CN116485582A - 一种基于深度学习的供热优化调控方法及装置 - Google Patents
一种基于深度学习的供热优化调控方法及装置 Download PDFInfo
- Publication number
- CN116485582A CN116485582A CN202310440669.1A CN202310440669A CN116485582A CN 116485582 A CN116485582 A CN 116485582A CN 202310440669 A CN202310440669 A CN 202310440669A CN 116485582 A CN116485582 A CN 116485582A
- Authority
- CN
- China
- Prior art keywords
- temperature
- secondary network
- water supply
- predicted
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 116
- 238000003062 neural network model Methods 0.000 claims abstract description 38
- 238000010438 heat treatment Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 10
- 230000001105 regulatory effect Effects 0.000 claims 3
- 230000001276 controlling effect Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 8
- 239000002699 waste material Substances 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 19
- 238000005265 energy consumption Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000008400 supply water Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000003098 Ganglion Cysts Diseases 0.000 description 2
- 208000005400 Synovial Cyst Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- 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
- 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
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于深度学习的供热优化调控方法及装置，获取待计算时刻的时间特征、室外温度和二次网供水温度集，并构建第一数据集；以第一数据集中的每组数据为输入信息，通过第一神经网络模型确定用户的预测室内温度；基于预测室内温度、室外温度和二次网供水温度范围构建第二数据集；以第二数据集中的每组数据为输入信息，通过第二神经网络模型确定对应的预测二次网回水温度集；根据二次网供水温度集和预测二次网回水温度集计算最终二次网供水温度；本发明可以在保证室内温度的前提下提升二次网供水温度的计算精度，避免能源浪费。
Description
技术领域
本发明属于集中供热系统供水温度计算技术领域，尤其涉及一种基于深度学习的供热优化调控方法及装置。
背景技术
集中供热是建设现代化城市的重要基础设施，集中供热不仅能给城市提供稳定、可靠的高品位热源，改善人居环境条件，而且能节约能源，降低能耗，减少城市污染，保护生态环境。
在集中供热系统中，由于用户需热情况复杂，受换热站及二次管网系统结构、供暖用户建筑物结构、保温情况、用户用热习惯和室外天气等多重因素影响，传统的供热优化调控方法多以调度人员的经验或一些简单计算公式来确定。
但是，上述方法估算的调整结果往往难以达到想要准确度，从而导致容易出现用户室温不达标或室温偏高，当室温偏高时，一方面会导致能源浪费，另一方面温度过高也会降低用户舒适度。
发明内容
本发明的目的是提供一种基于深度学习的供热优化调控方法及装置，以提高供热系统的调控精度。
本发明采用以下技术方案：一种基于深度学习的供热优化调控方法，包括以下步骤：
获取待计算时刻的时间特征、室外温度和二次网供水温度集，并构建第一数据集；其中，时间特征包括待计算时刻的月序、周序和时序；
