CN116777108A - 一种基于大数据分析的城市供热综合智能管理系统 - Google Patents

一种基于大数据分析的城市供热综合智能管理系统 Download PDF

Info

Publication number
CN116777108A
CN116777108A CN202310704190.4A CN202310704190A CN116777108A CN 116777108 A CN116777108 A CN 116777108A CN 202310704190 A CN202310704190 A CN 202310704190A CN 116777108 A CN116777108 A CN 116777108A
Authority
CN
China
Prior art keywords
heat supply
period
user
target
loss
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310704190.4A
Other languages
English (en)
Inventor
朱汉宝
杨秋红
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.)
Shanghai Sinyo New Energy Technology Co ltd
Original Assignee
Shanghai Sinyo New Energy Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Sinyo New Energy Technology Co ltd filed Critical Shanghai Sinyo New Energy Technology Co ltd
Priority to CN202310704190.4A priority Critical patent/CN116777108A/zh
Publication of CN116777108A publication Critical patent/CN116777108A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Water Supply & Treatment (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明涉及城市供热综合管理技术领域，具体公开一种基于大数据分析的城市供热综合智能管理系统，该系统包括气象信息采集模块、供热匹配分析模块、供热损耗分析模块、供热损耗测定模块、供热确认终端、供热反馈终端、云数据库；本发明通过从气象信息层面和供热损耗层面进行城市供热分析，有效解决了当前固定化供热方式中存在的局限性，规避了固定化供热方式中各供热户的体验感较差、供热未达到逾期效果等多个方面的不足，实现了各供热户的针对性供热，并且确保了目标供热地区对应下一供热周期目标供热量初步确认的精准性，从而提高了后续供热的针对性和参考性，进而显著提高了供热户的供热体验感和生活舒适度。

Description

一种基于大数据分析的城市供热综合智能管理系统
技术领域
本发明涉及城市供热综合管理技术领域，具体而言，涉及一种基于大数据分析的城市供热综合智能管理系统。
背景技术
随着信息技术的飞速发展，以物联网、云计算、大数据、移动互联网等为特征的信息产业正深刻地影响着城市供热系统的发展，城市供热它有利于提高人们在寒冷冬季的生活舒适度，进而提升城市生活幸福指数，因此，需要对城市供热系统进行综合智能管理。
现有的城市供热系统主要通过对供热户的固定化供热方式来实现供热，很显然，这种供热方式还存在以下几个方面的问题：1、供热存在个体差异化，固定化供热方式无法满足差异化个体供热户的供热需求，从而使供热户的体验感较差，其次固定化供热方式没有考虑各供热户的住宅基本情况，从而无法确保各供热户的供热效果。
2、未结合其具体供热损耗量情况进行供热量的判定，仅结合常规状态下的损耗，从而使各供热户所需的供热量与实际供热量偏差较大，进而无法确保供热的精准性，使得供热资源分配的合理性和可靠性不足。
3、当前供热管理人员对供热管道的检查维护是周期性的，周期性的检查维护无法确保异常供热处理的及时性和实时性，从而降低异常供热的处理效率，进而增加了供热损耗量。
发明内容
鉴于此，为解决上述背景技术中所提出的问题，现提出一种基于大数据分析的城市供热综合智能管理系统。
本发明的目的可以通过以下技术方案实现：本发明提供一种基于大数据分析的城市供热综合智能管理系统，包括：气象信息采集模块用于采集目标供热地区下一供热周期内的气象信息。
供热匹配分析模块用于对目标供热地区各供热户下一供热周期进行供热匹配分析，得到各供热户下一供热周期对应的目标供热量。
供热损耗分析模块用于对各供热户的供热损耗进行分析，得到各供热户对应的供热损耗速率，进而确认各供热户下一供热周期对应的目标损耗热量。
