供热数据生成方法、装置、设备和计算机存储介质制造方法及图纸

本公开公开了一种供热数据生成方法、装置、设备和计算机存储介质，涉及人工智能技术下的物联网、大数据、深度学习等技术。具体实现方案为：利用历史供热数据得到训练样本；利用所述训练样本训练包含生成器和判别器的对抗模型；其中，所述生成器利用输入的随机信号生成模拟训练样本的供热数据；所述判别器对训练样本和所述生成器生成的模拟该训练样本的供热数据进行判别；所述生成器的训练目标为最小化生成的供热数据与训练样本的差异，所述判别器的训练目标为最大程度判别出训练样本和所述生成器生成的供热数据；利用训练完成后得到的所述生成器生成供热数据。本公开可以有效解决获取大量供热数据困难、成本高的问题。成本高的问题。成本高的问题。

【技术实现步骤摘要】
供热数据生成方法、装置、设备和计算机存储介质


[0001]本公开涉及计算机应用
，尤其涉及人工智能
下的物联网、大数据、深度学习等技术。

技术介绍

[0002]集中供热系统主要由热源、换热站与用户组成。热量的供给与需求是一个动态平衡的过程。供热量不足会造成系统供热质量的降低，而供热量过高则会造成供热成本上升，因此预测合适的供热量就显得尤为重要。传统的热负荷预测是依赖专家通过往年的历史数据对当前年的需热量进行估计。随着人工智能技术的发展，基于机器学习的方法挖掘历史数据规律建立热负荷预测模型可以有效地对需热量进行实时预测，为实现“按需供热”的目标提供方向。然而，机器学习的效果与泛化性能受制于训练数据的数据量和质量。然而采集大量供热数据一方面受到供热季时长的制约；另一方面高频采集一次供热调节数据需要付出巨大的经济成本。

技术实现思路

[0003]有鉴于此，本公开提供了一种供热数据生成方法、装置、设备和计算机存储介质，以便于解决获取大量供热数据困难、成本高的问题。
[0004]根据本公开的第一方面，提供了一种供热数据生成方法，包括：
[0005]利用历史供热数据得到训练样本；
[0006]利用所述训练样本训练包含生成器和判别器的对抗模型；其中，所述生成器利用输入的随机信号生成模拟训练样本的供热数据；所述判别器对训练样本和所述生成器生成的模拟该训练样本的供热数据进行判别；所述生成器的训练目标为最小化生成的供热数据与训练样本的差异，所述判别器的训练目标为最大程度判别出训练样本和所述生成器生成的供热数据；
[0007]利用训练完成后得到的所述生成器生成供热数据。
[0008]根据本公开的第二方面，提供了一种供热数据生成装置，包括：
[0009]样本获取单元，用于利用历史供热数据得到训练样本；
[0010]模型训练单元，用于利用所述训练样本训练包含生成器和判别器的对抗模型；其中，所述生成器利用输入的随机信号生成模拟训练样本的供热数据；所述判别器对训练样本和所述生成器生成的模拟该训练样本的供热数据进行判别；所述生成器的训练目标为最小化生成的供热数据与训练样本的差异，所述判别器的训练目标为最大程度判别出训练样本和所述生成器生成的供热数据；
[0011]数据生成单元，用于利用训练完成后得到的所述生成器生成供热数据。
[0012]根据本公开的第三方面，提供了一种电子设备，包括：
[0013]至少一个处理器；以及
[0014]与所述至少一个处理器通信连接的存储器；其中，
[0015]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。
[0016]根据本公开的第四方面，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，其中，所述计算机指令用于使所述计算机执行如上所述的方法。
[0017]根据本公开的第五方面，一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方法。
[0018]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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
[0019]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0020]图1为本公开实施例提供的供热数据生成方法的流程图；
[0021]图2为本公开实施例提供的采集训练样本的示意图；
[0022]图3为本公开实施例提供的对抗模型的原理示意图；
[0023]图4为本公开实施例提供的供热数据生成装置的结构图；
[0024]图5是用来实现本公开实施例的供热数据生成方法的电子设备的框图。
具体实施方式
[0025]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
[0026]图1为本公开实施例提供的供热数据生成方法的流程图，该方法的执行主体可以为供热数据生成装置，该装置可以为位于计算机终端的应用，或者还可以为位于计算机终端的应用中的插件或软件开发工具包 (Software Development Kit，SDK)等功能单元，或者，还可以位于服务器端，本公开实施例对此不进行特别限定。如图1中所示，该方法可以包括以下步骤：
[0027]在101中，利用历史供热数据得到训练样本。
[0028]在102中，利用训练样本训练包含生成器和判别器的对抗模型；其中，生成器利用输入的随机信号生成模拟训练样本的供热数据；判别器对训练样本和生成器生成的模拟该训练样本的供热数据进行判别；生成器的训练目标为最小化生成的供热数据与训练样本的差异，判别器的训练目标为最大程度判别出训练样本和生成器生成的供热数据。
[0029]在103中，利用训练完成后得到的生成器生成供热数据。
[0030]可以看出，本公开通过对抗模型中生成器和判别器的对行学习，使得生成器能够很好地模拟出历史供热数据的数据分布。训练得到的生成器能够产生大量符合供热数据分布的供热数据。该方法可以有效解决获取大量供热数据困难、成本高的问题。
[0031]下面结合实施例对上述各步骤进行详细描述。首先对步骤101即“利用历史供热数据得到训练样本”进行详细描述。
[0032]首先在获取历史供热数据时，可以获取但不限于以下几种数据：
[0033]第一种数据：环境数据。例如气温、降水、湿度、风力、体感温度、天气类型(例如阴、晴、雨、雪、霾等)。环境数据可以通过诸如温度传感器、湿度传感器、风力传感器等传感器采集得到。也可以通过从中国天气网等官方平台提供的API接口以预设的频率实时采集到，这种方式能够直接获取到更加丰富的环境数据，成本低廉、数据准确性高。通常以城市作为粒度进行采集，也可以采用诸如区、县等其他粒度。
[0034]第二种数据：热源设备参数。例如一网供水压力、一网回水压力、一网供热流量、一网供水温度、一网回水温度、累积电量、循环泵耗水量、热量等。热源设备参数可以通过诸如压力传感器、温度传感器、流量计、水表、电表、热表等以预设的频率实时采集得到。
[0035]第三种数据：换热站设备参数。例如二网供水压力、二网回水压力、二网供热流量、二网供水温度、二网回水温度、累积电量、循环泵耗水量、热量等。换热站设备参数可以通过诸如压力传感器、温度传感器、流量计、水表、电表、热表等以预设的频率实时采集得到。
[0036]在此对上述的“一网”和“二网”进行简单说明。一网指的是热源来的高温水进入小区换热站进行热交换的管道系统，二网指的是从小区换热站再供热至用户的管道系统。其中一网的温度和压力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种供热数据生成方法，包括：利用历史供热数据得到训练样本；利用所述训练样本训练包含生成器和判别器的对抗模型；其中，所述生成器利用输入的随机信号生成模拟训练样本的供热数据；所述判别器对训练样本和所述生成器生成的模拟该训练样本的供热数据进行判别；所述生成器的训练目标为最小化生成的供热数据与训练样本的差异，所述判别器的训练目标为最大程度判别出训练样本和所述生成器生成的供热数据；利用训练完成后得到的所述生成器生成供热数据。2.根据权利要求1所述的方法，其中，所述利用历史供热数据得到训练样本包括：采用预设时长的滑动窗口对所述历史供热数据进行采集，将各滑动窗口内时序的历史供热数据分别作为训练样本。3.根据权利要求1或2所述的方法，其中，所述历史供热数据包括：环境数据、热源设备参数、换热站设备参数和用户端热参数。4.根据权利要求1所述的方法，其中，所述利用历史供热数据得到训练样本包括：对采集的历史供热数据进行预处理，所述预处理包括删除异常值、填充缺失值、数据聚合和特征离散化中的至少一种；所述删除异常值包括：针对历史供热数据的每一维数据，依据该维数据的均值或中位值中的一种以及标准差，确定合理区间；删除不满足所述合理区间的数据；所述填充缺失值包括：采用线性插值法对历史供热数据的每一维数据进行缺失值填充；所述数据聚合包括：以采集历史供热数据中采用的最低采集频率，对历史供热数据进行数据聚合，分别针对聚合得到的每一维数据取均值作为该维数据的样本值；所述特征离散化包括：采用等频分箱的方式对历史供热数据的每一维连续数据进行离散化处理。5.根据权利要求1所述的方法，其中，所述对抗模型采用深度卷积对抗网络DCGAN或推土机对抗网络WGAN。6.根据权利要求5所述的方法，其中，若所述对抗模型采用WGAN，训练过程中采用RMSProp下降法。7.根据权利要求2所述的方法，其中，所述利用训练完成后得到的所述生成器生成供热数据包括：将随机信号输入所述训练完成后得到的所述生成器，得到预设时长的时序供热数据，用于作为热负荷预测模型的训练数据。8.一种供热数据生成装置，包括：样本获取单元，用于利用历史供热数据得到训练样本；模型训练单元，用于利用所述训练样本训练包含生成器和判别器的对抗模型；其中，所述生成器利用输入的随机信号生成模拟训练样本的供热数据；所述判别器对训练样本和所述生成器生成的模拟该训练样本的供热数据进行判别；所述生成器的训练目标为最小化生成的供热数...

【专利技术属性】
技术研发人员：闻雅兰，
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：