷预测模型和供热系统能效预测模型;设置神经网络控制器:输入变量为状态变量,包括供热系统能效比、室外气象参数、供热系统末端用户热负荷;输出变量为控制变量,包括供热系统二次侧供水温度、循环泵控制频率、电动调节阀开度;设置供热系统预测控制优化目标函数和设备状态约束条件;利用神经网络控制器在有限的预测时域内对控制变量进行滚动优化,输出量即为控制变量最优目标值;根据控制变量最优目标值对供热系统进行调度自动化,并依据调度结果进行反馈校正控制,使得供热系统按照控制变量最优目标值进行调度。
Description
技术领域
本发明属于智慧供热技术领域,具体涉及一种基于机器学习和预测控制的供热系统调度自动化实现方法。
背景技术
供热系统调度自动化是在调度中心建立一个供热运行远程监控管理和信息发布平台,运用先进的控制软件对热源、热网及各热力站的运行状态、运行参数,进行全方位自动监视、调节和智能优化控制。随着我国经济的快速发展,能源的消耗量逐年增加,能源危机形势日益严峻。居民供热是消耗能源的重要方面,如何在保证供热正常的前提下降低消耗的热量,提高供热系统的能效,已经成为当前人们研究中的重要技术方向。
供热系统属于多回路耦合的复杂非线性系统,传统PID控制参数整定困难,造成系统在工况变化情况下容易发生振荡,且PID控制方法设计和调试困难,控制效果较差,无法兼顾满足用户热负荷需求和节能两方面的性能。另外,目前实际工程中供热系统调度自动化大多为手动运行方式,管理和控制粗放,造成极大的能源浪费,因此非常有必要研究供热系统调度自动化控制策略,以实现在满足用户热负荷需求的前提下尽可能节能的控制目标。
基于上述技术问题,需要设计一种新的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。
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,提供一种基于机器学习和预测控制的供热系统调度自动化实现方法,能够通过机器学习算法建立供热系统末端用户热负荷预测模型和供热系统能效预测模型,为供热系统调度自动化的控制变量计算建立数据状态变量基础,以及采用神经网络作为反馈控制器实现预测控制滚动优化,将变分法和随机梯度下降法相结合,并以满足供热系统能效要求和热负荷要求为目标,设计神经网络控制器,能够克服不确定因素的影响,在热负荷不断变化的情况下使得系统稳定在高能效工况下,通过预测控制计算获得的控制变量能够实现供热系统的调度自动化,使得供热系统能够按照控制目标进行控制和调度。
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机器学习和预测控制的供热系统调度自动化实现方法,它包括:
采用机理建模和参数辨识的方法进行供热系统数字孪生模型的建立;
基于供热系统数字孪生模型,采用机器学习算法建立供热系统末端用户热负荷预测模型和供热系统能效预测模型;
设置神经网络控制器:输入变量为状态变量,至少包括供热系统能效比、室外气象参数、供热系统末端用户热负荷;输出变量为控制变量,至少包括供热系统二次侧供水温度、循环泵控制频率、电动调节阀开度;
在满足末端用户热负荷需求和提高供热系统能效的条件下,设置供热系统预测控制优化目标函数和设备状态约束条件;
利用神经网络控制器在有限的预测时域内对控制变量进行滚动优化,输出量即为控制变量最优目标值;
根据控制变量最优目标值对供热系统进行调度自动化,并依据调度结果进行反馈校正控制,使得供热系统按照控制变量最优目标值进行调度。
进一步,所述采用机理建模和参数辨识的方法进行供热系统数字孪生模型的建立,包括:
对供热系统中一级网、二级网、热力站和末端热用户进行物理模型、逻辑模型、仿真模型和数据模型的建立,并对物理模型、逻辑模型、仿真模型和数据模型之间进行相互耦合和多层次、多尺度集成,将物理空间中的物理实体在虚拟空间进行映射重构后建立供热系统数字孪生模型;
采用改进的自适应惯性权重粒子群优化算法对供热系统数字孪生模型参数进行寻优:将惯性权重非线性递减更新策略和变异操作相结合引入到PSO算法中形成改进的自适应惯性权重粒子群优化算法;确定供热系统数字孪生模型要辨识的参数,设置各参数的取值范围,每个参数优化问题转化为粒子位置的寻优问题;引入位置变量,借助供热系统中获取的训练样本数据对供热系统数字孪生模型的偏差进行求解,采用改进的自适应惯性权重粒子群优化算法依据该偏差值的大小对粒子的最佳位置进行选择,获得最优供热系统数字孪生模型参数;选择均方根误差和平均绝对百分比误差作为衡量指标,对供热系统数字孪生模型性能进行验证。
进一步,所述基于供热系统数字孪生模型,采用机器学习算法建立供热系统末端用户热负荷预测模型和供热系统能效预测模型,包括:
基于供热系统数字孪生模型获取供热系统末端用户热负荷相关的运行数据和供热系统能效相关的运行数据;
设置Gabor滤波器作为云图特征提取算法,进行云层不同方向的纹理走向特征和边缘信息的提取,获得云层不同尺度的数据特征;
将所述云层不同尺度的数据特征、供热系统末端用户热负荷相关的历史运行数据和室外温度、风向、湿度数据作为供热系统末端用户热负荷预测模型的数据样本;
采用改进的PSO优化算法对RBF神经网络进行局部寻优,获得最优初始权值和阈值并作为LM算法的初值进行训练获得RBF神经网络的全局最优权值和阈值;
将供热系统末端用户热负荷预测模型的数据样本输入至优化后的RBF神经网络中进行训练,建立供热系统末端用户热负荷预测模型;
以及,将所述云层不同尺度的数据特征、供热系统能效相关的运行数据和室外温度、风向、湿度数据作为供热系统能效预测模型的数据样本;
采用EMD方法对供热系统能效预测模型的数据样本进行分解获得多个能效特征分量后,再采用条件生成对抗网络CGAN对多个能效特征分量进行训练,建立供热系统能效预测模型。
进一步,所述设置Gabor滤波器作为云图特征提取算法,进行云层不同方向的纹理走向特征和边缘信息的提取,获得云层不同尺度的数据特征,包括:
依据云图中天空和云层的不同大小、尺寸,且分布于不同的空间位置属性,选取5个尺度和8个方向的Gabor滤波器组进行云层不同方向的纹理走向特征和边缘信息的提取;设定云图的方向取值为θ1、θ2、θ3、θ4、θ5、θ6、θ7、θ8,尺度的取值为f1、f2、f3、f4、f5;
