CN114912169B - 基于多源信息融合的工业建筑供热自主优化调控方法 - Google Patents
基于多源信息融合的工业建筑供热自主优化调控方法 Download PDFInfo
- Publication number
- CN114912169B CN114912169B CN202210435341.6A CN202210435341A CN114912169B CN 114912169 B CN114912169 B CN 114912169B CN 202210435341 A CN202210435341 A CN 202210435341A CN 114912169 B CN114912169 B CN 114912169B
- Authority
- CN
- China
- Prior art keywords
- industrial building
- layer
- data
- information
- model
- 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 48
- 230000004927 fusion Effects 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- 238000010438 heat treatment Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 230000001105 regulatory effect Effects 0.000 claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 230000007613 environmental effect Effects 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000011217 control strategy Methods 0.000 claims abstract description 18
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 238000012806 monitoring device Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000008447 perception Effects 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims 1
- 238000009434 installation Methods 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 93
- 238000010586 diagram Methods 0.000 description 5
- 239000002356 single layer Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Civil Engineering (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Architecture (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于多源信息融合的工业建筑供热自主优化调控方法,包括:建立工业建筑供热***数字孪生模型;工业建筑供热设备安装,至少包括:在工业建筑各层供热管道入口处安装热计量表、在工业建筑各层管道供热***入口支管处安装电动调节阀、在工业建筑中设置有环境温湿度检测装置和视频监控装置;基于多源信息融合技术体系架构建立工业建筑状态感知模型,获得工业建筑区域内供热运行数据、人流密度和环境温湿度;基于工业建筑供热***数字孪生模型和依据历史供热运行数据、天气数据、人流密度和环境温湿度数据、预测的热负荷,采用基于注意力机制结合改进的BiGRU算法建立阀门预测控制模型,获得工业建筑各层电动调节阀的控制策略;基于工业建筑供热***数字孪生模型对控制策略进行验证和下发执行。
Description
技术领域
本发明属于智慧供热技术领域,具体涉及一种基于多源信息融合的工业建筑供热自主优化调控方法。
背景技术
目前,包括商用建筑、企业办公建筑、大型场馆类的工业建筑供热受到各级政府和社会的关注,是国家在基础建设领域中重点支持的行业,提高供热质量,降低供热成本、减少污染排放一直是供热行业的研究的重要课题。长期以来,现有的工业建筑供热二级网末端的管理手段大都还停留在人工调控阶段,调控精细度和灵活度远远无法满足要求,在优化调控中精度欠佳、预测速度较慢的问题。
