【技术实现步骤摘要】
基于迁移学习算法的供热节能控制方法与系统
本专利技术涉及一种基于迁移学习算法的供热负荷预测方法，可以实现对建筑物的供热负荷预测，属于供热预测研究技术邻域。
技术介绍
集中供热系统各子系统的给定值都是由预报热负荷决定的，提供准确的热负荷预测是提高供热质量的基础。随着城市对节能环保要求的日益提高，能源供应结构逐渐变化，且人们对居住环境要求的提高，对集中供热系统控制要求也越来越高。因此，一个具有良好预测能力的负荷预测方法对整个供热系统的稳定性、安全性、环保性等性能的提高有着重要的意义。早在20世纪80年代便有学者对个别地区的供热系统影响因素进行详细监测。研究发现，各种因素对供热负荷影响不同，供热负荷的大小主要受室外温度影响较大。随着计算机和机器学习研究的不断深入，各种预测方法随着出现，如神经网络、支持向量机、线性回归等。但是这些预测算法都只能针对同一地区或单一的供热站，而集中供热方式普遍存在供热不均匀的现象，同一供热系统中相同的建筑物，相互之间的供热能耗也会有差距，导致传统的供热预测方式效果变差或失去预测作用。迁移学习预测建模方法可以从与预处理问题相关的数据中找到对问题有用的信息，在供热负荷预测中不仅使用现有采集的数据，而且可以利用历史同期数据及与该地区地域相似的一些其他供热数据，为后续控制提供更准确更有效的决策。
技术实现思路
本专利技术的目的是提供一种基于迁移学习算法的供热负荷预测装置和方法，以实现对建筑物供热负荷的准确预测。在本专利技术的一个技术方案中，提供了一种基于迁移学习算法的供热负荷预测装置，包括：数据采集模块，用于采集目标建筑物和其他建筑物的供热负荷数...
【技术保护点】
1.一种基于迁移学习算法的供热负荷预测装置，其特征在于，包括：数据采集模块，用于采集目标建筑物和其他建筑物的供热负荷数据，以及实时的室内外温度、未来的天气预报信息；数据预处理模块，用于对数据进行预处理，以保证供热负荷数据维度的一致性；数据匹配模块，用于对采集的目标建筑物和其他不同建筑物的供热负荷数据共同进行降维处理，得到建模数据；建模预测模块，用于利用处理之后的数据建立回归预测模型。
【技术特征摘要】
1.一种基于迁移学习算法的供热负荷预测装置，其特征在于，包括：数据采集模块，用于采集目标建筑物和其他建筑物的供热负荷数据，以及实时的室内外温度、未来的天气预报信息；数据预处理模块，用于对数据进行预处理，以保证供热负荷数据维度的一致性；数据匹配模块，用于对采集的目标建筑物和其他不同建筑物的供热负荷数据共同进行降维处理，得到建模数据；建模预测模块，用于利用处理之后的数据建立回归预测模型。2.根据权利要求1所述的基于迁移学习算法的供热负荷预测装置，其特征在于，所述数据采集模块包括：数据选择单元，用于确定影响建筑物供热负荷的因素，并按照确定的因素进行数据选择；其中所述因素至少包括：供水入口的流量和水温、回水流量和水温、室外实时温度及未来指定时段内的天气预报；通过访问中国天气网的API接口，获得实时天气信息和未来时刻的天气预报；通过建筑物供热系统中不同位置上安装的传感器，获取进出水的流量及温度；数据存储单元，用于将采集到的不同建筑物的供热数据及气象信息存储。3.根据权利要求1所述的基于迁移学习算法的供热负荷预测装置，其特征在于，数据预处理模块包括：数据组合单元，用于将不同建筑物的供热负荷数据进行组合得到输入数据X∈Rm×n；预处理单元，用于对源域的建筑物的供热负荷输出值进行单位化得到Ys；其中，将目标建筑物的相关数据设置为目标域数据，将其他建筑物的供热数据设置为源域数据；补充单元，用于采用中值补偿法对气象数据进行补充。4.根据权利要求1所述的基于迁移学习算法的供热负荷预测装置，其特征在于，数据匹配模块包括：降维单元，用于对得到的输入数据X和源域输出数据Ys用联合分布适配的方法进行降维处理，求解式(1)得到k个最小特征向量，得到新的特征表示Z＝ATX，其中A为正交变换矩阵；(1)式中Mc为条件分布的最大均值差异，C为匹配标签集中标签的类的个数，c∈{1,…,C}，XT为X的转置，λ是保证最优化问题明确定义的正则化参数，是中心矩阵，I是n×n的全1矩阵，Φ＝diag(φ1,...,φk)∈Rk×k是A的k个最大特征；匹配单元，用于将得到新的特征表示Z分为源域特征Zs和目标域特征Zt，其中Zs＝Z(:,1:ns)，Zt＝Z(:,ns+1:ns+nt)，n＝ns+nt，ns为源域样本个数，nt为目标域样本个数；其中，降维处理的方法为联合分布适配方法，其步骤包括：设定边缘分布距离和条件分布距离的阈值t1和t2；特征匹配；使用主成分分析来进行数据重构：定义是中心矩阵，I是n×n的全1矩阵，则协方差矩阵可以用XHXT计算；主成分分析的学习目标是得到一个使得内嵌数据方差最大的正交变换矩阵A∈Rm×k，最优化问题用公式(2)表示最优化问题通过对XHXTA＝AΦ进行特征分解求得结果，其中Φ＝diag(φ1,...,φk)∈Rk×k是A的k个最大特征；将原数据降为k维，得到了最佳特征表示：Z＝ATX∈Rk×n，且k＜m；边缘分布适配；使用经验最大均值差异(EmpiricalMaximumMeanDiscrepancy,EMMD)作为距离测度，首先通过下式计算边缘分布的EMMD：利用下式(4)计算源域和目标域k维内嵌数据样本均值之间的距离，消除不同领域间的数据分布差异：通过最小化公式(4)，使得式(2)最大，此时，源域和目标域间边缘分布差异在新的特征表示Z＝ATX下减小；条件分布适配；通过源域数据建立的模型构建目标域数据对应的伪标签，根据源域真实标签和目标域伪标签，匹配标签集Y中每一类c∈{1,...,C}的条件分布Qs(xs|ys＝c)和Qt(xt|yt＝c)；条件分布的EMMD通过公式(5)计算：其中是源域数据中属于类别c的样本集，y(xi)是xi的真实标签，且是目标域数据中属于类别c的样本集，是xj的(预测)伪标签，并且通过公式(6)来测量条件分布的距离：通过最小化公式(6)，使得公式(2)最大，此时，源域和目标域间条件分布在新的特征表示Z＝ATX下数据分布差异减小；最优化问题；为了提高迁移模型的有效性和鲁棒性，同时最小化跨域边缘分布和条件分布；将公式(4)和公式(6)合并到公式(2)，得到联合分布适配的最优化问题：其中λ是保证最优化问题明确定义的正则化参数；引入拉格朗日函数，取拉格朗日乘子为Φ＝diag(φ1,...,φk)，则公式(7)的拉格朗日函数为：令得到广义特征分解：求解最优适应矩阵A简化为求上述公式的k个最小的特征向量，得到新的特征表示Z＝ATX；按照公式(4)和公式(6)再次计算此时的边缘分布距离和条件分布距离，若距离分别小于阈值t1和t2，则得到新的特征Z，否则，返回步骤Ⅲ，进入迭代更新M0和Mc，并计算特征Z。5.根据权利要求4所述的基于迁移学习算法的供热负荷预测装置，其特征在于，根据计算得到的特征Z建立预测模型进行预测，具体包括：重新划分特征表示Z；将新的特征表示Z划分为源域特征Zs和目标域特征Zt，其中Zs＝Z(:,1:ns)，Zt＝Z(:,ns+1:ns+nt)，n＝ns+nt；模型建立；利用得到的源域特征Zs及源域标签Ys训练最小二乘支持向量机模型，假设样本集T＝{(xk,yk)|k＝1,2,3,...,N}，xk输入数据，yk为输出数据；其优化问题可以描述为：约束条件为：其中为核空间映射函数，权向量w，误差向量ek，偏差向量b。构造拉格朗日函数：通过求偏导得到矩阵方程为：y＝(y1,y2,…,yn),l＝(1,2,…,l),α＝(α1,α2,…,αn)；LS-SVM最小二乘支持向量机的函数估计为：模型校验；利用目标域的供热负荷数据对建立的模型进行验证；标记其他建筑物供热数据为Xs，目标建筑物供热信息为Xt，其输出供热负荷为Ysa，利用联合分布适配方法进行降维处理，得到新的特征表示Z＝ATX∈Rk×n，且k＜m，其中A是正交变换矩阵；设定边缘分布距离和条件分布距离的阈值t1和t2；通过求解公式(14)的k个最小的特征向量，即得到新的特征表示Z＝ATX按照公式(4)和公式(6)计算此时的边缘分布距离和条件分布距离，若距离分别小于阈值t1和t2，则得到新的特征Z，否则，按照公式(3)和公式(5)迭代更新M0和Mc，计算特征Z；将联合分布适配处理得到新的特征Z分为源建筑物特征数据Zs和目标建筑物特征数据Zt，其中Zs＝Z(:,1:ns)，Zt＝Z(:,ns+1:n)，将源目标建筑物的供热负荷标注数据Ysa进行归一化得到以Zs作为回归函数方程的输入数据X，Ysa作为多任务标签，建立最小二乘支持向量机模型，并优化参数λ和γ；用建模阶段得到的目标域特征Zt，输入最小二乘支持向量机软测量模型即可得到...
【专利技术属性】
技术研发人员：谢珺，王艳丽，韩东升，阎高伟，续欣莹，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西,14
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。