在获得Gabor滤波器组之后,将每个Gabor滤波器分别与原始云图图像进行卷积,设原始云图图像为I(x,y),特定尺度和方向的Gabor滤波器为Gf,θ(x,y),则滤波后的图像表示为:
f为尺度序数,f=1,2,3,4,5;θ为方向序数,θ=1,2,3,4,5,6,7,8;Gf,θ(x,y)R、Gf,θ(x,y)I分别为对应尺度和方向下Gabor滤波器的实部和虚部;
在获得云图图像的多个Gabor特征后,利用基于能量原则的优选方法对多个特征进行优选:计算滤波后图像的总能量和各个滤波图像的能量对各个滤波图像的能量依据顺序排列,选取预设数量的滤波图像作为优选特征图像;
对优选特征图像进行平滑滤波,获得多个特征图像的特征矩阵,再将特征矩阵向量化,依据从左至右和从上到下的顺序将特征矩阵转化为一个包含M×N个像素点样本的数据集X={X1,X2,…,Xi,…,XS},(S=M×N),其中第i个样本Xi={xi1,xi2,…,xik,…,xin}是一个n维矢量,xik是对应像素点样本Xi的第k个Gabor特征;
对特征向量进行零均值和归一化,消除各特征量值大小的差异,获得最终的特征向量。
进一步,所述供热系统末端用户热负荷相关的历史运行数据至少包括当前时刻负荷值、前一天负荷值、前一周负荷值和二次供水温度、二次回水温度、二次供水流量;
所述采用改进的PSO优化算法对RBF神经网络进行局部寻优,获得最优初始权值和阈值并作为LM算法的初值进行训练获得RBF神经网络的全局最优权值和阈值,包括:
将自适应权重法引入PSO优化算法形成改进的PSO优化算法,表示为:
w为惯性权重;wmin和wmax分别为惯性权重因子最小值和最大值;f为粒子的适应度;favg和fmin分别为适应度平均值和最小值;
初始化粒子的初始速度和位置,设置学习因子、个体最优坐标pbest和种群最优坐标gbest;
计算粒子适应度值,并进行速度和位置的更新;
比较种群中每个粒子位置的适应度和pbest的适应度比较,更新pbest;同理将pbest和gbest比较更新gbest;
依据自适应权重法调整网络权重,当算法满足结束条件或达到最大迭代次数,输出RBF神经网络的最优初始权值和阈值;否则,重新计算粒子适应度值,并进行速度和位置的更新;
初始化RBF神经网络的权值和阈值W0,并设置网络训练误差允许值ε、最大训练次数和初始化对比例系数μ和步进因子β;
计算网络第k次迭代的误差指数S(Wk),Wk为第k次迭代产生的神经网络的权值和阈值;
计算雅克比矩阵,并计算获得网络权值和阈值变化量ΔW,同时获得新的权值和阈值Wk+1,表示为:
ei(Wk)为RBF神经网络预计输出值和实际输出值之间的差值,N为维数;J为雅克比矩阵;I为单位阵;μ为正常数;
若S(Wk)<ε,满足误差要求,则停止计算输出RBF神经网络的全局最优权值和阈值;否则返回再次计算第k+1次的误差指数S(Wk+1);
比较S(Wk+1)和S(Wk),若S(Wk+1)<S(Wk),则k=k+1,μ=μ/β,返回再次计算误差指数;否则,μ=μ·β,返回计算获得RBF神经网络权值和阈值变化量。
进一步,所述供热系统能效相关的运行数据至少包括:当前时刻负荷值、当前时刻系统能效比和二次侧供水温度、循环泵控制频率、电动调节阀开度、二次供水流量;
所述采用EMD方法对供热系统能效预测模型的数据样本进行分解获得多个能效特征分量后,再采用条件生成对抗网络CGAN对多个能效特征分量进行训练,建立供热系统能效预测模型,包括:
采用EMD方法将供热系统能效预测模型的数据样本分解为多个时间尺度下的n-1个本征模态函数IMF分量和1个残差RES分量;
设置条件对抗网络CGAN的结构:在GAN生成器和判别器的博弈结构基础上,增加条件值y作为输入,随机噪声z与条件值y共同作为生成器的输入,通过生成器生成样本G(z|y),判别器判断对应条件下的生成样本与真实样本x是否相似,并将判别结果D(x|y)通过损失函数反馈给生成器和判别器;生成器和判别器根据反馈的损失函数更新自身参数并进行优化,达到纳什均衡;所述生成器由n个LSTM神经网络组成;所述判别器由多个卷积层和1个全连接层组成;
将n-1个本征模态函数IMF分量和1个残差RES分量分别与条件值y进行拼接输入到生成器的n个LSTM神经网络中,并对n个LSTM的输出求和获得供热系统能效预测数据;
将供热系统能效预测数据、能效真实数据分别与条件值y一起输入至判别器后,再将能效真实数据的判别结果和能效预测数据的判别结果组成交叉熵反馈给判别器和生成器进行模型优化训练,建立供热系统能效预测模型。
进一步,所述设置神经网络控制器,包括:
供热系统是多输入多输出非线性系统,表示为:
x[k+1]=f(x[k],u[k]);
x[0]=x0;
x[k]为k时刻n维的状态变量,x[k]=[x1(k),x2(k),x3(k),…,xn(k)];u[k]为k时刻m维的控制变量,u[k]=[u1(k),u2(k),u3(k),…,um(k)];x0为初始状态时系统的状态量;k为当前时刻,其取值范围为0,1,2,…;k+1为下一时刻;
设定神经网络控制器,表示为:
u[k]=g(x[k],x*[k+1],W);
W为神经网络控制器的权值矩阵;x*[k+1]为下一时刻状态变量的期望值;神经网络控制器的输入层包括2n+1个神经元,输入变量为x[k]、x*[k+1]和阈值对应的-1,输出层包括m个神经元,输出变量为u[k]
其中,输入变量至少包括供热系统能效比、室外气象参数、供热系统末端用户热负荷;输出变量至少包括供热系统二次侧供水温度、循环泵控制频率、电动调节阀开度。
进一步,所述在满足末端用户热负荷需求和提高供热系统能效的条件下,设置供热系统预测控制优化目标函数和设备状态约束条件,包括:
设置供热系统预测控制优化目标是在满足末端用户热负荷需求的条件下,使供热系统能效最大,当在给出供热系统能效设定值时,目标为使供热系统能效跟随其设定值,表示为:
J(EER)[k]为供热系统预测控制优化目标函数;M为预测时域;t1是预测时域的起始时间;EER[k]为当前时刻供热系统能效;EERset[k]为当前时刻供热系统能效设定值,将基于供热系统能效预测模型获得的供热系统能效预测值作为能效设定值;Q[k]和Qset[k]分别为当前时刻供热系统末端用户热负荷的实际值和给定值,将基于供热系统末端用户热负荷预测模型获得的供热系统末端用户热负荷预测值作为热负荷给定值;
设置设备状态约束条件,至少包括二次侧供水温度、循环泵控制频率和电动调节阀开度的参数取值范围。