多源信息融合是一个综合感知,网络化,计算的多维复杂***,该***能够通过多样的感知设备从外界环境中获取大量的数据,并将采集到的大量数据进行筛选、比对融合计算,从中获取用户所需的有效信息,根据所提取的信息进行高效计算然后制定出相应的决策通过某种执行元件作用于外界环境当中。工业建筑二级网调控要实现节能高效运行,可以采用信息物理融合***将物理信息***的感知能力,计算能力和执行能力充分应用到供热二级网调控中,实现工业建筑供热二级网调控的节能高效运行。
然而,目前的供热调控技术精确度较低,而且获取的工业建筑供热数据较少,调控模型预测的精度和速度都较慢,如何将工业建筑供热二级网调控和信息物理融合***结合起来,使工业建筑供热调控***更加智能化,能够根据工业建筑区域内的环境变化进行自适应的调节,是目前急需解决的问题。
基于上述技术问题,需要设计一种新的基于多源信息融合的工业建筑供热自主优化调控方法。
发明内容
本发明所要解决的技术问题是,克服现有技术的不足,提供一种基于多源信息融合的工业建筑供热自主优化调控方法。
为了解决上述技术问题,本发明的技术方案是:
本发明提供了一种基于多源信息融合的工业建筑供热自主优化调控方法,它包括:
步骤S1、采用机理建模和数据辨识方法建立工业建筑供热***数字孪生模型;
步骤S2、工业建筑供热设备安装,至少包括:在工业建筑各层供热管道入口处安装热计量表、在工业建筑各层管道供热***入口支管处安装电动调节阀、在工业建筑中设置有环境温湿度检测装置和视频监控装置;
步骤S3、基于多源信息融合技术体系架构建立工业建筑状态感知模型,获得工业建筑区域内供热运行数据、人流密度和环境温湿度;
步骤S4、基于工业建筑供热***数字孪生模型和依据历史供热运行数据、天气数据、人流密度和环境温湿度数据、预测的热负荷,采用基于注意力机制结合改进的BiGRU算法建立阀门预测控制模型,获得工业建筑各层电动调节阀的控制策略;
步骤S5、基于工业建筑供热***数字孪生模型对控制策略进行验证后,进行控制策略的下发和执行。
进一步,所述步骤S1中,采用机理建模和数据辨识方法建立工业建筑供热***数字孪生模型,具体包括:
建立包括工业建筑供热***物理实体、虚拟实体、孪生数据服务和各组成部分之间的连接要素的数字孪生模型;
所述物理实体是数字孪生模型的基础,是整个数字孪生模型驱动的数据源;所述虚拟实体与物理实体一一映射、实时交互,通过从多维度、多尺度对物理空间的要素进行刻画,对物理实体的实际过程进行仿真模拟,并对要素数据进行分析数据、评价、预测及控制;所述孪生数据服务集成物理空间信息与虚拟空间信息,保证数据传输的实时性,同时提供包括智能算法、模型、规则标准、专家经验的知识库数据,通过融合物理信息、多时空关联信息、知识库数据形成孪生数据库;所述各组成部分之间的连接是实现各组成部分的互联互通,物理实体与孪生数据服务之间通过传感器、协议传输规范实现数据的实时采集与反馈;物理实体与虚拟实体之间通过协议进行数据传输,物理信息实时传输至虚拟空间内更新校正模型,虚拟实体则通过执行器对物理实体进行实时控制;虚拟实体与孪生数据服务之间的信息传递是通过数据库接口实现;
对数字孪生模型进行辨识,将工业建筑供热***的多工况实时运行数据接入已建立的数字孪生模型中,采用反向辨识方法对数字孪生模型的仿真结果进行自适应辨识修正,获得辨识修正后的工业建筑供热***数字孪生模型。
进一步,所述步骤S3中,基于多源信息融合技术体系架构建立工业建筑状态感知模型,具体包括:
建立包括采集层、处理层和服务层的工业建筑状态感知模型架构;
所述采集层将环境温度检测装置和视频监控装置采集的数据、热计量装置和电动调节阀的数据,以及历史数据库中存储的供热信息进行获取,所述供热信息包括供热相关报表、数据、日志;所述处理层包括工业建筑信息推理组件和信息预测组件,将采集层提交的数据通过抽象、解释、逻辑推理后进行工业建筑状态预测分析;所述服务层将处理层处理后的工业建筑信息按照服务进行分类,包括工业建筑状态的订阅、查询、管理和应用。
进一步,所述工业建筑信息推理组件利用专家库中预先设定好的规则将采集层传递的数据信息,采用信息抽象和语义解释的方式进行融合推理;所述工业建筑信息预测组件将融合推理后的信息作为样本进行训练,并将训练结果与当前采集到的实时信息进行比对判断,然后对下个时间该工业建筑区域的物理环境信息做出预测。
进一步,所述基于工业建筑状态感知模型计算获得工业建筑区域内人流密度,包括:根据工业建筑区域内的视频监控装置,通过图像处理技术对视频当中的人员信息进行识别、跟踪和计算,获得工业建筑区域内的人流密度;
其中,根据场景的不同将人流密度从低到高划分为不同等级;通过图像处理技术对视频当中的人员信息进行识别、跟踪和计算包括视频图像处理、行人目标检测、行人目标跟踪和人流量计算;所述行人目标检测采用运动目标的检测算法,根据目标在视频序列中的运动过程会引起图像的区域发生变化,通过提取变化的区域,获得行人目标;所述行人目标跟踪是对运动的目标进行跟踪,找出每一帧视频图像中目标位置并标定出来,判断是否为同一行人对象;所述人流量计算采用基于运动目标分类和机器学习的人流量统计法;所述运动目标分类根据目标团块的行人数量,对目标团块进行分类,确定目标团块中是否含有行人、单行人还是多行人,若目标信息为非行人目标则不计数,若目标信息为单行人目标则叠加即可;若目标信息为多行人目标,则需要再确定多行人目标中的行人数量,通过采用机器学习算法提取行人特征,对行人特征进行训练,利用训练好的结果对人进行识别。
