一种基于人工智能和优化算法的集中供热二次侧调控方法

摘要

本发明公开了一种基于人工智能和优化算法的集中供热二次侧调控方法，具体步骤包括采集历史数据并进行数据预处理；根据预处理的历史数据，建立深度回归模型进行训练；获取实时数据，与决策变量一同输入模型，并利用优化算法进行决策求解。本发明以深度回归和优化算法为技术框架，预测换热站和各单元的热负荷，并以二次侧供水温度、循环泵频率和各单元阀门开度为决策变量，优化求解最优调控策略。本发明考虑多种环境因素，无需行业专家的参数评估。能同时输出由所有决策变量构成的最优调控策略，兼顾准确性、稳定性以及节能潜力。

权利要求

1.一种基于人工智能和优化算法的集中供热二次侧调控方法，其特征在于，包括：采集历史数据并进行数据预处理；

根据预处理的历史数据，建立深度回归模型进行训练，具体步骤包括：获取预处理后的历史数据，并以比例分成训练集、验证集和测试集；

建立若干个深度回归模型，其网络结构均包括输入层、输出层，以及全连接层，所述全连接层之前设置有层标准化，全连接层之后设置有指数激活函数；

将历史数据进行对应输入和输出格式处理后输入深度回归模型进行训练；

同时进行设定若干个深度回归模型的参数，所述参数包括学习率、批大小以及迭代次数；

获取实时数据，与决策变量一同输入模型，并利用优化算法进行决策求解，具体步骤包括：

获取实时的环境数据和室温数据输入深度回归模型，得到各单元负荷预测值和机组负荷预测值；

同时将生成的循环泵频率、机组供水温度，以及各单元阀门开度输入深度回归模型，得到各单元负荷计算值和机组负荷计算值；

根据负荷预测值和负荷计算值计算两者差的平方作为优化约束惩罚项；

计算包括供热能耗总价和热负荷误差惩罚项的目标方程值，并通过方程导数更新决策变量，迭代求解直至目标方程导数小于预设阈值，此时达到优化目标方程值最低；

所述计算包括供热能耗总价和热负荷误差惩罚项的目标方程值的具体公式为：i

其中，q为机组负荷计算值，qF为机组负荷预测值，q 为各单元负荷计算值， 为各单元负荷预测值，Cq为热单价，Cd为电单价，d为耗电量，α和β为惩罚项系数。

2.根据权利要求1所述一种基于人工智能和优化算法的集中供热二次侧调控方法，其特征在于，所述采集历史数据并进行数据预处理的具体步骤包括：通过传感设备以及检测仪器，对供热的历史数据进行采集，所述历史数据包括环境数据、机组数据、单元数据和室温数据；

根据历史数据的剔除规则进行原始数据清洗，数据剔除规则包括二次供温小于二次回温、单元供温小于单元回温，以及循环泵频率小于10Hz。

3.根据权利要求1所述一种基于人工智能和优化算法的集中供热二次侧调控方法，其特征在于，所述获取实时的环境数据和室温数据输入深度回归模型，得到各单元负荷预测值和机组负荷预测值的具体公式为：其中，N为单元数，e为实时环境数据， 为实时室温数据， 为单元负荷预测模型，Dq为单元与机组负荷协同模型， 为各单元负荷预测值，qF为机组负荷预测值。

4.根据权利要求3所述一种基于人工智能和优化算法的集中供热二次侧调控方法，其特征在于，所述将生成的循环泵频率、机组供水温度，以及各单元阀门开度输入深度回归模型，得到各单元负荷计算值和机组负荷计算值的具体公式为：其中，tg为机组供水温度，th为机组回水温度， 为各单元供水温度，为各单元回水温i i