进一步,所述利用神经网络控制器在有限的预测时域内对控制变量进行滚动优化,输出量即为控制变量最优目标值,包括:
步骤S1、初始化神经网络控制器的参数,包括设定初始状态变量、初始权值矩阵,以及确定状态变量的期望值和控制周期、预测时域;
步骤S2、将状态变量x[k]=EER[k]的初值、EER期望值x*[k+1]输入至神经网络控制器进行计算,获得控制变量u[k]的初值;
步骤S3、根据供热系统末端用户热负荷预测模型获得末端用户热负荷预测值,再将控制变量u[k]的初值、状态变量x[k]=EER[k]的初值和末端用户热负荷预测值输入至系统的供热系统能效预测模型,获得下一时刻状态变量的预测值
步骤S4、计算获得一个预测时域内各时刻的控制变量和状态变量:在同一个预测时域内保持神经网络控制器的权值矩阵不变,将包括上一步获得状态量的预测值和下一时刻状态量期望值x*[k+2]的状态变量输入至神经网络控制器,获得控制变量u[k+1];再根据供热系统末端用户热负荷预测模型逐步获得末端用户热负荷预测值Q[k+1],将控制变量u[k+1]、状态变量的预测值/>和末端用户热负荷预测值Q[k+1]输入至系统的供热系统能效预测模型,获得下一时刻状态变量的预测值/>通过不断重复步骤S4过程,直至一个预测时域完成;
步骤S5、将优化目标函数采用拉格朗日乘子法,引入拉格朗日乘子向量,并构造哈密顿函数,形成增广优化目标函数,再根据正则方程,从后向前计算拉格朗日乘子向量λ(k)和q(k);
步骤S6、根据计算出的拉格朗日乘子q(k)的值,基于随机梯度下降法修正神经网络控制器的权值矩阵;
步骤S7、重复执行步骤S4-S6,对神经网络控制器的权值矩阵进行修正,直至神经网络收敛;
步骤S8、进入下一采样周期,循环执行步骤S2-S7,获得各个采样时刻的最优控制变量,直至整个控制过程结束。
本发明的有益效果是:
本发明通过采用机理建模和参数辨识的方法进行供热系统数字孪生模型的建立;基于供热系统数字孪生模型,采用机器学习算法建立供热系统末端用户热负荷预测模型和供热系统能效预测模型;设置神经网络控制器:输入变量为状态变量,至少包括供热系统能效比、室外气象参数、供热系统末端用户热负荷;输出变量为控制变量,至少包括供热系统二次侧供水温度、循环泵控制频率、电动调节阀开度;在满足末端用户热负荷需求和提高供热系统能效的条件下,设置供热系统预测控制优化目标函数和设备状态约束条件;利用神经网络控制器在有限的预测时域内对控制变量进行滚动优化,输出量即为控制变量最优目标值;根据控制变量最优目标值对供热系统进行调度自动化,并依据调度结果进行反馈校正控制,使得供热系统按照控制变量最优目标值进行调度;能够通过机器学习算法建立供热系统末端用户热负荷预测模型和供热系统能效预测模型,为供热系统调度自动化的控制变量计算建立数据状态变量基础,以及采用神经网络作为反馈控制器实现预测控制滚动优化,将变分法和随机梯度下降法相结合,并以满足供热系统能效要求和热负荷要求为目标,设计神经网络控制器,能够克服不确定因素的影响,在热负荷不断变化的情况下使得系统稳定在高能效工况下,通过预测控制计算获得的控制变量能够实现供热系统的调度自动化,使得供热系统能够按照控制目标进行控制和调度。
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为本发明一种基于机器学习和预测控制的供热系统调度自动化实现方法流程图;
图2为本发明一种基于机器学习和预测控制的供热系统调度自动化实现原理框图。
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机器学习和预测控制的供热系统调度自动化实现方法流程图。
图2是本发明所涉及的一种基于机器学习和预测控制的供热系统调度自动化实现原理框图。
如图1-2所示,本实施例1提供了一种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,它包括:
采用机理建模和参数辨识的方法进行供热系统数字孪生模型的建立;
基于供热系统数字孪生模型,采用机器学习算法建立供热系统末端用户热负荷预测模型和供热系统能效预测模型;
设置神经网络控制器:输入变量为状态变量,至少包括供热系统能效比、室外气象参数、供热系统末端用户热负荷;输出变量为控制变量,至少包括供热系统二次侧供水温度、循环泵控制频率、电动调节阀开度;
在满足末端用户热负荷需求和提高供热系统能效的条件下,设置供热系统预测控制优化目标函数和设备状态约束条件;
利用神经网络控制器在有限的预测时域内对控制变量进行滚动优化,输出量即为控制变量最优目标值;
根据控制变量最优目标值对供热系统进行调度自动化,并依据调度结果进行反馈校正控制,使得供热系统按照控制变量最优目标值进行调度。
在本实施例中,所述采用机理建模和参数辨识的方法进行供热系统数字孪生模型的建立,包括:
对供热系统中一级网、二级网、热力站和末端热用户进行物理模型、逻辑模型、仿真模型和数据模型的建立,并对物理模型、逻辑模型、仿真模型和数据模型之间进行相互耦合和多层次、多尺度集成,将物理空间中的物理实体在虚拟空间进行映射重构后建立供热系统数字孪生模型;
采用改进的自适应惯性权重粒子群优化算法对供热系统数字孪生模型参数进行寻优:将惯性权重非线性递减更新策略和变异操作相结合引入到PSO算法中形成改进的自适应惯性权重粒子群优化算法;确定供热系统数字孪生模型要辨识的参数,设置各参数的取值范围,每个参数优化问题转化为粒子位置的寻优问题;引入位置变量,借助供热系统中获取的训练样本数据对供热系统数字孪生模型的偏差进行求解,采用改进的自适应惯性权重粒子群优化算法依据该偏差值的大小对粒子的最佳位置进行选择,获得最优供热系统数字孪生模型参数;选择均方根误差和平均绝对百分比误差作为衡量指标,对供热系统数字孪生模型性能进行验证。
在本实施例中,所述基于供热系统数字孪生模型,采用机器学习算法建立供热系统末端用户热负荷预测模型和供热系统能效预测模型,包括:
基于供热系统数字孪生模型获取供热系统末端用户热负荷相关的运行数据和供热系统能效相关的运行数据;
设置Gabor滤波器作为云图特征提取算法,进行云层不同方向的纹理走向特征和边缘信息的提取,获得云层不同尺度的数据特征;
将所述云层不同尺度的数据特征、供热系统末端用户热负荷相关的历史运行数据和室外温度、风向、湿度数据作为供热系统末端用户热负荷预测模型的数据样本;
