供热系统调度方法、装置、设备、存储介质以及程序产品制造方法及图纸

本申请公开了供热系统调度方法、装置、设备、存储介质以及程序产品，涉及人工智能、云计算技术领域。该方法的一具体实施方式包括：获取网关当前上报的供热系统的第一实时数据；获取供热系统的静态参数数据；利用预先训练的预测模型对第一实时数据和静态参数数据进行处理，预测得到供热系统的负荷预测结果，其中，预测模型是利用云端的计算能力训练得到的；将负荷预测结果下发至网关，以使网关基于负荷预测结果调度供热系统。该实施方式提供了一种融合云端的计算能力和人工智能的预测能力的供热系统调度方法，实现了对供热系统的端云一体的智能调度。

【技术实现步骤摘要】
供热系统调度方法、装置、设备、存储介质以及程序产品
本申请涉及计算机
，具体涉及人工智能、云计算
，尤其涉及供热系统调度方法、装置、设备、存储介质以及程序产品。
技术介绍
随着工业物联网的产业化升级和传统制造行业结构的转型，亟需传统工业行业快速向智能模式转换。当前众多供热公司和企业都在积极探索不同程度的智慧供热。然而，现有智慧供热平台更专注在数据层面的统一和监管，未能深入探索和适配复杂实际场景下的供热调度，对供热系统的负荷预测效果不佳。
技术实现思路
本申请提供了一种供热系统调度方法、装置、设备、存储介质以及程序产品。根据本申请的第一方面，提供了一种供热系统调度方法，包括：获取网关当前上报的供热系统的第一实时数据；获取供热系统的静态参数数据；利用预先训练的预测模型对第一实时数据和静态参数数据进行处理，预测得到供热系统的负荷预测结果，其中，预测模型是利用云端的计算能力训练得到的；将负荷预测结果下发至网关，以使网关基于负荷预测结果调度供热系统。根据本申请的第二方面，提供了一种供热系统调度装置，包括：第一获取单元，被配置成获取网关当前上报的供热系统的第一实时数据；第二获取单元，被配置成获取供热系统的静态参数数据；预测单元，被配置成利用预先训练的预测模型对第一实时数据和静态参数数据进行处理，预测得到供热系统的负荷预测结果，其中，预测模型是利用云端的计算能力训练得到的；下发单元，被配置成将负荷预测结果下发至网关，以使网关基于负荷预测结果调度供热系统。根据本申请的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。根据本申请的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。根据本申请的第五方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现根据如第一方面中任一实现方式描述的方法。应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。附图说明附图用于更好地理解本方案，不构成对本申请的限定。其中：图1是根据本申请的供热系统调度方法的一个实施例的流程图；图2是根据本申请的供热系统调度方法的又一个实施例的流程图；图3是供热系统调度平台体系架构图；图4是根据本申请的热源负荷预测方法的一个实施例的流程图；图5是根据本申请的热源负荷预测方法的又一个实施例的流程图；图6是根据本申请的热源模型训练方法的一个实施例的流程图；图7是热源模型训练方法的应用场景图；图8是热源负荷预测方法的应用场景图；图9是根据本申请的供热系统调度装置的一个实施例的结构示意图；图10是用来实现本申请实施例的供热系统调度方法的电子设备的框图。具体实施方式以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。图1示出了根据本申请的供热系统调度方法的一个实施例的流程100。该供热系统调度方法包括以下步骤：步骤101，获取网关当前上报的供热系统的第一实时数据。在本实施例中，供热系统调度方法的执行主体可以获取网关当前上报的供热系统的第一实时数据。通常，供热系统可以是电厂向热力用户提供蒸汽或热水并回收其返回水的设备和厂内管道连接的系统。供热系统中可以包括担不限于热源、换热站和户端等等。网关可以与供热系统交互，用于采集并上报供热系统的实时数据。这里，网关当前上报的实时数据是第一实时数据。实时数据可以是随着时间而变化的数据。以供热系统的热源为例，实时数据可以包括但不限于实时供水温度、实时供回水压力和实时流量等等。在本实施例的一些可选的实现方式中，供热系统调度方法可以在云端执行。云端可以包括边缘模块。边缘模块可以与网关交互，用于数据的上报。例如，网关可以采集供热系统的实时数据，并通过边缘模块周期性上报到云端。通常，实时数据可以通过物联网核心套件上报。在一个具体的实施例中，网关可以通过配置Broker连接到物联网核心套件。物联网核心套件能够支持海量设备数据上传，因此非常适合这种边缘设备场景。物联网核心套件下的规则引擎套件可以对数据进行过滤、转换和清洗。此外，云端还可以包括数据模块。数据模块可以与边缘模块交互，提供TSDB(TimeSeriesDatabase，时序数据库)。上报的实时数据可以结合规则引擎过滤，并写入到数据模块的TSDB中。其中，TSDB非常适用实时数据的海量存储和吞吐量查询，同时还提供了可视化的操作界面，可以让所有数据展示在面板上，便于监控。步骤102，获取供热系统的静态参数数据。在本实施例中，上述执行主体可以获取供热系统的静态参数数据。其中，静态参数数据的值通常为固定值，不随时间变化。以供热系统的热源为例，静态参数数据可以包括但不限于热源标识、供热面积、热耗指标和热源设计温差等等。在本实施例的一些可选的实现方式中，数据模块还可以提供关系数据库(例如MySQL)。静态参数数据存储在关系数据库中。上述执行主体可以从关系数据库读取静态参数数据。步骤103，利用预先训练的预测模型对第一实时数据和静态参数数据进行处理，预测得到供热系统的负荷预测结果。在本实施例中，上述执行主体可以利用预先训练的预测模型对第一实时数据和静态参数数据进行处理，预测得到供热系统的负荷预测结果。通常，预测模型可以是利用云端的计算能力训练得到的，无需担心计算资源不足和成本问题。预测模型可以包括但不限于以下至少一项：热源模型、换热站模型、户端模型、流量-阀门开度模型和阀门开度-流量反向模型。预测模型预测得到的负荷预测结果可以用于对供热系统进行调度调节。以热源模型为例，预测得到的负荷预测结果可以包括未来所需热量和未来供水温度。在本实施例的一些可选的实现方式中，在预测模型训练完成之后，可以持久化到数据模块中。并且，为预测模型生成一个索引指针，通过索引指针可以调用或追踪该预测模型。若预测模型优化更新，会持久化新的预测模型到数据模块中。同时，为新的预测模型生成新的索引指针。云端还可以包括API(ApplicationProgrammingInterface，应用程序接口)模块。API模块可以用于提供负荷预测服务。例如，API模块可以本文档来自技高网...

【技术保护点】
1.一种供热系统调度方法，包括：/n获取网关当前上报的供热系统的第一实时数据；/n获取所述供热系统的静态参数数据；/n利用预先训练的预测模型对所述第一实时数据和所述静态参数数据进行处理，预测得到所述供热系统的负荷预测结果，其中，所述预测模型是利用云端的计算能力训练得到的；/n将所述负荷预测结果下发至所述网关，以使所述网关基于所述负荷预测结果调度所述供热系统。/n

【技术特征摘要】
1.一种供热系统调度方法，包括：
获取网关当前上报的供热系统的第一实时数据；
获取所述供热系统的静态参数数据；
利用预先训练的预测模型对所述第一实时数据和所述静态参数数据进行处理，预测得到所述供热系统的负荷预测结果，其中，所述预测模型是利用云端的计算能力训练得到的；
将所述负荷预测结果下发至所述网关，以使所述网关基于所述负荷预测结果调度所述供热系统。


2.根据权利要求1所述的方法，其中，所述利用预先训练的预测模型对所述第一实时数据和所述静态参数数据进行处理，预测得到所述供热系统的负荷预测结果，包括：
将所述第一实时数据和所述静态参数数据输入至持久化的预测模型，得到所述供热系统的第一负荷预测结果；
将所述第一实时数据和所述静态参数数据输入至当前使用中的预测模型，得到所述供热系统的第二负荷预测结果；
若所述第二负荷预测结果优于所述第一负荷预测结果，基于所述第一负荷预测结果和所述第二负荷预测结果，生成所述负荷预测结果。


3.根据权利要求2所述的方法，其中，所述基于所述第一负荷预测结果和所述第二负荷预测结果，生成所述负荷预测结果，包括：
将所述第二负荷预测结果确定为所述负荷预测结果；或者
合并所述第一负荷预测结果和所述第二负荷预测结果，生成所述负荷预测结果。


4.根据权利要求1所述的方法，其中，所述方法还包括：
从时序数据库获取所述供热系统的历史实时数据，其中，所述时序数据库存储所述网关周期性上报到所述云端的实时数据；
从关系数据库获取所述供热系统的静态参数数据；
对所述历史实时数据和所述静态参数数据进行整合处理，得到第一训练样本集；
基于所述第一训练样本集，训练得到所述预测模型。


5.根据权利要求4所述的方法，其中，在所述基于所述第一训练样本集，训练得到所述预测模型之后，还包括：
对所述预测模型进行持久化处理，以及生成所述预测模型的索引指针，其中，所述索引指针用于预测调用和模型追踪。


6.根据权利要求5所述的方法，其中，所述方法还包括：
在完成对所述供热系统的调度之后，获取所述网关当前上报的所述供热系统的第二实时数据；
基于所述第二实时数据和所述静态参数数据，生成第二训练样本集；
利用所述第二训练样本集对所述预测模型迭代优化。


7.根据权利要求6所述的方法，其中，所述云端包括算法模块、数据模块、边缘模块、应用程序接口API模块、存储模块和计算模块；所述算法模块用于读取所述时序数据库和所述关系数据库中的数据，对模型进行训练和优化；所述数据模块与所述算法模块、所述API模块、所述边缘模块交互，用于逻辑处理和数据适配；所述边缘模块与所述数据模块、所述网关交互，用于数据的下发和上报；所述API模块用于提供负荷预测服务、数据展示服务、平台监控服务；所述存储模块用于提供所述时序数据库和所述关系数据库；所述计算模块用于提供底层基础。


8.根据权利要求1-7之一所述的方法，其中，所述预测模型包括以下至少一项：热源模型、换热站模型、户端模型、流量-阀门开度模型、阀门开度-流量反向模型。


9.一种供热系统调度装置，包括：
第一获取单元，被配置成获取网关当前上报的供热系统的第一实时数据；
第二获取单元，被配置成获取所述供热系统的静态参数数据；
预测单元，被配置成利用预先训练的预测模型对所述第一实时数据和所述静态参数数据进行处理，预测得到所述供热系统的负荷预测结果，其中，所述预测模型是利用云端的计算能力训练得...

【专利技术属性】
技术研发人员：黄涛，朱鸿伟，张浩，张扬扬，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11