CN116753561A - 供热控制方法、控制装置和供热系统 - Google Patents
供热控制方法、控制装置和供热系统 Download PDFInfo
- Publication number
- CN116753561A CN116753561A CN202311013658.1A CN202311013658A CN116753561A CN 116753561 A CN116753561 A CN 116753561A CN 202311013658 A CN202311013658 A CN 202311013658A CN 116753561 A CN116753561 A CN 116753561A
- Authority
- CN
- China
- Prior art keywords
- prediction model
- predicted
- dominance
- heat load
- error
- 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
Links
- 238000010438 heat treatment Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims description 40
- 238000012216 screening Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 28
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 10
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 7
- 239000007789 gas Substances 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- F24D3/00—Hot-water central heating systems
- F24D3/02—Hot-water central heating systems with forced circulation, e.g. by pumps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Biology (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Thermal Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种供热控制方法、控制装置和供热系统，该方法包括：获取建筑外部各历史日气象特征数据；将所述建筑外部各历史日气象特征数据分别输入各预测模型，得到对应的预测热负荷值；获取各预测模型预测的热负荷值所占的权重比值；根据所述各预测模型预测的热负荷值和对应的权重比值，计算得到预测日的热负荷值；利用所述预测日的热负荷值控制供热系统输出热量。
Description
技术领域
本公开涉及供热技术，更具体地，涉及一种供热控制方法、控制装置和供热系统。
背景技术
能源危机以及碳排放所带来的问题日趋严峻，节约能源减少温室气体的排放已经引起全球各界的共鸣。在全球范围内建筑行业的能源消耗在总能耗中占据主导地位，建筑能耗约占全球能源消耗量的40%以上。在供热期供热系统的能耗约占建筑能耗的50%以上。建筑供热系统是一个复杂的系统工程，从热源到换热站再到末端用户，每一个子系统都是互相耦合的，精准的计算热负荷需求能极大的减少整个供热系统的运行能耗。
目前在建筑热负荷预测领域常用的预测模型有统计机器学习模型、回归模型、时间序列模型和混合模型等。各种预测模型已被用于预测多种气候下的建筑热负荷。
基于现有的预测模型，如果使用的数据有小的变化就会导致对未知数据的预测产生较大的误差，致使模型预测精度低和鲁棒性差，无法保证模型的可靠性。
发明内容
本发明的一个目的是提供一种供热控制方法的新技术方案。
根据本发明的第一方面，提供了一种供热控制方法，包括：
获取建筑外部各历史日气象特征数据；
将建筑外部各历史日气象特征数据分别输入各预测模型，得到对应的预测热负荷值；
获取各预测模型预测的热负荷值所占的权重比值；
根据各预测模型预测的热负荷值和对应的权重比值，计算得到预测日的热负荷值；
利用预测日的热负荷值控制供热系统输出热量。
可选的，获取建筑外部各历史日气象特征数据，包括：
获取各历史日气象特征数据和预测日气象特征数据的相似度值、各历史日和预测日的时间因子相似度值以及各历史日前预设天数的热负荷序列值和预测日前预设天数的热负荷序列值的相似度值中的至少任意两种相似度值；
利用熵权法对至少两种相似度值进行处理，得到各相似度值所占的权重比值；
根据各相似度值和对应的权重比值，得到各历史日对应的相似度值；
利用各历史日对应的相似度值，筛选得到建筑外部各历史日气象特征数据。