采用改进的PSO优化算法对RBF神经网络进行局部寻优,获得最优初始权值和阈值并作为LM算法的初值进行训练获得RBF神经网络的全局最优权值和阈值;
将供热系统末端用户热负荷预测模型的数据样本输入至优化后的RBF神经网络中进行训练,建立供热系统末端用户热负荷预测模型;
以及,将所述云层不同尺度的数据特征、供热系统能效相关的运行数据和室外温度、风向、湿度数据作为供热系统能效预测模型的数据样本;
采用EMD方法对供热系统能效预测模型的数据样本进行分解获得多个能效特征分量后,再采用条件生成对抗网络CGAN对多个能效特征分量进行训练,建立供热系统能效预测模型。
在本实施例中,所述设置Gabor滤波器作为云图特征提取算法,进行云层不同方向的纹理走向特征和边缘信息的提取,获得云层不同尺度的数据特征,包括:
依据云图中天空和云层的不同大小、尺寸,且分布于不同的空间位置属性,选取5个尺度和8个方向的Gabor滤波器组进行云层不同方向的纹理走向特征和边缘信息的提取;设定云图的方向取值为θ1、θ2、θ3、θ4、θ5、θ6、θ7、θ8,尺度的取值为f1、f2、f3、f4、f5;
在获得Gabor滤波器组之后,将每个Gabor滤波器分别与原始云图图像进行卷积,设原始云图图像为I(x,y),特定尺度和方向的Gabor滤波器为Gf,θ(x,y),则滤波后的图像表示为:
f为尺度序数,f=1,2,3,4,5;θ为方向序数,θ=1,2,3,4,5,6,7,8;Gf,θ(x,y)R、Gf,θ(x,y)I分别为对应尺度和方向下Gabor滤波器的实部和虚部;
在获得云图图像的多个Gabor特征后,利用基于能量原则的优选方法对多个特征进行优选:计算滤波后图像的总能量和各个滤波图像的能量对各个滤波图像的能量依据顺序排列,选取预设数量的滤波图像作为优选特征图像;
对优选特征图像进行平滑滤波,获得多个特征图像的特征矩阵,再将特征矩阵向量化,依据从左至右和从上到下的顺序将特征矩阵转化为一个包含M×N个像素点样本的数据集X={X1,X2,…,Xi,…,XS},(S=M×N),其中第i个样本Xi={xi1,xi2,…,xik,…,xin}是一个n维矢量,xik是对应像素点样本Xi的第k个Gabor特征;
对特征向量进行零均值和归一化,消除各特征量值大小的差异,获得最终的特征向量。
需要说明的是,云图不仅能反映当前的天气状况,还能预示未来一段时间内的天气变化。针对常规天气变化,云图可以补充结构化天气因素所缺少的天气演变信息,能够超前反映当前天气的变化趋势。针对转正性天气变化,云图可以及时修正结构化气象数据与实际天气状态产生较大的偏差,能够表达突变天气的气象特征。因此,通过对结构化、非结构化气象数据的融合,可以将滞后的反映天气状态的非结构化气象数据进行修正,获得可以表征当前时刻真实天气状态的精确参数。利用融合得到的综合气象信息,预测模型可以更客观地建立气象数据与热负荷、能效之间复杂因果关系,极大提升热负荷、能效预测精度。
在本实施例中,所述供热系统末端用户热负荷相关的历史运行数据至少包括当前时刻负荷值、前一天负荷值、前一周负荷值和二次供水温度、二次回水温度、二次供水流量;
所述采用改进的PSO优化算法对RBF神经网络进行局部寻优,获得最优初始权值和阈值并作为LM算法的初值进行训练获得RBF神经网络的全局最优权值和阈值,包括:
将自适应权重法引入PSO优化算法形成改进的PSO优化算法,表示为:
w为惯性权重;wmin和wmax分别为惯性权重因子最小值和最大值;f为粒子的适应度;favg和fmin分别为适应度平均值和最小值;
初始化粒子的初始速度和位置,设置学习因子、个体最优坐标pbest和种群最优坐标gbest;
计算粒子适应度值,并进行速度和位置的更新;
比较种群中每个粒子位置的适应度和pbest的适应度比较,更新pbest;同理将pbest和gbest比较更新gbest;
依据自适应权重法调整网络权重,当算法满足结束条件或达到最大迭代次数,输出RBF神经网络的最优初始权值和阈值;否则,重新计算粒子适应度值,并进行速度和位置的更新;
初始化RBF神经网络的权值和阈值W0,并设置网络训练误差允许值ε、最大训练次数和初始化对比例系数μ和步进因子β;
计算网络第k次迭代的误差指数S(Wk),Wk为第k次迭代产生的神经网络的权值和阈值;
计算雅克比矩阵,并计算获得网络权值和阈值变化量ΔW,同时获得新的权值和阈值Wk+1,表示为:
ei(Wk)为RBF神经网络预计输出值和实际输出值之间的差值,N为维数;J为雅克比矩阵;I为单位阵;μ为正常数;
若S(Wk)<ε,满足误差要求,则停止计算输出RBF神经网络的全局最优权值和阈值;否则返回再次计算第k+1次的误差指数S(Wk+1);
比较S(Wk+1)和S(Wk),若S(Wk+1)<S(Wk),则k=k+1,μ=μ/β,返回再次计算误差指数;否则,μ=μ·β,返回计算获得RBF神经网络权值和阈值变化量。
在本实施例中,所述供热系统能效相关的运行数据至少包括:当前时刻负荷值、当前时刻系统能效比和二次侧供水温度、循环泵控制频率、电动调节阀开度、二次供水流量;
所述采用EMD方法对供热系统能效预测模型的数据样本进行分解获得多个能效特征分量后,再采用条件生成对抗网络CGAN对多个能效特征分量进行训练,建立供热系统能效预测模型,包括:
采用EMD方法将供热系统能效预测模型的数据样本分解为多个时间尺度下的n-1个本征模态函数IMF分量和1个残差RES分量;
设置条件对抗网络CGAN的结构:在GAN生成器和判别器的博弈结构基础上,增加条件值y作为输入,随机噪声z与条件值y共同作为生成器的输入,通过生成器生成样本G(z|y),判别器判断对应条件下的生成样本与真实样本x是否相似,并将判别结果D(x|y)通过损失函数反馈给生成器和判别器;生成器和判别器根据反馈的损失函数更新自身参数并进行优化,达到纳什均衡;所述生成器由n个LSTM神经网络组成;所述判别器由多个卷积层和1个全连接层组成;
将n-1个本征模态函数IMF分量和1个残差RES分量分别与条件值y进行拼接输入到生成器的n个LSTM神经网络中,并对n个LSTM的输出求和获得供热系统能效预测数据;
将供热系统能效预测数据、能效真实数据分别与条件值y一起输入至判别器后,再将能效真实数据的判别结果和能效预测数据的判别结果组成交叉熵反馈给判别器和生成器进行模型优化训练,建立供热系统能效预测模型。
在本实施例中,所述设置神经网络控制器,包括:
供热系统是多输入多输出非线性系统,表示为:
x[k+1]=f(x[k],u[k]);
x[0]=x0;
x[k]为k时刻n维的状态变量,x[k]=[x1(k),x2(k),x3(k),…,xn(k)];u[k]为k时刻m维的控制变量,u[k]=[u1(k),u2(k),u3(k),…,um(k)];x0为初始状态时系统的状态量;k为当前时刻,其取值范围为0,1,2,…;k+1为下一时刻;
设定神经网络控制器,表示为:
u[k]=g(x[k],x*[k+1],W);
W为神经网络控制器的权值矩阵;x*[k+1]为下一时刻状态变量的期望值;神经网络控制器的输入层包括2n+1个神经元,输入变量为x[k]、x*[k+1]和阈值对应的-1,输出层包括m个神经元,输出变量为u[k]
其中,输入变量至少包括供热系统能效比、室外气象参数、供热系统末端用户热负荷;输出变量至少包括供热系统二次侧供水温度、循环泵控制频率、电动调节阀开度。
在本实施例中,所述在满足末端用户热负荷需求和提高供热系统能效的条件下,设置供热系统预测控制优化目标函数和设备状态约束条件,包括:
设置供热系统预测控制优化目标是在满足末端用户热负荷需求的条件下,使供热系统能效最大,当在给出供热系统能效设定值时,目标为使供热系统能效跟随其设定值,表示为:
J(EER)[k]为供热系统预测控制优化目标函数;M为预测时域;t1是预测时域的起始时间;EER[k]为当前时刻供热系统能效;EERset[k]为当前时刻供热系统能效设定值,将基于供热系统能效预测模型获得的供热系统能效预测值作为能效设定值;Q[k]和Qset[k]分别为当前时刻供热系统末端用户热负荷的实际值和给定值,将基于供热系统末端用户热负荷预测模型获得的供热系统末端用户热负荷预测值作为热负荷给定值;
设置设备状态约束条件,至少包括二次侧供水温度、循环泵控制频率和电动调节阀开度的参数取值范围。
在本实施例中,所述利用神经网络控制器在有限的预测时域内对控制变量进行滚动优化,输出量即为控制变量最优目标值,包括:
步骤S1、初始化神经网络控制器的参数,包括设定初始状态变量、初始权值矩阵,以及确定状态变量的期望值和控制周期、预测时域;
步骤S2、将状态变量x[k]=EER[k]的初值、EER期望值x*[k+1]输入至神经网络控制器进行计算,获得控制变量u[k]的初值;
步骤S3、根据供热系统末端用户热负荷预测模型获得末端用户热负荷预测值,再将控制变量u[k]的初值、状态变量x[k]=EER[k]的初值和末端用户热负荷预测值输入至系统的供热系统能效预测模型,获得下一时刻状态变量的预测值
步骤S4、计算获得一个预测时域内各时刻的控制变量和状态变量:在同一个预测时域内保持神经网络控制器的权值矩阵不变,将包括上一步获得状态量的预测值和下一时刻状态量期望值x*[k+2]的状态变量输入至神经网络控制器,获得控制变量u[k+1];再根据供热系统末端用户热负荷预测模型逐步获得末端用户热负荷预测值Q[k+1],将控制变量u[k+1]、状态变量的预测值/>和末端用户热负荷预测值Q[k+1]输入至系统的供热系统能效预测模型,获得下一时刻状态变量的预测值/>通过不断重复步骤S4过程,直至一个预测时域完成;
步骤S5、将优化目标函数采用拉格朗日乘子法,引入拉格朗日乘子向量,并构造哈密顿函数,形成增广优化目标函数,再根据正则方程,从后向前计算拉格朗日乘子向量λ(k)和q(k);
步骤S6、根据计算出的拉格朗日乘子q(k)的值,基于随机梯度下降法修正神经网络控制器的权值矩阵;
步骤S7、重复执行步骤S4-S6,对神经网络控制器的权值矩阵进行修正,直至神经网络收敛;
步骤S8、进入下一采样周期,循环执行步骤S2-S7,获得各个采样时刻的最优控制变量,直至整个控制过程结束。
需要说明的是,预测控制优化目标函数的一般表达式为:
J为优化目标函数,也被称为优化性能指标;N为控制周期;φ[X(N),N]为终端目标函数;k为当前时刻;L[X(k),U(k),k]为预测时域内的过程优化目标函数;
预测控制是通过滚动优化方式,求取预测时域内的最优控制变量序列,目标是使预测时域内的J最小,因此对预测控制优化目标函数进行改写,表示为:
φt1+M[X(t1+M),t1+M]为预测时域内的末值优化目标函数;M为预测时域;t1为预测时域的起始时间;
采用拉格朗日乘子法,引入待定的拉格朗日乘子向量,构造增广优化目标函数,表示为:
λ和q分别为n维和m维拉格朗日乘子向量;f(k)和g(k,W)分别表示预测模型和神经网络控制器的右侧部分,则可获得哈密顿函数,表示为:
H(k)=H(x,x*,u,λ,q,k,W)=L(x[k],u[k],k)+λT[k+1]f(k)+qT[k]g(k,W);
假设状态变量、控制变量和神经网络控制器权值矩阵的变分分别为δx[k]、δu[k]和δW,对于任意的变分向量δx[k]、δu[k]和δW,最小化增广优化目标函数Ja的必要条件为δJa=0。
为了使增广优化目标函数极小,需要满足以下条件:
哈密顿正则方程:
横截条件:
极值条件:
在实际的应用中,采用神经网络作为优化反馈控制器,将控制系统优化目标函数,即满足末端用户热负荷和供热系统能效最优作为神经网络优化性能指标,基于拉格朗日算法和随机梯度下降法,对神经网络控制器权值进行滚动优化,能够处理干扰和模型不精确的不确定性问题;而且基于神经网络控制器进行控制变量的计算具有计算量小、占用存储空间少的优势。
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,RandomAccess 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)
1.一种基于机器学习和预测控制的供热系统调度自动化实现方法,其特征在于,它包括:
采用机理建模和参数辨识的方法进行供热系统数字孪生模型的建立;
基于供热系统数字孪生模型,采用机器学习算法建立供热系统末端用户热负荷预测模型和供热系统能效预测模型;
设置神经网络控制器:输入变量为状态变量,至少包括供热系统能效比、室外气象参数、供热系统末端用户热负荷;输出变量为控制变量,至少包括供热系统二次侧供水温度、循环泵控制频率、电动调节阀开度;
在满足末端用户热负荷需求和提高供热系统能效的条件下,设置供热系统预测控制优化目标函数和设备状态约束条件;