供热损耗测定模块用于当某供热户的供热损耗速率达到预警值时，将该供热户记为异常供热户，并进行供热损耗原因测定，得到该异常供热户对应的供应损耗原因，并启动供热反馈终端。
供热确认终端用于将目标供热地区各供热户下一供热周期对应的目标供热量和目标损耗热量累加，进而得到各供热户下一供热周期对应的确认供热量。
供热反馈终端用于进行各供热户下一供热周期对应的确认供热量反馈和异常供热户对应的供应损耗原因反馈。
云数据库用于存储目标供热地区历史供热周期数目、历史各供热周期对应的气象信息以及各供热户对应的供热日志。
进一步地，所述气象信息包括各气象种类和各气象种类对应的天数以及气象参数。
所述供热日志包括住宅基本信息、历史各供热周期对应的供热量、供热损耗量、计划供热流速和实际供热流速。
其中，住宅基本信息包括各供热户的住宅面积、地板材料导热率、住宅采光面积。
进一步地，所述对目标供热地区各供热户下一供热周期进行供热匹配分析，具体分析过程为：A1：从云数据库中提取目标供热地区历史各供热周期对应的气象信息。
A2:根据目标供热地区下一供热周期内的气象信息，计算历史各供热周期与下一供热周期内对应的供热气象相似度。
A3:从历史各供热周期与下一供热周期内对应的供热气象相似度中筛选出相似度最大的历史供热周期，并作为参照历史供热周期。
A4:从目标供热地区各供热户对应的供热日志中提取参照历史供热周期对应的供热量，并作为各供热户下一供热周期对应的目标供热量。
进一步地，所述历史各供热周期与下一供热周期内对应的供热气象相似度的具体计算过程为：B1:从目标供热地区下一供热周期内和历史各供热周期的气象信息中提取各气象种类和各气象种类对应的天数。
B2:将目标供热地区下一供热周期内和历史各供热周期的各气象种类进行对比。
B3:若目标供热地区下一供热周期与历史某供热周期的各气象种类完全一致，将历史该供热气象周期记为目标周期，并将目标供热地区下一供热周期与目标周期的气象种类相似度记为δ，同时执行B6步骤。
B4:若目标供热地区下一供热周期与历史某供热周期的各气象种类为部分一致，则将历史该供热周期记为部分重叠周期，并将部分重叠周期与下一供热周期内对应的供热气象相似度记为τ2。
B5:若目标供热地区下一供热周期与历史某供热周期的各气象种类完全不一致，则将历史供热周期记为差异周期，将差异周期与下一供热周期内对应的供热气象相似度记为τ3。
B6:从目标供热地区下一供热周期内和目标周期气象信息提取各气象种类对应的天数和气象参数，计算目标供热地区对应目标周期与下一供热周期的供热气象相似度τ1。
B7:得到历史各供热周期与下一供热周期内对应的供热气象相似度其中，取值为τ1或者τ2或者τ3，且τ1＞τ2＞τ3，j表示各供热周期的编号，j＝1,2,...,z。
进一步地，所述目标供热地区对应目标周期与下一供热周期的供热气象相似度的具体计算过程为：C1:将目标供热地区下一供热周期内和目标周期对应各气象种类的天数和气象参数分别记为Td和Hd，其中d表示各气象种类编号，d＝1,2,...,m。
C2:计算目标供热地区对应目标周期与下一供热周期的供热气象相似度τ1，
其中，a1、a2、a3分别表示设定的气象种类相似度、气象天数、气象参数对应供热气象相似符合占比权重，ΔT、ΔH分别表示设定的参照气象天数偏差、气象参数偏差，Td′、H′d分别表示设定的目标供热地区下一供热周期内和目标周期对应第d个气象种类的天数和气象参数，γ1表示设定的供热气象相似符合修正因子，e表示自然常数。
进一步地，所述对各供热户的供热损耗进行分析，具体分析过程为：D1:从各供热户对应的供热日志中提取目标供热地区各供热户的住宅基本信息，计算各供热户的导热难度评估系数ζi，并根据导热难度评估系数设置各供热户对应的许可供热损耗量，其中i表示各供热户编号，i＝1,2,...,n。
D2:从各供热户对应的供热日志中提取历史各供热周期对应的供热损耗量，并与其对应许可供热损耗量进行作差，得到各供热户在历史各供热周期对应的供热损耗偏差。
D3:以供热周期为横轴，以供热损耗偏差为纵轴，构建二维坐标系，并根据各供热户在历史各供热周期对应的供热损耗偏差，在二维坐标系中标注出多个点，由此构建各供热户对应的供热损耗变化曲线，进而从所述曲线中定位出斜率值作为各供热户的损耗速率，并将其标记为Ki。
进一步地，所述计算各供热户的导热难度评估系数的计算过程为：E1:从所述住宅基本信息中提取各供热户的住宅面积、地板材料导热率、住宅采光面积，并分别标记为s面 i、ηi、s采 i。
E2:计算各供热户的导热难度评估系数，其具体计算公式为：
其中b1、b2、b3分别表示设定的住宅面积、地板材料导热率、住宅采光面积对应导热难度评估系数占比权重，s′面、η′、s′采分别表示设定常规导热难度状态下对应参照的住宅面积、地板材料导热率、住宅采光面积，γ2表示设定的导热难度评估系数修正因子，Δs、Δη、Δs′分别表示设定参照的住宅面积偏差、地板材料导热率偏差、住宅采光面积偏差。
进一步地，所述确认各供热户下一供热周期对应的目标损耗热量，具体确认过程为：F1:从各供热户对应的供热损耗变化曲线中定位出拐点的数目，并标记为εi。