可选的，获取各预测模型预测的热负荷值所占的权重比值，包括：
获取各预测模型预测的多个时刻的热负荷值的误差；
根据各预测模型预测的多个时刻的热负荷值的误差，计算得到各预测模型在各时刻的误差优势度；
利用各预测模型在各时刻的误差优势度，统计各预测模型作为误差优势度最高的预测模型的次数；
根据各预测模型作为误差优势度最高的预测模型的次数，计算得到各预测模型预测的热负荷值所占的权重比值。
可选的，利用各预测模型在各时刻的误差优势度，统计各预测模型作为误差优势度最高的预测模型的次数，包括：
利用各预测模型在各时刻的误差优势度，筛选得到各时刻误差优势度最高对应的预测模型；
根据各时刻误差优势度最高对应的预测模型，统计各预测模型作为误差优势度最高的预测模型的次数。
可选的，所述方法还包括：
利用各预测模型在各时刻的误差优势度，得到各预测模型的平均误差优势度；
根据各预测模型的平均误差优势度，筛选得到平均误差优势度未达到预设阈值的预测模型；
将平均误差优势度未达到预设阈值的预测模型从预测模型集中剔除。
可选的，各历史日气象特征数据包括室外干球温度、太阳辐射强度、室外空气相对湿度和风速中的至少一种。
可选的，预测模型包括BP神经网络模型、SVR模型、MLP模型和LSTM模型中的至少两种。
根据本发明的第二方面，提供了一种供热控制装置，包括：
第一获取模块，用于获取建筑外部各历史日气象特征数据；
预测模块，用于将建筑外部各历史日气象特征数据分别输入各预测模型，得到对应的预测热负荷值；
第二获取模块，用于获取各预测模型预测的热负荷值所占的权重比值；
计算模块，用于根据各预测模型预测的热负荷值和对应的权重比值，计算得到预测日的热负荷值；
控制模块，用于利用预测日的热负荷值控制供热系统输出热量。
根据本发明的第三方面，提供了一种供热控制装置，包括存储器和处理器，存储器存储计算机程序，计算机程序用于控制处理器进行操作以执行根据本发明的第一方面任一项的供热控制方法。
根据本发明的第四方面，提供了一种供热系统，包括如本发明的第二方面或者第三方面的供热控制装置。
在本发明的实施例中，获取建筑外部各历史日气象特征数据，将建筑外部各历史日气象特征数据分别输入各预测模型，得到对应的预测热负荷值，获取各预测模型预测的热负荷值所占的权重比值，根据各预测模型预测的热负荷值和对应的权重比值，得到预测日的热负荷值，利用预测日的热负荷值控制供热系统输出热量，提高了预测精度，增强鲁棒性能。
通过以下参照附图对本说明书的示例性实施例的详细描述，本说明书的实施例的特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本说明书的实施例，并且连同其说明一起用于解释本说明书实施例的原理。
图1是根据本发明一个实施例的供热控制方法的处理流程图。
图2是根据本发明一个实施例的各历史日对应的三种相似度值的示意图。
图3是根据本发明一个实施例的各预测模型和集成模型的鲁棒性的示意图。
图4是根据本发明一个实施例的供热控制装置的原理框图。
图5是根据本发明一个实施例的供热控制装置的硬件结构示意图。
具体实施方式
现在将参照附图来详细描述本说明书的各种示例性实施例。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本说明书实施例及其应用或使用的任何限制。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
方法实施例
在本实施例中，提供了一种供热控制方法。根据图1所示，本实施例的供热控制方法可以包括如下步骤S1100～S1500。
步骤S1100，获取建筑外部各历史日气象特征数据。
各历史日气象特征数据包括室外干球温度、太阳辐射强度、室外空气相对湿度和风速中的至少一种。
在本发明的一个实施例中，步骤S1100具体包括步骤S1110～S1150。
步骤S1110，获取各历史日气象特征数据和预测日气象特征数据的相似度值、各历史日和预测日的时间因子相似度值以及各历史日前预设天数的热负荷序列值和预测日前预设天数的热负荷序列值的相似度值中的至少任意两种相似度值。
在一个实施例中，各历史日气象特征数据和预测日气象特征数据的相似度值可以按照以下步骤计算得到：根据各历史日气象特征参数和预测日气象特征参数，计算得到每个气象特征数据的灰色关联度；基于每个气象特征数据的灰色关联度，计算得到各历史日气象特征数据和预测日气象特征数据的相似度值。
在本实施例中，向量为各历史日气象特征数据，向量/>为预测日气象特征数据。其中，l为天数，i为第i个气象特征数据。预测日为一天时，向量Yi中各数据为同一数据。
根据灰色关联度计算得到，具体计算式（1）表示为：
— 计算式（1），
其中，为第i个气象特征数据在第k天的灰色关联度，/>取值为[0,1]，优选为0.5，k为1到l中的某一天。
基于上述计算式（1），计算得到各历史日和预测日的每个气象特征数据的灰色关联度，然后基于计算式（2）计算得到各历史日所有气象特征数据和预测日所有气象特征数据的相似度值，
— 计算式（2），