度，g为机组流量，g为各单元流量，c为水比热容，q为机组负荷计算值，q为各单元负荷计算值。

说明书

一种基于人工智能和优化算法的集中供热二次侧调控方法

技术领域

[0001] 本发明涉及集中供热二次侧调控技术领域，特别涉及一种基于人工智能和优化算法的集中供热二次侧调控方法。

背景技术

[0002] 集中供热是现代化城市的基础设施之一，也是城市公用事业的一项重要设施。大力发展集中供热，不仅能给城市提供稳定、可靠的高品位热源，改善人民生活，而且能节约
能源，减少城市污染，有利于城市美化，有效地利用城市有效空间。

[0003] 随着近年来产业自动化的不断推进，我国供暖供热行业逐步由依据传统经验的人力调控模式，过渡至建立在一整套完整自动化设施和设备基础上的自控模式。伴随着标准
化换热站机组和单元、户阀表在许多地市的推广，供热保障已不再是行业重大问题，取而代
之的是如何提高供热质量和如何节约能源所引发的广泛关注。因此，研究灵活、稳定、节能
的供热调控策略，是继自动化升级后供暖行业的必然趋势。

[0004] 现有技术的不足之处在于，利用基于逻辑判断的逐步逼近决策模型，具有两点局限性，调控周期较长，导致长时间波动，无法稳定；缺少全局视角的协同，造成各单元调控间
的冲突。基于理论推导的气候模型，未考虑环境因素的影响，调控灵活性不足，过度依赖专
家参数评估，不利于模型的快速部署和实用。

发明内容

[0005] 本发明的目的克服现有技术存在的不足，为实现以上目的，采用一种基于人工智能和优化算法的集中供热二次侧调控方法，以解决上述背景技术中提出的问题。

[0006] 一种基于人工智能和优化算法的集中供热二次侧调控方法，包括：

[0007] 采集历史数据并进行数据预处理；

[0008] 根据预处理的历史数据，建立深度回归模型进行训练；

[0009] 获取实时数据，与决策变量一同输入模型，并利用优化算法进行决策求解。

[0010] 作为本发明的进一步的方案：所述采集历史数据并进行数据预处理的具体步骤包括：

[0011] 通过传感设备以及检测仪器，对供热的历史数据进行采集，所述历史数据包括环境数据、机组数据、单元数据和室温数据；

[0012] 根据历史数据的剔除规则进行原始数据清洗，数据剔除规则包括二次供温小于二次回温、单元供温小于单元回温，以及循环泵频率小于10Hz。

[0013] 作为本发明的进一步的方案：所述根据预处理的历史数据，建立深度回归模型进行训练的具体步骤包括：

[0014] 获取预处理后的历史数据，并以比例分成训练集、验证集和测试集；

[0015] 建立若干个深度回归模型，其网络结构均包括输入层、输出层，以及全连接层，所述全连接层之前设置有层标准化，全连接层之后设置有指数激活函数；

[0016] 将历史数据进行对应输入和输出格式处理后输入深度回归模型进行训练；

[0017] 同时进行设定若干个深度回归模型的参数，所述参数包括学习率、批大小以及迭代次数。

[0018] 作为本发明的进一步的方案：所述获取实时数据，与决策变量一同输入模型，并利用优化算法进行决策求解的具体步骤包括：

[0019] 获取实时的环境数据和室温数据输入深度回归模型，得到各单元负荷预测值和机组负荷预测值；

[0020] 同时将生成的循环泵频率、机组供水温度，以及各单元阀门开度输入深度回归模型，得到各单元负荷计算值和机组负荷计算值；

[0021] 根据负荷预测值和负荷计算值计算两者差的平方作为优化约束惩罚项；

[0022] 计算包括供热能耗总价和热负荷误差惩罚项的目标方程值，并通过方程导数更新决策变量，迭代求解直至目标方程导数小于预设阈值，此时达到优化目标方程值最低。

[0023] 作为本发明的进一步的方案：所述获取实时的环境数据和室温数据输入深度回归模型，得到各单元负荷预测值和机组负荷预测值的具体公式为：

[0024]

[0025]

[0026] 其中，N为单元数，e为实时环境数据， 为实时室温数据， 为单元负荷预测模型，Dq为单元与机组负荷协同模型， 为各单元负荷预测值，qF为机组负荷预测值。

[0027] 作为本发明的进一步的方案：所述将生成的循环泵频率、机组供水温度，以及各单元阀门开度输入深度回归模型，得到各单元负荷计算值和机组负荷计算值的具体公式为：

[0028]

[0029]

[0030] 其中，tg为机组供水温度，th为机组回水温度， 为各单元供水温度，为各单元回i i
水温度，g为机组流量，g为各单元流量，c为水比热容，q为机组负荷计算值，q为各单元负荷
计算值。

[0031] 作为本发明的进一步的方案：所述计算包括供热能耗总价和热负荷误差惩罚项的目标方程值的具体公式为：

[0032]

[0033] 其中，Cq为热单价，Cd为电单价，d为耗电量，α和β为惩罚项系数。

[0034] 与现有技术相比，本发明存在以下技术效果：

[0035] 通过采用上述的技术方案，利用在具有自控机组和单元阀表的换热站进行供热的历史数据采集和处理，并建立深度回归模型进行训练，将模型部署上线，输入实时采集的环
境数据，以当前决策变量值作为优化初值，以历史数据中决策变量边界作为优化边界，以面
积加权平均室温接近设定室温为约束，以供热能耗总价和热负荷误差为目标方程，求解当
前最优调控策略。从而实现解决现有集中供热决策模型因灵活性和稳定性不足，无法产生
最优调控策略，从而导致供热不均和能源浪费的问题。

附图说明

[0036] 下面结合附图，对本发明的具体实施方式进行详细描述：

[0037] 图1为本申请公开的一些实施例的集中供热二次侧调控方法的步骤示意图；

[0038] 图2为本申请公开的一些实施例的深度回归模型结构示意图；

[0039] 图3为本申请公开的一些实施例的优化算法整体框架示意图。

具体实施方式

[0040] 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。

[0041] 请参考图1，本发明实施例中，一种基于人工智能和优化算法的集中供热二次侧调控方法，具体步骤包括：

[0042] S1、采集历史数据并进行数据预处理，具体步骤包括：

[0043] 在具有自控机组和单元阀表的换热站的场景中，通过各种传感器设备以及检测仪器仪表，对集中供热二次侧换热站机组、供热小区各单元的供暖数据以及环境数据进行历
史数据采集，所述历史数据包括环境数据、机组数据、单元数据和室温数据；

[0044] 设定机组所辖单元个数为N，室温测点个数为M。对 第i个单元记为Ui。60℃水的比热容c＝4.1868kJ/(kg·℃)。具体的，历史数据汇总如下表所示：

[0045]

[0046]

[0047] 再根据设定的历史数据的剔除规则进行原始数据清洗，数据剔除规则包括二次机组供水温度小于二次机组回水温度，即tg以及循环泵频率小于10Hz，即f<10Hz。同时，当数据不全时，通过数据向
前复制、向后复制进行数据补充。

[0048] S2、根据预处理的历史数据，建立深度回归模型进行训练，具体步骤包括：

[0049] 获取预处理后的历史数据，并以比例分成训练集、验证集和测试集；具体的比例为训练集81％、验证集9％和测试集10％；

[0050] 建立若干个深度回归模型，本实施例中涉及九个深度回归模型，如下表所示：

[0051]

[0052] 如图2所示，深度回归模型的网络结构均包括输入层、输出层，以及全连接层，所述全连接层之前设置有层标准化，全连接层之后设置有指数激活函数。仅当输入特征数为1时
不进行第一个层标准化。

[0053] 将历史数据进行对应输入和输出格式处理后输入深度回归模型进行训练；

[0054] 同时进行设定若干个深度回归模型的参数，所述参数包括学习率、批大小以及迭代次数。具体的，学习率为0.0001、批大小为32以及迭代次数为200。

[0055] S3、获取实时数据，与决策变量一同输入模型，并利用优化算法进行决策求解。具体步骤包括：

[0056] 如图3所示，图示为优化算法的整体框架。

[0057] S301、获取实时的环境数据和室温数据输入深度回归模型，得到各单元负荷预测值和机组负荷预测值。具体的，采集实时环境数据e，并提供实时室温 将e, 输入单元负
荷预测模型 得到各单元预测负荷 再将 输入单元与机组负荷协同模
型Dq，得到机组预测负荷qF。 和qF在整个优化过程中为常量。

[0058] 具体的，各单元负荷预测值和机组负荷预测值的具体公式为：

[0059]

[0060]

[0061] 其中，N为单元数，e为实时环境数据， 为实时室温数据， 为单元负荷预测模型，Dq为单元与机组负荷协同模型， 为各单元负荷预测值，qF为机组负荷预测值。

[0062] S302、同时将生成的循环泵频率、机组供水温度，以及各单元阀门开度输入深度回归模型，得到各单元负荷计算值和机组负荷计算值。

[0063] 具体的，各单元负荷计算值和机组负荷计算值的具体公式为：

[0064]

[0065]

[0066] 其中，tg为机组供水温度，th为机组回水温度， 为各单元供水温度，为各单元回i i
水温度，g为机组流量，g为各单元流量，c为水比热容，q为机组负荷计算值，q为各单元负荷
计算值。

[0067] S303、初始化一组决策变量的值：循环泵频率f，机组供水温度tg，各单元阀门开度1 N
v ,…,v；

[0068] S304、将循环泵频率，输入“机组耗电回归算法”，得到机组耗电量；

[0069] S305、将机组供温，输入“单元供温回归算法”，得到各单元供温；

[0070] S306、将各单元阀门开度和循环泵频率，输入“机组单元流量回归算法”，得到机组流量和各单元流量；

[0071] S307、将环境数据和机组供温，以及步骤S306所得机组流量，输入“机组面积加权均温回归算法”，得到机组面积加权均温；

[0072] S308、将环境数据和机组供温、步骤S306所得机组流量，以及步骤S307所得机组面积加权均温，输入“机组回温回归算法”，得到机组回温；

[0073] S309、将环境数据、步骤S305所得单元供温，以及步骤S306所得单元流量，输入“单元面积加权均温回归算法”，得到单元面积加权均温；

[0074] S310、将环境数据、步骤S305所得单元供温、步骤S306所得单元流量，以及步骤S309所得单元面积加权均温，输入“单元回温回归算法”，得到单元回温；

[0075] S311、根据步骤S303中机组供温、步骤S306中机组流量和步骤S308中机组回温，得到机组负荷计算值；

[0076] S312、根据步骤S305中单元供温、步骤S306中单元流量和步骤S310中单元回温，得到各单元负荷计算值；

[0077] S313、根据负荷预测值和负荷计算值计算两者差的平方作为优化约束惩罚项，计算包括供热能耗总价和热负荷误差惩罚项的目标方程值，并通过方程导数更新决策变量，
迭代求解直至目标方程导数小于预设阈值，此时达到优化目标方程值最低。

[0078] 具体的，目标方程公式为

[0079]

[0080] 其中，q为机组负荷计算值，qF为机组负荷预测值，qi为各单元负荷计算值， 为各单元负荷预测值，Cq为热单价，d为机组耗电量，Cd为电单价，α＝1和β＝0.5为惩罚项系数。

[0081] 优化迭代终止条件为目标方程对决策变量的导数小于预设阈值θ＝0.00001。

[0082] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换
和变型，本发明的范围由所附权利要求及其等同物限定，均应包含在本发明的保护范围之
内。