CN111461466A - 基于lstm时间序列的供暖户阀调节方法、***及设备 - Google Patents
基于lstm时间序列的供暖户阀调节方法、***及设备 Download PDFInfo
- Publication number
- CN111461466A CN111461466A CN202010420782.XA CN202010420782A CN111461466A CN 111461466 A CN111461466 A CN 111461466A CN 202010420782 A CN202010420782 A CN 202010420782A CN 111461466 A CN111461466 A CN 111461466A
- Authority
- CN
- China
- Prior art keywords
- data
- heating
- model
- time series
- sequence
- 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 116
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 description 4
- 230000014759 maintenance of location Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000009123 feedback regulation Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Steam Or Hot-Water Central Heating Systems (AREA)
Abstract
本发明公开了一种基于LSTM时间序列的供暖户阀调节方法、***及设备,所述调节方法包括以下步骤:步骤一:获取历史的供暖数据以及历史的气象数据,将上述数据以时间为基准进行数据合成获得序列数据,利用序列数据搭建LSTM时间序列模型;步骤二:对LSTM时间序列模型的模型参数进行调整,获得最优预测模型;步骤三:将待预测日的气象数据以及除供热流量以外的供暖数据进行处理后,输入到最优预测模型内,获取待预测日的预测供热流量;步骤四:将预测供热流量作为PID控制算法的设定值,控制供暖户阀所需的开度。
Description
技术领域
本发明涉及供暖领域,具体涉及一种基于LSTM时间序列的供暖户阀调节方法、***及设备。
背景技术
随着国民经济的发展和城镇化的推进,我国北方城镇建筑面积不断增长,其集中供热面积亦随之快速增长。
我国大部分供暖***依然采用落后的粗放型调控方式,即仅仅依据室外温度或全凭经验确定换热站供水温度,依据回水温度进行反馈调节或根本不进行。
现有技术中大部分供暖户阀不具备流量调节功能。
较为先进的现有技术中,供暖户阀的开度主要通过PID控制算法进行调节,需要为PID控制算法设定追踪流量值;但该追踪流量值一般只能根据经验进行人工设定,导致该追踪流量值不准确,无法根据气象数据和供暖数据进行动态调整,也无法考虑用户的用热习惯差异对追踪流量值带来的影响。
发明内容
为解决上述技术问题,本发明提供一种基于LSTM时间序列的供暖户阀调节方法、***及设备。
为解决上述技术问题,本发明采用如下技术方案:
一种基于LSTM时间序列的供暖户阀调节方法,包括以下步骤:
步骤一:获取历史的供暖数据以及历史的气象数据,将上述数据以时间为基准进行数据合成获得序列数据,利用序列数据搭建LSTM时间序列模型;
步骤二:对LSTM时间序列模型的模型参数进行调整,获得最优预测模型;
步骤三:将待预测日的气象数据以及除供热流量以外的供暖数据进行处理后,输入到最优预测模型内,获取待预测日的预测供热流量;
步骤四:将预测供热流量作为PID控制算法的设定值,控制供暖户阀所需的开度。
具体地,在步骤一和步骤三中:所述供暖数据包括静态供暖数据和动态供暖数据;所述动态供暖数据包括用户室内温度、用户阀开度、用户瞬时流量、用户瞬时热量、用户供水温度、用户回水温度;所述静态供暖数据包括用户楼层号;所述气象数据包括:室外温度和风速。
具体地,步骤一中将历史的供暖数据和历史的气象数据以时间为基准进行数据合成获得序列数据时,使得每条序列数据同时包含供暖数据以及气象数据。
具体地,步骤一中利用序列数据搭建LSTM时间序列模型之前,对序列数据进行异常数据处理。
具体地,步骤一中利用序列数据搭建LSTM时间序列模型前,将序列数据的每个维度分别进行标准化处理得到标准化数据。
具体地,步骤三中数据输入到最优预测模型后,首先获得模型输出结果,将模型输出结果进行反标准化处理得到所述预测供热流量。