进一步,所述基于工业建筑状态感知模型计算获得工业建筑区域内的供热运行数据和环境温湿度,包括:通过工业建筑状态感知模型中的采集层、处理层和服务层,对工业建筑区域内的环境温湿度检测装置、热计量表和电动调节阀采集的数据进行处理和分析后,获得包括工业建筑区域内的供水温度、回水温度、供水流量和环境温湿度状态信息。
进一步,所述步骤S4中,基于工业建筑供热***数字孪生模型和依据历史供热运行数据、天气数据、人流密度和环境温湿度数据、预测的热负荷,采用基于注意力机制结合改进的BiGRU算法建立阀门预测控制模型,获得工业建筑各层电动调节阀的控制策略,具体包括:
步骤S401、设置基于注意力机制的VMD结合改进的BiGRU算法建立阀门预测控制模型层级结构,所述阀门预测控制模型层级结构包括输入层、BiGRU层和注意力层;
步骤S402、基于工业建筑供热***数字孪生模型获取历史供水温度、回水温度、供水流量、天气数据、工业建筑人流密度和环境温湿度数据、预测的热负荷,作为阀门预测控制模型的训练样本,在输入层中将阀门预测控制模型的训练样本进行预处理获得数据序列长度为N的输入数据,表示为:X=[X1、X2…XN]T;
步骤S403、在BiGRU层中提取各分量间的信息,保存重要的信息,遗忘不重要的信息,通过前向与反向的BiGRU网络单元学习历史与未来时刻对当前信息的影响,在t时刻经过BiGRU层计算输出的隐藏层状态表示为:ht=BiGRU(ht-1,Xt);
步骤S404、在注意力层中输入为经过BiGRU层计算输出的隐藏层状态ht,并根据注意力机制自适应计算不同输入特征的权重,在t时刻的注意力层输出表示为:et=utanh(wht+b);其中,et为t时刻BiGRU层输出的隐藏层状态ht的概率分布值;w和u表示权重系数;b表示偏置系数;
步骤S405、在输出层中通过全连接层的激活函数计算出工业建筑各层电动调节阀的控制策略的预测结果,在t时刻的模型输出表示为:yt=Sigmoid(wost+bo);wo和bo分别表示为权重矩阵和偏置矩阵。
进一步,所述步骤S403中在BiGRU层中提取各分量间的信息,具体包括:
改进的BiGRU算法包括输入层、隐藏层和全连接层构成,隐藏层由三个串联的BiGRU网络单元组成,每一层BiGRU网络都同时从正向和反向对信息进行处理,处理完成后将全部输出序列通过加法器进行融合后传输到下一层BiGRU网络中,最后一层BiGRU处理完后仅返回输出序列最后一个时间步的结果,最后通过全连接层输出最后的预测结果。
进一步,所述阀门预测控制模型层级结构还包括设置分解层,在分解层中,采用VMD变模态分解方法将输入数据分解为若干个平稳的分量,分解后的第i个分量表示为:将分解后的数据通过滑动窗口输入到BiGRU层中;若滑动窗口大小为T,则在t时刻的输入序列可表示为:Xt=[Xt-T+1,Xt-T+2…Xt]T。
进一步,所述阀门预测控制模型层级结构中还包括:共享层,在共享层中n个BiGRU共享同一权重矩阵,即各个分量计算BiGRU隐藏层状态ht时使用的权重相同。
本发明的有益效果是:
本发明通过对工业建筑供热单元楼设备安装,并基于多源信息融合技术体系架构建立工业建筑状态感知模型,获得工业建筑区域内供热运行数据、人流密度和环境温湿度,针对工业建筑内复杂多变的物理环境,建立基于多源信息融合的工业建筑状态感知模型层次架构,利用多源信息融合***具有高度的感知、计算和执行能力,获得工业建筑区域内的供热运行数据、人流密度和环境数据,为二级网工业建筑阀门控制提供理论依据,使工业建筑内的电动调节阀能够根据工业建筑环境的实时变化进行自我调节,满足工业建筑内用户的舒适度需求,还能降低能耗,实现节能高效运行;此外,采用基于注意力机制结合改进的BiGRU算法建立阀门预测控制模型,获得工业建筑各层电动调节阀的控制策略,将注意力机制引入能够突出重要特征的作用,而且利用改进的BiGRU算法,采用多层BiGRU网络、权值共享提取VMD分解后各个分量间的共性信息,提高模型预测精确度和训练速度。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明一种基于多源信息融合的工业建筑供热自主优化调控方法流程图;
图2为本发明工业建筑状态感知模型架构;
图3为本发明阀门预测控制模型结构。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明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。
图1是本发明所涉及的一种基于多源信息融合的工业建筑供热自主优化调控方法流程图。
如图1所示,本实施例提供了一种基于多源信息融合的工业建筑供热自主优化调控方法,其特征在于,它包括:
步骤S1、采用机理建模和数据辨识方法建立工业建筑供热***数字孪生模型;
