一种基于楼宇画像的喷射泵供热系统自主优化调控方法技术方案

本发明专利技术公开了一种基于楼宇画像的喷射泵供热系统自主优化调控方法，包括：采用机理建模和数据辨识方法建立喷射泵供热系统数字孪生模型；采集喷射泵供热系统各个楼宇的多维度数据，进行数据预处理、标签提取和楼宇画像模型构建；基于喷射泵供热系统数字孪生模型、楼宇画像模型和楼宇入口安装的热计量表、室温采集数据，结合室外天气数据，建立各楼宇分时段需求负荷预测模型；基于各楼宇分时段需求负荷预测模型和楼宇画像模型，结合楼宇入口安装的喷射泵在变工况下的性能特性，建立各楼宇分时段调控模型，由各楼宇分时段调控模型生成各楼宇调控策略；基于喷射泵供热系统数字孪生模型对各楼宇调控策略进行综合评估和策略下发执行。行。行。

【技术实现步骤摘要】
一种基于楼宇画像的喷射泵供热系统自主优化调控方法


[0001]本专利技术属于智慧供热
，具体涉及一种基于楼宇画像的喷射泵供热系统自主优化调控方法。

技术介绍

[0002]在集中供热系统中，建筑的热力入口是一个重要组成部分，它包括热力站和用户引入口；在热网设计过程中，一般都是通过确定网路末端用户引入口或热力站所要求的作用压头，来确定热网循环水泵的扬程，这样就会造成在近热源端热网提供的压头远远大于所需求的作用压头，称为“富余压头”，在现有的供热系统中，往往采用节流阀将“富余压头”白白的浪费掉，据统计研究，节流阀要白白浪费掉30％的水泵能耗。
[0003]传统的大规模供热系统，由于近端和远端热用户的供回水压差存在差异，导致流量分配不合理，造成末端用户的温度往往难以达到要求。为了提升供热系统的整体供热质量，供热方只能增加输入管网的总流量，即采取“大流量，小温差”的运行模式。但在这种运行模式下，系统水力稳定性差、抗干扰能力差，不利于实现楼间的水力平衡。除此之外，在加大循环水流量的基础上，目前普遍采用在用户入口加装平衡阀的方式调节水力平衡。不过，由于平衡阀是阻力元件，会增大热网阻力，且在动态运行情况下，楼内系统阻力也在发生改变，因此，要实现“动态”条件下的水力平衡，也变得更加困难。而且，目前对于各个楼宇供热系统的调控精度较差，未分析各个楼宇的自身特征，难以满足各个楼宇的供热需求。
[0004]基于上述技术问题，需要设计一种新的基于楼宇画像的喷射泵供热系统自主优化调控方法。

技术实现思路

[0005]本专利技术所要解决的技术问题是，克服现有技术的不足，提供一种基于楼宇画像的喷射泵供热系统自主优化调控方法。
[0006]为了解决上述技术问题，本专利技术的技术方案是：
[0007]本专利技术提供了一种基于楼宇画像的喷射泵供热系统自主优化调控方法，它包括：
[0008]步骤S1、采用机理建模和数据辨识方法建立喷射泵供热系统数字孪生模型；
[0009]步骤S2、采集喷射泵供热系统各个楼宇的多维度数据，进行数据预处理、标签提取和楼宇画像模型构建；
[0010]步骤S3、基于喷射泵供热系统数字孪生模型、楼宇画像模型和楼宇入口安装的热计量表、室温采集数据，结合室外天气数据，建立各楼宇分时段需求负荷预测模型；
[0011]步骤S4、基于各楼宇分时段需求负荷预测模型和楼宇画像模型，结合楼宇入口安装的喷射泵在变工况下的性能特性，建立各楼宇分时段调控模型，由各楼宇分时段调控模型生成各楼宇调控策略；
[0012]步骤S5、基于喷射泵供热系统数字孪生模型对各楼宇调控策略进行综合评估和策略下发执行。
[0013]进一步，所述步骤S2中，采集喷射泵供热系统各个楼宇的多维度数据，进行数据预处理、标签提取和楼宇画像模型构建，具体包括：
[0014]采集喷射泵供热系统各个楼宇的多维度数据，所述喷射泵供热系统各个楼宇的多维度数据至少包括：楼宇属性数据和楼宇内用户属性数据；
[0015]对采集的喷射泵供热系统各个楼宇的多维度数据进行标准化处理、异常值处理、降维处理、补全空值及去掉重复值的清洗操作，生成预处理后的二级网各个楼宇数据；
[0016]基于预处理后的二级网各个楼宇数据建立各个楼宇画像的标签数据库，包括楼宇基本属性标签、楼宇内用户基本属性标签和楼宇内用户行为属性标签；
[0017]将所述各个楼宇画像的标签数据库进行标准化处理，并划分为训练数据和测试数据；基于所述训练数据采用机器学习算法进行训练得到预测模型；利用所述测试数据与预测模型进行匹配，生成各个楼宇画像模型。
[0018]进一步，所述楼宇属性数据包括楼宇类型、楼宇高度、楼宇距离热力站位置远近、楼宇供热设备运行状况和楼宇历史供热效果；所述楼宇类型包括商业楼宇、住宅楼宇、学校楼宇和办公楼宇；所述楼宇内用户属性数据包括楼宇内用户基本信息和行为信息；所述行为信息包括楼宇内工作日和休息日用户用热信息、用户供热峰谷时段。
[0019]进一步，所述步骤S2还包括：采用分析算法对所有楼宇的标签数据进行分类和聚集，提取不同楼宇特征，并采用语义化标签进行描述和对楼宇进行等级划分，获得群体楼宇画像；
[0020]其中，分析算法至少包括K
‑
means算法、层次聚类算法、决策树算法、主成分分析法和卷积神经网络算法、线性回归分析和非线性回归分析。
[0021]进一步，所述步骤S3中，基于喷射泵供热系统数字孪生模型、楼宇画像模型和楼宇入口安装的热计量表、室温采集数据，结合室外天气数据，建立各楼宇分时段需求负荷预测模型，具体包括：
[0022]基于喷射泵供热系统数字孪生模型，采集各楼宇入口安装的热计量表的历史热计量数据、室温传感器数据，结合室外天气数据和各个楼宇画像模型作为输入数据；
[0023]将输入数据划分为多个时间区间的输入数据，通过学习算法对每一时间区间的输入数据进行训练获得各楼宇分时段需求负荷预测模型；所述学习算法至少包括神经网络算法、支持向量机算法、随机森林算法、强化学习算法和深度强化学习算法。
[0024]进一步，所述步骤S4中，楼宇入口安装的喷射泵在变工况下的性能特性包括：
[0025]在楼宇入口安装喷射泵，通过喷射泵本身的动、静压转化特性，将楼内部分回水引至其供水管中进行混合供热；
[0026]在管网压力、流量变化时，喷射泵处于非额定工况运行，辨识不同工况下的喷射泵性能变化曲线，所述非额定工况包括变工作流体压力工况、引射流体压力工况和变流量工况，所述喷射泵性能变化曲线包括喷射泵效率特性曲线和混水比特性曲线。
[0027]进一步，所述步骤S4中，建立各楼宇分时段调控模型，包括：
[0028]采集各个时段的历史热计量数据和室温数据、喷射泵调控数据，并结合室外天气数据、各楼宇分时段需求负荷预测值和楼宇画像作为样本数据集；
[0029]对每一时段的样本数据集进行多次抽样提取后，依次输入至MLP神经网络中对各个基学习器进行构造；
[0030]设置选择性集成策略，采用排名法与迭代优化法对各个基学习器进行有选择的集成，获得各楼宇分时段调控模型，采用选取的基学习器通过求均值的方法获得各楼宇分时段调控预测值。
[0031]进一步，所述设置选择性集成策略，采用排名法与迭代优化法对各个基学习器进行有选择的集成，包括：
[0032]先采用排名法对基学习器进行选取，舍弃预测效果较差的基学习器，再对剩余的基学习器采用迭代优化法进行集成，直至迭代至设定的阈值之内，对于迭代后剩余的基学习器，再采用排名法进行选取集成；
[0033]将选择后的基学习器根据性能进行排序，按照一定比例舍弃性能较差的基学习器，判断剩余基学习器的集成性能，若优于舍弃前的性能，则将舍弃比例扩大；否则将舍弃比例缩小；直至舍弃前后的性能差别达到预先设定的阈值，保留剩余的基学习器进行集成。
[0034]进一步，所述各楼宇分时段调控模型采用的方式为分时段本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于楼宇画像的喷射泵供热系统自主优化调控方法，其特征在于，它包括：步骤S1、采用机理建模和数据辨识方法建立喷射泵供热系统数字孪生模型；步骤S2、采集喷射泵供热系统各个楼宇的多维度数据，进行数据预处理、标签提取和楼宇画像模型构建；步骤S3、基于喷射泵供热系统数字孪生模型、楼宇画像模型和楼宇入口安装的热计量表、室温采集数据，结合室外天气数据，建立各楼宇分时段需求负荷预测模型；步骤S4、基于各楼宇分时段需求负荷预测模型和楼宇画像模型，结合楼宇入口安装的喷射泵在变工况下的性能特性，建立各楼宇分时段调控模型，由各楼宇分时段调控模型生成各楼宇调控策略；步骤S5、基于喷射泵供热系统数字孪生模型对各楼宇调控策略进行综合评估和策略下发执行。2.根据权利要求1所述的供热系统自主优化调控方法，其特征在于，所述步骤S2中，采集喷射泵供热系统各个楼宇的多维度数据，进行数据预处理、标签提取和楼宇画像模型构建，具体包括：采集喷射泵供热系统各个楼宇的多维度数据，所述喷射泵供热系统各个楼宇的多维度数据至少包括：楼宇属性数据和楼宇内用户属性数据；对采集的喷射泵供热系统各个楼宇的多维度数据进行标准化处理、异常值处理、降维处理、补全空值及去掉重复值的清洗操作，生成预处理后的二级网各个楼宇数据；基于预处理后的二级网各个楼宇数据建立各个楼宇画像的标签数据库，包括楼宇基本属性标签、楼宇内用户基本属性标签和楼宇内用户行为属性标签；将所述各个楼宇画像的标签数据库进行标准化处理，并划分为训练数据和测试数据；基于所述训练数据采用机器学习算法进行训练得到预测模型；利用所述测试数据与预测模型进行匹配，生成各个楼宇画像模型。3.根据权利要求2所述的供热系统自主优化调控方法，其特征在于，所述楼宇属性数据包括楼宇类型、楼宇高度、楼宇距离热力站位置远近、楼宇供热设备运行状况和楼宇历史供热效果；所述楼宇类型包括商业楼宇、住宅楼宇、学校楼宇和办公楼宇；所述楼宇内用户属性数据包括楼宇内用户基本信息和行为信息；所述行为信息包括楼宇内工作日和休息日用户用热信息、用户供热峰谷时段。4.根据权利要求2所述的供热系统自主优化调控方法，其特征在于，所述步骤S2还包括：采用分析算法对所有楼宇的标签数据进行分类和聚集，提取不同楼宇特征，并采用语义化标签进行描述和对楼宇进行等级划分，获得群体楼宇画像；其中，所述分析算法至少包括K
‑
means算法、层次聚类算法、决策树算法、主成分分析法和卷积神经网络算法、线性回归分析和非线性回归分析。5.根据权利要求1所述的供热系统自主优化调控方法，其特征在于，所述步骤S3中，基于喷射泵供热系统数字孪生模型、楼宇画像模型和楼宇入口安装的热计量表、室温采集数据，结合室外天气数据，建立各楼宇分时段需求负荷预测模型，具体包括：基于喷射泵供热系统数字孪生模型，采集各楼宇入口...

【专利技术属性】
技术研发人员：谢金芳，穆佩红，金鹤峰，刘成刚，
申请(专利权)人：浙江英集动力科技有限公司，
类型：发明
国别省市：