以第一数据集中的每组数据为输入信息，通过第一神经网络模型确定用户的预测室内温度；
基于预测室内温度、室外温度和二次网供水温度范围构建第二数据集；
以第二数据集中的每组数据为输入信息，通过第二神经网络模型确定对应的预测二次网回水温度集；
根据二次网供水温度集和预测二次网回水温度集计算最终二次网供水温度。
进一步地，构建第一数据集包括：
将二次网供水温度集中的每个二次网供水温度预选值与时间特征、室外温度组合作为第一数据集中的一组数据。
进一步地，第一神经网络模型为训练完成的室内温度预测模型，室内温度预测模型的训练方法为：
构建第一训练数据集，第一训练数据集中的每组数据均包括二次网供水温度、室外温度、时间特征和实际室内温度；
将第一训练数据集中的每组数据输入室内温度预测模型，得到室内温度预测模型输出的预测室内温度；
基于实际室内温度和预测室内温度优化室内温度预测模型，直至室内温度预测模型收敛。
进一步地，通过第一神经网络模型确定用户的预测室内温度包括：
对于第一数据集中的每组数据，第一神经网络模型输出对应的预测室内温度；
在若干个预测室内温度中选择满足目标室内温度的最小值作为预测室内温度。
进一步地，基于预测室内温度、室外温度和二次网供水温度集构建第二数据集包括：
根据预测室内温度在二次网供水温度集中选择二次网供水温度预选值；
将二次网供水温度预选值与预测室内温度、室外温度组合作为第二数据集中的一组数据。
进一步地，第二神经网络模型为训练完成的二次网回水温度预测模型，二次网回水温度预测模型的训练方法为：
构建第二训练数据集，第二训练数据集中的每组数据均包括二次网供水温度、预测室内温度、室外温度和实际二次网回水温度；
将第二训练数据集中的每组数据输入二次网回水温度预测模型，得到二次网回水温度预测模型输出的预测二次网回水温度；
基于预测二次网回水温度和实际二次网回水温度优化二次网回水温度预测模型模型，直至二次网回水温度预测模型收敛。
进一步地，根据二次网供水温度集和预测二次网回水温度集计算最终二次网供水温度包括：
对于每个二次网供水温度预选值，在预测二次网回水温度集选择对应的预测二次网回水温度；
计算二次网供水温度预选值与对应的预测二次网回水温度的温差。
进一步地，计算二次网供水温度预选值与对应的预测二次网回水温度的温差之后还包括：
选择温差最小值对应的二次网供水温度预选值作为最终二次网供水温度。
进一步地，获取二次网供水温度集包括：
获取二次网供水温度范围；
基于预定步长和二次网供水温度范围生成二次网供水温度集。
本发明的另一种技术方案：一种基于深度学习的供热优化调控装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一项的方法。
本发明的有益效果是：本发明通过第一神经网络模型预测得到预测室内温度，再通过第二神经网络模型得到预测二次网回水温度，最后结合预测二次网回水温度和对应的二次网供水温度准确计算二次网供水温度，可以在保证室内温度的前提下提升二次网供水温度的计算精度，从而可以提高供热系统的调控精度，避免能源浪费。
附图说明
图1为本发明实施例中第一神经网络模型训练过程中的数据对比示意图；
图2为本发明实施例中第二神经网络模型训练过程中的数据对比示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
对于智慧供热而言，不同于无人值守、自动控制，其主要特征体现在智慧分析、自我学习以及预测控制方面，目标是实现供热系统状态自感知，构建热源、热网和热用户之间的逻辑关系，达到将用户需求的热能在合适的时间内输送至正确的空间内。因此有必要提出一种智慧供热系统中以能耗为目标的大数据学习方法。
供热调控的目标是满足人的热舒适需求，按需供热，降低供热系统运行能耗。因此，供热调控的核心任务是根据热用户的热舒适需求，控制室温。即基于室温实时监测的数据，通过实时分析、科学决策、精准执行，实现智慧供热的目标。
现有的供热大数据调控方法技术中多是脱离了用户室内温度的目标值，以及预测得到的供热系统能耗不能保证是最低的。因此本发明提出一种在满足室温的前提下，以供热系统能耗最低为目标建立一种大数据算法模型，该模型既可以满足用户室温，又可以得到供热系统能耗最低的运行参数，达到基于室温监测的数据，通过调节供回水温度，使能耗最低的目的。
本发明公开了一种基于深度学习的供热优化调控方法，包括以下步骤：获取待计算时刻的时间特征、室外温度和二次网供水温度集，并构建第一数据集；其中，时间特征包括待计算时刻的月序、周序和时序；以第一数据集中的每组数据为输入信息，通过第一神经网络模型确定用户的预测室内温度；基于预测室内温度、室外温度和二次网供水温度范围构建第二数据集；以第二数据集中的每组数据为输入信息，通过第二神经网络模型确定对应的预测二次网回水温度集；根据二次网供水温度集和预测二次网回水温度集计算最终二次网供水温度。