步骤S2、工业建筑供热设备安装,至少包括:在工业建筑各层供热管道入口处安装热计量表、在工业建筑各层管道供热***入口支管处安装电动调节阀、在工业建筑中设置有环境温湿度检测装置和视频监控装置;
步骤S3、基于多源信息融合技术体系架构建立工业建筑状态感知模型,获得工业建筑区域内供热运行数据、人流密度和环境温湿度;
步骤S4、基于工业建筑供热***数字孪生模型和依据历史供热运行数据、天气数据、人流密度和环境温湿度数据、预测的热负荷,采用基于注意力机制结合改进的BiGRU算法建立阀门预测控制模型,获得工业建筑各层电动调节阀的控制策略;
步骤S5、基于工业建筑供热***数字孪生模型对控制策略进行验证后,进行控制策略的下发和执行。
在本实施例中,步骤S1中,采用机理建模和数据辨识方法建立工业建筑供热***数字孪生模型,具体包括:
建立包括工业建筑供热***物理实体、虚拟实体、孪生数据服务和各组成部分之间的连接要素的数字孪生模型;
物理实体是数字孪生模型的基础,是整个数字孪生模型驱动的数据源;虚拟实体与物理实体一一映射、实时交互,通过从多维度、多尺度对物理空间的要素进行刻画,对物理实体的实际过程进行仿真模拟,并对要素数据进行分析数据、评价、预测及控制;孪生数据服务集成物理空间信息与虚拟空间信息,保证数据传输的实时性,同时提供包括智能算法、模型、规则标准、专家经验的知识库数据,通过融合物理信息、多时空关联信息、知识库数据形成孪生数据库;各组成部分之间的连接是实现各组成部分的互联互通,物理实体与孪生数据服务之间通过传感器、协议传输规范实现数据的实时采集与反馈;物理实体与虚拟实体之间通过协议进行数据传输,物理信息实时传输至虚拟空间内更新校正模型,虚拟实体则通过执行器对物理实体进行实时控制;虚拟实体与孪生数据服务之间的信息传递是通过数据库接口实现;
对数字孪生模型进行辨识,将工业建筑供热***的多工况实时运行数据接入已建立的数字孪生模型中,采用反向辨识方法对数字孪生模型的仿真结果进行自适应辨识修正,获得辨识修正后的工业建筑供热***数字孪生模型。
图2是本发明所涉及的工业建筑状态感知模型架构。
如图2所示,在本实施例中,步骤S3中,基于多源信息融合技术体系架构建立工业建筑状态感知模型,具体包括:
建立包括采集层、处理层和服务层的工业建筑状态感知模型架构;
采集层将环境温度检测装置和视频监控装置采集的数据、热计量装置和电动调节阀的数据,以及历史数据库中存储的供热信息进行获取,供热信息包括供热相关报表、数据、日志;处理层包括工业建筑信息推理组件和信息预测组件,将采集层提交的数据通过抽象、解释、逻辑推理后进行工业建筑状态预测分析;服务层将处理层处理后的工业建筑信息按照服务进行分类,包括工业建筑状态的订阅、查询、管理和应用。
在本实施例中,工业建筑信息推理组件利用专家库中预先设定好的规则将采集层传递的数据信息,采用信息抽象和语义解释的方式进行融合推理;工业建筑信息预测组件将融合推理后的信息作为样本进行训练,并将训练结果与当前采集到的实时信息进行比对判断,然后对下个时间该工业建筑区域的物理环境信息做出预测。
在本实施例中,基于工业建筑状态感知模型计算获得工业建筑区域内人流密度,包括:根据工业建筑区域内的视频监控装置,通过图像处理技术对视频当中的人员信息进行识别、跟踪和计算,获得工业建筑区域内的人流密度;
其中,根据场景的不同将人流密度从低到高划分为不同等级;通过图像处理技术对视频当中的人员信息进行识别、跟踪和计算包括视频图像处理、行人目标检测、行人目标跟踪和人流量计算;行人目标检测采用运动目标的检测算法,根据目标在视频序列中的运动过程会引起图像的区域发生变化,通过提取变化的区域,获得行人目标;行人目标跟踪是对运动的目标进行跟踪,找出每一帧视频图像中目标位置并标定出来,判断是否为同一行人对象;人流量计算采用基于运动目标分类和机器学习的人流量统计法;运动目标分类根据目标团块的行人数量,对目标团块进行分类,确定目标团块中是否含有行人、单行人还是多行人,若目标信息为非行人目标则不计数,若目标信息为单行人目标则叠加即可;若目标信息为多行人目标,则需要再确定多行人目标中的行人数量,通过采用机器学习算法提取行人特征,对行人特征进行训练,利用训练好的结果对人进行识别。
在本实施例中,基于工业建筑状态感知模型计算获得工业建筑区域内的供热运行数据和环境温湿度,包括:通过工业建筑状态感知模型中的采集层、处理层和服务层,对工业建筑区域内的环境温湿度检测装置、热计量表和电动调节阀采集的数据进行处理和分析后,获得包括工业建筑区域内的供水温度、回水温度、供水流量和环境温湿度状态信息。
图3是本发明所涉及的阀门预测控制模型结构。
如图3所示,在本实施例中,步骤S4中,基于工业建筑供热***数字孪生模型和依据历史供热运行数据、天气数据、人流密度和环境温湿度数据、预测的热负荷,采用基于注意力机制结合改进的BiGRU算法建立阀门预测控制模型,获得工业建筑各层电动调节阀的控制策略,具体包括:
S401、设置基于注意力机制的VMD结合改进的BiGRU算法建立阀门预测控制模型层级结构,阀门预测控制模型层级结构包括输入层、BiGRU层和注意力层;
S402、基于工业建筑供热***数字孪生模型获取历史供水温度、回水温度、供水流量、天气数据、工业建筑人流密度和环境温湿度数据、预测的热负荷,阀门预测控制模型的训练样本,在输入层中将阀门预测控制模型的训练样本进行预处理获得数据序列长度为N的输入数据,表示为:X=[X1、X2…XN]T;
S403、在BiGRU层中提取各分量间的信息,保存重要的信息,遗忘不重要的信息,通过前向与反向的BiGRU网络单元学习历史与未来时刻对当前信息的影响,在t时刻经过BiGRU层计算输出的隐藏层状态表示为:ht=BiGRU(ht-1,Xt);
S404、在注意力层中输入为经过BiGRU层计算输出的隐藏层状态ht,并根据注意力机制自适应计算不同输入特征的权重,在t时刻的注意力层输出表示为:et=utanh(wht+b);et为t时刻BiGRU层输出的隐藏层状态ht的概率分布值;w和u表示权重系数;b表示偏置系数;
S405、在输出层中通过全连接层的激活函数计算出工业建筑各层电动调节阀的控制策略的预测结果,在t时刻的模型输出表示为:yt=Sigmoid(wost+bo);wo和bo分别表示为权重矩阵和偏置矩阵。
在本实施例中,步骤S403中在BiGRU层中提取各分量间的信息,具体包括:
改进的BiGRU算法包括输入层、隐藏层和全连接层构成,隐藏层由三个串联的BiGRU网络单元组成,每一层BiGRU网络都同时从正向和反向对信息进行处理,处理完成后将全部输出序列通过加法器进行融合后传输到下一层BiGRU网络中,最后一层BiGRU处理完后仅返回输出序列最后一个时间步的结果,最后通过全连接层输出最后的预测结果。
在本实施例中,阀门预测控制模型层级结构还包括设置分解层,在分解层中,采用VMD变模态分解方法将输入数据分解为若干个平稳的分量,分解后的第i个分量表示为:将分解后的数据通过滑动窗口输入到BiGRU层中;若滑动窗口大小为T,则在t时刻的输入序列可表示为:Xt=[Xt-T+1,Xt-T+2…Xt]T。
在本实施例中,阀门预测控制模型层级结构中还包括:共享层,在共享层中n个BiGRU共享同一权重矩阵,即各个分量计算BiGRU隐藏层状态ht时使用的权重相同。
需要说明的是,单层的BiGRU网络由一个正向GRU和一个反向GRU上下叠加而成,BiGRU网络同时将数据按照正向顺序和反向顺序输入模型,可以更好的掌握全局数据序列信息;然而,由于影响阀门调控的因素较多,单层的BiGRU网络在处理数据时精确度欠佳,而深度网络结构能够全方位的提取数据特征,因此采用改进的深度网络结构BiGRU模型,通过多个BiGRU网络来对阀门控制进行预测。此外,如果针对VMD算法获得的若干个分量都进行单独的建模预测,则模型训练时每个模型完全独立训练,不仅会导致训练参数过多,训练速度过慢,还会使得各个分量之间的共性信息提取不充分,因此引入共享层,通过共享部分参数,减少训练参数,提高模型训练速度,同时充分提取各个分量之间的共性信息
在本申请所提供的几个实施例中,应该理解到,所揭露的***和方法,也可以通过其它的方式实现。以上所描述的***实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的***、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、程序段或代码的一部分,模块、程序段或代码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指令。也应当注意,在有些作为替换的实现方式中,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***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (6)
1.一种基于多源信息融合的工业建筑供热自主优化调控方法,其特征在于,它包括:
步骤S1、采用机理建模和数据辨识方法建立工业建筑供热***数字孪生模型;
步骤S2、工业建筑供热设备安装,至少包括:在工业建筑各层供热管道入口处安装热计量表、在工业建筑各层管道供热***入口支管处安装电动调节阀、在工业建筑中设置有环境温湿度检测装置和视频监控装置;
步骤S3、基于多源信息融合技术体系架构建立工业建筑状态感知模型,获得工业建筑区域内供热运行数据、人流密度和环境温湿度;
步骤S4、基于工业建筑供热***数字孪生模型和依据历史供热运行数据、天气数据、人流密度和环境温湿度数据、预测的热负荷,采用基于注意力机制结合改进的BiGRU算法建立阀门预测控制模型,获得工业建筑各层电动调节阀的控制策略;
步骤S5、基于工业建筑供热***数字孪生模型对控制策略进行验证后,进行控制策略的下发和执行;
所述步骤S4中,基于工业建筑供热***数字孪生模型和依据历史供热运行数据、天气数据、人流密度和环境温湿度数据、预测的热负荷,采用基于注意力机制结合改进的BiGRU算法建立阀门预测控制模型,获得工业建筑各层电动调节阀的控制策略,具体包括:
步骤S401、设置基于注意力机制的VMD结合改进的BiGRU算法建立阀门预测控制模型层级结构,所述阀门预测控制模型层级结构包括输入层、BiGRU层和注意力层;
步骤S402、基于工业建筑供热***数字孪生模型获取历史供水温度、回水温度、供水流量、天气数据、工业建筑人流密度、环境温湿度数据和预测的热负荷,作为阀门预测控制模型的训练样本,在输入层中将阀门预测控制模型的训练样本进行预处理获得数据序列长度为N的输入数据,表示为:X=[X1、X2…XN]T;
步骤S403、在BiGRU层中提取各分量间的信息,通过前向与反向的BiGRU网络单元学习历史与未来时刻对当前信息的影响,在t时刻经过BiGRU层计算输出的隐藏层状态表示为:ht=BiGRU(ht-1,Xt);
步骤S404、在注意力层中输入为经过BiGRU层计算输出的隐藏层状态ht,并根据注意力机制自适应计算不同输入特征的权重,在t时刻的注意力层输出表示为:
其中,et为t时刻BiGRU层输出的隐藏层状态ht的概率分布值;w和u表示权重系数;b表示偏置系数;
步骤S405、在输出层中通过全连接层的激活函数计算出工业建筑各层电动调节阀的控制策略的预测结果,在t时刻的模型输出表示为:yt=Sigmoid(wost+bo);其中,wo和bo分别表示为权重矩阵和偏置矩阵;
所述步骤S403中在BiGRU层中提取各分量间的信息,具体包括:
改进的BiGRU算法包括输入层、隐藏层和全连接层构成,所述隐藏层由三个串联的BiGRU网络单元组成,每一层BiGRU网络都同时从正向和反向对信息进行处理,处理完成后将全部输出序列通过加法器进行融合后传输到下一层BiGRU网络中,最后一层BiGRU处理完后仅返回输出序列最后一个时间步的结果,最后通过全连接层输出最后的预测结果;
所述阀门预测控制模型层级结构还包括设置分解层,在分解层中,采用VMD变模态分解方法将输入数据分解为若干个平稳的分量,分解后的第i个分量表示为:将分解后的数据通过滑动窗口输入到BiGRU层中;若滑动窗口大小为T,则在t时刻的输入序列可表示为:Xt=[Xt-T+1,Xt-T+2…Xt]T;
所述阀门预测控制模型层级结构中还包括共享层,在所述共享层中n个BiGRU共享同一权重矩阵。
2.根据权利要求1所述的工业建筑供热自主优化调控方法,其特征在于,所述步骤S1中,采用机理建模和数据辨识方法建立工业建筑供热***数字孪生模型,具体包括:
建立包括工业建筑供热***物理实体、虚拟实体、孪生数据服务和各组成部分之间的连接要素的数字孪生模型;
建立包括二级网单元楼物理实体、虚拟实体、孪生数据服务和各组成部分之间的连接要素的数字孪生模型;
所述物理实体为整个数字孪生模型的数据源;
所述虚拟实体对物理实体的实际过程进行仿真模拟,并对要素数据进行分析数据、评价、预测及控制;
所述孪生数据服务集成物理空间信息与虚拟空间信息,保证数据传输的实时性,同时提供包括智能算法、模型、规则标准、专家经验的知识库数据,通过融合物理信息、多时空关联信息、知识库数据形成孪生数据库;
所述各组成部分之间的连接用于实现各组成部分的互联互通,物理实体与孪生数据服务之间通过传感器、协议传输规范实现数据的实时采集与反馈;
所述物理实体与虚拟实体之间通过协议进行数据传输,物理信息实时传输至虚拟空间内更新校正模型,所述虚拟实体通过执行器对物理实体进行实时控制;
所述虚拟实体与孪生数据服务之间通过数据库接口进行信息传递;
对数字孪生模型进行辨识,将工业建筑供热***的多工况实时运行数据接入已建立的数字孪生模型中,采用反向辨识方法对数字孪生模型的仿真结果进行自适应辨识修正,获得辨识修正后的工业建筑供热***数字孪生模型。
3.根据权利要求1所述的工业建筑供热自主优化调控方法,其特征在于,所述步骤S3中,基于多源信息融合技术体系架构建立工业建筑状态感知模型,具体包括:
建立包括采集层、处理层和服务层的工业建筑状态感知模型架构;
所述采集层将环境温度检测装置和视频监控装置采集的数据、热计量装置和电动调节阀的数据,以及历史数据库中存储的供热信息进行获取;
所述处理层包括工业建筑信息推理组件和信息预测组件,将采集层提交的数据通过抽象、解释、逻辑推理后进行工业建筑状态预测分析;
所述服务层将处理层处理后的工业建筑信息按照服务进行分类。
4.根据权利要求3所述的工业建筑供热自主优化调控方法,其特征在于:还包括所述工业建筑信息推理组件利用专家库中预先设定好的规则将采集层传递的数据信息,采用信息抽象和语义解释的方式进行融合推理;所述工业建筑信息预测组件将融合推理后的信息作为样本进行训练,并将训练结果与当前采集到的实时信息进行比对判断,然后对下个时间该工业建筑区域的物理环境信息做出预测。
5.根据权利要求3所述的工业建筑供热自主优化调控方法,其特征在于:还包括基于所述工业建筑状态感知模型计算获得工业建筑区域内人流密度,具体包括:
根据工业建筑区域内的视频监控装置,通过图像处理技术对视频当中的人员信息进行识别、跟踪和计算,获得工业建筑区域内的人流密度;
其中,根据场景的不同将人流密度从低到高划分为不同等级;通过图像处理技术对视频当中的人员信息进行识别、跟踪和计算包括视频图像处理、行人目标检测、行人目标跟踪和人流量计算;所述行人目标检测采用运动目标的检测算法,根据目标在视频序列中的运动过程会引起图像的区域发生变化,通过提取变化的区域,获得行人目标;所述行人目标跟踪是对运动的目标进行跟踪,找出每一帧视频图像中目标位置并标定出来,判断是否为同一行人对象;所述人流量计算采用基于运动目标分类和机器学习的人流量统计法;所述运动目标分类根据目标团块的行人数量,对目标团块进行分类,确定目标团块中是否含有行人、单行人还是多行人,若目标信息为非行人目标则不计数,若目标信息为单行人目标则叠加即可;若目标信息为多行人目标,则需要再确定多行人目标中的行人数量,通过采用机器学习算法提取行人特征,对行人特征进行训练,利用训练好的结果对人进行识别。
6.根据权利要求3所述的工业建筑供热自主优化调控方法,其特征在于:还包括基于所述工业建筑状态感知模型计算获得工业建筑区域内的供热运行数据和环境温湿度,具体包括:
通过工业建筑状态感知模型中的采集层、处理层和服务层,对工业建筑区域内的环境温湿度检测装置、热计量表和电动调节阀采集的数据进行处理和分析后,获得包括工业建筑区域内的供水温度、回水温度、供水流量和环境温湿度状态信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210435341.6A CN114912169B (zh) | 2022-04-24 | 2022-04-24 | 基于多源信息融合的工业建筑供热自主优化调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210435341.6A CN114912169B (zh) | 2022-04-24 | 2022-04-24 | 基于多源信息融合的工业建筑供热自主优化调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114912169A CN114912169A (zh) | 2022-08-16 |
CN114912169B true CN114912169B (zh) | 2024-05-31 |
Family
ID=82765078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210435341.6A Active CN114912169B (zh) | 2022-04-24 | 2022-04-24 | 基于多源信息融合的工业建筑供热自主优化调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114912169B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882116B (zh) * | 2023-09-07 | 2024-02-02 | 北京世纪黄龙技术有限公司 | 数字孪生的供热空间划分方法、计算方法、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717334A (zh) * | 2019-09-10 | 2020-01-21 | 上海理工大学 | 基于bert模型和双通道注意力的文本情感分析方法 |
CN112417619A (zh) * | 2020-11-23 | 2021-02-26 | 江苏大学 | 一种基于数字孪生的泵机组优化运行调节***及方法 |
CN113052214A (zh) * | 2021-03-14 | 2021-06-29 | 北京工业大学 | 基于长短期时间序列网络的换热站超短期热负荷预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107861478B (zh) * | 2017-10-17 | 2018-08-14 | 广东工业大学 | 一种智能车间平行控制方法及*** |
-
2022
- 2022-04-24 CN CN202210435341.6A patent/CN114912169B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717334A (zh) * | 2019-09-10 | 2020-01-21 | 上海理工大学 | 基于bert模型和双通道注意力的文本情感分析方法 |
CN112417619A (zh) * | 2020-11-23 | 2021-02-26 | 江苏大学 | 一种基于数字孪生的泵机组优化运行调节***及方法 |
CN113052214A (zh) * | 2021-03-14 | 2021-06-29 | 北京工业大学 | 基于长短期时间序列网络的换热站超短期热负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
