一种集中供热系统生产自动调节方法技术方案

本发明专利技术提供了一种集中供热系统生产自动调节方法，包括通过传感器实时获取集中供热系统对应的所有用户端整体峰值消耗量，并将所述整体峰值消耗量记录为热负荷序列；基于时域与频域变换，将热负荷序列转换为频谱图；通过时间序列预测模型分别对频谱图的每个频段进行预测得到频域预测频谱图；利用时域与频域变换，将频域预测频谱图转换为热负荷预测值序列；根据热负荷预测值序列，动态调整集中供热系统中供暖设备输出功率，从而动态调整集中供热系统的峰值负载。本发明专利技术针对现有集中供热系统的自动调节方法难以动态反映热负荷变化，预测的准确率较低的技术问题，旨在保证实时性的同时，提高模型预测准确率的同时降低模型训练时间，并且减少内存消耗。

A method of production automatic regulation for central heating system

【技术实现步骤摘要】
一种集中供热系统生产自动调节方法
本专利技术属于热能
，尤其涉及一种基于用户端热力消耗分析或预测的集中供热系统生产自动调节方法。
技术介绍
随着城市的不断发展和城市规模的不断扩大，集中供热系统对于热力的需求呈爆炸式增长。集中供热系统的供热负载可以分为基本负载和峰值负载。由于技术等原因，在峰值负载的情况下，供热公司通常使用相比起来价格更加高昂的燃料，例如煤炭、天然气等化石燃料，进行生产。因此，提高集中供热系统的能源利用率已被认为是关于减少资源浪费和节省成本的关键问题。为了提高能源利用率，了解用户端消耗模式和精确预测用户端峰值消耗量非常重要。同时，由于用户端行为的不可预测性和多种影响因素(如天气条件和建筑物特征等)的共同影响，集中供热系统的峰值消耗量变得难以预测。因此，通过实时地精确预测用户端峰值消耗量，即峰值热负荷，并将其反馈至供热公司，供热公司能够以每小时或每15分钟为一个阶段对集中供热系统的峰值负载进行动态调整，从而优化供热能源生产，提高集中供热系统中燃料的使用效率，达到降低运营成本、节约能源、保护环境的目的。当前，集中供热系统生产优化方法主要可分为两种：基于人类智慧的人工调整方法和基于传统机器学习模型的自动调整方法。前者主要基于工人的已有经验，人工观察仪器仪表做出判断，实时性较高，但是耗费人工成本较高，且无法做到精确微调，准确度较低；后者相对于前者预测准确度略有提升，但是模型训练时间较长、内存消耗较大、实时性较差，难以满足实际需求。目前，已有研究人员对热负荷预测进行了大量的研究，并获得了很大的进展。在近年来的发展中，研究人员提出了多种方法。传统机器学习模型，包括线性回归(LinearRegression，LR)、混合高斯模型(GaussianMixtureModel，GMM)、支持向量回归(SupportVectorRegression，SVR)、人工神经网络(ArtificialNeuralNetwork，ANN)等已被应用于热负荷预测问题，但这些方法难以动态反映热负荷变化，预测的准确率较低。针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
本专利技术针对上述技术问题，提出了一种集中供热系统生产自动调节方法，该方法旨在保证实时性并且提高模型预测准确率的同时降低模型训练时间，并且减少内存消耗。为达到上述目的，本专利技术通过以下技术方案来具体实现：本专利技术提供了一种集中供热系统生产自动调节方法，包括：步骤一、通过传感器实时获取集中供热系统对应的所有用户端整体峰值消耗量，并将所述整体峰值消耗量记录为热负荷序列；步骤二、基于时域与频域变换，将热负荷序列转换为频谱图；步骤三、通过时间序列预测模型分别对频谱图的每个频段进行预测得到频域预测频谱图；步骤四、利用时域与频域变换，将频域预测频谱图转换为热负荷预测值序列；步骤五、根据热负荷预测值序列，动态调整集中供热系统中供暖设备输出功率，从而动态调整集中供热系统的峰值负载。所述步骤一，包括：传感器根据预设时间段实时获取所有用户端在该时间段内整体峰值消耗量，并记录为热负荷序列，将获取到的所有用户端整体峰值消耗量作为热负荷预测的历史数据。其中，时域与频域变换包括但不限于快速傅里叶变换、离散傅里叶变换、短时傅里叶变换或小波变换。所述步骤二，时域与频域变换为快速傅里叶变换时，包括：将获取到的热负荷序列分帧，利用快速傅里叶变换将所有热负荷序列分帧转换为频谱帧，将所有频谱帧的频段对齐并进行组合拼接得到频谱图。所述步骤三中，使用的时间序列预测模型包括但不限于：线性回归模型、整合自回归滑动平均模型、支持向量回归模型、循环神经网络模型、混合高斯模型或长短时记忆模型。其中，使用的时间序列预测模型为长短时记忆模型时，所述步骤三，包括：获取频谱图中同一频段的频谱值，将同一频段的所有频谱值进行拼接，得到频域序列；分别利用频域序列训练每个频段的长短时记忆模型，将训练好的长短时记忆模型用于频域序列预测，得到每个频段对应的频域预测值序列；将所有频域预测值序列的预测时间点对齐并进行组合拼接，得到频域预测频谱图。其中，时域与频域变换为快速傅里叶反变换时，所述步骤四，包括：分别提取获取到的频域预测频谱图中同一时间点的频域预测值得到频域预测值向量；利用快速傅里叶反变换将所有频域预测帧转换为时域预测帧；将第一个时域预测帧的前一半作为热负荷预测值序列的起始，计算第一个时域预测帧后一半和第二个时域预测帧前一半的逐元素均值并拼接到热负荷预测值序列，以此类推，直到计算倒数第二个时域预测帧后一半和最后一个时域预测帧前一半的逐元素均值并拼接到热负荷预测值序列，最终将最后一个时域预测帧的后一半作为热负荷预测值序列的结尾并拼接到热负荷预测值序列，得到热负荷预测值序列。所述步骤五，包括：根据热负荷预测值序列，每小时动态调整集中供热系统的峰值负载，当集中供热系统的当前峰值负载高于预测负载值时降低集中供热系统中供暖设备的输出功率至预测负载水平，当集中供热系统的当前峰值负载低于预测负载值时提高集中供热系统中供暖设备的输出功率至预测负载水平。本专利技术的有益效果是：(1)考虑到集中供热网络中热负荷序列自身的时序特性，遵循自然规律，将其转换为频谱图，并将频谱图分解为多个频段的频谱序列，并分别进行预测；(2)在频谱序列预测中，考虑频谱序列与原始热负荷序列相对应的时序特性，运用长短时记忆模型分别对每个频谱序列进行建模并预测，得到频域预测值序列；(3)在得到频域预测值序列和对应的频域预测频谱图后，将频域预测频谱图中不同时间点的频域预测值向量分别时域预测值向量，并组合成热负荷预测值序列，从而对热负荷序列的自身特性进行综合有效地分析，提高热负荷序列预测的准确度；(4)将上述热负荷预测值反馈给供热公司，用于更加准确地动态调整集中供热系统的峰值负载。附图说明图1所示为本专利技术提出的一种集中供热系统生产自动调节方法的原理图示意图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都应当属于本专利技术保护的范围。实施例一如图1所示，本专利技术实施例一公开了一种集中供热系统生产自动调节方法，包括：步骤一、通过传感器实时获取集中供热系统对应的所有用户端整体峰值消耗量，并将所述整体峰值消耗量记录为热负荷序列；步骤二、基于时域与频域变换，将热负荷序列转换为频谱图；步骤三、通过时间序列预测模型分别对频谱图的每个频段进行预测得到频域预测频谱图；步骤四、利用时域与频域变换，将频域预测频谱图转换为热负荷预测值序列；...

【技术保护点】
1.一种集中供热系统生产自动调节方法，其特征在于，包括：/n步骤一、通过传感器实时获取集中供热系统对应的所有用户端整体峰值消耗量，并将所述整体峰值消耗量记录为热负荷序列；/n步骤二、基于时域与频域变换，将热负荷序列转换为频谱图；/n步骤三、通过时间序列预测模型分别对频谱图的每个频段进行预测得到频域预测频谱图；/n步骤四、利用时域与频域变换，将频域预测频谱图转换为热负荷预测值序列；/n步骤五、根据热负荷预测值序列，动态调整集中供热系统中供暖设备输出功率，从而动态调整集中供热系统的峰值负载。/n

【技术特征摘要】
1.一种集中供热系统生产自动调节方法，其特征在于，包括：
步骤一、通过传感器实时获取集中供热系统对应的所有用户端整体峰值消耗量，并将所述整体峰值消耗量记录为热负荷序列；
步骤二、基于时域与频域变换，将热负荷序列转换为频谱图；
步骤三、通过时间序列预测模型分别对频谱图的每个频段进行预测得到频域预测频谱图；
步骤四、利用时域与频域变换，将频域预测频谱图转换为热负荷预测值序列；
步骤五、根据热负荷预测值序列，动态调整集中供热系统中供暖设备输出功率，从而动态调整集中供热系统的峰值负载。


2.如权利要求1所述的方法，其特征在于，所述步骤一，包括：
传感器根据预设时间段实时获取所有用户端在该时间段内整体峰值消耗量，并记录为热负荷序列，将获取到的所有用户端整体峰值消耗量作为热负荷预测的历史数据。


3.如权利要求1所述的方法，其特征在于，时域与频域变换包括但不限于快速傅里叶变换、离散傅里叶变换、短时傅里叶变换或小波变换。


4.如权利要求1或3所述的方法，其特征在于，所述步骤二，时域与频域变换为快速傅里叶变换时，包括：
将获取到的热负荷序列分帧，利用快速傅里叶变换将所有热负荷序列分帧转换为频谱帧，将所有频谱帧的频段对齐并进行组合拼接得到频谱图。


5.如权利要求1所述的方法，其特征在于，所述步骤三中，使用的时间序列预测模型包括但不限于：线性回归模型、整合自回归滑动平均模型、支持向量回归模型、循环神经网络模型、混合高斯模型或长短时记忆模型。
<...

【专利技术属性】
技术研发人员：马占宇，谢吉洋，徐杨，司中威，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11