本发明通过第一神经网络模型预测得到预测室内温度，再通过第二神经网络模型得到预测二次网回水温度，最后结合预测二次网回水温度和对应的二次网供水温度准确计算二次网供水温度，可以在保证室内温度的前提下提升二次网供水温度的计算精度，避免能源浪费。
作为一种具体的实现方式，获取二次网供水温度集包括：获取二次网供水温度范围；基于预定步长和二次网供水温度范围生成二次网供水温度集。具体的，通常二次网供水温度范围在35～45℃，在该实施例中预定步长设定为0.5，即二次网供水温度集为{35.0℃，35.5℃，36.0℃，36.5℃，37.0℃，37.5℃，38.0℃，38.5℃，39.0℃，39.5℃，40.0℃，40.5℃，41.0℃，41.5℃，42.0℃，42.5℃，43.0℃，43.5℃，44.0℃，44.5℃，45.0℃}。当然，也可以根据具体需求来选择不同的步长，进而得到不同的二次网供水温度集。
在一个实施例中，构建第一数据集包括：将二次网供水温度集中的每个二次网供水温度预选值与时间特征、室外温度组合作为第一数据集中的一组数据。
作为一种具体的实现形式，第一神经网络模型为训练完成的室内温度预测模型，室内温度预测模型的训练方法为：构建第一训练数据集，第一训练数据集中的每组数据均包括二次网供水温度、室外温度、时间特征和实际室内温度；将第一训练数据集中的每组数据输入室内温度预测模型，得到室内温度预测模型输出的预测室内温度；基于实际室内温度和预测室内温度优化室内温度预测模型，直至室内温度预测模型收敛。
本发明实施例中的第一神经网络模型可以采用深度学习网络模型。深度学习(DL,Deep Learning)是机器学习(ML,Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI,Artificial Intelligence)。深度学习是学习样本数据的内在规律和表示层次，通常应用方向为识别文字、图像识别和声音识别等。
深度学习是一个复杂的机器学习算法，在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。深度学习的一个重要思想就是实现端对端建模，也即黑盒建模。深度学习通过自学习技术，基于硬件算力升级，能在海量数据里找到统计学规律，并在预测中达到惊人的准确度。因而具有巨大的工程应用潜力。
本发明实施例中，深度学习神经网络方法包括多种类型神经网络，如BP神经网络，RNN神经网络，RBF神经网络，LSTM神经网络等等。神经网络方法可以达到优秀的预测建模效果，从而完成预测模型建立。不同的神经网络方法有其各自的优势和局限性。因此在实际实施中一般技术人员可以根据需要选用一个具体的神经网络方法实现预测模型建模。
在采集到数据后进行建模之前，需要对数据进行适当处理，包括数据质量检测，数据分析，数据可视化，数据EDA，数据预处理，数据集构建。
在一个实施例中，通过第一神经网络模型确定用户的预测室内温度包括：对于第一数据集中的每组数据，第一神经网络模型输出对应的预测室内温度；在若干个预测室内温度中选择满足目标室内温度的最小值作为预测室内温度。
具体的，基于预测室内温度、室外温度和二次网供水温度集构建第二数据集包括：根据预测室内温度在二次网供水温度集中选择二次网供水温度预选值；将二次网供水温度预选值与预测室内温度、室外温度组合作为第二数据集中的一组数据。
另外，第二神经网络模型为训练完成的二次网回水温度预测模型，二次网回水温度预测模型的训练方法为：构建第二训练数据集，第二训练数据集中的每组数据均包括二次网供水温度、预测室内温度、室外温度和实际二次网回水温度；将第二训练数据集中的每组数据输入二次网回水温度预测模型，得到二次网回水温度预测模型输出的预测二次网回水温度；基于预测二次网回水温度和实际二次网回水温度优化二次网回水温度预测模型模型，直至二次网回水温度预测模型收敛。
在一个实施例中，根据二次网供水温度集和预测二次网回水温度集计算最终二次网供水温度包括：对于每个二次网供水温度预选值，在预测二次网回水温度集选择对应的预测二次网回水温度；计算二次网供水温度预选值与对应的预测二次网回水温度的温差。
另外，计算二次网供水温度与对应的预测二次网回水温度的温差之后还包括：选择温差最小值对应的二次网供水温度预选值作为最终二次网供水温度。
在得到最终二次网供水温度后，下发控制目标即二次网供水温度到SCADA，SCADA下发到PLC，PLC下发到设备执行，设备将执行结果反馈给PLC，PLC反馈给SCADA,SCADA反馈给平台，平台将过程和结果呈现给用户查看。
为了便于理解本发明，以莱芜某地居民建筑集中供热项目为例，详细阐述本发明技术方案实现过程。
在项目实施地安装传感器，采集2021年～2022年采暖季区域集中供热系统中的相关数据，时间间隔为一分钟采集一次。其中包括但不限于以下属性点位：二次网供水温度，二次网回水温度，室外温度，室内温度等。采集的数据通过采集系统存储于本地服务器的时序数据库，同时经过分类存储于云端能源数据仓库中，便于后期分析与建模。