基于三维GIS技术的公路交通数字孪生***;郑伟皓;周星宇;吴虹坪;李红梅;朱新童;文林江;;计算机集成制造***;20200115(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114912169A (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及*** | |
CN109754605B (zh) | 一种基于注意力时态图卷积网络的交通预测方法 | |
CN108205889B (zh) | 基于卷积神经网络的高速公路交通流预测方法 | |
Wang et al. | Modeling inter-station relationships with attentive temporal graph convolutional network for air quality prediction | |
CN113538910B (zh) | 一种自适应的全链条城市区域网络信号控制优化方法 | |
Li et al. | Graph CNNs for urban traffic passenger flows prediction | |
Bao et al. | Spatial–temporal complex graph convolution network for traffic flow prediction | |
CN110675632B (zh) | 针对多特征空间和数据稀疏的车辆短时轨迹预测控制方法 | |
CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及*** | |
Sharma | Enhancing HVAC energy efficiency using artificial neural network-based occupancy detection | |
Pranolo et al. | Robust LSTM With tuned-PSO and bifold-attention mechanism for analyzing multivariate time-series | |
CN115376317B (zh) | 一种基于动态图卷积和时序卷积网络的交通流预测方法 | |
CN114912169B (zh) | 基于多源信息融合的工业建筑供热自主优化调控方法 | |
CN114662791A (zh) | 一种基于时空注意力的长时序pm2.5预测方法及*** | |
CN116049764A (zh) | 一种面向物联网的跨尺度时序数据融合方法及*** | |
CN116976702A (zh) | 基于大场景gis轻量化引擎的城市数字孪生平台及方法 | |
Zhang et al. | Graph neural network-based spatio-temporal indoor environment prediction and optimal control for central air-conditioning systems | |
CN115860286A (zh) | 一种基于时序门机制的空气质量预测方法及*** | |
Akbarzadeh et al. | Heating-cooling monitoring and power consumption forecasting using lstm for energy-efficient smart management of buildings: A computational intelligence solution for smart homes | |
CN116434569A (zh) | 基于stnr模型的交通流量预测方法及*** | |
CN115063972A (zh) | 基于图卷积和门控循环单元的交通速度预测方法和*** | |
Chen et al. | A bidirectional context-aware and multi-scale fusion hybrid network for short-term traffic flow prediction | |
Wang et al. | A Short-Term Od Distribution Prediction Model Combined with Deep Learning Frameworks and Destination Choice Behaviour in Urban Rail Transit Networks | |
CN117744950B (zh) | 出行需求分析方法、装置、设备及存储介质 | |
Bao et al. | Adjacent-DBSCAN Enhanced Time-Varying Multi-graph Convolution Network for Traffic Flow Prediction |
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 |