CN115374866B - 一种集中供热中用户异常用热行为辨识方法 - Google Patents
一种集中供热中用户异常用热行为辨识方法 Download PDFInfo
- Publication number
- CN115374866B CN115374866B CN202211032017.6A CN202211032017A CN115374866B CN 115374866 B CN115374866 B CN 115374866B CN 202211032017 A CN202211032017 A CN 202211032017A CN 115374866 B CN115374866 B CN 115374866B
- Authority
- CN
- China
- Prior art keywords
- user
- algorithm
- temperature difference
- state
- floor
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 59
- 238000010438 heat treatment Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 39
- 230000006399 behavior Effects 0.000 claims abstract description 33
- 230000000903 blocking effect Effects 0.000 claims abstract description 14
- 238000013145 classification model Methods 0.000 claims abstract description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 29
- 238000004321 preservation Methods 0.000 claims description 7
- 238000001816 cooling Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种集中供热中用户异常用热行为辨识方法,属于集中供热技术领域,具体包括:将温度变化输入集送入到基于GA‑SVM算法的预测模型中,得到此时的温度变化状态;将管道堵塞输入集送入到基于PSO‑KNN算法的分类模型中,得到管道堵塞结果,并基于管道堵塞结果确定此时是否存在管道堵塞情况;当确定不存在堵塞情况时,将用热状态输入集送入到基于ABC‑GBDT算法和GA‑Bagging算法的预测模型之中,预测得到此时的用户状态值;基于此时的所述用户状态值,确定此时的用户用热状态,从而进一步的提升了用户异常用热行为辨识的准确度。
Description
技术领域
本发明属于集中供热技术领域,尤其涉及一种集中供热中用户异常用热行为辨识方法。
背景技术
随着生活质量的不断提高、科技信息化和经济全球化的不断推进,集中供热在改善人民生活质量、提高能源利用率和减少环境污染等方面做出巨大的贡献。在我国,供暖区域主要集中在长江、淮河以北等地区,城市供热的建筑面积迅速增长,并以6000万m2 /年~1亿m2/年的速度递增,自2007年到2010年年底,我国的供热面积由30亿平方米增长到39.1亿平方米。随着长江中下游地区开始大力发展集中供热,我国的供热管网辐射面积也逐步扩大。供热面积的逐年增长加速了能源的消耗,据统计从2011年到2015年,全国供热总量由281031万吉焦增加到347000万吉焦,并依旧保持较快递增速度。
在硕士论文《基于物联网的集中供暖分户计量方法和***的研究与实现》中作者李世伟将终端热用户的用热作弊行为主要分为长时间开窗、主动放热和干扰温度传感器等,为较为准确的采集到每户的用热数据,首先对终端热用户的用热行为预测技术展开深入研究,引入了基于 SVM 的分类预测算法,并在此基础上,分析了降温、升温和保温三种状态下,室内温度与室外温度、阀门开度和时间之间的关系。通过该算法实现了对室内温度的实时分析,为判断终端热用户是否存在用热作弊行为提供了理论支持,但是未结合压力因素,将用户用热异常行为进行分类,且采用温度情况进行用热异常行为的判别,其精度也较低,且采用SVM算法进行降温、升温、保温过程的判断,效率和精度都较低。
针对上述技术问题,本发明提供了一种集中供热中用户异常用热行为辨识方法。
发明内容
为实现本发明目的,本发明采用如下技术方案:
根据本发明的一个方面,提供了一种集中供热中用户异常用热行为辨识方法。
一种集中供热中用户异常用热行为辨识方法,其特征在于,具体包括:
S1 基于用户的供水参数、回水参数、室外温度、房屋面积构成温度变化输入集,并将所述温度变化输入集送入到基于GA-SVM算法的预测模型中,得到此时的温度变化状态;
S2;基于所述用户的供水压力、回水压力、供水温度、回水温度构成管道堵塞输入集,并将所述管道堵塞输入集送入到基于PSO-KNN算法的分类模型中,得到管道堵塞结果,并基于所述管道堵塞结果确定此时是否存在管道堵塞情况;