具体地,步骤二中的模型参数包括序列长度、训练次数、学习率、dropout值、优化器类型以及激活函数的类型,所述序列长度为每次搭建LSTM时间序列模型所用的序列数据的条数,获得LSTM时间序列模型后计算其损失,并选取拥有最小损失的LSTM时间序列模型作为最优预测模型。
一种基于LSTM时间序列的供暖户阀调节***,包括:
模型搭建模块,其获取历史的供暖数据以及历史的气象数据,将上述数据以时间为基准进行数据合成获得序列数据,利用序列数据搭建LSTM时间序列模型;
调优模块,其对LSTM时间序列模型的模型参数进行调整,获得最优预测模型;
流量预测模块,其将待预测日的气象数据以及除供热流量以外的供暖数据进行处理后,输入到最优预测模型内,获取待预测日的预测供热流量;
流量控制模块,其将预测供热流量作为PID控制算法的设定值,控制供暖户阀所需的开度。
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,所述处理器执行上述调节方法的步骤:
与现有技术相比,本发明的有益技术效果是:
1.本发明通过学习历史的供暖数据和历史的气象数据建立基于LSTM时间序列的最优预测模型,并将待预测日的气象数据和供暖数据输入到最优预测模型,得到预测供热流量,结合PID控制算法实现供暖流量调节,该调节方法在考虑用户的用热习惯的基础上,可以根据气象条件和供热条件实时预测所需的供热流量,实现住户级供热的精确控制,从而达到节能目的。
2.通过提供自用户到单元的供热需求参考,能够提高供热利用率,避免传统粗放型供热***中存在的热能浪费现象。
附图说明
图1本发明调节方法的流程图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
LSTM的全称为Long Short Term Memory,也被称为长短期记忆网络,主要解决的是样本数据为序列的建模问题,如语音序列和语言序列。多数情况下,序列数据的每个元素并不是相互独立,其存在依赖关系,而LSTM模型能够揭示序列数据的内在联系。
LSTM处理的是序列建模问题,给定一个长度为T输入序列数据{X0,X1,X2…Xt},其中Xt表示的是序列数据在t时刻的输入特征向量,这里的t时刻应做广义理解,其并不只能表示时间,其主要作用在于表明这是一个序列输入问题。
建模过程中需要得到每个时刻的隐含特征{h0,h1,h2…ht},这些隐含特征用于后面层的特征输入。
对于LSTM模型来说,其在计算t时刻的输出时,不仅考虑当前时刻的输入特征Xt,而且引入前一个时刻的隐含特征ht-1,相当于提取了前面t-1个时刻的输入特征,而t时刻为新状态,可以理解为计算当前时刻输出的时候,既考虑当前状态,又考虑历史状态对当前状态影响,也正是因为这样的结构设计,LSTM模型特别适合序列问题。
结合本发明的应用场景时,LSTM模型即能够考虑当前的气象数据,也会结合历史的供暖数据和历史的气象数据,进而得到当前状态下的预测供热流量。
如图1所示,一种基于LSTM时间序列的供暖户阀调节方法,包括以下步骤:
S1:获取历史的供暖数据以及历史的气象数据,将上述数据以时间为基准进行数据合成获得序列数据,利用序列数据搭建LSTM时间序列模型;
S2:对LSTM时间序列模型的模型参数进行调整,获得最优预测模型;
S3:将待预测日的气象数据以及除供热流量以外的供暖数据进行处理后,输入到最优预测模型内,获取待预测日的预测供热流量;
S4:将预测供热流量作为PID控制算法的设定值,控制供暖户阀所需的开度。
在获取历史的供暖数据之前,需要进行异常用户处理,异常用户处理与后续的异常数据处理不同,异常用户处理是将明显异常用户的数据排除在历史供暖数据之外,从源头上保证数据的可靠性,异常用户包括未缴费的用户以及供暖阀功能异常的用户;异常用户处理的周期根据业务的需要进行设定。
搭建基于LSTM理论的LSTM时间序列模型之前,需要先对数据进行处理。
历史的供暖数据、气象数据往往来自不同的数据库。
历史的气象数据格式如下:
时间 | 室外温度 | 风速 | 风向 | ... |
... | ... | ... | ... | ... |
xxxx年xx月xx日00时 | xx | xx | xx | ... |
xxxx年xx月xx日01时 | xx | xx | xx | ... |
... | ... | ... | ... | ... |
历史的供暖数据格式如下:
时间 | 用户室内温度 | 用户瞬时流量 | ... |
... | ... | ... | ... |
xxxx年xx月xx日00时 | xx | xx | ... |