F2:从各供热户对应的供热损耗变化曲线中定位出历史首个供热周期和历史末个供热周期对应的标注点，并将这两个标注点进行连线，将所述连线作为供热损耗参照基准线。
F3:从各供热户对应的供热损耗变化曲线中分别定位出位于供热损耗参照基准线上方以及位于供热损耗参照基准线下方的曲线段总长，分别记为L上 i以及L下 i。
F4:计算各供热户对应的目标供热浮动损耗量ΔQ浮 i。
F5:从所述二维坐标系中定位出单个供热周期对应的时间长度,并记为t0。
F6：从云数据库中定位出历史供热周期数目，并记为M0。
F7:根据各供热户的目标供热浮动损耗量和损耗速率计算各供热户下一供热周期对应的目标损耗热量Q目 i,Q目 i＝Ki*(M+1)*t0+ΔQ浮 i。
进一步地，所述计算各供热户对应的目标供热浮动损耗量的公式为：其中，ΔQ基表示设定的目标供热浮动损耗量，ε′表示设定的参照许可拐点的数目，ΔQ0表示设定的单位波动评估指数对应的参照供热误差量，K参表示设定的参照曲线长度占比。
进一步地，所述进行供热损耗原因测定，具体测定过程为：J1：从各供热户对应的供热日志中提取目标供热地区各供热户在历史各供热周期对应的计划供热流速和实际供热流速，进而将其作差得到各供热户在历史各供热周期对应的供热流速差。
J2:将各供热户在历史各供热周期对应的供热流速差与设定参照许可供热流速差进行对比，统计各供热户中供热流速差大于设定参照许可供热流速差的历史供热周期数目，并作为各供热户对应的异常供热周期数目，标记为Mi。
J3:从各供热户对应各异常供热周期对应的供热流速差中提取出最大供热流速差(Δvmax)i。
J4:将各供热户对应各异常供热周期对应的供热流速差进行均值计算，得到各供热户对应的平均供热流速差，记为
J5:计算各供热户的流速异常评估指数ωi，计算公式为：
其中，b4、b5、b6分别表示设定的平均供热流速差、最大供热流速差、异常供热周期数目占比对应流速异常评估指数占比权重，表示设定的参照平均供热流速差，Δvmax表示设定的许可最大供热流速差的偏差值，K许表示设定的参照异常供热周期数目占比，γ3表示设定的流速异常评估指数符合修正因子。
J6:若ωi＞ω′，则判定各供热户的供热损耗原因为管道原因，反之，各供热户的供热损耗原因为其它原因，其中，ω′表示设定的参照流速异常评估指数。
相较于现有技术，本发明的实施例至少具有如下优点或有益效果：(1)本发明通过从气象信息层面和供热损耗层面进行城市供热分析，有效解决了当前固定化供热方式中存在的局限性，规避了固定化供热方式中各供热户的体验感较差、供热未达到逾期效果等多个方面的不足，实现了各供热户的针对性供热，从而提高了供热的精准性、可靠性和参考性，并且显著提高了供热户的供热体验感，进而保障了供热户的生活舒适度。
(2)本发明通过从气象种类、各气象种类对应的天数以及气象参数三个维度，计算供热气象相似度，从而筛选出目标供热地区对应下一供热周期目标供热量，提高了目标供热地区对应下一供热周期目标供热量初步确认的精准性，并且确保了目标供热地区对应下一供热周期供热的可行性、针对性和合理性，从而促进了目标供热地区的供热服务质量。
(3)本发明通过计算各供热户的导热难度评估系数，由此设置各供热户的许可供热损耗量，进而构建各供热户对应的供热损耗变化曲线，并对曲线进行分析，得到各供热户的目标供热损耗量，规避了当前常规式损耗设定方式中存在的不足，提高了各供热户损耗确认的准确性，从而有效防止了后续供热不足的现象发生，满足了后续各供热户的供热需求。
(4)本发明通过从住宅面积、地板材料导热率、住宅采光面积三个方面计算各供热户的导热难度评估系数，有效避免了因未结合各供热户的住宅实际情况而导致的供热损耗偏差，提高了供热资源的利用率，同时为后续的供热提供了现实基础。
(5)本发明通过对各供热户对应的供热损耗变化曲线进行分析，直观地展示了各供热户的供热变化规律以及供热损耗的浮动情况，从而拓展了各供热户目标供热损耗的分析依据，提高了各供热户下一供热周期目标供热损耗量分析结果的参考性和真实性，为各供热户下一供热周期确认供热量的分析提供了可靠铺垫。
(6)本发明当某供热户的供热损耗速率达到预警值时，进行供热损耗原因测定，不仅提高了供热管理人员对异常供热的觉察及时性，还提高了供热管理人员对异常供热处理的针对性和方向性，从而促进了供热管理人员对应异常供热的处理效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明系统模块结构连接示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
请参阅图1所示，本发明提供了一种基于大数据分析的城市供热综合智能管理系统，包括：气象信息采集模块、供热匹配分析模块、供热损耗分析模块、供热损耗测定模块、供热确认终端、供热反馈终端、云数据库。
所述气象信息采集模块与供热匹配分析模块相连，供热损耗分析模块与供热损耗测定模块相连，供热匹配分析模块、供热损耗分析模块和供热损耗测定模块均与云数据库相连，供热匹配分析模块和供热损耗分析模块均与供热确认终端相连，供热损耗测定模块和供热确认终端均与供热反馈终端相连。
气象信息采集模块用于采集目标供热地区下一供热周期内的气象信息。
在本发明的具体实施例中，所述气象信息包括各气象种类和各气象种类对应的天数以及气象参数。
需要说明的是，气象种类包括晴天、雨天和雪天，本发明研究的是城市供热系统，一般的城市供热多出现在寒冷季节，光照强度、雨量和雪量均作为气温变化的主要干扰要素，因此主要考虑晴天、雨天和雪天这三个气象种类，且将晴天的气象参数设置为光照强度，雨天的气象参数设置为降雨量，雪天的气象参数设置为降雪量。
供热匹配分析模块用于对目标供热地区各供热户下一供热周期进行供热匹配分析，得到各供热户下一供热周期对应的目标供热量。
在本发明的具体实施例中，所述对目标供热地区各供热户下一供热周期进行供热匹配分析，具体分析过程为：A1：从云数据库中提取目标供热地区历史各供热周期对应的气象信息。
A2:根据目标供热地区下一供热周期内的气象信息，计算历史各供热周期与下一供热周期内对应的供热气象相似度。
需要说明的是，所述历史各供热周期与下一供热周期内对应的供热气象相似度的具体计算过程为：B1:从目标供热地区下一供热周期内和历史各供热周期的气象信息中提取各气象种类和各气象种类对应的天数。
B2:将目标供热地区下一供热周期内和历史各供热周期的各气象种类进行对比。
B3:若目标供热地区下一供热周期与历史某供热周期的各气象种类完全一致，将历史该供热气象周期记为目标周期，并将目标供热地区下一供热周期与目标周期的气象种类相似度记为δ，同时执行B6步骤。
B4:若目标供热地区下一供热周期与历史某供热周期的各气象种类为部分一致，则将历史该供热周期记为部分重叠周期，并将部分重叠周期与下一供热周期内对应的供热气象相似度记为τ2。
B5:若目标供热地区下一供热周期与历史某供热周期的各气象种类完全不一致，则将历史供热周期记为差异周期，将差异周期与下一供热周期内对应的供热气象相似度记为τ3。
在一个具体实施例中，若目标供热地区下一供热地区的各气象种类分别为雨天和晴天，历史某供热周期的各气象种类分别为雨天和晴天，则判定目标供热地区下一供热周期与历史该供热周期的各气象种类完全一致，若历史某供热周期内的各气象种类分别为雨天和雪天，则判定目标供热地区下一供热周期与历史该供热周期的各气象种类为部分一致，若历史某供热周期内的各气象种类分别为阴天和雪天，则判定目标供热地区下一供热周期与历史该供热周期的各气象种类完全不一致。
B6:从目标供热地区下一供热周期内和目标周期气象信息提取各气象种类对应的天数和气象参数，计算目标供热地区对应目标周期与下一供热周期的供热气象相似度τ1。
需要说明的是，所述目标供热地区对应目标周期与下一供热周期的供热气象相似度的具体计算过程为：C1:将目标供热地区下一供热周期内和目标周期对应各气象种类的天数和气象参数分别记为Td和Hd，其中d表示各气象种类编号，d＝1,2,...,m。
需要说明的是，气象种类有晴天、雨天和雪天三种，所以m＝3。
C2:计算目标供热地区对应目标周期与下一供热周期的供热气象相似度τ1，
其中，a1、a2、a3分别表示设定的气象种类相似度、气象天数、气象参数对应供热气象相似符合占比权重，ΔT、ΔH分别表示设定的参照气象天数偏差、气象参数偏差，Td′、H′d分别表示设定的目标供热地区下一供热周期内和目标周期对应第d个气象种类的天数和气象参数，γ1表示设定的供热气象相似符合修正因子，e表示自然常数。
B7:得到历史各供热周期与下一供热周期内对应的供热气象相似度其中，取值为τ1或者τ2或者τ3，且τ1＞τ2＞τ3，j表示各供热周期的编号，j＝1,2,...,z。
本发明实施例，通过从气象种类、各气象种类对应的天数以及气象参数三个维度，计算供热气象相似度，从而筛选出目标供热地区对应下一供热周期目标供热量，提高了目标供热地区对应下一供热周期目标供热量初步确认的精准性，并且确保了目标供热地区对应下一供热周期供热的可行性、针对性和合理性，从而促进了目标供热地区的供热服务质量。
A3:从历史各供热周期与下一供热周期内对应的供热气象相似度中筛选出相似度最大的历史供热周期，并作为参照历史供热周期；
A4:从目标供热地区各供热户对应的供热日志中提取参照历史供热周期对应的供热量，并作为各供热户下一供热周期对应的目标供热量。
供热损耗分析模块用于对各供热户的供热损耗进行分析，得到各供热户对应的供热损耗速率，进而确认各供热户下一供热周期对应的目标损耗热量。
在本发明的具体实施例中，所述对各供热户的供热损耗进行分析，具体分析过程为：D1:从各供热户对应的供热日志中提取目标供热地区各供热户的住宅基本信息，计算各供热户的导热难度评估系数ζi，并根据导热难度评估系数设置各供热户对应的许可供热损耗量，其中i表示各供热户编号，i＝1,2,...,n。
需要说明的是，所述计算各供热户的导热难度评估系数的计算过程为：E1:从所述住宅基本信息中提取各供热户的住宅面积、地板材料导热率、住宅采光面积，并分别标记为s面 i、ηi、s采 i。
E2:计算各供热户的导热难度评估系数，其具体计算公式为：
其中b1、b2、b3分别表示设定的住宅面积、地板材料导热率、住宅采光面积对应导热难度评估系数占比权重，s′面、η′、s′采分别表示设定常规导热难度状态下对应参照的住宅面积、地板材料导热率、住宅采光面积，γ2表示设定的导热难度评估系数修正因子，Δs、Δη、Δs′分别表示设定参照的住宅面积偏差、地板材料导热率偏差、住宅采光面积偏差。
本发明实施例，通过从住宅面积、地板材料导热率、住宅采光面积三个方面计算各供热户的导热难度评估系数，有效避免了因未结合各供热户的住宅实际情况而导致的供热损耗偏差，提高了供热资源的利用率，同时为后续的供热提供了现实基础。
D2:从各供热户对应的供热日志中提取历史各供热周期对应的供热损耗量，并与其对应许可供热损耗量进行作差，得到各供热户在历史各供热周期对应的供热损耗偏差。
D3:以供热周期为横轴，以供热损耗偏差为纵轴，构建二维坐标系，并根据各供热户在历史各供热周期对应的供热损耗偏差，在二维坐标系中标注出多个点，由此构建各供热户对应的供热损耗变化曲线，进而从所述曲线中定位出斜率值作为各供热户的损耗速率，并将其标记为Ki。
在本发明的具体实施例中，所述确认各供热户下一供热周期对应的目标损耗热量，具体确认过程为：F1:从各供热户对应的供热损耗变化曲线中定位出拐点的数目，并标记为εi。
需要说明的是，所述拐点是指曲线单调性发生变化的点。
F2:从各供热户对应的供热损耗变化曲线中定位出历史首个供热周期和历史末个供热周期对应的标注点，并将这两个标注点进行连线，将所述连线作为供热损耗参照基准线。
F3:从各供热户对应的供热损耗变化曲线中分别定位出位于供热损耗参照基准线上方以及位于供热损耗参照基准线下方的曲线段总长，分别记为L上 i以及L下 i。
F4:计算各供热户对应的目标供热浮动损耗量ΔQ浮 i。
需要说明的是，所述计算各供热户对应的目标供热浮动损耗量的公式为：其中，ΔQ基表示设定的目标供热浮动损耗量，ε′表示设定的参照许可拐点的数目，ΔQ0表示设定的单位波动评估指数对应的参照供热误差量，K参表示设定的参照曲线长度占比。
本发明实施例，通过对各供热户对应的供热损耗变化曲线进行分析，直观地展示了各供热户的供热变化规律以及供热损耗的浮动情况，从而拓展了各供热户目标供热损耗的分析依据，提高了各供热户下一供热周期目标供热损耗量分析结果的参考性和真实性，为各供热户下一供热周期确认供热量的分析提供了可靠铺垫。
F5:从所述二维坐标系中定位出单个供热周期对应的时间长度,并记为t0。
F6：从云数据库中定位出历史供热周期数目，并记为M0。
F7:根据各供热户的目标供热浮动损耗量和损耗速率计算各供热户下一供热周期对应的目标损耗热量Q目 i,Q目 i＝Ki*(M+1)*t0+ΔQ浮 i。
本发明实施例，通过计算各供热户的导热难度评估系数，由此设置各供热户的许可供热损耗量，进而构建各供热户对应的供热损耗变化曲线，并对曲线进行分析，得到各供热户的目标供热损耗量，规避了当前常规式损耗设定方式中存在的不足，提高了各供热户损耗确认的准确性，从而有效防止了后续供热不足的现象发生，满足了后续各供热户的供热需求。
供热损耗测定模块用于当某供热户的供热损耗速率达到预警值时，将该供热户记为异常供热户，并进行供热损耗原因测定，得到该异常供热户对应的供应损耗原因，并启动供热反馈终端。
在本发明的具体实施例中，所述进行供热损耗原因测定，具体测定过程为：J1：从各供热户对应的供热日志中提取目标供热地区各供热户在历史各供热周期对应的计划供热流速和实际供热流速，进而将其作差得到各供热户在历史各供热周期对应的供热流速差。
J2:将各供热户在历史各供热周期对应的供热流速差与设定参照许可供热流速差进行对比，统计各供热户中供热流速差大于设定参照许可供热流速差的历史供热周期数目，并作为各供热户对应的异常供热周期数目，标记为Mi。
J3:从各供热户对应各异常供热周期对应的供热流速差中提取出最大供热流速差(Δvmax)i。
J4:将各供热户对应各异常供热周期对应的供热流速差进行均值计算，得到各供热户对应的平均供热流速差，记为
J5:计算各供热户的流速异常评估指数ωi，计算公式为：
其中，b4、b5、b6分别表示设定的平均供热流速差、最大供热流速差、异常供热周期数目占比对应流速异常评估指数占比权重，表示设定的参照平均供热流速差，Δvmax表示设定的许可最大供热流速差的偏差值，K许表示设定的参照异常供热周期数目占比，γ3表示设定的流速异常评估指数符合修正因子。
J6:若ωi＞ω′，则判定各供热户的供热损耗原因为管道原因，反之，各供热户的供热损耗原因为其它原因，其中，ω′表示设定的参照流速异常评估指数。
本发明实施例，当某供热户的供热损耗速率达到预警值时，进行供热损耗原因测定，不仅提高了供热管理人员对异常供热的觉察及时性，还提高了供热管理人员对异常供热处理的针对性和方向性，从而促进了供热管理人员对应异常供热的处理效率。
供热确认终端用于将目标供热地区各供热户下一供热周期对应的目标供热量和目标损耗热量累加，进而得到各供热户下一供热周期对应的确认供热量。
供热反馈终端用于进行各供热户下一供热周期对应的确认供热量反馈和异常供热户对应的供应损耗原因反馈。
云数据库用于存储目标供热地区历史供热周期数目、历史各供热周期对应的气象信息以及各供热户对应的供热日志。
需要说明的是，所述供热日志包括住宅基本信息、历史各供热周期对应的供热量、供热损耗量、计划供热流速和实际供热流速。
还需要说明的是，住宅基本信息包括各供热户的住宅面积、地板材料导热率、住宅采光面积。
本发明实施例，通过从气象信息层面和供热损耗层面进行城市供热分析，有效解决了当前固定化供热方式中存在的局限性，规避了固定化供热方式中各供热户的体验感较差、供热未达到逾期效果等多个方面的不足，实现了各供热户的针对性供热，从而提高了供热的精准性、可靠性和参考性，并且显著提高了供热户的供热体验感，进而保障了供热户的生活舒适度。
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本发明所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种基于大数据分析的城市供热综合智能管理系统，其特征在于，包括：
气象信息采集模块用于采集目标供热地区下一供热周期内的气象信息；
供热匹配分析模块用于对目标供热地区各供热户下一供热周期进行供热匹配分析，得到各供热户下一供热周期对应的目标供热量；
供热损耗分析模块用于对各供热户的供热损耗进行分析，得到各供热户对应的供热损耗速率，进而确认各供热户下一供热周期对应的目标损耗热量；
供热损耗测定模块用于当某供热户的供热损耗速率达到预警值时，将该供热户记为异常供热户，并进行供热损耗原因测定，得到该异常供热户对应的供应损耗原因，并启动供热反馈终端；
供热确认终端用于将目标供热地区各供热户下一供热周期对应的目标供热量和目标损耗热量累加，进而得到各供热户下一供热周期对应的确认供热量；
供热反馈终端用于进行各供热户下一供热周期对应的确认供热量反馈和异常供热户对应的供应损耗原因反馈；
云数据库用于存储目标供热地区历史供热周期数目、历史各供热周期对应的气象信息以及各供热户对应的供热日志。
2.根据权利要求1所述的一种基于大数据分析的城市供热综合智能管理系统，其特征在于：所述气象信息包括各气象种类和各气象种类对应的天数以及气象参数；
所述供热日志包括住宅基本信息、历史各供热周期对应的供热量、供热损耗量、计划供热流速和实际供热流速；
其中，住宅基本信息包括各供热户的住宅面积、地板材料导热率、住宅采光面积。
3.根据权利要求2所述的一种基于大数据分析的城市供热综合智能管理系统，其特征在于：所述对目标供热地区各供热户下一供热周期进行供热匹配分析，具体分析过程为：
A1：从云数据库中提取目标供热地区历史各供热周期对应的气象信息；
A2:根据目标供热地区下一供热周期内的气象信息，计算历史各供热周期与下一供热周期内对应的供热气象相似度；
A3:从历史各供热周期与下一供热周期内对应的供热气象相似度中筛选出相似度最大的历史供热周期，并作为参照历史供热周期；
A4:从目标供热地区各供热户对应的供热日志中提取参照历史供热周期对应的供热量，并作为各供热户下一供热周期对应的目标供热量。
4.根据权利要求3所述的一种基于大数据分析的城市供热综合智能管理系统，其特征在于：所述历史各供热周期与下一供热周期内对应的供热气象相似度的具体计算过程为：
B1:从目标供热地区下一供热周期内和历史各供热周期的气象信息中提取各气象种类和各气象种类对应的天数；
B2:将目标供热地区下一供热周期内和历史各供热周期的各气象种类进行对比；
B3:若目标供热地区下一供热周期与历史某供热周期的各气象种类完全一致，将历史该供热气象周期记为目标周期，并将目标供热地区下一供热周期与目标周期的气象种类相似度记为δ，同时执行B6步骤；
B4:若目标供热地区下一供热周期与历史某供热周期的各气象种类为部分一致，则将历史该供热周期记为部分重叠周期，并将部分重叠周期与下一供热周期内对应的供热气象相似度记为τ2；
B5:若目标供热地区下一供热周期与历史某供热周期的各气象种类完全不一致，则将历史供热周期记为差异周期，将差异周期与下一供热周期内对应的供热气象相似度记为τ3；
B6:从目标供热地区下一供热周期内和目标周期气象信息提取各气象种类对应的天数和气象参数，计算目标供热地区对应目标周期与下一供热周期的供热气象相似度τ1；
B7:得到历史各供热周期与下一供热周期内对应的供热气象相似度其中，/>取值为τ1或者τ2或者τ3，且τ1＞τ2＞τ3，j表示各供热周期的编号，j＝1,2,...,z。
5.根据权利要求4所述的一种基于大数据分析的城市供热综合智能管理系统，其特征在于：所述目标供热地区对应目标周期与下一供热周期的供热气象相似度的具体计算过程为：
C1:将目标供热地区下一供热周期内和目标周期对应各气象种类的天数和气象参数分别记为Td和Hd，其中d表示各气象种类编号，d＝1,2,...,m；
C2:计算目标供热地区对应目标周期与下一供热周期的供热气象相似度τ1，
其中，a1、a2、a3分别表示设定的气象种类相似度、气象天数、气象参数对应供热气象相似符合占比权重，ΔT、ΔH分别表示设定的参照气象天数偏差、气象参数偏差，Td′、H′d分别表示设定的目标供热地区下一供热周期内和目标周期对应第d个气象种类的天数和气象参数，γ1表示设定的供热气象相似符合修正因子，e表示自然常数。
6.根据权利要求2所述的一种基于大数据分析的城市供热综合智能管理系统，其特征在于：所述对各供热户的供热损耗进行分析，具体分析过程为：
D1:从各供热户对应的供热日志中提取目标供热地区各供热户的住宅基本信息，计算各供热户的导热难度评估系数ζi，并根据导热难度评估系数设置各供热户对应的许可供热损耗量，其中i表示各供热户编号，i＝1,2,...,n；
D2:从各供热户对应的供热日志中提取历史各供热周期对应的供热损耗量，并与其对应许可供热损耗量进行作差，得到各供热户在历史各供热周期对应的供热损耗偏差；
D3:以供热周期为横轴，以供热损耗偏差为纵轴，构建二维坐标系，并根据各供热户在历史各供热周期对应的供热损耗偏差，在二维坐标系中标注出多个点，由此构建各供热户对应的供热损耗变化曲线，进而从所述曲线中定位出斜率值作为各供热户的损耗速率，并将其标记为Ki。
7.根据权利要求6所述的一种基于大数据分析的城市供热综合智能管理系统，其特征在于：所述计算各供热户的导热难度评估系数的计算过程为：
E1:从所述住宅基本信息中提取各供热户的住宅面积、地板材料导热率、住宅采光面积，并分别标记为s面 i、ηi、s采 i；
E2:计算各供热户的导热难度评估系数，其具体计算公式为：
其中b1、b2、b3分别表示设定的住宅面积、地板材料导热率、住宅采光面积对应导热难度评估系数占比权重，s′面、η′、s′采分别表示设定常规导热难度状态下对应参照的住宅面积、地板材料导热率、住宅采光面积，γ2表示设定的导热难度评估系数修正因子，Δs、Δη、Δs′分别表示设定参照的住宅面积偏差、地板材料导热率偏差、住宅采光面积偏差。
8.根据权利要求6所述的一种基于大数据分析的城市供热综合智能管理系统，其特征在于：所述确认各供热户下一供热周期对应的目标损耗热量，具体确认过程为：
F1:从各供热户对应的供热损耗变化曲线中定位出拐点的数目，并标记为εi；
F2:从各供热户对应的供热损耗变化曲线中定位出历史首个供热周期和历史末个供热周期对应的标注点，并将这两个标注点进行连线，将所述连线作为供热损耗参照基准线；
F3:从各供热户对应的供热损耗变化曲线中分别定位出位于供热损耗参照基准线上方以及位于供热损耗参照基准线下方的曲线段总长，分别记为L上 i以及L下 i；
F4:计算各供热户对应的目标供热浮动损耗量ΔQ浮 i；
F5:从所述二维坐标系中定位出单个供热周期对应的时间长度,并记为t0；
F6：从云数据库中定位出历史供热周期数目，并记为M0；
F7:根据各供热户的目标供热浮动损耗量和损耗速率计算各供热户下一供热周期对应的目标损耗热量Q目 i，Q目 i＝Ki*(M+1)*t0+ΔQ浮 i。
9.根据权利要求8所述的一种基于大数据分析的城市供热综合智能管理系统，其特征在于：所述计算各供热户对应的目标供热浮动损耗量的公式为：其中，ΔQ基表示设定的目标供热浮动损耗量，ε′表示设定的参照许可拐点的数目，ΔQ0表示设定的单位波动评估指数对应的参照供热误差量，K参表示设定的参照曲线长度占比。
10.根据权利要求4所述的一种基于大数据分析的城市供热综合智能管理系统，其特征在于：所述进行供热损耗原因测定，具体测定过程为：
J1：从各供热户对应的供热日志中提取目标供热地区各供热户在历史各供热周期对应的计划供热流速和实际供热流速，进而将其作差得到各供热户在历史各供热周期对应的供热流速差；
J2:将各供热户在历史各供热周期对应的供热流速差与设定参照许可供热流速差进行对比，统计各供热户中供热流速差大于设定参照许可供热流速差的历史供热周期数目，并作为各供热户对应的异常供热周期数目，标记为Mi；
J3:从各供热户对应各异常供热周期对应的供热流速差中提取出最大供热流速差(Δvmax)i；
J4:将各供热户对应各异常供热周期对应的供热流速差进行均值计算，得到各供热户对应的平均供热流速差，记为
J5:计算各供热户的流速异常评估指数ωi，计算公式为：
其中，b4、b5、b6分别表示设定的平均供热流速差、最大供热流速差、异常供热周期数目占比对应流速异常评估指数占比权重，表示设定的参照平均供热流速差，Δvmax表示设定的许可最大供热流速差的偏差值，K许表示设定的参照异常供热周期数目占比，γ3表示设定的流速异常评估指数符合修正因子；
J6:若ωi＞ω′，则判定各供热户的供热损耗原因为管道原因，反之，各供热户的供热损耗原因为其它原因，其中，ω′表示设定的参照流速异常评估指数。
CN202310704190.4A 2023-06-14 2023-06-14 一种基于大数据分析的城市供热综合智能管理系统 Pending CN116777108A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310704190.4A CN116777108A (zh) 2023-06-14 2023-06-14 一种基于大数据分析的城市供热综合智能管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310704190.4A CN116777108A (zh) 2023-06-14 2023-06-14 一种基于大数据分析的城市供热综合智能管理系统

Publications (1)

Publication Number Publication Date
CN116777108A true CN116777108A (zh) 2023-09-19

Family

ID=88009268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310704190.4A Pending CN116777108A (zh) 2023-06-14 2023-06-14 一种基于大数据分析的城市供热综合智能管理系统

Country Status (1)

Country Link
CN (1) CN116777108A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252371A (zh) * 2023-09-22 2023-12-19 荆州市城市规划设计研究院 一种智慧城市规划设计的实施方案管控系统
CN118211083A (zh) * 2024-05-21 2024-06-18 南京大桥机器有限公司 一种地面气象综合观测系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252371A (zh) * 2023-09-22 2023-12-19 荆州市城市规划设计研究院 一种智慧城市规划设计的实施方案管控系统
CN117252371B (zh) * 2023-09-22 2024-02-20 荆州市城市规划设计研究院 一种智慧城市规划设计的实施方案管控系统
CN118211083A (zh) * 2024-05-21 2024-06-18 南京大桥机器有限公司 一种地面气象综合观测系统
CN118211083B (zh) * 2024-05-21 2024-09-13 南京大桥机器有限公司 一种地面气象综合观测系统

Similar Documents

Publication Publication Date Title
CN116777108A (zh) 一种基于大数据分析的城市供热综合智能管理系统
CN104123682B (zh) 一种基于气象影响因素的配网故障风险评估方法
CN107133702B (zh) 一种风电场全场功率预测方法
CN116756526B (zh) 一种蓄能设备全生命周期性能检测分析系统
CN102117383A (zh) 一种河流污染实时诊断的方法
CN109389238B (zh) 一种基于岭回归的短期负荷预测方法及装置
CN116629638B (zh) 一种基于物联网的城市市政供热管网节能分析系统
WO2021120829A1 (zh) 一种非运行时段建筑照明插座支路用能诊断方法
CN115907268A (zh) 一种集合预报气象资源综合管理方法及系统
CN117196120A (zh) 一种用户用水行为分析算法
CN117353300B (zh) 一种基于大数据的农村用电需求量分析方法
CN117853275B (zh) 用电预测的方法和装置
CN109633517B (zh) 分相分时查找窃电的方法
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
CN117761802A (zh) 一种基于联邦学习的风电场气象预报算法
CN117332288A (zh) 一种建筑节能技术评估系统及方法
CN117132130A (zh) 一种实时采集信息进行建模的智慧城市预测系统
CN117077353A (zh) 基于多变量bp神经网络的碳排放测算建模、方法及装置
CN114110716B (zh) 一种热电机组的运行能效监测控制系统、方法、计算机设备及存储介质
CN110555543B (zh) 一种风电场预测的不确定度分析方法及系统
CN111476357A (zh) 基于三重融合卷积gru的共享单车需求预测方法
Ogliari et al. Machine Learning methods for clustering and day-ahead thermal load forecasting of an existing District Heating
CN117952569B (zh) 一种基于多源可再生能源的公共建筑协同供能管理系统
Guan et al. An energy consumption prediction of large public buildings based on data-driven model
CN117784736B (zh) 一种基于物联网技术的智能楼宇能源管理方法

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