本实施例中基于居民建筑特性以及样本量大小选择BP神经网络算法作为第一神经网络模型和第二神经网络模型的框架，再根据输入输出信息的维度进行适应性调整网络结构。
BP神经网络算法有以下的明显优点：
1)非线性映射能力：BP神经网络实质上实现了一个从输入到输出的映射功能，数学理论证明三层的神经网络就能够以任意精度逼近任何非线性连续函数。这使得其特别适合于求解内部机制复杂的问题，即BP神经网络具有较强的非线性映射能力。
2)自学习和自适应能力：BP神经网络在训练时，能够通过学习自动提取输出、输出数据间的“合理规则”，并自适应的将学习内容记忆于网络的权值中。即BP神经网络具有高度自学习和自适应的能力。
3)泛化能力：所谓泛化能力是指在设计学习模型时，即要考虑网络在保证对所学习的对象进行正确学习，还要关心网络在经过训练后，能否对未见过的模式或有噪声污染的对象，进行正确的预测。也即BP神经网络具有将学习成果应用于新知识的能力。
4)容错能力：BP神经网络在其局部的或者部分的神经元受到破坏后对全局的训练结果不会造成很大的影响，也就是说即使系统在受到局部损伤时还是可以正常工作的。即BP神经网络具有不错的容错能力。
接下来从数据库读取采集数据，具体为2021/12/1 00:00:00至2022/2/2700:00:00的室内温度，室外温度，二次网供水温度，二次网回水温度。
本实施例中室内温度通过安装室内温度传感器采集得到实际温度数据，采集数量共计116户，将同时刻各户室内温度进行平均计算得到该时刻点的室内温度。
然后对上述采集的数据进行完整性检验。初始时刻2021/12/1 00:00:00至2022/2/27 00:00:00以1分钟为间隔时长时间序列，检查各时刻点数据情况。发现2021/12/3105:00:00时间点由于采集设备通讯中断导致数值缺失，因此对该时间点的室内温度，室外温度，二次网供水温度，二次网回水温度使用均值补值。异常数据检验：用3西格玛法则进行检验，异常数据使用平均值进行替换。同时，在数据预处理过程中发现有少量二次网供水温度在34℃以下。为保证训练预测模型效果，将这部分数据样本剔除处理。
数据集整理：根据时间点计算周序和时序。周序从0到6分别表示周天到周六，例如1表示周一，2表示周二以此类推。时序从0到23，0点到1点时段的数据统一编码为0。将采集的历史数据整理数据集，共计126722条样本。根据二八比例分割测试集和训练集。训练集为101378条，测试集为25344条。数据集格式示例如下表1所示，其中，Systime表示时刻，w表示周序，h表示时序，tn表示室内温度，tw表示室外温度，tg表示二次网供水温度，th表示二次网回水温度。
表1
| Systime | w | h | tn | tw | tg | th |
| 2021/12/1 0:00 | 3 | 0 | 21.77561 | 1 | 44.1 | 38.1 |
| 2021/12/1 0:01 | 3 | 0 | 21.77561 | 1 | 43.9 | 38.1 |
| 2021/12/1 0:02 | 3 | 0 | 21.77561 | -1 | 44.1 | 38.1 |
| 2021/12/1 0:03 | 3 | 0 | 21.77561 | -1 | 44.2 | 38.1 |
| 2021/12/1 0:04 | 3 | 0 | 21.77561 | -1 | 44.2 | 38.1 |
| 2021/12/1 0:05 | 3 | 0 | 21.77561 | -1 | 44 | 38.1 |
| 2021/12/1 0:06 | 3 | 0 | 21.77561 | -1 | 43.9 | 38.1 |
接着，利用数据进行调控系统模型建模。
在供热调控系统中，满足用户的热负荷需求是关键要求。而在供热系统中，评判是否满足用热需求的方式是看室内温度是否达到目标设定温度。通常室内温度在18℃以上则认为满足供热需求。在本实施例中，为了提升用户热舒适度，室内目标温度设定为20℃。
构建第一神经网络模型：该模型是室内温度预测模型，是为了建立能描述二次网供水温度、室外温度变化和室内温度变化之间联系的模型。在供热系统中，室内温度受室外温度和二次网供水温度影响。同时室内温度的变化还会受到用户行为的影响，如是否开窗通风，用户是否在家等等。而用户的行为习惯会体现在时间点上，如工作日和非工作日用户行为不同，早晨和晚上用热需求不同等等。因此在进行特征输入时，将时序特征作为重要的特征进行提取和单独列出，本实施例中的时间特征有周序w，时序h，月序m。
构建三层隐含层的BP神经网络模型，每层神经节点数为300，激活函数为relu函数，优化算法采用随机梯度下降算法，初始学习率为0.00001，最大迭代次数为1000次。
输入数据集历史二次网供水温度、室外温度、周序、时序、月序，通过训练输出预测室内温度，由此构建二次网供水温度、室外温度和用户用热特征下对室内温度影响的第一神经网络模型。
经过迭代优化训练后，使用mse和r2分数作为评价指标对第一神经网络模型进行评估，得到mse分数为5.78，R2分数为0.78。
具体模型预测结果对比图如图1所示，从该图中可以看出37组的实际室内温度和预测室内温度的对比。
构建第二神经网络模型：该模型是二次网回水温度预测模型，是为了建立二次网供水温度、室内温度、室外温度和二次网回水温度之间联系的模型。供热系统中在流量一定的情况下，供回水温差最小时该系统热量最低，即能耗最低。
构建三层隐含层的BP神经网络模型，每层神经节点数为300，激活函数为relu函数，优化算法采用随机梯度下降算法，初始学习率为0.00001，最大迭代次数为1000次。
输入二次网供水温度、室内温度、室外温度，输出二次网回水温度，构建回水温度预测模型，经过迭代优化训练后，使用mse和r2分数作为评价指标对模型进行评估，得到mse分数为2.77，R2分数为0.98。
具体模型预测结果对比图如图2所示，从该图中可以看出30组的实际二次网回水温度和预测二次网回水温度的对比。
然后，使用第一神经网络模型预测不同二次网供水温度对室内温度的影响。进一步对训练好的第一神经网络模型输入35-45℃以0.5℃为间隔共计21个二次网供水温度值，预测时间点时间特征，预测得到不同二次网供水温度对应的室内温度，如表2所示，在本实施例中，预测室内温度选择20.11954，约等于20.1℃。
表2
然后，将二次网供水温度预选值(即二次网供水温度值大于等于预测室内温度对应的二次网供水温度值的二次网供水温度值)、室外温度和预测室内温度输入第二神经网络模型，得到预测回水温度，预测结果如表3所示。
最后，找到最小供回水温差对应的二次网供水温度预选值作为目标调控值(温差越小供热系统能耗越低)，即40.5℃。
表3
需要说明的是，虽然在该实施类中，供回水温差与二次网供水温度预选值成线性关系，但是这只是一个比较特殊的实施例，实际上，二者并非成线性关系。比如，有的时候是二次网供水温度预选值最大的时候，供回水温差最小。
因此，选择二次网供水温度为40.5℃。平台下发控制目标即供水温度到SCADA，SCADA下发到PLC，PLC下发到设备执行，设备将执行结果反馈给PLC，PLC反馈给SCADA，SCADA反馈给平台，平台将过程和结果呈现给用户查看。
上述的项目目前已经过两个采暖季的运行，2020-2021采暖季没有采用该大数据学习方法进行优化调控，选取2020-2021和2021-2022采暖季某换热站3.1-3.8的数据进行能耗对比，数据具体参见如下表4。
表4
从上表可看出2020-2021采暖季3.1-3.7日累计耗热量197.26GJ，平均室外温度4.6℃；2021-2022采暖季3.1-3.7日累计耗热量142.01GJ，平均室外温度8.7℃。
以2020-2021采暖季实耗数据为基准，按照室温温度20℃达标进行折算，在2021-2022采暖季平均室外温度8.7℃条件下理论耗热量为(20-8.7)*197.26*15142(面积)/(20-4.6)*14043(去年面积)＝156.07GJ，为了增加二者的可比性，将2020-2021采暖季3.1-3.7日累计耗热量197.26GJ乘以一个转换系数，即(20-8.7)*15142/(20-4.6)*14043，其中，(20-8.7)是2020-2021采暖季的温度提升区间，15142是2020-2021采暖季的采暖面积，(20-4.6)是2021-2022采暖季的温度提升区间，14043是2021-2022采暖季的采暖面积。通过增加上述的转换系数，既可以将不同采暖季的外界条件区别尽可能的降低，从而保证两个保暖季的耗能量可以相提并论。最终，采用本发明方法采暖季和未采用本发明方法的采暖季的相对节能率＝(156.07-142.01)/156.07＝9％，即耗能量降低了9％。根据热力公司的售热价46.84元/GJ，这7天总共节省费用658.57元，按照采暖面积计算，一栋楼常规居民楼一天可以节省的采暖成本为100元，如果将该方法应用到整个城市，以一座1000万人口的城市为例，节省的总成本将不可限量大概为300～400万/天。
本发明还公开了一种基于深度学习的供热优化调控装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的方法。
本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到存储设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
Claims (10)
1.一种基于深度学习的供热优化调控方法，其特征在于，包括以下步骤：
获取待计算时刻的时间特征、室外温度和二次网供水温度集，并构建第一数据集；其中，所述时间特征包括待计算时刻的月序、周序和时序；
以所述第一数据集中的每组数据为输入信息，通过第一神经网络模型确定用户的预测室内温度；
基于所述预测室内温度、室外温度和二次网供水温度范围构建第二数据集；
以所述第二数据集中的每组数据为输入信息，通过第二神经网络模型确定对应的预测二次网回水温度集；
根据所述二次网供水温度集和预测二次网回水温度集计算最终二次网供水温度。
2.如权利要求1所述的一种基于深度学习的供热优化调控方法，其特征在于，构建第一数据集包括：
将所述二次网供水温度集中的每个二次网供水温度预选值与所述时间特征、室外温度组合作为第一数据集中的一组数据。
3.如权利要求1或2所述的一种基于深度学习的供热优化调控方法，其特征在于，所述第一神经网络模型为训练完成的室内温度预测模型，所述室内温度预测模型的训练方法为：
构建第一训练数据集，所述第一训练数据集中的每组数据均包括二次网供水温度、室外温度、时间特征和实际室内温度；
将所述第一训练数据集中的每组数据输入室内温度预测模型，得到所述室内温度预测模型输出的预测室内温度；
基于所述实际室内温度和预测室内温度优化所述室内温度预测模型，直至所述室内温度预测模型收敛。
4.如权利要求3所述的一种基于深度学习的供热优化调控方法，其特征在于，通过第一神经网络模型确定用户的预测室内温度包括：
对于第一数据集中的每组数据，所述第一神经网络模型输出对应的预测室内温度；
在若干个预测室内温度中选择满足目标室内温度的最小值作为所述预测室内温度。
5.如权利要求4所述的一种基于深度学习的供热优化调控方法，其特征在于，基于所述预测室内温度、室外温度和二次网供水温度集构建第二数据集包括：
根据所述预测室内温度在所述二次网供水温度集中选择二次网供水温度预选值；
将所述二次网供水温度预选值与所述预测室内温度、室外温度组合作为第二数据集中的一组数据。
6.如权利要求5所述的一种基于深度学习的供热优化调控方法，其特征在于，所述第二神经网络模型为训练完成的二次网回水温度预测模型，所述二次网回水温度预测模型的训练方法为：
构建第二训练数据集，所述第二训练数据集中的每组数据均包括二次网供水温度、预测室内温度、室外温度和实际二次网回水温度；
将所述第二训练数据集中的每组数据输入二次网回水温度预测模型，得到所述二次网回水温度预测模型输出的预测二次网回水温度；
基于所述预测二次网回水温度和实际二次网回水温度优化所述二次网回水温度预测模型模型，直至所述二次网回水温度预测模型收敛。
7.如权利要求5-6任一项所述的一种基于深度学习的供热优化调控方法，其特征在于，根据所述二次网供水温度集和预测二次网回水温度集计算最终二次网供水温度包括：
对于每个所述二次网供水温度预选值，在预测二次网回水温度集选择对应的预测二次网回水温度；
计算所述二次网供水温度预选值与对应的预测二次网回水温度的温差。
8.如权利要求7所述的一种基于深度学习的供热优化调控方法，其特征在于，计算所述二次网供水温度预选值与对应的预测二次网回水温度的温差之后还包括：
选择温差最小值对应的所述二次网供水温度预选值作为最终二次网供水温度。
9.如权利要求8所述的一种基于深度学习的供热优化调控方法，其特征在于，获取二次网供水温度集包括：
获取二次网供水温度范围；
基于预定步长和所述二次网供水温度范围生成所述二次网供水温度集。
10.一种基于深度学习的供热优化调控装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310440669.1A CN116485582A (zh) | 2023-04-23 | 2023-04-23 | 一种基于深度学习的供热优化调控方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310440669.1A CN116485582A (zh) | 2023-04-23 | 2023-04-23 | 一种基于深度学习的供热优化调控方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116485582A true CN116485582A (zh) | 2023-07-25 |
Family
ID=87222668
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310440669.1A Pending CN116485582A (zh) | 2023-04-23 | 2023-04-23 | 一种基于深度学习的供热优化调控方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116485582A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117329581A (zh) * | 2023-09-26 | 2024-01-02 | 山东和同信息科技股份有限公司 | 一种用于供热二次管网的大数据分析管控系统及方法 |
-
2023
- 2023-04-23 CN CN202310440669.1A patent/CN116485582A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117329581A (zh) * | 2023-09-26 | 2024-01-02 | 山东和同信息科技股份有限公司 | 一种用于供热二次管网的大数据分析管控系统及方法 |
| CN117329581B (zh) * | 2023-09-26 | 2024-04-19 | 山东和同信息科技股份有限公司 | 一种用于供热二次管网的大数据分析管控系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN111626506B (zh) | 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 | |
| CN109359786A (zh) | 一种电力台区短期负荷预测方法 | |
| CN106951611A (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
| CN111626518A (zh) | 基于深度学习神经网络的城市天级需水量在线预测方法 | |
| CN111561734B (zh) | 基于人工智能的供暖户阀调节方法、系统及设备 | |
| Liu et al. | Edge sensing data-imaging conversion scheme of load forecasting in smart grid | |
| CN111461466B (zh) | 基于lstm时间序列的供暖户阀调节方法、系统及设备 | |
| Song et al. | Estimate the daily consumption of natural gas in district heating system based on a hybrid seasonal decomposition and temporal convolutional network model | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN117236199B (zh) | 城市水网区域河湖水质提升与水安全保障方法及系统 | |
| CN112241607A (zh) | 一种基于仿真并考虑气候变化的水资源规划方法 | |
| Lu et al. | Data augmentation strategy for short-term heating load prediction model of residential building | |
| CN117977568A (zh) | 基于嵌套lstm和分位数计算的电力负荷预测方法 | |
| CN112949895A (zh) | 一种基于动态可扩展神经网络模型的风速预测方法 | |
| Xue et al. | Prediction of natural gas consumption for city-level DHS based on attention GRU: A case study for a northern chinese city | |
| CN116485582A (zh) | 一种基于深度学习的供热优化调控方法及装置 | |
| CN113570132A (zh) | 一种时空气象特征提取与深度学习的风电功率预测方法 | |
| CN115860286A (zh) | 一种基于时序门机制的空气质量预测方法及系统 | |
| CN108376294A (zh) | 一种供能反馈与气象因素的热负荷预测方法 | |
| Gao et al. | A multifactorial framework for short-term load forecasting system as well as the jinan’s case study | |
| CN113537569B (zh) | 一种基于权重堆叠决策树的短时公交客流预测方法及系统 | |
| CN110135617A (zh) | 一种气象因素影响下基于负荷特性的改进短期负荷的预测方法 | |
| Lv et al. | Research on short-term load forecasting approach for smart grid | |
| CN108615091A (zh) | 基于聚类筛选和神经网络的电力气象负荷数据预测方法 |
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 |