基于BP神经网络预测模型的供热负荷预测节能控制方法及系统技术方案

本发明专利技术涉及集中供热技术领域，具体涉及一种基于BP神经网络的集中供热热负荷预测节能控制方法，其利用BP神经网络预测模型预测采暖建筑每个供热周期的供暖负荷Q3，得到供暖负荷预测值，依据供暖负荷预测值调整采暖建筑的智能平衡阀IBV的开度，有利于节约能源和提高采暖用户的热舒适性。本发明专利技术还涉及一种应用上述方法的基于BP神经网络预测模型的供热负荷预测节能控制系统。测节能控制系统。测节能控制系统。

【技术实现步骤摘要】
基于BP神经网络预测模型的供热负荷预测节能控制方法及系统


[0001]本专利技术涉及集中供热
，具体涉及一种基于BP神经网络的集中供热热负荷预测节能控制方法及系统。

技术介绍

[0002]当前世界各地在能源方面都面临着巨大的挑战，在我国能源问题业已成为社会发展的核心问题，能源的高效利用技术逐渐受到研究学者的关注。调查数据显示，中国的建筑能耗占国家总能耗的20％～40％，并且每年还在以超过10％的速度不断增长。其中，在建筑总能耗中约有40％的占比来自集中供热系统，而现有的集中供热系统因自动化水平不高以及缺乏先进的预测技术，既不能够满足用户端按需供热，导致采暖用户舒适度降低，还造成大量的热量损失。

技术实现思路

[0003]本专利技术的目的在于克服现有技术的缺陷，提供一种基于BP神经网络预测模型的供热负荷预测节能控制方法，其有利于节约能源和提高采暖用户的热舒适性；还提供一种基于BP神经网络预测模型的供热负荷预测节能控制系统，应用所述基于BP神经网络预测模型的供热负荷预测节能控制方法。
[0004]为实现上述目的，本专利本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络预测模型的供热负荷预测节能控制方法，其特征在于，其包括以下步骤：步骤1，确定采暖建筑的供热负荷影响因素并获取所述采暖建筑的最近N0年的供热负荷影响因素的原始数据，作为模型训练数据库，N0≥1；建立以供热负荷影响因素的数据值为输入变量、以采暖建筑的供热负荷Q3为输出变量的BP神经网络预测模型，并依据模型训练数据库对BP神经网络预测模型进行训练；步骤2，获取所述采暖建筑的下一供热周期的供热负荷影响因素的数据值，为当前输入数据，BP神经网络预测模型依据当前输入数据预测下一供热周期的采暖建筑的供暖负荷Q3，得到供暖负荷预测值；步骤3，依据步骤2中所得供暖负荷预测值，调整设置在采暖建筑的供暖进水端或供暖出水端的智能平衡阀IBV的开度。2.根据权利要求1所述的基于BP神经网络预测模型的供热负荷预测节能控制方法，其特征在于：所述供热负荷影响因素包括采暖建筑所在环境的空气相对湿度、风速、太阳辐射和室外平均温度，以及采暖建筑的室内平均温度。3.根据权利要求2所述的基于BP神经网络预测模型的供热负荷预测节能控制方法，其特征在于：在步骤1中，对BP神经网络预测模型进行训练之前，首先对模型训练数据库执行以下数据处理方法，数据处理方法包括以下步骤：步骤1a，将所述采暖建筑的最近N0年的供热负荷影响因素的原始数据依照类别按行或按列排列，每一种所述供热负荷影响因素的全部数据为一组原始数据；步骤1b，计算每组原始数据的平均值、方差和偏离率，偏离率的计算公式如下：公式一：其中，ε为偏离率、λ为原始数据的实际值、E为原始数据的平均值；所述ε的取值设定为ε0，0＜ε0＜2；在一组原始数据中，若某个原始数据的偏离率ε小于ε0，则保留该原始数据的原始值，若该原始数据的偏离率ε大于ε0，则选择该原始数据两侧相邻时刻的原始数据的平均值替代该原始数据的原始值。4.根据权利要求3所述的基于BP神经网络预测模型的供热负荷预测节能控制方法，其特征在于：ε0＝1；同一组所述原始数据中，相邻数据的时间间隔与采暖建筑的供热周期相同。5.根据权利要求3所述的基于BP神经网络预测模型的供热负荷预测节能控制方法，其特征在于：所述数据处理方法还包括步骤1c，对输入和输出BP神经网络预测模型的各个数据进行归一化处理，计算公式如下：公式二：其中，x为数据归一化前的初始值、y为数据归一化后的计算值、x
max
为经过步骤1b处理后所得数据中的最大值、x
min
为经过步骤1b处理后所得数据中的最小值。6.根据权利要求5所述的基于BP神经网络预测模型的供热负荷预测节能控制方法，其特征在于：...

【专利技术属性】
技术研发人员：朱冬雪，张帆，卞志勇，葛雪锋，
申请(专利权)人：浙江正泰聚能科技有限公司，
类型：发明
国别省市：