其中，n为气象特征数据的个数，l为天数。
历史日在时间上越接近预测日，历史日的热负荷值和预测日的热负荷值关联性越强。
在一个实施例中，基于下述计算式（3），计算得到各历史日和预测日的时间因子相似度值，
— 计算式（3），
其中，为三个衰减系数，取值范围为[0.9,0.98]，/>优选取值均为0.94，/>分别为预测日与第i个历史日的间隔天数，如果预测日与某一历史日同属一种日期类型，即同为休息日或工作日，则/>，如果预测日与某一历史日属于不同日期类型则/>，mod()是求余函数，int()函数，是VFP数值函数的一种。
在一个实施例中，基于下述计算式（4），计算得到各历史日前预设天数的热负荷值和预测日前预设天数的热负荷值的相似度值，
—计算式（4），
其中，X为预测日前k日的热负荷值，Y为某一历史日前k日的热负荷值，为求期望函数，/>为求方差函数。
步骤S1120，利用熵权法对至少两种相似度值进行处理，得到各相似度值所占的权重比值。
在一个实施例中，历史日有n天，每一个历史日对应的相似度值有m种，基于计算式（5）计算得到各相似度值在所有历史日对应的同一种相似度值中所占的权重比值：
=/>— 计算式（5），
其中，n为历史日的天数，为历史日i对应的第j个相似度值，/>为历史日i对应的第j个相似度值在所有历史日对应的第j个相似度值中所占的权重比值。
基于计算式（6），计算得到每一个相似度值的熵，
=/>ln/>— 计算式（6），
其中，m为相似度值的种类数，为某一历史日的第j个相似度值在所有历史日对应的第j个相似度值中所占的权重比值，/>为第j个相似度值的熵。
基于计算式（7），计算得到每一个相似度值的熵权，
=/>— 计算式（7），
其中，n为历史日的天数，为第j个相似度值的熵，/>为第j个相似度值的熵权。
步骤S1130，根据各相似度值和对应的权重比值，得到各历史日对应的相似度值。
在一个实施例中，基于计算式（8）计算得到各历史日对应的相似度值，
=/>— 计算式（8），
其中，m为相似度值的个数，为历史日i对应的第j个相似度值，/>为第j个相似度值的熵权，/>为历史日i对应的相似度值。
步骤S1140，利用各历史日对应的相似度值，筛选得到建筑外部各历史日气象特征数据。
在一个实施例中，将各历史日对应的相似度值分别与预设相似度值进行比对，得到比对结果，根据比对结果，筛选得到相似度值超过预设相似度值的历史日，最后，将相似度值超过预设相似度值的历史日的建筑外部气象特征数据筛选出，作为各预测模型的输入数据。
步骤S1200，将建筑外部各历史日气象特征数据分别输入各预测模型，得到对应的预测热负荷值。
在本发明的一个实施例中，预测模型包括BP神经网络模型、SVR模型、MLP模型和LSTM模型中的至少两种。
BP（back propagation）神经网络模型的输入变量按照网络的正向传递，误差从网络的反向进行传播以修正层级之间的连接关系。在热负荷值预测中，气象特征数据与热负荷值是非线性相关且存在复杂的映射关系，难以建立精确的函数关系，因此使用BP神经网络的多层网络及神经元之间的连接来建立这种非线性关系。输入的气象特征数据通过各层级之间的连接关系和激励函数计算得到网络的输出值。根据输出值和实际值的误差通过梯度下降法反向更新网络的权重和阈值。
SVR（Support Vector Regression，支持向量回归）模型是一种解决非线性问题可靠且有效的手段，它的优点在于即使在数据量有限的情况下也能得到准确的结果。SVR不仅可以解决分类问题，对于回归问题也能给出较好的结果。SVR算法中核函数的作用是对向量所在的空间进行映射，由此可以避免复杂的非线性变换。
SVR模型在解决分类问题时，通过找到n维空间中的最大间隔超平面实现对数据的识别和分类。SVR模型除了能解决分类问题还能处理复杂的回归问题，但其超参数的确定是一项复杂的工作，参数的准确性会严重影响SVR模型的预测精度。SVR模型参数确定的方式有很多，常见的方法有枚举法、算法寻优、网格搜索等。枚举法较为繁琐且精度有限。常见的优化算法虽然有能力搜索到全局最优，但SVR模型精度对参数波动敏感，元启发式算法依然有陷入局部最优解或最优解附近的可能性。考虑SVR模型计算速度快、效率高、对超参数较为敏感，为确定最优超参数，本发明实施例优选采取网格搜索法。网格搜索法将SVR模型需要待定的两个超参数gamma和C在规定范围内划分成二维网格，通过遍历该网格中所有参数的排列组合来搜索最佳的超参数。
热负荷值除了和各种特征因素具有复杂的非线性关系，还和时间存在着相互依赖和相互关联的特性。这种变化趋势并非单纯的朝着单一方向增长或减小，而是具有很强的周期性，因此LSTM（Long Short-Term Memory，长短期记忆网络）可以从时间维度上建立这种特殊的关系。LSTM是一种深度学习方法，解决了RNN（Recurrent Neural Network，循环神经网络）在模型训练过程中存在梯度爆炸和梯度消失问题。LSTM适用于处理具有时间序列特性的数据，它将热负荷值时间序列映射为一系列的隐藏状态，从而学习内部之间的动态关系。LSTM可以看作是一个网络在不同时间节点的组合。网络结构包含输入门、遗忘门和输出门三个门控单元，这种结构可以更好的掌握何时遗忘先前的信息以及如何使用新的数据更新它们。隐藏层中门的独特之处在于可以保存相关数据并遗忘无关数据，从而维持一个恒定的误差。
MLP（Multilayer Perceptron，多层感知器）模型是一种前馈人工神经网络模型，将输入的多个数据集映射到单一的输出的数据集上。
在本发明的一个实施例中，利用正余弦算法对各预测模型的参数进行优化处理。
正弦余弦（SCA）算法的核心是通过正余弦函数交替搜索找到全局最优解，该算法具有较强的寻优能力，核心策略易于实现，已经应用于多种优化问题。SCA算法可分为两个阶段：全局搜索阶段和局部开发阶段。该算法利用正弦函数和余弦函数的变化规律，通过跟踪正余弦函数的函数值平衡全局搜索和局部开发，首先随机初始化个体，然后根据正弦函数和余弦函数在值域上的波动结合4个随机因子来更新当前个体的值。SCA算法最大的特点是通过正余弦函数的变化来搜索目标。算法个体的更新策略主要由四个参数控制，分别为r1、r2、r3和r4。参数r1决定了个体靠近目标解还是远离目标解；参数r2控制个体向该方向移动距离的远近；参数r3赋予个体一个随机权重以增强或削减当前移动距离所产生的影响；参数r4随机切换正弦函数或余弦函数。SCA算法的搜索机制可以充分平衡全局搜索和局部开发，正弦函数和余弦函数的交替变化能很好的坚固全局和局部的开发。在搜索过程中，当前解根据正余弦函数的交替变化更新个体在空间中的位置，最终不断靠近搜索空间中的目标解。
采用正余弦算法优化预测模型的参数包括步骤S1210～S1250：
步骤S1210：确定模型的结构和节点个数，初始化SCA算法的种群数量。
步骤S1220：定义模型输出值和实际值的方差作为SCA算法的适应度函数，并计算个体适应值。
步骤S1230：利用正弦函数和余弦函数更新个体的位置，再次计算当前个体适应度值。
步骤S1240：比较更新后个体与全局最优个体的适应度值，将全局最优的个体进行替换。
步骤S1250：判断算法是否满足输出条件，迭代是否结束，如果满足则输出最优模型的参数结果，否则返回步骤S1220。
步骤S1300，获取各预测模型预测的热负荷值所占的权重比值。
在本发明的一个实施例中，步骤S1300具体包括步骤S1310～S1340。
步骤S1310，获取各预测模型预测的多个时刻的热负荷值的误差。
在本发明实施例中，验证集中各预测模型在t时刻预测得到的热负荷值分别为、/>、/>……/>，在t时刻实际热负荷值分别为/>、/>、/>……，n为预测模型的数量。基于计算式（9），计算得到各预测模型预测的多个时刻的热负荷值的误差/>，
=/>— 计算式（9）。
步骤S1320，根据各预测模型预测的多个时刻的热负荷值的误差，计算得到各预测模型在各时刻的误差优势度。
基于计算式（10）计算得到各预测模型在各时刻的误差优势度，
=/>— 计算式（10），
其中，为第j个预测模型在t时刻预测的热负荷值的误差，/>为第i个预测模型在t时刻预测的热负荷值的误差，/>为第i个预测模型对第j个预测模型在t时刻的误差优势度。
步骤S1330，利用各预测模型在各时刻的误差优势度，统计各预测模型作为误差优势度最高的预测模型的次数。
在本实施例中，从多个中确定最大值，将最大值对应的预测模型作为t时刻的优选模型，然后统计在整个时间范围内各个预测模型作为优选模型的次数。
步骤S1340，根据各预测模型作为误差优势度最高的预测模型的次数，计算得到各预测模型预测的热负荷值所占的权重比值。
在本实施例中，基于计算式（11），计算得到各预测模型预测的热负荷值所占的权重比值，
=/>— 计算式（11），
其中，为第i个预测模型作为误差优势度最高的预测模型的次数，n为预测模型的数量，/>为第i个预测模型预测的热负荷值所占的权重比值。
步骤S1400，根据各预测模型预测的热负荷值和对应的权重比值，得到预测日的热负荷值。
在本发明实施例中，基于计算式（12），计算得到预测日的热负荷值，
=/>— 计算式（12），
其中，n为预测模型的数量，为第i个预测模型预测的热负荷值所占的权重比值，为第i个预测模型预测的热负荷值。
在本发明的一个实施例中，供热控制方法还包括：利用各预测模型在各时刻的误差优势度，得到各预测模型的平均误差优势度；根据各预测模型的平均误差优势度，筛选得到平均误差优势度未达到预设阈值的预测模型；将平均误差优势度未达到预设阈值的预测模型从预测模型集中剔除。
基于计算式（13）计算得到各预测模型的平均误差优势度；
=/>— 计算式（13），
其中，n为预测时刻的数量，为第i个预测模型对第j个预测模型在t时刻的误差优势度。
利用各预测模型的平均误差优势度生成一个平均误差优势度矩阵D，其中，n为预测模型的数量，
=/>
利用平均误差优势度矩阵D，基于计算式（14）计算得到优势度误差矩阵R，
R =
=
=— 计算式（14），