S3 当确定不存在堵塞情况时,将所述用户的温度变化状态、室内外温差、与楼上室温差、与楼下室温差、与同楼层同户型温差、与楼上室回水温度差、与楼下室回水温度差、与同楼层同户型回水温度差作为用热状态输入集,并将所述用热状态输入集送入到所述基于ABC-GBDT算法和GA-Bagging算法的预测模型之中,预测得到此时的用户状态值;
S4 基于此时的所述用户状态值,确定此时的用户用热状态。
通过首先基于用户的供水参数、回水参数、室外温度、房屋面积,得到用户的温度变化状态,采用GA算法优化的SVM算法,从而解决了从而解决了原有的仅仅采用SVM算法精度低和原有计算速度慢的问题,极大的提高了预测的精确性和效率,此外首先基于用户的压力和温度情况,通过基于PSO-KNN算法的分类模型确定是否处于堵塞状态,从而首先结合压力情况对用户的用热状态进行判断,从而解决了原先未结合压力因素,将用户用热异常行为进行分类的技术问题,使得整体的预测类型和准确度更具有指导意义,当不存在堵塞情况时,通过基于用户的温度变化状态以及与相近楼层和相近户型的温度差异情况,基于组合预测模型,确定用户状态,根据用户的状态确定其是否处于异常状态,当处于异常用热状态时,发出提醒或者警告。
首先采用基于GA算法优化的SVM算法的预测模型,确定用户的温度变化状态,从而解决了原有的仅仅采用SVM算法精度低和效率低的问题,极大的提升了整体的效率。此外通过基于压力和温度情况,基于PSO-KNN算法的分类模型确定是否处于堵塞状态,从而首先结合压力情况对用户的用热状态进行判断,从而解决了原先未结合压力因素,将用户用热异常行为进行分类的技术问题,进一步提升了用户异常用热状态判断的准确性和类型,从而使得预测结果变得更加具有指导意义。由于处于不同的温度变化状态其温度变化情况不一致,因此将用户的温度变化状态加入到用户用热状态判断的输入集中,可以极大的提高用户状态判断的准确性。此外将用户管道堵塞状态排除在外,排除了由于设备问题导致的温度异常情况,从而更加进一步的提升了用户自身由于开窗或者防水等因素导致的异常情况的判断的准确性,使得整体的预测精度进一步提升,此外采用基于基于ABC-GBDT算法和GA-Bagging算法的预测模型,在汇集了GBDT算法可以灵活处理各种类型的数据,包括连续值和离散值的优点以及Bagging算法的降低训练数据的随机波动导致的误差的优点,同时采用优化算法进行初始值寻优,进一步提升了预测的效率。
进一步的技术方案在于,所述供水参数包括供水压力和供水温度,所述回水参数包括回水压力和回水温度,所述温度变化状态包括升温、保温、降温。
进一步的技术方案在于,所述GA-SVM算法的核函数采用拉普拉斯核函数。
采用拉普拉斯核函数的核函数,进一步降低了对参数的敏感性。
进一步的技术方案在于,所述GA-SVM算法为采用GA算法对SVM算法的惩罚系数和核参数进行寻优。
通过采用GA算法对SVM算法的惩罚系数和核参数进行寻优,不仅提升了整体的预测效率,也避免了由于初始值选择错误导致的误差较大的问题。
进一步的技术方案在于,所述管道堵塞结果取值为0,0.5,1三种,其中0表示无堵塞,0.5表示为轻微堵塞,1为严重堵塞。
通过采用量化的标准将堵塞情况分为三种,进一步提升了对用户异常状态的细化,也使得预测结果变得更加具有指导意义。
进一步的技术方案在于,所述PSO-KNN算法为采用PSO算法对KNN算法的超参数K进行寻优。
通过对超参数的寻优,从而使得整体的预测效率和精度都有一定成都的提升。
进一步的技术方案在于,所述不存在堵塞情况包括无堵塞。
进一步的技术方案在于,所述基于ABC-GBDT算法和GA-Bagging算法的预测模型的具体步骤为:
S21 将所述用户的温度变化状态、室内外温差、与楼上室温差、与楼下室温差、与同楼层同户型温差、与楼上室回水温度差、与楼下室回水温度差、与同楼层同户型回水温度差作为用热状态输入集,并将所述用热状态输入集送入到基于ABC-GBDT算法的预测模型中,得到此时的GBDT用户状态值;
S22 将所述用户的温度变化状态、室内外温差、与楼上室温差、与楼下室温差、与同楼层同户型温差、与楼上室回水温度差、与楼下室回水温度差、与同楼层同户型回水温度差作为用热状态输入集,并将所述用热状态输入集送入到基于GA-Bagging算法的预测模型中,得到此时的Bagging用户状态值;
S23 基于所述GBDT用户状态值和所述Bagging用户状态值得到最终的用户状态值。
进一步的技术方案在于,所述用热状态输入集还包括所述用户的最近24小时每小时的用热量、室外温度、时间构成时序状态集,并将所述时序状态集送入到基于Bi-LSTM算法的预测模型之中,得到用户的时序用热状态值。
通过时序状态集的构建,从而不仅仅从与其他邻居的温度压力情况进行对比确认用户状态,并且采用自身的用热状态的变化趋势确定其是否存在故障,从而进一步提升了预测的精度,结合用户本身的用热习惯,也使得最终的预测结果变得更加具有针对性。
进一步的技术方案在于,基于所述时序用热状态值和所述用户状态值,确定所述用户状态是否处于异常状态。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显。
