一种区域供冷供热冷热量负荷的预测方法及系统技术方案

本发明专利技术提供一种区域供冷供热冷热量负荷的预测方法及系统，所述方法包括：采集区域环境温湿度数据及热量计量表数据；获取历史数据，并对获取的历史数据进行预处理，并生成数据训练集和测试集；采用基于LSTM的Seq2Seq循环神经网络模型，利用数据训练集和测试集进行模型训练及测试；采用TensorFlow框架导入训练好的模型文件，部署运行；以当前时段以前的历史数据作为模型预测的输入，输出未来的冷热量负荷预测值。本发明专利技术提出的基于LSTM的Seq2Seq循环神经网络模型的自学习多维时间序列多步预测的方法，有着更好的拟合性和扩展性，算法准确度更高。将负荷预测系统与现有自动控制系统相结合，实现数据共享。预测结果应用于运营，能够节能降耗、降低运营成本。

A forecasting method and system of cooling and heating load for district cooling and heating

【技术实现步骤摘要】
一种区域供冷供热冷热量负荷的预测方法及系统
本专利技术涉及暖通空调
，尤其涉及一种区域供冷供热(DisrtictHeatingandCooling，简称DHC)冷热量负荷的预测方法及系统。
技术介绍
由于区域供冷供热系统设备类型多、数量多、分布范围广，系统复杂庞大；管网水蓄冷蓄热造成的滞后；运营人员根据系统温差、压差等数据去预测负荷，依赖个人经验，难以保证准确性；控制调节产生的延迟；建筑空调的实际使用因素等，使得冷热量负荷供给与实际需求难以很好匹配。因此在区域供冷供热系统中，若能对冷热量负荷进行精确预测，及时调整供能运营策略，使冷热量按实际负荷需求进行供应，对于系统的经济高效运行具有积极的意义。
技术实现思路
针对现有技术中存在的问题与区域供冷供热系统的实际需求，本专利技术的目的在于提供一种区域供冷供热冷热量负荷的预测方法及系统，在区域供冷供热系统中，对未来时刻系统所需要的冷热量进行预测，以预测的负荷分布为基础，合理选择设备运行数量及运行参数，同时对蓄能系统储能量优化控制。在保证用户舒适度的前提下，达到冷热量按本文档来自技高网...

【技术保护点】
1.一种区域供冷供热冷热量负荷的预测方法，其特征在于，包括：/n步骤S1，上位机采集区域环境温湿度数据及热量计量表数据，每隔设定的时间存储至上位机本地数据库，并增量同步至云计算服务器数据库；/n步骤S2，云计算服务器从数据库获取历史数据；/n步骤S3，云计算服务器对获取的历史数据进行预处理，并生成数据训练集和测试集；/n步骤S4，采用基于LSTM的Seq2Seq循环神经网络模型，利用数据训练集和测试集进行模型训练及测试；/n步骤S5，云计算服务器采用TensorFlow框架导入步骤S4中训练好的模型文件，部署运行；/n步骤S6，云计算服务器以当前时段以前的历史数据作为模型预测的输入，输出未来的...

【技术特征摘要】
1.一种区域供冷供热冷热量负荷的预测方法，其特征在于，包括：
步骤S1，上位机采集区域环境温湿度数据及热量计量表数据，每隔设定的时间存储至上位机本地数据库，并增量同步至云计算服务器数据库；
步骤S2，云计算服务器从数据库获取历史数据；
步骤S3，云计算服务器对获取的历史数据进行预处理，并生成数据训练集和测试集；
步骤S4，采用基于LSTM的Seq2Seq循环神经网络模型，利用数据训练集和测试集进行模型训练及测试；
步骤S5，云计算服务器采用TensorFlow框架导入步骤S4中训练好的模型文件，部署运行；
步骤S6，云计算服务器以当前时段以前的历史数据作为模型预测的输入，输出未来的冷热量负荷预测值，数据反归一化后更新结果到数据库，每隔设定的时间更新一次；
步骤S7，上位机获取云计算服务器数据库的冷热量负荷预测结果，并展示到上位机界面。


2.根据权利要求1所述的一种区域供冷供热冷热量负荷的预测方法，其特征在于，步骤S4的基于LSTM的Seq2Seq循环神经网络模型，包括输入层、隐藏层、输出层三层结构；其中：
(a)输入层，用于将步骤S3获取的数据训练集的所有可用特征数据作为网络的输入数据，用于下一层的自动学习；
(b)隐藏层，用于对输入层提供的特征数据进行自动学习，采用的是基于长短期记忆LSTM的序列到序列Seq2Seq网络模型，包括编码器和解码器两部分：
编码器采用全连接网络和LSTM单元设计，编码器在每个时间步接收每个小时的多维时间序列数据，全连接网络首先对原始数据进行特征提取，然后将提取到的特征输入到LSTM神经元中，编码器所有时间步使用同一套全连接和LSTM网络；
解码器采用LSTM单元和全连接网络设计，经过编码器的计算和特征提取，模型将编码器的权重和提取到的特征传给解码器，解码器的LSTM单元在每个时间步都有一个输出，这个输出分别连接两个全连接层，一个全连接层对本预测网络每个时间步的输出进行回归，另一个全连接层将输出特征传回LSTM单元的输入门，作为解码器下个时间步计算的输入信息参与计算；
(c)输出层，用于将隐藏层学习到的信息转化成最终结果，通过将最终负荷预测结果与真实负荷结果进行对比，然后将误差反向传到隐藏层中进行模型的矫正，减少预测值与真实值的误差，然后将更新的模型用于下一次的训练，通过不断的训练迭代来不断减小预测值与真实值之间的误差。


3.根据权利要求2所述的一种区域供冷供热冷热量负荷的预测方法，其特征在于，基于LSTM的Seq2Seq循环神经网络模型，还包括如下特征：修改了原始的softmax层结构，使用多层全连接构造了从LSTM特征到时间序列预测的映射关系；修改了常规的时间序列预测损失的计算方法，架构的损失在所有时间步的输出完成后进行统一的反向传播和循环神经网络的逐步传播；
对于多维时间序列的多步预测问题，架构拟合的目标是学习到一个最小的损失函数：



其中：I为训练集，Si为输入数据集；Ti为预测真值集；func()为训练的算法模型；func(Ti|Si)为基于训练的模型func()在Si输入下的预测输出集；MAE(Ti，func(Ti|Si))为基于预测真值集Ti和预测输出集func(Ti|Si)计算的平均绝对误差；n为输入数据集Si的数量，然后对所有的MAE进行求和之后的平均值即为损失函数；
经过训练，所述模型能够学习到使上述损失最小的权重；所述基于LSTM的Seq2Seq循环神经网络模型不仅对高维时间序列进行有效特征提取，还能将...

【专利技术属性】
技术研发人员：陈新辉，向成城，王亦斌，
申请(专利权)人：武汉中电节能有限公司，
类型：发明
国别省市：湖北;42