将优势度误差矩阵R中的各值与预设阈值进行比对，筛选得到未达到预设阈值的平均误差优势度，然后确定未达到预设阈值的平均误差优势度对应的预测模型，最后将平均误差优势度未达到预设阈值的预测模型从预测模型集中剔除。这样可以保证预测模型预测热负荷值时的整体精度。
步骤S1500，利用预测日的热负荷值控制供热系统输出热量。
在一个具体实施例中，各历史日气象特征数据由各种传感器、网关和交换机等设备搭建的数据采集系统收集。温湿度用于采集室外干球温度和室外空气相对湿度。太阳辐射强度传感器可以测量建筑顶部太阳辐射的强弱。风速传感器用来测量风速。
在实施例中，预测日选取2020年7月1日，历史日气象特征数据选取预测日前一个月的数据。
图2示出了本发明实施例的各历史日对应的三种相似度值的示意图。本实施例中，参见图2，横坐标轴代表历史日与预测日相差的天数d，纵坐标轴代表各历史日对应的不同相似度值，其中，正方形代表各历史日气象特征数据和预测日气象特征数据的相似度值，三角形代表各历史日和预测日的时间因子相似度值，圆形代表各历史日前预设天数的热负荷序列值和预测日前预设天数的热负荷序列值的相似度值。上述三种相似度值的计算方法可参照上述计算式（1）—（4）。
表1示出了利用图2示出的各历史日对应的三种相似度值计算得到的各历史日对应的相似度值，具体计算方法可参照上述计算式（5）—（8）。
表1
将表1示出的各历史日对应的相似度值分别与预设相似度值进行比对，得到比对结果，根据比对结果，筛选得到相似度值超过预设相似度值的历史日，最后，将相似度值超过预设相似度值的历史日的建筑外部气象特征数据筛选出，作为各预测模型的输入数据。
本实施例中，预测模型包括SVR模型、BP神经网络模型和LSTM模型。
SVR模型选择径向基核函数的参数，惩罚系数C和内核参数Gamma选取对精度有很大影响，前者是对误差的约束，后者是决定了变量映射到新的高维空间后的数据分布。经过网格搜索SVR超参数得到模型的最佳参数为C=10.86，Gamma=31.45。
LSTM网络隐藏层神经元的个数和学习率的设置，经过SCA算法优化后LSTM模型的参数确定为：学习率为0.2045，隐藏层神经元个数为11。SCA算法中各参数设置为：u=4，a=2，p=2，Tmax=50。
基于上述计算式（9）—（14），计算得到平均误差优势度矩阵D和优势度矩阵R，
=/>，/>=/>，
SVR模型的优势度最高，优势度达到了7.55。LSTM模型次之，优势度为4.03。BP模型的优势度最小，为-11.58。在本实施例中，将BP模型预测模型集中剔除。
在本实施例中，传感器采集的数据可能会因为设备中电路的噪声和不可避免的干扰信号影响数据采集的准确性，进而考验预测模型的鲁棒性。将几种不同强度的高斯白噪声干扰添加到测试数据中生成新的测试数据集，将决定系数R2的变化作为预测模型鲁棒性的评判标准。从图3中可以看出传统预测模型的鲁棒性在不同强度白噪声干扰下的鲁棒性时好时坏，其中BP模型的决定系数R2的下降速率最快、鲁棒性最差。SVR模型和LSTM模型分别在信噪比为50%、35%、15%、10%和45%、40%、30%、25%、20%时决定系数R2最大。而本实施例将两种预测模型SVR模型和LSTM模型进行集成，得到一个集成模型，决定系数R2介于SVR模型和LSTM模型之间，在不同信噪比的测试数据中鲁棒性的整体表现更好，抗干扰性更强，整体稳定性更好。
装置实施例
本发明的一个实施例提供了一种供热控制装置，如图4所示。该供热控制装置400包括第一获取模块410、预测模块420、第二获取模块430、计算模块440和控制模块450。
第一获取模块410用于获取建筑外部各历史日气象特征数据。
预测模块420用于将建筑外部各历史日气象特征数据分别输入各预测模型，得到对应的预测热负荷值。
第二获取模块430用于获取各预测模型预测的热负荷值所占的权重比值。
计算模块440用于根据各预测模型预测的热负荷值和对应的权重比值，计算得到预测日的热负荷值。
控制模块450用于利用预测日的热负荷值控制供热系统输出热量。
在本发明的一个实施例中，第一获取模块410还用于获取各历史日气象特征数据和预测日气象特征数据的相似度值、各历史日和预测日的时间因子相似度值以及各历史日前预设天数的热负荷序列值和预测日前预设天数的热负荷序列值的相似度值中的至少任意两种相似度值；利用熵权法对至少任意两种相似度值进行处理，得到各相似度值所占的权重比值；根据各相似度值和对应的权重比值，得到各历史日对应的相似度值；利用各历史日对应的相似度值，筛选得到建筑外部各历史日气象特征数据。
在本发明的一个实施例中，第二获取模块430还用于获取各预测模型预测的多个时刻的热负荷值的误差；根据各预测模型预测的多个时刻的热负荷值的误差，计算得到各预测模型在各时刻的误差优势度；利用各预测模型在各时刻的误差优势度，统计各预测模型作为误差优势度最高的预测模型的次数；根据各预测模型作为误差优势度最高的预测模型的次数，计算得到各预测模型预测的热负荷值所占的权重比值。
在本发明的一个实施例中，第二获取模块430还用于利用各预测模型在各时刻的误差优势度，筛选得到各时刻误差优势度最高对应的预测模型；根据各时刻误差优势度最高对应的预测模型，统计各预测模型作为误差优势度最高的预测模型的次数。
在本发明的一个实施例中，第二获取模块430还用于利用各预测模型在各时刻的误差优势度，得到各预测模型的平均误差优势度；根据各预测模型的平均误差优势度，筛选得到平均误差优势度未达到预设阈值的预测模型；将平均误差优势度未达到预设阈值的预测模型从预测模型集中剔除。
在本发明的一个实施例中，各历史日气象特征数据包括室外干球温度、太阳辐射强度、室外空气相对湿度和风速中的至少一种。
在本发明的一个实施例中，预测模型包括BP神经网络模型、SVR模型、MLP模型和LSTM模型中的至少两种。
本发明的一个实施例提供了一种供热控制装置，如图5所示。该供热控制装置500，包括存储器520和处理器510。存储器520存储计算机程序，计算机程序用于控制处理器510进行操作以执行上述任一实施例中的供热控制方法。
供热系统实施例
本发明的一个实施例提供了一种供热控制系统，包括如上述任一实施例的供热控制装置。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。对于电动车实施例而言，其相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书的实施例可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本说明书实施例的各个方面的计算机指令。
计算机可读存储介质可以是可以保持和存储由计算机指令执行设备使用的计算机指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有计算机指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机指令，并转发该计算机指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
附图中的流程图和框图显示了根据本说明书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、程序段或计算机指令的一部分，模块、程序段或计算机指令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计算机指令。在有些作为替换的实现中，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。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本说明书的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种供热控制方法，其特征在于，包括：
获取建筑外部各历史日气象特征数据；
将所述建筑外部各历史日气象特征数据分别输入各预测模型，得到对应的预测热负荷值；
获取各预测模型预测的热负荷值所占的权重比值；
根据所述各预测模型预测的热负荷值和对应的权重比值，计算得到预测日的热负荷值；
利用所述预测日的热负荷值控制供热系统输出热量。
2.根据权利要求1所述的供热控制方法，其特征在于，获取建筑外部各历史日气象特征数据，包括：
获取各历史日气象特征数据和预测日气象特征数据的相似度值、各历史日和预测日的时间因子相似度值以及各历史日前预设天数的热负荷序列值和预测日前预设天数的热负荷序列值的相似度值中的至少任意两种相似度值；
利用熵权法对所述至少任意两种相似度值进行处理，得到各相似度值所占的权重比值；
根据所述各相似度值和对应的权重比值，得到各历史日对应的相似度值；
利用所述各历史日对应的相似度值，筛选得到建筑外部各历史日气象特征数据。
3.根据权利要求1所述的供热控制方法，其特征在于，获取各预测模型预测的热负荷值所占的权重比值，包括：
获取各预测模型预测的多个时刻的热负荷值的误差；
根据所述各预测模型预测的多个时刻的热负荷值的误差，计算得到各预测模型在各时刻的误差优势度；
利用所述各预测模型在各时刻的误差优势度，统计各预测模型作为误差优势度最高的预测模型的次数；
根据所述各预测模型作为误差优势度最高的预测模型的次数，计算得到各预测模型预测的热负荷值所占的权重比值。
4.根据权利要求3所述的供热控制方法，其特征在于，利用各预测模型在各时刻的误差优势度，统计各预测模型作为误差优势度最高的预测模型的次数，包括：
利用所述各预测模型在各时刻的误差优势度，筛选得到各时刻误差优势度最高对应的预测模型；
根据所述各时刻误差优势度最高对应的预测模型，统计各预测模型作为误差优势度最高的预测模型的次数。
5.根据权利要求4所述的供热控制方法，其特征在于，所述方法还包括：
利用所述各预测模型在各时刻的误差优势度，得到各预测模型的平均误差优势度；
根据所述各预测模型的平均误差优势度，筛选得到平均误差优势度未达到预设阈值的预测模型；
将所述平均误差优势度未达到预设阈值的预测模型从预测模型集中剔除。
6.根据权利要求1所述的供热控制方法，其特征在于，所述各历史日气象特征数据包括室外干球温度、太阳辐射强度、室外空气相对湿度和风速中的至少一种。
7.根据权利要求1-6中任一所述的供热控制方法，其特征在于，所述预测模型包括BP神经网络模型、SVR模型、MLP模型和LSTM模型中的至少两种。
8.一种供热控制装置，其特征在于，包括：
第一获取模块，用于获取建筑外部各历史日气象特征数据；
预测模块，用于将所述建筑外部各历史日气象特征数据分别输入各预测模型，得到对应的预测热负荷值；
第二获取模块，用于获取各预测模型预测的热负荷值所占的权重比值；
计算模块，用于根据所述各预测模型预测的热负荷值和对应的权重比值，计算得到预测日的热负荷值；
控制模块，用于利用所述预测日的热负荷值控制供热系统输出热量。
9.一种供热控制装置，其特征在于，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序用于控制所述处理器进行操作以执行根据权利要求1-7中任一项所述的供热控制方法。
10.一种供热系统，其特征在于，包括如权利要求8或者9所述的供热控制装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311013658.1A CN116753561B (zh) | 2023-08-14 | 2023-08-14 | 供热控制方法、控制装置和供热系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311013658.1A CN116753561B (zh) | 2023-08-14 | 2023-08-14 | 供热控制方法、控制装置和供热系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116753561A true CN116753561A (zh) | 2023-09-15 |
| CN116753561B CN116753561B (zh) | 2024-01-09 |
Family
ID=87951715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311013658.1A Active CN116753561B (zh) | 2023-08-14 | 2023-08-14 | 供热控制方法、控制装置和供热系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116753561B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537379A (zh) * | 2018-04-04 | 2018-09-14 | 北京科东电力控制系统有限责任公司 | 自适应变权重组合负荷预测方法及装置 |
| CN111144721A (zh) * | 2019-12-12 | 2020-05-12 | 国网山东省电力公司经济技术研究院 | 电网项目需求评价模型的构建方法、装置和计算设备 |
| CN111860979A (zh) * | 2020-07-01 | 2020-10-30 | 广西大学 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN114841410A (zh) * | 2022-03-31 | 2022-08-02 | 大连海心信息工程有限公司 | 一种基于组合策略的换热站负荷预测方法和系统 |
| CN115775053A (zh) * | 2022-12-21 | 2023-03-10 | 福州大学 | 一种基于改进相似时刻法的分布式光伏功率短期预测方法 |
| CN115907131A (zh) * | 2022-11-16 | 2023-04-04 | 国网宁夏电力有限公司经济技术研究院 | 一种北方地区电采暖负荷预测模型搭建方法和系统 |
| CN116151449A (zh) * | 2023-02-15 | 2023-05-23 | 固德威技术股份有限公司 | 一种电力负荷的短期预测方法及装置 |
-
2023
- 2023-08-14 CN CN202311013658.1A patent/CN116753561B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537379A (zh) * | 2018-04-04 | 2018-09-14 | 北京科东电力控制系统有限责任公司 | 自适应变权重组合负荷预测方法及装置 |
| CN111144721A (zh) * | 2019-12-12 | 2020-05-12 | 国网山东省电力公司经济技术研究院 | 电网项目需求评价模型的构建方法、装置和计算设备 |
| CN111860979A (zh) * | 2020-07-01 | 2020-10-30 | 广西大学 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN114841410A (zh) * | 2022-03-31 | 2022-08-02 | 大连海心信息工程有限公司 | 一种基于组合策略的换热站负荷预测方法和系统 |
| CN115907131A (zh) * | 2022-11-16 | 2023-04-04 | 国网宁夏电力有限公司经济技术研究院 | 一种北方地区电采暖负荷预测模型搭建方法和系统 |
| CN115775053A (zh) * | 2022-12-21 | 2023-03-10 | 福州大学 | 一种基于改进相似时刻法的分布式光伏功率短期预测方法 |
| CN116151449A (zh) * | 2023-02-15 | 2023-05-23 | 固德威技术股份有限公司 | 一种电力负荷的短期预测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 徐耀松;段彦强;王雨虹;屠乃威;: "基于相似日选择与改进Stacking集成学习的短期负荷预测", 传感技术学报, no. 04, pages 537 - 544 * |
| 徐耀松等: "基于相似日选择与改进Stacking集成学习的短期负荷预测", 《传感技术学报》, vol. 33, no. 4, pages 537 - 544 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116753561B (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210383041A1 (en) | In-situ thermodynamic model training | |
| Angelov et al. | A new type of simplified fuzzy rule-based system | |
| Mirrashid | Earthquake magnitude prediction by adaptive neuro-fuzzy inference system (ANFIS) based on fuzzy C-means algorithm | |
| CN108764539B (zh) | 一种梯级电站的上下游水位预测方法 | |
| CN110083125B (zh) | 一种基于深度学习的机床热误差建模方法 | |
| CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
| CN110858062B (zh) | 目标优化参数的获取方法及模型训练方法、装置 | |
| CN110781595B (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
| CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
| CN108665052A (zh) | 果蝇算法优化广义回归神经网络的方法和装置 | |
| CN115018193A (zh) | 基于lstm-ga模型的时间序列风能数据预测方法 | |
| CN116796141A (zh) | 一种基于gbdt回归模型的办公建筑能耗预测方法 | |
| CN115796302A (zh) | 电能功率模型训练方法、传输功率获取方法和相关设备 | |
| CN116753561B (zh) | 供热控制方法、控制装置和供热系统 | |
| CN117554814A (zh) | 一种电池荷电状态预测方法、装置、电子设备及存储介质 | |
| CN117575672A (zh) | 一种基于时空特征迁移学习的行业电量预测方法、装置 | |
| CN116861256A (zh) | 一种固废焚烧过程的炉温预测方法、系统、设备及介质 | |
| CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
| CN115310709A (zh) | 一种基于粒子群算法的电力工程项目信息优化方法 | |
| CN108960406B (zh) | 一种基于bfo小波神经网络的mems陀螺随机误差预测方法 | |
| CN115081856A (zh) | 一种企业知识管理绩效评价装置及方法 | |
| JP2007018530A (ja) | 忘却型ヒストグラム計算装置及びそれを用いた外れ値度計算装置 | |
| CN114330119A (zh) | 一种基于深度学习的抽蓄机组调节系统辨识方法 | |
| CN113112092A (zh) | 一种短期概率密度负荷预测方法、装置、设备和存储介质 | |
| CN114139677A (zh) | 一种基于改进gru神经网络的非等间隔时序数据预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |