CN116839091B - 一种基于深度学习的换热站自动控制参数设置方法 - Google Patents
一种基于深度学习的换热站自动控制参数设置方法 Download PDFInfo
- Publication number
- CN116839091B CN116839091B CN202310541824.9A CN202310541824A CN116839091B CN 116839091 B CN116839091 B CN 116839091B CN 202310541824 A CN202310541824 A CN 202310541824A CN 116839091 B CN116839091 B CN 116839091B
- Authority
- CN
- China
- Prior art keywords
- network
- prediction
- data
- temperature
- rotating speed
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 152
- 238000012549 training Methods 0.000 claims abstract description 66
- 230000001105 regulatory effect Effects 0.000 claims abstract description 49
- 230000001502 supplementing effect Effects 0.000 claims abstract description 49
- 230000006870 function Effects 0.000 claims description 31
- 238000010276 construction Methods 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000015654 memory Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010438 heat treatment Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000009960 carding Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 239000008236 heating water Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- F24D19/1012—Arrangement or mounting of control or safety devices for water heating systems for central heating by regulating the speed of a pump
-
- 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
- F24D19/1015—Arrangement or mounting of control or safety devices for water heating systems for central heating using a valve or valves
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Thermal Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Control Of Fluid Pressure (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于深度学习的换热站自动控制参数设置方法，该方法包括：获取包含更换前数据的目标训练集；将目标训练集传输至第一预测网络得到第一预测结果；第一预测网络用于学习温度数据与电动调节阀的开度之间的关联关系。将第一预测结果传输至第二预测网络得到第二预测结果；第二预测网络用于学习压力数据与循环水泵的转速、补水泵的转速之间的关联关系。将第二预测结果传输至第三预测网络得到第三预测结果；第三预测网络用于学习电动调节阀的开度、循环水泵的转速、补水泵的转速与自动控制参数之间的关联关系。将更换后数据按顺序输入第一预测网络、第二预测网络和第三预测网络，输出目标第三预测结果。
Description
技术领域
本发明涉供热管理领域，尤其涉及一种基于深度学习的换热站自动控制参数设置方法。
背景技术
供热管网是城市集中供热源(即热力站)向供热用户进行供热的管道系统。通常分为一次网(又称一次线管网或一次侧管网)和二次网(又称二次线管网或二次侧管网)两种，其中，从热力站到换热站之间的供热管网称为一次网，从换热站到供热用户(如，单位、居民楼等)之间的供热管网称为二次网。
传统的换热站自动控制分为温度自动控制和压力自动控制两部分，其中，温度自动控制是采用多个PLC控制回路控制一次侧调节阀开度，进而控制二次侧供水温度实现；压力自动控制是采用PLC控制变频器，进而控制循环水泵的转速、补水泵的转速以达到控制压力的目的。
而传统自动控制系统的参数设置往往需要多位专家经验并进行多次调试来完成，在一次网或二次网进行部分管网或设备更换后，通常自动控制系统的参数又需要重新设置，因此，在对一次网或二次网进行部分管网或设备更换后，如何在不依赖专家经验的基础上快速设置自动控制参数成为一个亟待解决的问题。
发明内容
本发明实施例提供一种基于深度学习的换热站自动控制参数设置方法，以解决在对一次网或二次网进行部分管网或设备更换后，依赖专家经验设置自动控制参数的问题。
为了解决上述技术问题，本发明实施例是这样实现的：
本申请实施例提供一种基于深度学习的换热站自动控制参数设置方法，该方法包括：获取包含更换前数据的目标训练集，其中，该目标训练集包括：一次侧历史数据、二次侧历史数据、室外温度、二次网用户的需求标签作为输入，电动调节阀的开度、循环水泵的转速、补水泵的转速为输出。将该目标训练集传输至第一预测网络得到第一预测结果；该第一预测网络用于学习温度数据与该电动调节阀的开度之间的关联关系。将该第一预测结果传输至第二预测网络得到第二预测结果；第二预测网络用于学习压力数据与该循环水泵的转速、该补水泵的转速之间的关联关系。将该第二预测结果传输至第三预测网络得到第三预测结果；第三预测网络用于学习该电动调节阀的开度、该循环水泵的转速、该补水泵的转速与自动控制参数之间的关联关系。将更换后数据按顺序输入该第一预测网络、该第二预测网络和该第三预测网络，输出目标第三预测结果。其中，该目标第三预测结果包括根据该更换后数据得到的更换后的自动控制参数。
可选的，一次侧历史数据包括：一次侧供水温度、一次侧回水温度、一次侧供水压力、一次侧回水压力；二次侧历史数据包括：二次侧供水温度、二次侧回水温度、二次侧供水压力、二次侧回水压力；二次网用户的需求标签包括：温度标签、压力标签、时间标签。
可选的，第一预测网络由该温度数据与该电动调节阀的开度数据训练得到；该第一预测网络用于学习该温度数据与该电动调节阀的开度之间的线性关系，以及该二次网用户的需求标签与该电动调节阀的开度之间的非线性关系。其中，该温度数据包括：一次侧供水温度、一次侧回水温度、二次侧供水温度、二次侧回水温度；二次网用户的需求标签与电动调节阀的开度之间的非线性关系尤其指温度标签和时间标签与电动调节阀的开度之间的非线性关系；该温度标签是指二次网目标用户的最低供热温度，该时间标签是指二次网目标用户的供热时间区间。
可选的，第二预测网络由该压力数据、该循环水泵的转速、该补水泵的转速以及该第一预测结果共同训练得到。其中，该压力数据包括：一次侧供水压力、一次侧回水压力、二次侧供水压力、二次侧回水压力；尤其二次侧供水压力和二次侧回水压力对第二预测网络影响显著，第二预测网络的损失函数构建包括二次侧供水压力和二次侧回水压力。
可选的，预设权值比例，并根据该权值比例构建该第三预测网络的损失函数；将第二预测结果和该目标训练集按照该权值比例输入该第三预测网络进行训练；在该第三预测网络的损失函数小于或等于目标阈值的情况下，停止训练；其中，该权值比例为该第二预测结果和该目标训练作为输入项所占的比例。
可选的，第三预测网络采用长短期记忆网络LSTM构建；其中，第三预测网络训练过程中的输入为：第二预测结果和目标训练集；输出为：自动调节阀的开度控制参数、循环水泵的转速参数、补水泵的转速参数、以及实现两泵对应转速控制的变频器控制参数。自动调节阀的开度控制参数用于控制自动调节阀的开度；循环水泵的转速参数、补水泵的转速参数、以及实现两泵对应转速控制的变频器控制参数用于控制循环水泵的转速和补水泵的转速。第三预测网络的损失函数是在原长短期记忆网络LSTM的损失函数的基础上乘以权值比例得到。
可选的，更换后数据，是指对一次网或二次网的部分管网，以及除换热器机组之外的其他设备进行更换后按照跟换前相同方法所采集的数据。
本发明的有益效果：
本发明实施例提供一种基于深度学习的换热站自动控制参数设置方法，通过获取包含更换前数据作为训练集，并依次通过三个预测网络学习温度数据与电动调节阀开度之间的关联关系、学习压力数据与循环水泵的转速、补水泵的转速之间的关联关系，以及学习电动调节阀的开度、循环水泵的转速、补水泵的转速与自动控制参数之间的关联关系，从而使深度学习方法能够多角度多方面的学习一个换热站的自动控制系统。并在对一次网或二次网进行部分管网或设备更换后，将更换后的数据输入上述训练完成的三个预测网络，根据更换后数据输出更换后的自动控制参数。即用户可以直接根据该更换后的自动控制参数直接对换热站进行控制，从而避免了调试过程中对专家经验的依赖，进而提高生产效率，节约时间。
附图说明
图1为一种基于深度学习的换热站自动控制参数设置方法示意图之一；
图2为换热站一次网和二次网连接示意图；
图3为一种基于深度学习的换热站自动控制参数设置方法示意图之二。
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作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。
本文中术语“和/或”，是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本文中符号“/”表示关联对象是或者的关系，例如A/B表示A或者B。
本发明的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述对象的特定顺序。
在本发明实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请适用于在一个成熟的换热站管网(包括：换热站、一次网和二次网)中，对一次网或二次网的部分管网(如：一次网供/回水管网部分，二次网供/回水管网部分)，以及除换热器机组之外的其他设备(如：循环泵、补水泵、调节阀、变频器等)进行更换后，不依赖专家经验的快速设置自动控制参数的场景中。
如图1所示，本发明实施例提供一种基于深度学习的换热站自动控制参数设置方法，该方法包括下述步骤101至步骤105。
步骤101、获取包含更换前数据的目标训练集。
其中，上述目标训练集包括：一次侧历史数据、二次侧历史数据、室外温度、二次网用户的需求标签作为输入，电动调节阀的开度、循环水泵的转速、补水泵的转速为输出。
可选的，上述一次侧历史数据包括：一次侧供水温度、一次侧回水温度、一次侧供水压力、一次侧回水压力；上述二次侧历史数据包括：二次侧供水温度、二次侧回水温度、二次侧供水压力、二次侧回水压力；上述二次网用户的需求标签包括：温度标签、压力标签、时间标签。
需要说明的是，上述温度标签是指二次网目标用户的最低供热温度。时间标签是指二次网目标用户的供热时间区间。压力标签是指二次网目标用户对供热水压的要求。
上述电动调节阀门的开度区间为[0°，90°]，其中，0°为完全关闭，90°为完全打开。
此外，图2示出了换热站一次网和二次网连接示意图，如图2所示，一次网主要包括：一次网供水、换热器机组(图中机组1)、一次调节阀、一次网回水；二次网主要包括：二次供水、换热器机组、循环泵(2组)、补水泵(2组)、二次网回水。其中，图2中的除污器可以包括在一次网和二次网中，也可去除。此外，在手动状态下，可以现场手动工频/变频起停补水泵。在自动状态下，可以根据PLC发送给补水变频器的指令，由补水变频器实现按照设定的压力值变频控制补水泵。实现补水泵自动休眠，当二次回水压力在设定值附近稳定时，补水泵停止运转；当二次回压低于设定值时，补水泵自动启动。当补水箱水位的液位到达低点时，停止补水泵，并向控制中心报警。
更换后数据，是指对一次网或二次网的部分管网，以及除换热器机组之外的其他设备进行更换后按照跟换前相同方法所采集的数据。
需要说明的是，对一次网或二次网进行部分管网或设备更换是指，对一次网或二次网的部分管网(如：一次网供/回水管网部分，二次网供/回水管网部分)，以及除换热器机组之外的其他设备(如：循环泵、补水泵、调节阀、变频器等)进行更换。由于换热站是基于若干套换热器机组构成的系统，每一套换热器机组相当于一套循环网络(包括：一次网和二次网)的心脏，整个循环就是一个自适应系统，在该套循环网络中换热器机组不更换的情况下，通过深度学习可以学习到整个系统的温度、压力、转速等变化规律，其他部件的更换是这种变化规律的适应性调整。而当换热器机组发生更换的情况下，整个系统的基础参数将发生变化，进而导致温度、压力、转速等都会重新适应，并平衡成一个新的系统。由于存在系统的破坏与重构，进而导致深度学习无法兼顾两个系统(即深度学习的泛化性较差的体现)，学习效果也较差。
步骤102、将目标训练集传输至第一预测网络得到第一预测结果。
其中，上述第一预测网络用于学习温度数据与电动调节阀的开度之间的关联关系。
可选的，第一预测网络由温度数据与电动调节阀的开度数据训练得到。该第一预测网络用于学习温度数据与电动调节阀的开度之间的线性关系，以及二次网用户的需求标签与电动调节阀的开度之间的非线性关系。
其中，上述温度数据包括：一次侧供水温度、一次侧回水温度、二次侧供水温度、二次侧回水温度；二次网用户的需求标签与电动调节阀的开度之间的非线性关系尤其指温度标签和时间标签与电动调节阀的开度之间的非线性关系。该温度标签是指二次网目标用户的最低供热温度，该时间标签是指二次网目标用户的供热时间区间。
也就是说，上述第一预测网络训练过程中的输入为：一次侧供水温度、一次侧回水温度、二次侧供水温度、二次侧回水温度、二次网用户的需求标签(仅有温度标签和时间标签)；输出为电动调节阀的开度。
需要说明的是，二次网用户的需求标签是根据传统温度控制中的定温控制、随动控制、分时段控制、恒流量控制梳理得到。具体梳理过程为：首先，确定二次网用户的最低供热温度作为温度标签(例如，供热温度不低于20℃，那么该20℃就是温度标签)；然后，梳理二次网用户是否有分时段控制需求，若有则添加时间标签(例如，二次网用户为学校，供热时段为早上6:00至下午18:00，那么该时间标签为6:00AM-18:00PM)。
可选的，本申请实施例中，由于本申请所选用的深度学习网络模型用于线性及非线性关系的数据拟合，因此，第一预测网络可以根据实际使用需求选用：卷积神经网络(convolution neural networks，CNN)、递归神经网络(recurrent neural network，RNN)多层感知器(muti－layer perception，MLP)、BP神经网络(back propagation，BP)、长短期记忆(long short-term memory，LSTM)中的至少一个网络进行训练。
可选的，本申请实施例中，一种较为理想的训练样本分配比例为，训练集：测试集：验证集＝6:2:2；或者，训练集：测试集：验证集＝6:3:1。
可选的，本申请实施例中，为了防止数据过拟合，即防止尽管训练的误差降的很低，但是测试误差却比较高的现象，用户可以适当修正神经网络模型，如调整网络层数和节点数；调整训练集、测试集和验证集的分配比例等方式进行修正。
示例性的，假设选用的网络模型为卷积神经网络CNN构建第一预测网络，将目标训练集中的温度数据(如：一次侧供水温度、一次侧回水温度、二次侧供水温度、二次侧回水温度、二次网用户的需求标签)和电动调节阀的开度作为第一训练集，电子设备将该训练样本输入至该卷积神经网络CNN进行训练，待收敛之后得到网络参数。具体训练过程可以包括：随机初始化网络参数，对温度数据和电动调节阀的开度进行特征预处理(如，均值为零，方差归一化等)，根据输出的误差(通过损失函数获取，该第一预测网络的损失函数采用通常方式构建)确定网络参数，并根据梯度下降算法更新网络参数；在输出误差小于或等于该第一阈值(该第一阈值为第一预测网络的收敛条件，可以为用户预设)的情况下，训练终止，该第一预测网络训练完毕，此时第一预测网络已经完成学习温度数据与电动调节阀的开度之间的关联关系，可以执行下述步骤103。
需要说明的是，上述第一预测结果包括电动调节阀的开度数据，该开度数据无限逼近于第一训练集输入的开度数据。
可以理解的是，由于第一预测网络在训练过程中已经学习了温度数据与电动调节阀的开度之间的关联关系，因此，在将目标训练集输入该第一预测网络时，就会输出包含温度数据与电动调节阀的开度之间的关联关系的第一预测结果，从而为后续步骤的执行奠定基础。
步骤103、将第一预测结果传输至第二预测网络得到第二预测结果。
其中，上述第二预测网络用于学习压力数据与循环水泵的转速、补水泵的转速之间的关联关系。
可选的，上述第二预测网络由压力数据、循环水泵的转速、补水泵的转速以及第一预测结果共同训练得到。
其中，压力数据包括：一次侧供水压力、一次侧回水压力、二次侧供水压力、二次侧回水压力。尤其二次侧供水压力和二次侧回水压力对第二预测网络影响显著，第二预测网络的损失函数构建包括二次侧供水压力和二次侧回水压力。
需要说明的是，第二预测网络可选用长短期记忆网络LSTM进行训练。
此外，上述第二预测网络的训练可以参考上述步骤102中训练第一预测网络的方式进行，不同之处在于输入输出的变化，以及第二预测网络的损失函数的构建。其中，第二预测网络训练过程中的输入为：一次侧供水压力、一次侧回水压力、二次侧供水压力、二次侧回水压力、第一预测结果；输出为：循环水泵的转速、补水泵的转速。第二预测网络的损失函数构建包括二次侧供水压力和二次侧回水压力。
需要说明的是，由于循环水泵和补水泵都设置在二次网中，在训练过程中也发现对压力数据中二次侧供水压力和二次侧回水压力对循环水泵的转速、补水泵的转速的影响尤为明显，故在第二预测网络的损失函数过程中引入二次侧供水压力和二次侧回水压力以使得该第二预测网络的训练效果更贴近于实际。
可选的，上述第二预测网络的损失函数在传统LSTM网络的损失函数的基础上乘以目标影响因子得到。其中，该目标影响因子的是由二次侧供水压力和二次侧回水压力联合确定的。目标影响因子的取值范围为[0.9，1)。
可以理解的是，由于第二预测网络在训练过程中已经学习了压力数据与循环水泵的转速、补水泵的转速之间的关联关系，因此，在将压力数据和第一预测结果输入该第二预测网络时，就会输出包含压力数据与循环水泵的转速、补水泵的转速之间的关联关系的第二预测结果，从而使得该整个深度学习网络能够同时兼顾温度控制和压力控制的特性，并为后续第三次训练奠定基础。
步骤104、将第二预测结果传输至第三预测网络得到第三预测结果。
其中，上述第三预测网络用于学习电动调节阀的开度、循环水泵的转速、补水泵的转速与自动控制参数之间的关联关系。
需要说明的是，上述自动控制参数包括：一次网控制参数、二次网控制参数。具体的一次网控制参数包括自动调节阀的开度控制参数；二次网控制参数包括：循环水泵的转速参数、补水泵的转速参数、以及实现两泵对应转速控制的变频器控制参数等。
可选的，结合图1，上述步骤104具体可以通过下述步骤104a至步骤104c具体实现：
步骤104a、预设权值比例，并根据权值比例构建第三预测网络的损失函数。
其中，上述权值比例为第二预测结果和目标训练集作为输入项所占的比例。
可选的，上述权值比例是根据第二预测结果和目标训练集的数量和准确率确定的。具体的，首先，根据第二预测结果和目标训练集的数量的比值得到第一权值比例；然后，根据第二预测结果的准确度对应的系数表中的系数乘以该第一权值比例得到第二权值比例；最后，将第二权值比例作为预设的权值比例。
需要说明的是，若第二预测结果的准确度介于0.9-0.95之间，则系数表中对应的系数为0.925；若第二预测结果的准确度介于0.95-0.98之间，则系数表中对应的系数为0.965；若第二预测结果的准确度介于0.98-1之间，则系数表中对应的系数为0.98。
需要说明的是，第三预测网络可选用长短期记忆网络LSTM或者卷积神经网络CNN进行训练。
可选的，根据权值比例构建第三预测网络的损失函数。是在原长短期记忆网络LSTM的损失函数或者原卷积神经网络CNN的损坏函数的基础上乘以该权值比例。具体构建过程参见上述步骤103中的具体描述。
步骤104b、将第二预测结果和目标训练集按照权值比例输入第三预测网络进行训练。
需要说明的是，上述第三预测网络的训练可以参考上述步骤102中训练第一预测网络的方式进行，不同之处在于输入输出的变化，以及第三预测网络的损失函数的构建。其中，第三预测网络训练过程中的输入为：第二预测结果和整个目标训练集(根据权值比例输入)；输出为：自动调节阀的开度控制参数、循环水泵的转速参数、补水泵的转速参数、以及实现两泵对应转速控制的变频器控制参数。第三预测网络的损失函数是在原长短期记忆网络LSTM的损失函数或者原卷积神经网络CNN的损坏函数的基础上乘以该权值比例得到。
步骤104c、在第三预测网络的损失函数小于或等于目标阈值的情况下，停止训练。
需要说明的，为避免第三预测网络的损失函数始终不能小于或等于目标阈值，导致整个神经网络陷入死循环，在实际使用过程中可以设置训练次数的上限值以结束训练。具体在实际使用中可以输入数据量的5倍为上限值。
示例性的，假设选用的长短期记忆网络LSTM构建第三预测网络，该第三预测网络训练过程中的输入为：第二预测结果和整个目标训练集(根据权值比例输入)；输出为：自动调节阀的开度控制参数、循环水泵的转速参数、补水泵的转速参数、以及实现两泵对应转速控制的变频器控制参数。第三预测网络的损失函数是在原长短期记忆网络LSTM的损失函数的基础上乘以该权值比例得到。电子设备将该训练样本输入至该长短期记忆网络LSTM进行训练，待收敛(在第三预测网络的损失函数小于或等于目标阈值的情况下，收敛)之后得到网络参数，该第三预测网络训练完毕，此时第三预测网络已经完成学习电动调节阀的开度、循环水泵的转速、补水泵的转速与自动控制参数之间的关联关系。至此三个预测网络均训练完成，用户可以使用更新后的数据通过该三个训练完成的预测网络得到更换后的自动控制参数，即可以执行下述步骤105。
步骤105、将更换后数据按顺序输入第一预测网络、第二预测网络和第三预测网络，输出目标第三预测结果。
其中，上述目标第三预测结果包括根据更换后数据得到的更换后的自动控制参数。
需要说明的是，更换后的自动控制参数包括：自动调节阀的开度控制参数、循环水泵的转速参数、补水泵的转速参数、以及实现两泵对应转速控制的变频器控制参数等。
至此，本申请通过三个预测网络分别学习温度数据与电动调节阀开度之间的关联关系、学习压力数据与循环水泵的转速、补水泵的转速之间的关联关系，以及学习电动调节阀的开度、循环水泵的转速、补水泵的转速与自动控制参数之间的关联关系。用户可以将更换后数据按顺序输入第一预测网络、第二预测网络和第三预测网络，得到更换后的自动控制参数。
需要说明的是，本申请创造性的分别设计三个预测网络，并通过预测网络之间的层层传递，将温度数据、压力数据，以及控制参数之间的关联关系叠加，以达到较好的训练目的。而直接使用一个神经网络由于输入数据和输出数据之间的关联关系极为复杂，且有些输入数据对某些输出数据的影响较小，使得整个神经网络难以收敛，且收敛后与实际结果较大。
本发明实施例提供一种基于深度学习的换热站自动控制参数设置方法，通过获取包含更换前数据作为训练集，并依次通过三个预测网络学习温度数据与电动调节阀开度之间的关联关系、学习压力数据与循环水泵的转速、补水泵的转速之间的关联关系，以及学习电动调节阀的开度、循环水泵的转速、补水泵的转速与自动控制参数之间的关联关系，从而使深度学习方法能够多角度多方面的学习一个换热站的自动控制系统。并在对一次网或二次网进行部分管网或设备更换后，将更换后的数据输入上述训练完成的三个预测网络，根据更换后数据输出更换后的自动控制参数。即用户可以直接根据该更换后的自动控制参数直接对换热站进行控制，从而避免了调试过程中对专家经验的依赖，进而提高生产效率，节约时间。
以上给出的实施例是实现本发明较优的例子，本发明不限于上述实施例。本领域的技术人员根据本发明技术方案的技术特征所做出的任何非本质的添加、替换，均属于本发明的保护范围。
Claims (4)
1.一种基于深度学习的换热站自动控制参数设置方法，其特征在于，所述方法包括：
获取包含更换前数据的目标训练集，其中，所述目标训练集包括：一次侧历史数据、二次侧历史数据、室外温度、二次网用户的需求标签作为输入，电动调节阀的开度、循环水泵的转速、补水泵的转速为输出；
将所述目标训练集传输至第一预测网络得到第一预测结果；其中，所述第一预测网络由温度数据与电动调节阀的开度数据训练得到；所述第一预测网络用于学习所述温度数据与电动调节阀的开度之间的线性关系，以及所述二次网用户的需求标签与所述电动调节阀的开度之间的非线性关系；
将所述第一预测结果传输至第二预测网络得到第二预测结果；其中，所述第二预测网络由压力数据、所述循环水泵的转速、所述补水泵的转速以及所述第一预测结果共同训练得到；所述第二预测网络用于学习所述压力数据与所述循环水泵的转速、所述补水泵的转速之间的关联关系；
将所述第二预测结果传输至第三预测网络得到第三预测结果；其中，所述第三预测网络采用长短期记忆网络LSTM构建；所述第三预测网络训练过程中的输入为：所述第二预测结果和所述目标训练集；输出为：自动调节阀的开度控制参数、循环水泵的转速参数、补水泵的转速参数、以及实现两泵对应转速控制的变频器控制参数；所述第三预测网络用于学习所述电动调节阀的开度、所述循环水泵的转速、所述补水泵的转速与自动控制参数之间的关联关系；
将更换后数据按顺序输入所述第一预测网络、所述第二预测网络和所述第三预测网络，输出目标第三预测结果；
其中，所述目标第三预测结果包括根据所述更换后数据得到的更换后的自动控制参数；所述一次侧历史数据包括：一次侧供水温度、一次侧回水温度、一次侧供水压力、一次侧回水压力；所述二次侧历史数据包括：二次侧供水温度、二次侧回水温度、二次侧供水压力、二次侧回水压力；所述二次网用户的需求标签包括：温度标签、压力标签、时间标签；
所述温度数据包括：所述一次侧供水温度、所述一次侧回水温度、所述二次侧供水温度、所述二次侧回水温度；所述二次网用户的需求标签与所述电动调节阀的开度之间的非线性关系指所述温度标签和所述时间标签与所述电动调节阀的开度之间的非线性关系；所述温度标签是指二次网目标用户的最低供热温度，所述时间标签是指所述二次网目标用户的供热时间区间；
所述压力数据包括：所述一次侧供水压力、所述一次侧回水压力、所述二次侧供水压力、所述二次侧回水压力；所述二次侧供水压力和所述二次侧回水压力对所述第二预测网络影响显著，所述第二预测网络的损失函数构建包括所述二次侧供水压力和所述二次侧回水压力。
2.根据权利要求1所述的基于深度学习的换热站自动控制参数设置方法，其特征在于，所述将所述第二预测结果传输至第三预测网络得到第三预测结果，包括：
预设权值比例，并根据所述权值比例构建所述第三预测网络的损失函数；
将所述第二预测结果和所述目标训练集按照所述权值比例输入所述第三预测网络进行训练；
在所述第三预测网络的损失函数小于或等于目标阈值的情况下，停止训练；
其中，所述权值比例为所述第二预测结果和所述目标训练作为输入项所占的比例。
3.根据权利要求2所述的基于深度学习的换热站自动控制参数设置方法，其特征在于，
所述自动调节阀的开度控制参数用于控制所述自动调节阀的开度；所述循环水泵的转速参数、所述补水泵的转速参数、以及实现两泵对应转速控制的变频器控制参数用于控制所述循环水泵的转速和所述补水泵的转速；所述第三预测网络的损失函数是在原长短期记忆网络LSTM的损失函数的基础上乘以所述权值比例得到。
4.根据权利要求1至3中的任一项所述的基于深度学习的换热站自动控制参数设置方法，其特征在于，
所述更换后数据，是指对一次网或二次网的部分管网，以及除换热器机组之外的其他设备进行更换后按照跟换前相同方法所采集的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310541824.9A CN116839091B (zh) | 2023-05-15 | 2023-05-15 | 一种基于深度学习的换热站自动控制参数设置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310541824.9A CN116839091B (zh) | 2023-05-15 | 2023-05-15 | 一种基于深度学习的换热站自动控制参数设置方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116839091A CN116839091A (zh) | 2023-10-03 |
| CN116839091B true CN116839091B (zh) | 2024-01-19 |
Family
ID=88164165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310541824.9A Active CN116839091B (zh) | 2023-05-15 | 2023-05-15 | 一种基于深度学习的换热站自动控制参数设置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116839091B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103335359A (zh) * | 2013-07-09 | 2013-10-02 | 浙江大学昆山创新中心 | 智能型换热站 |
| CN103453580A (zh) * | 2013-08-22 | 2013-12-18 | 鞍山市海汇自动化有限公司 | 换热站综合智能控制方法 |
| CN103591637A (zh) * | 2013-11-19 | 2014-02-19 | 长春工业大学 | 一种集中供热二次网运行调节方法 |
| CN104769364A (zh) * | 2012-11-16 | 2015-07-08 | 格兰富控股联合股份公司 | 热平衡机组及其控制方法与控制装置 |
| CN104949569A (zh) * | 2015-06-04 | 2015-09-30 | 乔文华 | 一种换热机组高效节能智能化控制系统 |
| KR101782592B1 (ko) * | 2016-09-01 | 2017-09-28 | 한국지역난방공사 | 난방 및 급탕 공급 시스템의 제어 방법 |
| CN111461466A (zh) * | 2020-05-18 | 2020-07-28 | 瑞纳智能设备股份有限公司 | 基于lstm时间序列的供暖户阀调节方法、系统及设备 |
| CN111561734A (zh) * | 2020-05-18 | 2020-08-21 | 瑞纳智能设备股份有限公司 | 基于人工智能的供暖户阀调节方法、系统及设备 |
| CN112268312A (zh) * | 2020-10-23 | 2021-01-26 | 哈尔滨派立仪器仪表有限公司 | 一种基于深度学习的智慧供热管理系统 |
| CN113418229A (zh) * | 2021-06-11 | 2021-09-21 | 沈阳工业大学 | 一种基于卷积-自编码神经网络的供暖管控阀门智能调控系统 |
| CN113606656A (zh) * | 2021-08-24 | 2021-11-05 | 上海观燃智能科技有限公司 | 一种基于模型预测的供热系统水力平衡调节方法和系统 |
| CN113847643A (zh) * | 2021-10-18 | 2021-12-28 | 杭州英集动力科技有限公司 | 利用一次侧盈余资用压头的楼宇换热机组调控方法及系统 |
| CN114396646A (zh) * | 2021-12-27 | 2022-04-26 | 大连海心信息工程有限公司 | 一种基于用户有效室温的换热站智能控制方法 |
| CN114484582A (zh) * | 2020-10-26 | 2022-05-13 | 华北电力大学（保定） | 一种集中供热换热站自动控制系统及其设计方法 |
| CN114674026A (zh) * | 2022-03-28 | 2022-06-28 | 内蒙古科技大学 | 一种管网供水流量优化控制方法及系统 |
| CN114777192A (zh) * | 2022-04-22 | 2022-07-22 | 浙江英集动力科技有限公司 | 基于数据关联和深度学习的二级网供热自主优化调控方法 |
| CN115751441A (zh) * | 2022-10-22 | 2023-03-07 | 浙江英集动力科技有限公司 | 基于二次侧流量的供热系统热力站热量调节方法及系统 |
| CN115807956A (zh) * | 2022-12-16 | 2023-03-17 | 双良节能系统股份有限公司 | 一种热力站阀门开度的控制方法及装置 |
-
2023
- 2023-05-15 CN CN202310541824.9A patent/CN116839091B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104769364A (zh) * | 2012-11-16 | 2015-07-08 | 格兰富控股联合股份公司 | 热平衡机组及其控制方法与控制装置 |
| CN103335359A (zh) * | 2013-07-09 | 2013-10-02 | 浙江大学昆山创新中心 | 智能型换热站 |
| CN103453580A (zh) * | 2013-08-22 | 2013-12-18 | 鞍山市海汇自动化有限公司 | 换热站综合智能控制方法 |
| CN103591637A (zh) * | 2013-11-19 | 2014-02-19 | 长春工业大学 | 一种集中供热二次网运行调节方法 |
| CN104949569A (zh) * | 2015-06-04 | 2015-09-30 | 乔文华 | 一种换热机组高效节能智能化控制系统 |
| KR101782592B1 (ko) * | 2016-09-01 | 2017-09-28 | 한국지역난방공사 | 난방 및 급탕 공급 시스템의 제어 방법 |
| CN111461466A (zh) * | 2020-05-18 | 2020-07-28 | 瑞纳智能设备股份有限公司 | 基于lstm时间序列的供暖户阀调节方法、系统及设备 |
| CN111561734A (zh) * | 2020-05-18 | 2020-08-21 | 瑞纳智能设备股份有限公司 | 基于人工智能的供暖户阀调节方法、系统及设备 |
| CN112268312A (zh) * | 2020-10-23 | 2021-01-26 | 哈尔滨派立仪器仪表有限公司 | 一种基于深度学习的智慧供热管理系统 |
| CN114484582A (zh) * | 2020-10-26 | 2022-05-13 | 华北电力大学（保定） | 一种集中供热换热站自动控制系统及其设计方法 |
| CN113418229A (zh) * | 2021-06-11 | 2021-09-21 | 沈阳工业大学 | 一种基于卷积-自编码神经网络的供暖管控阀门智能调控系统 |
| CN113606656A (zh) * | 2021-08-24 | 2021-11-05 | 上海观燃智能科技有限公司 | 一种基于模型预测的供热系统水力平衡调节方法和系统 |
| CN113847643A (zh) * | 2021-10-18 | 2021-12-28 | 杭州英集动力科技有限公司 | 利用一次侧盈余资用压头的楼宇换热机组调控方法及系统 |
| CN114396646A (zh) * | 2021-12-27 | 2022-04-26 | 大连海心信息工程有限公司 | 一种基于用户有效室温的换热站智能控制方法 |
| CN114674026A (zh) * | 2022-03-28 | 2022-06-28 | 内蒙古科技大学 | 一种管网供水流量优化控制方法及系统 |
| CN114777192A (zh) * | 2022-04-22 | 2022-07-22 | 浙江英集动力科技有限公司 | 基于数据关联和深度学习的二级网供热自主优化调控方法 |
| CN115751441A (zh) * | 2022-10-22 | 2023-03-07 | 浙江英集动力科技有限公司 | 基于二次侧流量的供热系统热力站热量调节方法及系统 |
| CN115807956A (zh) * | 2022-12-16 | 2023-03-17 | 双良节能系统股份有限公司 | 一种热力站阀门开度的控制方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于OCS的换热站自动监控系统;刘梁军;;区域供热(第05期);第20-24页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116839091A (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109270842B (zh) | 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 | |
| CN112615379B (zh) | 基于分布式多智能体强化学习的电网多断面功率控制方法 | |
| CN103591637B (zh) | 一种集中供热二次网运行调节方法 | |
| CN108916986B (zh) | 信息物理融合的二级管网变流量水力平衡调控方法及系统 | |
| CN112186799A (zh) | 基于深度强化学习的分布式能源系统自治控制方法及系统 | |
| CN107726442A (zh) | 一种热网平衡调控方法 | |
| CN105091213B (zh) | 一种基于无中心网络的冷机系统、冷机控制器及控制方法 | |
| CN102193532A (zh) | 火电厂单元机组自启停优化控制系统 | |
| CN104037761B (zh) | 一种agc功率多目标随机优化分配方法 | |
| CN113154517B (zh) | 一种集中供热自主驾驶的生产运行调度控制系统 | |
| CN114322208B (zh) | 基于深度强化学习的智能园区空调负荷调控方法和系统 | |
| CN114383299A (zh) | 基于大数据与动态仿真的中央空调系统运行策略优化方法 | |
| Mathias et al. | Demand dispatch with heterogeneous intelligent loads | |
| CN105391090A (zh) | 一种智能电网多智能体多目标一致性优化方法 | |
| Liu et al. | Digital twin-driven robotic disassembly sequence dynamic planning under uncertain missing condition | |
| CN114498649A (zh) | 主动配电网建筑热负荷控制方法、装置、电子设备和存储介质 | |
| CN116839091B (zh) | 一种基于深度学习的换热站自动控制参数设置方法 | |
| CN116963461A (zh) | 一种机房空调的节能方法和装置 | |
| CN114909707B (zh) | 一种基于智能平衡装置和强化学习的供热二级网调控方法 | |
| CN114909706B (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 | |
| CN113959071B (zh) | 基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法 | |
| CN113270867B (zh) | 一种薄弱电网潮流无解自动调整方法 | |
| CN110826776B (zh) | 一种配网线变关系识别中基于动态规划的初始解优化方法 | |
| Groumpos et al. | New advanced technology methods for energy efficiency of buildings | |
| CN115711421A (zh) | 一种热网调控系统和方法 |
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 |