利用神经网络控制器在有限的预测时域内对控制变量进行滚动优化,输出量即为控制变量最优目标值;
根据控制变量最优目标值对供热系统进行调度自动化,并依据调度结果进行反馈校正控制,使得供热系统按照控制变量最优目标值进行调度。
2.根据权利要求1所述的供热系统调度自动化实现方法,其特征在于,所述采用机理建模和参数辨识的方法进行供热系统数字孪生模型的建立,包括:
对供热系统中一级网、二级网、热力站和末端热用户进行物理模型、逻辑模型、仿真模型和数据模型的建立,并对物理模型、逻辑模型、仿真模型和数据模型之间进行相互耦合和多层次、多尺度集成,将物理空间中的物理实体在虚拟空间进行映射重构后建立供热系统数字孪生模型;
采用改进的自适应惯性权重粒子群优化算法对供热系统数字孪生模型参数进行寻优:将惯性权重非线性递减更新策略和变异操作相结合引入到PSO算法中形成改进的自适应惯性权重粒子群优化算法;确定供热系统数字孪生模型要辨识的参数,设置各参数的取值范围,每个参数优化问题转化为粒子位置的寻优问题;引入位置变量,借助供热系统中获取的训练样本数据对供热系统数字孪生模型的偏差进行求解,采用改进的自适应惯性权重粒子群优化算法依据该偏差值的大小对粒子的最佳位置进行选择,获得最优供热系统数字孪生模型参数;选择均方根误差和平均绝对百分比误差作为衡量指标,对供热系统数字孪生模型性能进行验证。
3.根据权利要求1所述的供热系统调度自动化实现方法,其特征在于,所述基于供热系统数字孪生模型,采用机器学习算法建立供热系统末端用户热负荷预测模型和供热系统能效预测模型,包括:
基于供热系统数字孪生模型获取供热系统末端用户热负荷相关的运行数据和供热系统能效相关的运行数据;
设置Gabor滤波器作为云图特征提取算法,进行云层不同方向的纹理走向特征和边缘信息的提取,获得云层不同尺度的数据特征;
将所述云层不同尺度的数据特征、供热系统末端用户热负荷相关的历史运行数据和室外温度、风向、湿度数据作为供热系统末端用户热负荷预测模型的数据样本;
采用改进的PSO优化算法对RBF神经网络进行局部寻优,获得最优初始权值和阈值并作为LM算法的初值进行训练获得RBF神经网络的全局最优权值和阈值;
将供热系统末端用户热负荷预测模型的数据样本输入至优化后的RBF神经网络中进行训练,建立供热系统末端用户热负荷预测模型;
以及,将所述云层不同尺度的数据特征、供热系统能效相关的运行数据和室外温度、风向、湿度数据作为供热系统能效预测模型的数据样本;
采用EMD方法对供热系统能效预测模型的数据样本进行分解获得多个能效特征分量后,再采用条件生成对抗网络CGAN对多个能效特征分量进行训练,建立供热系统能效预测模型。
4.根据权利要求3所述的供热系统调度自动化实现方法,其特征在于,所述设置Gabor滤波器作为云图特征提取算法,进行云层不同方向的纹理走向特征和边缘信息的提取,获得云层不同尺度的数据特征,包括:
依据云图中天空和云层的不同大小、尺寸,且分布于不同的空间位置属性,选取5个尺度和8个方向的Gabor滤波器组进行云层不同方向的纹理走向特征和边缘信息的提取;设定云图的方向取值为θ1、θ2、θ3、θ4、θ5、θ6、θ7、θ8,尺度的取值为f1、f2、f3、f4、f5;
在获得Gabor滤波器组之后,将每个Gabor滤波器分别与原始云图图像进行卷积,设原始云图图像为I(x,y),特定尺度和方向的Gabor滤波器为Gf,θ(x,y),则滤波后的图像表示为:
f为尺度序数,f=1,2,3,4,5;θ为方向序数,θ=1,2,3,4,5,6,7,8;Gf,θ(x,y)R、Gf,θ(x,y)I分别为对应尺度和方向下Gabor滤波器的实部和虚部;
在获得云图图像的多个Gabor特征后,利用基于能量原则的优选方法对多个特征进行优选:计算滤波后图像的总能量和各个滤波图像的能量/>对各个滤波图像的能量依据顺序排列,选取预设数量的滤波图像作为优选特征图像;
对优选特征图像进行平滑滤波,获得多个特征图像的特征矩阵,再将特征矩阵向量化,依据从左至右和从上到下的顺序将特征矩阵转化为一个包含M×N个像素点样本的数据集X={X1,X2,…,Xi,…,XS},(S=M×N),其中第i个样本Xi={xi1,xi2,…,xik,…,xin}是一个n维矢量,xik是对应像素点样本Xi的第k个Gabor特征;
对特征向量进行零均值和归一化,消除各特征量值大小的差异,获得最终的特征向量。
5.根据权利要求3所述的供热系统调度自动化实现方法,其特征在于,所述供热系统末端用户热负荷相关的历史运行数据至少包括当前时刻负荷值、前一天负荷值、前一周负荷值和二次供水温度、二次回水温度、二次供水流量;
所述采用改进的PSO优化算法对RBF神经网络进行局部寻优,获得最优初始权值和阈值并作为LM算法的初值进行训练获得RBF神经网络的全局最优权值和阈值,包括:
将自适应权重法引入PSO优化算法形成改进的PSO优化算法,表示为:
w为惯性权重;wmin和wmax分别为惯性权重因子最小值和最大值;f为粒子的适应度;favg和fmin分别为适应度平均值和最小值;
初始化粒子的初始速度和位置,设置学习因子、个体最优坐标pbest和种群最优坐标gbest;
计算粒子适应度值,并进行速度和位置的更新;
比较种群中每个粒子位置的适应度和pbest的适应度比较,更新pbest;同理将pbest和gbest比较更新gbest;
依据自适应权重法调整网络权重,当算法满足结束条件或达到最大迭代次数,输出RBF神经网络的最优初始权值和阈值;否则,重新计算粒子适应度值,并进行速度和位置的更新;
初始化RBF神经网络的权值和阈值W0,并设置网络训练误差允许值ε、最大训练次数和初始化对比例系数μ和步进因子β;
计算网络第k次迭代的误差指数S(Wk),Wk为第k次迭代产生的神经网络的权值和阈值;
计算雅克比矩阵,并计算获得网络权值和阈值变化量ΔW,同时获得新的权值和阈值Wk+1,表示为:
ei(Wk)为RBF神经网络预计输出值和实际输出值之间的差值,N为维数;J为雅克比矩阵;I为单位阵;μ为正常数;
若S(Wk)<ε,满足误差要求,则停止计算输出RBF神经网络的全局最优权值和阈值;否则返回再次计算第k+1次的误差指数S(Wk+1);
比较S(Wk+1)和S(Wk),若S(Wk+1)<S(Wk),则k=k+1,μ=μ/β,返回再次计算误差指数;否则,μ=μ·β,返回计算获得RBF神经网络权值和阈值变化量。
6.根据权利要求3所述的供热系统调度自动化实现方法,其特征在于,所述供热系统能效相关的运行数据至少包括:当前时刻负荷值、当前时刻系统能效比和二次侧供水温度、循环泵控制频率、电动调节阀开度、二次供水流量;
所述采用EMD方法对供热系统能效预测模型的数据样本进行分解获得多个能效特征分量后,再采用条件生成对抗网络CGAN对多个能效特征分量进行训练,建立供热系统能效预测模型,包括:
采用EMD方法将供热系统能效预测模型的数据样本分解为多个时间尺度下的n-1个本征模态函数IMF分量和1个残差RES分量;
设置条件对抗网络CGAN的结构:在GAN生成器和判别器的博弈结构基础上,增加条件值y作为输入,随机噪声z与条件值y共同作为生成器的输入,通过生成器生成样本G(z|y),判别器判断对应条件下的生成样本与真实样本x是否相似,并将判别结果D(x|y)通过损失函数反馈给生成器和判别器;生成器和判别器根据反馈的损失函数更新自身参数并进行优化,达到纳什均衡;所述生成器由n个LSTM神经网络组成;所述判别器由多个卷积层和1个全连接层组成;
将n-1个本征模态函数IMF分量和1个残差RES分量分别与条件值y进行拼接输入到生成器的n个LSTM神经网络中,并对n个LSTM的输出求和获得供热系统能效预测数据;
将供热系统能效预测数据、能效真实数据分别与条件值y一起输入至判别器后,再将能效真实数据的判别结果和能效预测数据的判别结果组成交叉熵反馈给判别器和生成器进行模型优化训练,建立供热系统能效预测模型。
7.根据权利要求1所述的供热系统调度自动化实现方法,其特征在于,所述设置神经网络控制器,包括:
供热系统是多输入多输出非线性系统,表示为:
x[k+1]=f(x[k],u[k]);
x[0]=x0;
x[k]为k时刻n维的状态变量,x[k]=[x1(k),x2(k),x3(k),…,xn(k)];u[k]为k时刻m维的控制变量,u[k]=[u1(k),u2(k),u3(k),…,um(k)];x0为初始状态时系统的状态量;k为当前时刻,其取值范围为0,1,2,…;k+1为下一时刻;
设定神经网络控制器,表示为:
u[k]=g(x[k],x*[k+1],W);
W为神经网络控制器的权值矩阵;x*[k+1]为下一时刻状态变量的期望值;神经网络控制器的输入层包括2n+1个神经元,输入变量为x[k]、x*[k+1]和阈值对应的-1,输出层包括m个神经元,输出变量为u[k]
其中,输入变量至少包括供热系统能效比、室外气象参数、供热系统末端用户热负荷;输出变量至少包括供热系统二次侧供水温度、循环泵控制频率、电动调节阀开度。
8.根据权利要求1所述的供热系统调度自动化实现方法,其特征在于,所述在满足末端用户热负荷需求和提高供热系统能效的条件下,设置供热系统预测控制优化目标函数和设备状态约束条件,包括:
设置供热系统预测控制优化目标是在满足末端用户热负荷需求的条件下,使供热系统能效最大,当在给出供热系统能效设定值时,目标为使供热系统能效跟随其设定值,表示为:
J(EER)[k]为供热系统预测控制优化目标函数;M为预测时域;t1是预测时域的起始时间;EER[k]为当前时刻供热系统能效;EERset[k]为当前时刻供热系统能效设定值,将基于供热系统能效预测模型获得的供热系统能效预测值作为能效设定值;Q[k]和Qset[k]分别为当前时刻供热系统末端用户热负荷的实际值和给定值,将基于供热系统末端用户热负荷预测模型获得的供热系统末端用户热负荷预测值作为热负荷给定值;
设置设备状态约束条件,至少包括二次侧供水温度、循环泵控制频率和电动调节阀开度的参数取值范围。
9.根据权利要求1所述的供热系统调度自动化实现方法,其特征在于,所述利用神经网络控制器在有限的预测时域内对控制变量进行滚动优化,输出量即为控制变量最优目标值,包括:
步骤S1、初始化神经网络控制器的参数,包括设定初始状态变量、初始权值矩阵,以及确定状态变量的期望值和控制周期、预测时域;
步骤S2、将状态变量x[k]=EER[k]的初值、EER期望值x*[k+1]输入至神经网络控制器进行计算,获得控制变量u[k]的初值;
步骤S3、根据供热系统末端用户热负荷预测模型获得末端用户热负荷预测值,再将控制变量u[k]的初值、状态变量x[k]=EER[k]的初值和末端用户热负荷预测值输入至系统的供热系统能效预测模型,获得下一时刻状态变量的预测值
步骤S4、计算获得一个预测时域内各时刻的控制变量和状态变量:在同一个预测时域内保持神经网络控制器的权值矩阵不变,将包括上一步获得状态量的预测值和下一时刻状态量期望值x*[k+2]的状态变量输入至神经网络控制器,获得控制变量u[k+1];再根据供热系统末端用户热负荷预测模型逐步获得末端用户热负荷预测值Q[k+1],将控制变量u[k+1]、状态变量的预测值/>和末端用户热负荷预测值Q[k+1]输入至系统的供热系统能效预测模型,获得下一时刻状态变量的预测值/>通过不断重复步骤S4过程,直至一个预测时域完成;
步骤S5、将优化目标函数采用拉格朗日乘子法,引入拉格朗日乘子向量,并构造哈密顿函数,形成增广优化目标函数,再根据正则方程,从后向前计算拉格朗日乘子向量λ(k)和q(k);
步骤S6、根据计算出的拉格朗日乘子q(k)的值,基于随机梯度下降法修正神经网络控制器的权值矩阵;
步骤S7、重复执行步骤S4-S6,对神经网络控制器的权值矩阵进行修正,直至神经网络收敛;
步骤S8、进入下一采样周期,循环执行步骤S2-S7,获得各个采样时刻的最优控制变量,直至整个控制过程结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310294871.8A CN116307209A (zh) | 2023-03-24 | 2023-03-24 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310294871.8A CN116307209A (zh) | 2023-03-24 | 2023-03-24 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307209A true CN116307209A (zh) | 2023-06-23 |
Family
ID=86827008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310294871.8A Pending CN116307209A (zh) | 2023-03-24 | 2023-03-24 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307209A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252398A (zh) * | 2023-11-15 | 2023-12-19 | 中国海洋大学 | 一种基于神经网络的城市供热平衡调控方法 |
CN117330507A (zh) * | 2023-10-12 | 2024-01-02 | 苏州星帆华镭光电科技有限公司 | 手持激光仪的远程测试管控方法 |
-
2023
- 2023-03-24 CN CN202310294871.8A patent/CN116307209A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117330507A (zh) * | 2023-10-12 | 2024-01-02 | 苏州星帆华镭光电科技有限公司 | 手持激光仪的远程测试管控方法 |
CN117330507B (zh) * | 2023-10-12 | 2024-04-05 | 苏州星帆华镭光电科技有限公司 | 手持激光仪的远程测试管控方法 |
CN117252398A (zh) * | 2023-11-15 | 2023-12-19 | 中国海洋大学 | 一种基于神经网络的城市供热平衡调控方法 |
CN117252398B (zh) * | 2023-11-15 | 2024-02-02 | 中国海洋大学 | 一种基于神经网络的城市供热平衡调控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hua et al. | Data-driven dynamical control for bottom-up energy Internet system | |
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 | |
Claessens et al. | Convolutional neural networks for automatic state-time feature extraction in reinforcement learning applied to residential load control | |
Ruelens et al. | Direct load control of thermostatically controlled loads based on sparse observations using deep reinforcement learning | |
CN107609667B (zh) | 基于Box_cox变换和UFCNN的供热负荷预测方法及系统 | |
CN116187601B (zh) | 一种基于负荷预测的综合能源系统运行优化方法 | |
CN113128113B (zh) | 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法 | |
CN111461466A (zh) | 基于lstm时间序列的供暖户阀调节方法、系统及设备 | |
CN116307652A (zh) | 一种智能电网人工智能资源分配方法 | |
CN112421631A (zh) | 一种新能源消纳能力评估方法和系统 | |
Xu et al. | Potential analysis of the attention-based LSTM model in ultra-short-term forecasting of building HVAC energy consumption | |
CN112418526A (zh) | 基于改进深度信念网络的综合能源负荷控制方法及装置 | |
CN110598929A (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
CN116090602A (zh) | 一种用电负荷预测方法及系统 | |
CN113393339A (zh) | 基于深度神经网络组合模型的配电网短期负荷预测方法 | |
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 | |
CN116307211A (zh) | 一种风电消纳能力预测及优化方法及系统 | |
CN114811713A (zh) | 基于混合深度学习的二级网户间均衡供热调控方法 | |
CN114909706A (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 | |
Ku et al. | Building electric energy prediction modeling for BEMS using easily obtainable weather factors with Kriging model and data mining | |
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 | |
Liu et al. | Embedded Scenario Clustering for Wind and Photovoltaic Power, and Load Based on Multi-Head Self-Attention | |
CN111177881A (zh) | 含光热-光伏发电电力系统随机生产模拟方法 | |
CN115828726A (zh) | 基于机器学习的太阳能跨季节储热供热系统优化控制方法 | |
Li et al. | EMLP: short-term gas load forecasting based on ensemble multilayer perceptron with adaptive weight correction |
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 |