xxxx年xx月xx日01时 | xx | xx | ... |
... | ... | ... | ... |
步骤一中将历史的供暖数据和历史的气象数据以时间为基准进行数据合成获得序列数据时,使得每条序列数据同时包含供暖数据以及气象数据,在这里并不要求任意两条相邻的序列数据具有相等的时间间隔;序列数据的格式如下:
时间 | 室外温度 | ... | 用户室内温度 | ... |
... | ... | ... | ... | ... |
xxxx年xx月xx日00时 | xx | ... | xx | ... |
xxxx年xx月xx日01时 | xx | ... | xx | ... |
... | ... | ... | ... | ... |
利用序列数据搭建LSTM时间序列模型的具体过程如下:
LSTM时间序列模型由三个门来控制细胞状态,这三个门分别称为忘记门、输入门和输出门。
第一步决定细胞状态需要丢弃何种信息。这部分操作是通过一个称为忘记门的sigmoid单元来处理的。它通过查看ht-1和xt信息来输出一个0-1之间的向量,该向量里面的0-1值表示细胞状态Ct-1中的信息保留情况,其中0表示不保留,1表示都保留;该过程的描述如下:
ft=σ(Wf·[ht-1,xt]+bf);
下一步决定给细胞状态添加何种信息,首先将ht-1和xt通过一个称为输入门的操作来决定更新哪些信息。然后利用ht-1和xt通过一个tanh层得到新的候选细胞信息这些信息可能会被更新到细胞信息中,该过程的描述如下:
it=σ(Wi·[ht-1,xt]+bi),
更新完细胞状态后需要根据输入的ht-1和xt来判断输出细胞的状态特征,这里需要将输入经过一个称为输出门的sigmoid层得到判断条件,然后将细胞状态经过tanh层得到一个-1~1之间值的向量,该向量与输出门得到的判断条件相乘就得到了RNN单元的输出,该过程的描述如下:
ot=σ(Wo[ht-1,xt]+bo),
ht=ot*tanh(Ct)。
通过上述过程,最终能够得到LSTM时间序列模型。
调整参数前需要对模型进行验证,其过程如下。
首先不使用Dropout以及正则化项,从序列数据中取出一个小序列数据,用现有网络去训练拟合该小序列数据,并观察能否做到损失为0,或准确率为1。
在一轮epoch中,打印出输入、输出,检测数据的正确性:输入应为0,每个batch的值相同,特征应与标签对应。
去除正则化项,观察初始的损失值,并对损失进行预估,判断网络是否收敛。
可视化训练过程,在每一轮epoch训练完成后,计算验证集上的损失与准确率,并记录下每一轮epoch后训练集与验证集的损失与评价指标。
在开始训练之前,尝试用开源的数据集先进行训练,排除如噪声、不平衡、随机性过大导致难以学习的问题。
本发明在考虑用户的用热习惯的基础上,可以根据气象条件和供热条件实时预测所需的供热流量,实现住户级供热的精确控制,从而达到节能目的。
不同的用户具有不同的用热习惯,相同的室温下,有的用户认为冷,有的用户认为热;当用户不满意当年的供热流量时,会联系相关人员不断地进行流量调整,所以用户的用热习惯会固化在历史的供暖数据中,而根据历史数据得到的LSTM时间序列模型必然能够考虑不同的用热习惯,提供不同的预测供热流量。
如果只需要得到粗略的预测供热流量,在步骤一和步骤三中:所述供暖数据包括静态供暖数据和动态供暖数据;所述动态供暖数据包括用户室内温度、用户阀开度、用户瞬时流量、用户瞬时热量、用户供水温度、用户回水温度;所述静态供暖数据包括用户楼层号;所述气象数据包括:室外温度和风速;所述用户阀开度包括用户阀设定开度和用户阀实际开度。
对历史数据考虑的维度越多,则建立的模型越复杂,预测成本越高,但同时预测的精度会越高,如果需要更高的预测精度,则还需要考虑更多维度的历史数据。
当需要更高的预测精度时,所述动态供暖数据还包括:单元阀设定开度、单元阀实际开度、单元瞬时流量、单元瞬时热量、单元供水温度、单元回水温度、一次侧机组设定开度、一次侧机组实际开度、二次侧机组瞬时流量、二次侧机组瞬时热量、二次侧机组供水温度、二次侧机组回水温度;所述静态供暖数据还包括:用户供热方式、用户供热面积、单元供热面积、站级供热面积、用户其他物理位置、用户的邻居信息;所述气象数据还包括风向以及紫外线强度。
所述用户供热方式包括地暖供热和暖气片供热;用户楼层号属于用户物理位置的一种,用户其他物理位置包括用户的楼号、单元号、房间号和户型位置,户型位置为边户、底户、顶户以及中心户中的任一种;用户的邻居信息包括邻居缴费信息、邻居位置信息、邻居供热量以及邻居室温,邻居缴费信息是指用户周边各邻居是否存在缴费而不供暖、不缴费但私自供暖、缴费且正常供暖以及缴费但供暖异常的情况;事实上,用户邻居的供暖情况必然会影响到该用户的供暖体验。
在供热、供暖领域,上述这些参数之间相互影响,形成存在内部关联的***,LSTM***理论能够利用历史的数据,将该***的内部关系反映出来,在知道未来时间段内的其他变量时,能够给出供热流量的预测值。
具体地步骤一中利用序列数据搭建LSTM时间序列模型之前,对序列数据进行异常数据处理。
异常数据包括明显超出正常范围的表数据以及供暖户阀不响应上位控制导致的噪音数据。
明显异常的数据会在一定程度上影响***内部的关联,影响最终预测供热流量的准确性,所以在利用序列数据搭建LSTM时间序列模型之前,需要对异常数据进行处理。例如:基于地暖的供水温度一般不超过60℃,不低于33℃,如果超出正常范围即认为是异常数据,可以用临近时间的数据做均值补充,也可参考邻户的供温数据来做补充,其他维度的异常数据的处理思路与之类同。
具体地,步骤一中利用序列数据搭建LSTM时间序列模型前,将序列数据的每个维度分别进行标准化处理得到标准化数据。
本实施例中采用z-score的方式进行标准化处理,使得序列数据的每个维度经过处理后其特征的均值为0,标准差为1。
具体地,步骤三中数据输入到最优预测模型后,首先获得模型输出结果,将模型输出结果进行反标准化处理得到所述预测供热流量。
本实施例中采用与上述标准化方式相对应的反标准化方式进行处理。
具体地,步骤二中的模型参数包括序列长度、训练次数、学习率、dropout值、优化器类型以及激活函数的类型,所述序列长度为每次搭建LSTM时间序列模型所用的序列数据的条数,获得LSTM时间序列模型后计算其损失,并选取拥有最小损失的LSTM时间序列模型作为最优预测模型。
模型参数调整的过程如下。
在确保了数据与网络的正确性之后,使用默认的超参数设置,观察损失的变化,初步定下各个超参数的范围,再进行调参;对于每个超参数,在每次的调整时,只去调整一个参数,然后观察损失变化。
对于损失的变化情况,主要有以下几种可能性:上升、下降、不变,对应的数据集有train损失与val损失,那么进行组合有如下的可能:train损失不断下降,val损失不断下降,代表网络仍在学习;train损失不断下降,val损失不断上升,代表网络过拟合;train损失不断下降,val损失趋于不变,代表网络欠拟合;train损失趋于不变,val损失趋于不变,代表网络陷入瓶颈;train损失不断上升,val损失不断上升,代表网络结构问题;train损失不断上升,val损失不断下降,代表数据集有问题。
综合比较各个参数组合下的模型输出效果,选择损失最小的LSTM时间序列模型作为最优预测模型。
所述损失包括但不仅限于均方根误差。
一种基于LSTM时间序列的供暖户阀调节***,包括:
模型搭建模块,其获取历史的供暖数据以及历史的气象数据,将上述数据以时间为基准进行数据合成获得序列数据,利用序列数据搭建LSTM时间序列模型;
调优模块,其对LSTM时间序列模型的模型参数进行调整,获得最优预测模型;
流量预测模块,其将待预测日的气象数据以及除供热流量以外的供暖数据进行处理后,输入到最优预测模型内,获取待预测日的预测供热流量;
流量控制模块,其将预测供热流量作为PID控制算法的设定值,控制供暖户阀所需的开度。
流量控制模块采用PID控制算法,将预测供热流量作为追踪流量值,并按偏差的比例(P)、积分(I)和微分(D)进行控制,调整供暖户阀的开度。
PID控制供暖户阀是现有常规技术。
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,所述处理器执行所述调节方法的步骤。
本发明能对单元内各用户的供热流量进行较为准确的预测,自然地可以为单元的整体供热流量提供参考,能够提高了供热效率,避免传统粗放型供热***中存在的热能浪费现象。
在特定小区部署该发明中调节方法和调节***,对小区内200个左右的有效住户进行试验验证,采用本发明中的调节方法和调节***后,可在满足用户供暖需求的前提下,动态调节供热流量,相较于传统粗放型的供暖调节策略,可节约近30%的供热量。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内,不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立技术方案,说明书的这种叙述方式仅仅是为了清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (9)
1.一种基于LSTM时间序列的供暖户阀调节方法,包括以下步骤:
步骤一:获取历史的供暖数据以及历史的气象数据,将上述数据以时间为基准进行数据合成获得序列数据,利用序列数据搭建LSTM时间序列模型;
步骤二:对LSTM时间序列模型的模型参数进行调整,获得最优预测模型;
步骤三:将待预测日的气象数据以及除供热流量以外的供暖数据进行处理后,输入到最优预测模型内,获取待预测日的预测供热流量;
步骤四:将预测供热流量作为PID控制算法的设定值,控制供暖户阀所需的开度。
2.根据权利要求1所述的基于LSTM时间序列的供暖户阀调节方法,其特征在于,在步骤一和步骤三中:所述供暖数据包括静态供暖数据和动态供暖数据;所述动态供暖数据包括用户室内温度、用户阀开度、用户瞬时流量、用户瞬时热量、用户供水温度、用户回水温度;所述静态供暖数据包括用户楼层号;所述气象数据包括:室外温度和风速。
3.根据权利要求1所述的基于LSTM时间序列的供暖户阀调节方法,其特征在于,步骤一中将历史的供暖数据和历史的气象数据以时间为基准进行数据合成获得序列数据时,使得每条序列数据同时包含供暖数据以及气象数据。
4.根据权利要求1所述的基于LSTM时间序列的供暖户阀调节方法,其特征在于,步骤一中利用序列数据搭建LSTM时间序列模型之前,对序列数据进行异常数据处理。
5.根据权利要求1所述的基于LSTM时间序列的供暖户阀调节方法,其特征在于,步骤一中利用序列数据搭建LSTM时间序列模型前,将序列数据的每个维度分别进行标准化处理得到标准化数据。
6.根据权利要求1所述的基于LSTM时间序列的供暖户阀调节方法,其特征在于,步骤三中数据输入到最优预测模型后,首先获得模型输出结果,将模型输出结果进行反标准化处理得到所述预测供热流量。
7.根据权利要求1所述的基于LSTM时间序列的供暖户阀调节方法,其特征在于,步骤二中的模型参数包括序列长度、训练次数、学习率、dropout值、优化器类型以及激活函数的类型,所述序列长度为每次搭建LSTM时间序列模型所用的序列数据的条数,获得LSTM时间序列模型后计算其损失,并选取拥有最小损失的LSTM时间序列模型作为最优预测模型。
8.一种基于LSTM时间序列的供暖户阀调节***,其特征在于,包括:
模型搭建模块,其获取历史的供暖数据以及历史的气象数据,将上述数据以时间为基准进行数据合成获得序列数据,利用序列数据搭建LSTM时间序列模型;
调优模块,其对LSTM时间序列模型的模型参数进行调整,获得最优预测模型;
流量预测模块,其将待预测日的气象数据以及除供热流量以外的供暖数据进行处理后,输入到最优预测模型内,获取待预测日的预测供热流量;
流量控制模块,其将预测供热流量作为PID控制算法的设定值,控制供暖户阀所需的开度。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,所述处理器执行如权利要求1-7中任一项所述调节方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010420782.XA CN111461466B (zh) | 2020-05-18 | 2020-05-18 | 基于lstm时间序列的供暖户阀调节方法、***及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010420782.XA CN111461466B (zh) | 2020-05-18 | 2020-05-18 | 基于lstm时间序列的供暖户阀调节方法、***及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461466A true CN111461466A (zh) | 2020-07-28 |
CN111461466B CN111461466B (zh) | 2023-06-23 |
Family
ID=71678737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010420782.XA Active CN111461466B (zh) | 2020-05-18 | 2020-05-18 | 基于lstm时间序列的供暖户阀调节方法、***及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461466B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111928334A (zh) * | 2020-07-30 | 2020-11-13 | 瑞纳智能设备股份有限公司 | 基于边云协同框架的供热控制方法、***及计算机设备 |
CN113359425A (zh) * | 2021-07-06 | 2021-09-07 | 浙江浙能技术研究院有限公司 | 一种基于lstm神经网络pid优化的火电厂锅炉主汽温智能控制*** |
CN113944888A (zh) * | 2021-11-03 | 2022-01-18 | 北京软通智慧科技有限公司 | 燃气管道泄漏检测方法、装置、设备和存储介质 |
CN116300666A (zh) * | 2023-05-24 | 2023-06-23 | 科大智能物联技术股份有限公司 | 基于XGBoost优化的电厂锅炉运行控制方法 |
CN116839091A (zh) * | 2023-05-15 | 2023-10-03 | 山东和同信息科技股份有限公司 | 一种基于深度学习的换热站自动控制参数设置方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108240679A (zh) * | 2018-02-22 | 2018-07-03 | 烟台科创捷能机电工程有限公司 | 一种基于建筑供暖负荷预测的供热方法、装置和*** |
CN110056931A (zh) * | 2019-04-05 | 2019-07-26 | 杭州云谷节能技术有限公司 | 一种水***供暖的室内温度控制方法 |
CN110345256A (zh) * | 2019-08-07 | 2019-10-18 | 烟台500供热有限公司 | 一种阀门控制方法及阀门 |
US20190360711A1 (en) * | 2018-05-22 | 2019-11-28 | Seokyoung Systems | Method and device for controlling power supply to heating, ventilating, and air-conditioning (hvac) system for building based on target temperature |
CN110671740A (zh) * | 2019-10-17 | 2020-01-10 | 北京邮电大学 | 一种集中供热***生产自动调节方法 |
-
2020
- 2020-05-18 CN CN202010420782.XA patent/CN111461466B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108240679A (zh) * | 2018-02-22 | 2018-07-03 | 烟台科创捷能机电工程有限公司 | 一种基于建筑供暖负荷预测的供热方法、装置和*** |
US20190360711A1 (en) * | 2018-05-22 | 2019-11-28 | Seokyoung Systems | Method and device for controlling power supply to heating, ventilating, and air-conditioning (hvac) system for building based on target temperature |
CN110056931A (zh) * | 2019-04-05 | 2019-07-26 | 杭州云谷节能技术有限公司 | 一种水***供暖的室内温度控制方法 |
CN110345256A (zh) * | 2019-08-07 | 2019-10-18 | 烟台500供热有限公司 | 一种阀门控制方法及阀门 |
CN110671740A (zh) * | 2019-10-17 | 2020-01-10 | 北京邮电大学 | 一种集中供热***生产自动调节方法 |
Non-Patent Citations (2)
Title |
---|
李琦等: "长短时记忆网络在热力站建模中的应用", vol. 54, no. 24, pages 227 - 233 * |
许裕栗等: "基于LSTM网络的居民区供热负荷短时预测", vol. 39, no. 10, pages 3 - 5 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111928334A (zh) * | 2020-07-30 | 2020-11-13 | 瑞纳智能设备股份有限公司 | 基于边云协同框架的供热控制方法、***及计算机设备 |
CN113359425A (zh) * | 2021-07-06 | 2021-09-07 | 浙江浙能技术研究院有限公司 | 一种基于lstm神经网络pid优化的火电厂锅炉主汽温智能控制*** |
CN113944888A (zh) * | 2021-11-03 | 2022-01-18 | 北京软通智慧科技有限公司 | 燃气管道泄漏检测方法、装置、设备和存储介质 |
CN113944888B (zh) * | 2021-11-03 | 2023-12-08 | 北京软通智慧科技有限公司 | 燃气管道泄漏检测方法、装置、设备和存储介质 |
CN116839091A (zh) * | 2023-05-15 | 2023-10-03 | 山东和同信息科技股份有限公司 | 一种基于深度学习的换热站自动控制参数设置方法 |
CN116839091B (zh) * | 2023-05-15 | 2024-01-19 | 山东和同信息科技股份有限公司 | 一种基于深度学习的换热站自动控制参数设置方法 |
CN116300666A (zh) * | 2023-05-24 | 2023-06-23 | 科大智能物联技术股份有限公司 | 基于XGBoost优化的电厂锅炉运行控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111461466B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111561734B (zh) | 基于人工智能的供暖户阀调节方法、***及设备 | |
CN111461466B (zh) | 基于lstm时间序列的供暖户阀调节方法、***及设备 | |
CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
CN101383023B (zh) | 基于样本动态组织与温度补偿的神经网络短期电力负荷预测 | |
US20180081330A1 (en) | Method and Apparatus for Controlling an Environment Management System within a Building | |
CN111561733B (zh) | 基于gbdt的供暖户阀调节方法、***及设备 | |
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 | |
CN114811713B (zh) | 基于混合深度学习的二级网户间均衡供热调控方法 | |
CN111476439B (zh) | 基于灰色时间序列的供暖户阀调节方法、***及设备 | |
CN114777192B (zh) | 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 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN112651543A (zh) | 一种基于vmd分解与lstm网络的日用电量预测方法 | |
CN112418495A (zh) | 一种基于天牛须优化算法和神经网络的建筑能耗预测方法 | |
CN112560160A (zh) | 模型和数据驱动的暖通空调最优设定温度获取方法及设备 | |
CN116989442A (zh) | 一种中央空调负荷预测方法及*** | |
CN115751441A (zh) | 基于二次侧流量的供热***热力站热量调节方法及*** | |
CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
CN114565167B (zh) | 一种热力入口负荷动态预测及调控方法 | |
Zhang et al. | Ensemble learning-based approach for residential building heating energy prediction and optimization | |
CN116485582A (zh) | 一种基于深度学习的供热优化调控方法及装置 | |
CN116227704A (zh) | 基于边缘计算和云计算的供热能耗诊断及节能调控方法 | |
CN116415713A (zh) | 一种基于e+和人工智能的建筑能耗预测方法 | |
Mahmoud et al. | Architecture and performance of neural networks for efficient A/C control in buildings | |
CN115630561A (zh) | 一种神经网络热负荷预测模型自动优化方法及装置 | |
CN114909707A (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 |
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 |