图1是根据实施例1的一种集中供热中用户异常用热行为辨识方法的流程图。
图2是根据实施例1的基于ABC-GBDT算法和GA-Bagging算法的预测模型的具体步骤的流程图。
实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本发明将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构,因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
随着生活质量的不断提高、科技信息化和经济全球化的不断推进,集中供热在改善人民生活质量、提高能源利用率和减少环境污染等方面做出巨大的贡献。在我国,供暖区域主要集中在长江、淮河以北等地区,城市供热的建筑面积迅速增长,并以6000万m2 /年~1亿m2/年的速度递增,自2007年到2010年年底,我国的供热面积由30亿平方米增长到39.1亿平方米。随着长江中下游地区开始大力发展集中供热,我国的供热管网辐射面积也逐步扩大。供热面积的逐年增长加速了能源的消耗,据统计从2011年到2015年,全国供热总量由281031万吉焦增加到347000万吉焦,并依旧保持较快递增速度。
在硕士论文《基于物联网的集中供暖分户计量方法和***的研究与实现》中作者李世伟将终端热用户的用热作弊行为主要分为长时间开窗、主动放热和干扰温度传感器等,为较为准确的采集到每户的用热数据,首先对终端热用户的用热行为预测技术展开深入研究,引入了基于 SVM 的分类预测算法,并在此基础上,分析了降温、升温和保温三种状态下,室内温度与室外温度、阀门开度和时间之间的关系。通过该算法实现了对室内温度的实时分析,为判断终端热用户是否存在用热作弊行为提供了理论支持,但是未结合压力因素,将用户用热异常行为进行分类,且采用温度情况进行用热异常行为的判别,其精度也较低,且采用SVM算法进行降温、升温、保温过程的判断,效率和精度都较低。
针对上述技术问题,本发明提供了一种集中供热中用户异常用热行为辨识方法。
实施例
为解决上述问题,根据本发明的一个方面,如图1所示,提供了一种集中供热中用户异常用热行为辨识方法。
一种集中供热中用户异常用热行为辨识方法,其特征在于,具体包括:
S1 基于用户的供水参数、回水参数、室外温度、房屋面积构成温度变化输入集,并将所述温度变化输入集送入到基于GA-SVM算法的预测模型中,得到此时的温度变化状态;
S2;基于所述用户的供水压力、回水压力、供水温度、回水温度构成管道堵塞输入集,并将所述管道堵塞输入集送入到基于PSO-KNN算法的分类模型中,得到管道堵塞结果,并基于所述管道堵塞结果确定此时是否存在管道堵塞情况;
S3 当确定不存在堵塞情况时,将所述用户的温度变化状态、室内外温差、与楼上室温差、与楼下室温差、与同楼层同户型温差、与楼上室回水温度差、与楼下室回水温度差、与同楼层同户型回水温度差作为用热状态输入集,并将所述用热状态输入集送入到基于ABC-GBDT算法和GA-Bagging算法的预测模型之中,预测得到此时的用户状态值;
S4 基于此时的所述用户状态值,确定此时的用户用热状态。
举个例子,若预测得到的温度变化状态为升温,预测得到的管道堵塞结果为不堵塞,进入步骤S3,此时将用户的温度变化状态即升温作为用热状态输入集的一项,送入其中,预测得到此时的用户状态值为无异常,此时用户用热状态为无异常,如果预测得到此时的用户状态值为存在异常,则判定此时用户用热状态为处于异常状态,该状态可能是由于温度信号干扰、开窗、偷水等问题导致的,发出警告信号。
通过首先基于用户的供水参数、回水参数、室外温度、房屋面积,得到用户的温度变化状态,采用GA算法优化的SVM算法,从而解决了从而解决了原有的仅仅采用SVM算法精度低和原有计算速度慢的问题,极大的提高了预测的精确性和效率,此外首先基于用户的压力和温度情况,通过基于PSO-KNN算法的分类模型确定是否处于堵塞状态,从而首先结合压力情况对用户的用热状态进行判断,从而解决了原先未结合压力因素,将用户用热异常行为进行分类的技术问题,使得整体的预测类型和准确度更具有指导意义,当不存在堵塞情况时,通过基于用户的温度变化状态以及与相近楼层和相近户型的温度差异情况,基于组合预测模型,确定用户状态,根据用户的状态确定其是否处于异常状态,当处于异常用热状态时,发出提醒或者警告。
首先采用基于GA算法优化的SVM算法的预测模型,确定用户的温度变化状态,从而解决了原有的仅仅采用SVM算法精度低和效率低的问题,极大的提升了整体的效率。此外通过基于压力和温度情况,基于PSO-KNN算法的分类模型确定是否处于堵塞状态,从而首先结合压力情况对用户的用热状态进行判断,从而解决了原先未结合压力因素,将用户用热异常行为进行分类的技术问题,进一步提升了用户异常用热状态判断的准确性和类型,从而使得预测结果变得更加具有指导意义。由于处于不同的温度变化状态其温度变化情况不一致,因此将用户的温度变化状态加入到用户用热状态判断的输入集中,可以极大的提高用户状态判断的准确性。此外将用户管道堵塞状态排除在外,排除了由于设备问题导致的温度异常情况,从而更加进一步的提升了用户自身由于开窗或者防水等因素导致的异常情况的判断的准确性,使得整体的预测精度进一步提升,此外采用基于基于ABC-GBDT算法和GA-Bagging算法的预测模型,在汇集了GBDT算法可以灵活处理各种类型的数据,包括连续值和离散值的优点以及Bagging算法的降低训练数据的随机波动导致的误差的优点,同时采用优化算法进行初始值寻优,进一步提升了预测的效率。
在另外的一种可能的实施例中,所述供水参数包括供水压力和供水温度,所述回水参数包括回水压力和回水温度,所述温度变化状态包括升温、保温、降温。
在另外的一种可能的实施例中,所述GA-SVM算法的核函数采用拉普拉斯核函数。
采用拉普拉斯核函数的核函数,进一步降低了对参数的敏感性。
在另外的一种可能的实施例中,所述GA-SVM算法为采用GA算法对SVM算法的惩罚系数和核参数进行寻优。
通过采用GA算法对SVM算法的惩罚系数和核参数进行寻优,不仅提升了整体的预测效率,也避免了由于初始值选择错误导致的误差较大的问题。
在另外的一种可能的实施例中,所述管道堵塞结果取值为0,0.5,1三种,其中0表示无堵塞,0.5表示为轻微堵塞,1为严重堵塞。
通过采用量化的标准将堵塞情况分为三种,进一步提升了对用户异常状态的细化,也使得预测结果变得更加具有指导意义。
在另外的一种可能的实施例中,所述PSO-KNN算法为采用PSO算法对KNN算法的超参数K进行寻优。
通过对超参数的寻优,从而使得整体的预测效率和精度都有一定成都的提升。
在另外的一种可能的实施例中,所述不存在堵塞情况包括无堵塞。
在另外的一种可能的实施例中,如图2所示,所述基于ABC-GBDT算法和GA-Bagging算法的预测模型的具体步骤为:
S21 将所述用户的温度变化状态、室内外温差、与楼上室温差、与楼下室温差、与同楼层同户型温差、与楼上室回水温度差、与楼下室回水温度差、与同楼层同户型回水温度差作为用热状态输入集,并将所述用热状态输入集送入到基于ABC-GBDT算法的预测模型中,得到此时的GBDT用户状态值;
S22 将所述用户的温度变化状态、室内外温差、与楼上室温差、与楼下室温差、与同楼层同户型温差、与楼上室回水温度差、与楼下室回水温度差、与同楼层同户型回水温度差作为用热状态输入集,并将所述用热状态输入集送入到基于GA-Bagging算法的预测模型中,得到此时的Bagging用户状态值;
S23 基于所述GBDT用户状态值和所述Bagging用户状态值得到最终的用户状态值。
举个例子,若GBDT用户状态值为无异常,Bagging用户状态值为存在异常,此时最终的用户状态值为无异常;若GBDT用户状态值为无异常,Bagging用户状态值为无异常,此时最终的用户状态值为无异常;若GBDT用户状态值为存在异常,Bagging用户状态值为存在异常,此时最终的用户状态值为存在异常。
在另外的一种可能的实施例中,所述用热状态输入集还包括所述用户的最近24小时每小时的用热量、室外温度、时间构成时序状态集,并将所述时序状态集送入到基于Bi-LSTM算法的预测模型之中,得到用户的时序用热状态值。
通过时序状态集的构建,从而不仅仅从与其他邻居的温度压力情况进行对比确认用户状态,并且采用自身的用热状态的变化趋势确定其是否存在故障,从而进一步提升了预测的精度,结合用户本身的用热习惯,也使得最终的预测结果变得更加具有针对性。
在另外的一种可能的实施例中,基于所述时序用热状态值和所述用户状态值,确定所述用户状态是否处于异常状态。
举个例子,若时序用热状态值为存在异常,用户状态值为无异常,则此时的用户状态不处于异常状态,若时序用热状态值为存在异常,用户状态值为存在异常,则此时的用户状态处于异常状态。当处于异常状态时,可以通过加强用户状态的判断频率,或者采用时序状态值、GBDT用户状态值、Bagging用户状态值三者中任意两项存在异常,此时用户状态会被判定为异常。
在本发明实施例中,术语“多个”则指两个或两个以上,除非另有明确的限定。术语“安装”、“连接”、“固定”等术语均应做广义理解,例如,“连接”可以是固定连接,也可以是可折卸连接,或一体地连接。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明实施例中的具体含义。
本发明实施例的描述中,需要理解的是,术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明实施例和简化描述,而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作,因此,不能理解为对本发明实施例的限制。
在本说明书的描述中,术语“一个实施例”、“一个优选实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本发明实施例的优选实施例而已,并不用于限制本发明实施例,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种集中供热中用户异常用热行为辨识方法,其特征在于,具体包括:
S1 基于用户的供水参数、回水参数、室外温度、房屋面积构成温度变化输入集,并将所述温度变化输入集送入到基于GA-SVM算法的预测模型中,得到此时的温度变化状态;
S2;基于所述用户的供水压力、回水压力、供水温度、回水温度构成管道堵塞输入集,并将所述管道堵塞输入集送入到基于PSO-KNN算法的分类模型中,得到管道堵塞结果,并基于所述管道堵塞结果确定此时是否存在管道堵塞情况;
S3 当确定不存在堵塞情况时,将所述用户的温度变化状态、室内外温差、与楼上室温差、与楼下室温差、与同楼层同户型温差、与楼上室回水温度差、与楼下室回水温度差、与同楼层同户型回水温度差作为用热状态输入集,并将所述用热状态输入集送入到所述基于ABC-GBDT算法和GA-Bagging算法的预测模型之中,预测得到此时的用户状态值;
S4 基于此时的所述用户状态值,确定此时的用户用热状态。
2.如权利要求1所述的一种集中供热中用户异常用热行为辨识方法,其特征在于,所述供水参数包括供水压力和供水温度,所述回水参数包括回水压力和回水温度,所述温度变化状态包括升温、保温、降温。
3.如权利要求1所述的一种集中供热中用户异常用热行为辨识方法,其特征在于,所述GA-SVM算法的核函数采用拉普拉斯核函数。
4.如权利要求1所述的一种集中供热中用户异常用热行为辨识方法,其特征在于,所述GA-SVM算法为采用GA算法对SVM算法的惩罚系数和核参数进行寻优。
5.如权利要求1所述的一种集中供热中用户异常用热行为辨识方法,其特征在于,所述管道堵塞结果取值为0,0.5,1三种,其中0表示无堵塞,0.5表示为轻微堵塞,1为严重堵塞。
6.如权利要求1所述的一种集中供热中用户异常用热行为辨识方法,其特征在于,所述PSO-KNN算法为采用PSO算法对KNN算法的超参数K进行寻优。
7.如权利要求5所述的一种集中供热中用户异常用热行为辨识方法,其特征在于,所述不存在堵塞情况包括无堵塞。
8.如权利要求1所述的一种集中供热中用户异常用热行为辨识方法,其特征在于,所述基于ABC-GBDT算法和GA-Bagging算法的预测模型的具体步骤为:
S21 将所述用户的温度变化状态、室内外温差、与楼上室温差、与楼下室温差、与同楼层同户型温差、与楼上室回水温度差、与楼下室回水温度差、与同楼层同户型回水温度差作为用热状态输入集,并将所述用热状态输入集送入到基于ABC-GBDT算法的预测模型中,得到此时的GBDT用户状态值;
S22 将所述用户的温度变化状态、室内外温差、与楼上室温差、与楼下室温差、与同楼层同户型温差、与楼上室回水温度差、与楼下室回水温度差、与同楼层同户型回水温度差作为用热状态输入集,并将所述用热状态输入集送入到基于GA-Bagging算法的预测模型中,得到此时的Bagging用户状态值;
S23 基于所述GBDT用户状态值和所述Bagging用户状态值得到最终的用户状态值。
9.如权利要求8所述的一种集中供热中用户异常用热行为辨识方法,其特征在于,所述用热状态输入集还包括所述用户的最近24小时每小时的用热量、室外温度、时间构成时序状态集,并将所述时序状态集送入到基于Bi-LSTM算法的预测模型之中,得到用户的时序用热状态值。
10.如权利要求9所述的一种集中供热中用户异常用热行为辨识方法,其特征在于,基于所述时序用热状态值和所述用户状态值,确定所述用户状态是否处于异常状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211032017.6A CN115374866B (zh) | 2022-08-26 | 2022-08-26 | 一种集中供热中用户异常用热行为辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211032017.6A CN115374866B (zh) | 2022-08-26 | 2022-08-26 | 一种集中供热中用户异常用热行为辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115374866A CN115374866A (zh) | 2022-11-22 |
CN115374866B true CN115374866B (zh) | 2023-08-11 |
Family
ID=84067516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211032017.6A Active CN115374866B (zh) | 2022-08-26 | 2022-08-26 | 一种集中供热中用户异常用热行为辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115374866B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013030984A1 (ja) * | 2011-08-31 | 2013-03-07 | 株式会社日立エンジニアリング・アンド・サービス | 設備状態監視方法およびその装置 |
CN103363585A (zh) * | 2013-08-08 | 2013-10-23 | 天津海天方圆节能技术有限公司 | 一种城镇区域集中供热***调节方法 |
CN107025334A (zh) * | 2017-03-10 | 2017-08-08 | 国网吉林省电力有限公司 | 集中供热***热用户整体动态模型建立方法和装置 |
CN111561733A (zh) * | 2020-05-18 | 2020-08-21 | 瑞纳智能设备股份有限公司 | 基于gbdt的供暖户阀调节方法、***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、***及设备 |
CN113111589A (zh) * | 2021-04-25 | 2021-07-13 | 北京百度网讯科技有限公司 | 预测模型的训练方法、预测供热温度的方法、装置和设备 |
CN113537540A (zh) * | 2020-04-14 | 2021-10-22 | 天津科技大学 | 一种基于自动特征工程的供热用气量预测模型 |
CN113757788A (zh) * | 2021-09-15 | 2021-12-07 | 河北工大科雅能源科技股份有限公司 | 一种站荷联动的二网平衡在线动态智能调控方法及*** |
CN114693069A (zh) * | 2022-03-02 | 2022-07-01 | 浙江英集动力科技有限公司 | 一种自主优化运行集中供热运行稳定性评估方法及*** |
-
2022
- 2022-08-26 CN CN202211032017.6A patent/CN115374866B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013030984A1 (ja) * | 2011-08-31 | 2013-03-07 | 株式会社日立エンジニアリング・アンド・サービス | 設備状態監視方法およびその装置 |
CN103363585A (zh) * | 2013-08-08 | 2013-10-23 | 天津海天方圆节能技术有限公司 | 一种城镇区域集中供热***调节方法 |
CN107025334A (zh) * | 2017-03-10 | 2017-08-08 | 国网吉林省电力有限公司 | 集中供热***热用户整体动态模型建立方法和装置 |
CN113537540A (zh) * | 2020-04-14 | 2021-10-22 | 天津科技大学 | 一种基于自动特征工程的供热用气量预测模型 |
CN111561733A (zh) * | 2020-05-18 | 2020-08-21 | 瑞纳智能设备股份有限公司 | 基于gbdt的供暖户阀调节方法、***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、***及设备 |
CN113111589A (zh) * | 2021-04-25 | 2021-07-13 | 北京百度网讯科技有限公司 | 预测模型的训练方法、预测供热温度的方法、装置和设备 |
CN113757788A (zh) * | 2021-09-15 | 2021-12-07 | 河北工大科雅能源科技股份有限公司 | 一种站荷联动的二网平衡在线动态智能调控方法及*** |
CN114693069A (zh) * | 2022-03-02 | 2022-07-01 | 浙江英集动力科技有限公司 | 一种自主优化运行集中供热运行稳定性评估方法及*** |
Non-Patent Citations (1)
Title |
---|
基于物联网的集中供暖分户计量方法和***的研究与实现;李世伟;《硕士学位论文电子期刊工程科技2辑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115374866A (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xue et al. | Fault detection and operation optimization in district heating substations based on data mining techniques | |
Si et al. | Performance indices and evaluation of algorithms in building energy efficient design optimization | |
Wang et al. | Data mining approach for improving the optimal control of HVAC systems: An event-driven strategy | |
CN101982843B (zh) | 一种非参数回归短时交通流预测中状态向量的选取方法 | |
Li et al. | A data-driven strategy to forecast next-day electricity usage and peak electricity demand of a building portfolio using cluster analysis, Cubist regression models and Particle Swarm Optimization | |
CN110766222B (zh) | 基于粒子群参数优化和随机森林的pm2.5浓度预测方法 | |
CN112949181B (zh) | 一种多源关联数据的预警预测方法、存储介质及电子设备 | |
Rahayu et al. | Learning to be energy-wise: Discriminative methods for load disaggregation | |
CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及*** | |
CN112241607A (zh) | 一种基于仿真并考虑气候变化的水资源规划方法 | |
Gao et al. | Comparative study of model-based and model-free reinforcement learning control performance in HVAC systems | |
CN112836920A (zh) | 煤电机组能效状态评价方法、装置及煤电机组*** | |
Fan et al. | Mining gradual patterns in big building operational data for building energy efficiency enhancement | |
CN116167250A (zh) | 一种基于温差加权和时间序列算法的机房环境评估方法 | |
CN117196120A (zh) | 一种用户用水行为分析算法 | |
CN115374866B (zh) | 一种集中供热中用户异常用热行为辨识方法 | |
Delgoshaei et al. | Combined ontology-driven and machine learning approach to monitoring of building energy consumption | |
Yao et al. | A multipoint prediction model for nonlinear displacement of concrete dam | |
CN113705897A (zh) | 一种面向工业铜箔生产的产品质量预测方法及*** | |
CN111582588B (zh) | 一种基于三重卷积融合gru的建筑物能耗预测方法 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
CN113077163A (zh) | 耦合预报的梯级水库群两阶段弃水风险评估方法 | |
Li et al. | Optimizing combination of aircraft maintenance tasks by adaptive genetic algorithm based on cluster search | |
CN111896831A (zh) | 非侵入式综合能源负荷监测的方法及*** | |
Zhang et al. | Analytic hierarchy process-based fuzzy post mining method for operation anomaly detection of building energy systems |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230721 Address after: 021000 Erguna Road, Hailar District, Hulunbuir City, Inner Mongolia Autonomous Region Applicant after: HAILAR THERMAL POWER PLANT OF HULUNBEIER ANTAI THERMAL POWER Co.,Ltd. Applicant after: HUANENG CLEAN ENERGY Research Institute Address before: 021000 Erguna Road, Hailar District, Hulunbuir City, Inner Mongolia Autonomous Region Applicant before: HAILAR THERMAL POWER PLANT OF HULUNBEIER ANTAI THERMAL POWER Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |