一种高寒地区集中供热中供暖面积热指标辨识方法与系统技术方案

本发明专利技术提供一种高寒地区集中供热中供暖面积热指标辨识方法和系统，属于智慧供热技术领域，具体包括：从历史供暖数据中获取目标建筑物的供暖面积热指标、供水温度、室外温度、建筑物保暖系数、入住率构建训练集；将训练集输入到基于SVM算法以及PSO

【技术实现步骤摘要】
一种高寒地区集中供热中供暖面积热指标辨识方法与系统


[0001]本专利技术属于智慧供热
，尤其涉及一种高寒地区集中供热中供暖面积热指标辨识方法与系统。

技术介绍

[0002]集中供暖过程中，热力运维公司的主要目标是在不影响住户舒适度的前提下合理控制单位面积年耗热量。运维公司通常根据以设计供暖面积热指标折算得到的不同室外温度下的供暖运行曲线指导运维工作。但在实际运行中，设计供暖面积热指标的不准确性会导致运行曲线不合理，从而导致室温低于设计温度引发舆情或室温较高带来能源浪费。目前集中供热规划设计供暖面积热指标与实际运行热指标具有较大差异，所以，对于热力运维公司而言，估算出适合所负担小区的实际热指标对于指导热力运维具有重要意义。
[0003]在论文《考虑入住率的实际供暖面积热指标估算方法》中作者孙鱼铭以集中供暖运行维护过程中的能耗为切入点，通过多组数据比对分析，探究了居住建筑入住率和典型户比例与实际供暖面积热指标的关系，发现入住率与实际供暖面积热指标呈负相关，典型户的户间传热对热指标存在重要影响。提出了2种实际供暖面积热指标估算方法，可作为热力运维公司供暖初期运行调试的指导依据，但是仅仅考虑小区入住率因素，未考虑建筑物保温、供水温度、室外温度的影响，且采用数学计算公式的方式，精确度也较低，不能准确辨识得到供暖面积热指标，进而不利于供暖环节的节碳和节能。
[0004]针对上述技术问题，本专利技术提供了一种高寒地区集中供热中供暖面积热指标辨识方法与系统。

技术实现思路

[0005]为实现本专利技术目的，本专利技术采用如下技术方案：
[0006]根据本专利技术的一个方面，提供了一种高寒地区集中供热中供暖面积热指标辨识方法。
[0007]一种高寒地区集中供热中供暖面积热指标辨识方法，其特征在于，具体包括：
[0008]S1从历史供暖数据中获取目标建筑物的供暖面积热指标、供水温度、室外温度、建筑物保暖系数、入住率，并基于所述供暖面积热指标、供水温度、室外温度、建筑物保暖系数、入住率构建训练集；
[0009]S2将所述训练集输入到基于SVM算法以及PSO
‑
DBN算法的辨识模型中，对所述辨识模型进行训练，得到训练完成的辨识模型，其中所述供水温度、所述室外温度、所述建筑物保暖系数、所述入住率为输入量，以所述供暖面积热指标为输出量；
[0010]S3将此时的室外温度、供水温度、建筑物保暖系数、入住率输入到所述训练完成的辨识模型中，得到此时的供暖面积热指标。
[0011]通过从历史供暖数据中进行数据的获取，基于历史供暖数据中的供暖面积热指标、供水温度、室外温度、建筑物保暖系数、入住率构建训练集，基于所述训练集对辨识模型
进行训练，得到训练完成的辨识模型后，将此时的将此时的室外温度、供水温度、建筑物保暖系数、入住率输入到所述训练完成的辨识模型中，得到此时的供暖面积热指标，从而解决了仅仅考虑小区入住率因素，未考虑建筑物保温、供水温度、室外温度的影响，且采用数学计算公式的方式，精确度也较低，不能准确辨识得到供暖面积热指标，进而不利于供暖环节的节碳和节能的技术问题，充分考虑各方面的影响因素，并采用基于机器学习算法的辨识模型，使得辨识结果的准确性和可靠性得到了进一步的提升，也为供暖环节的节碳和节能奠定了基础。
[0012]通过采用所述供水温度、所述室外温度、所述建筑物保暖系数、所述入住率作为输入量，充分考虑多方面的因素，进一步提升了预测的精度，而不仅仅考虑单一的入住率，使得预测得到的结果也更加的可信，通过采用基于SVM算法以及PSO
‑
DBN算法的辨识模型，解决了原有仅仅依靠函数关系，导致的预测结果不准确的问题，进一步提升了辨识的精度，采用基于SVM算法以及PSO
‑
DBN算法的辨识模型，结合了SVM算法效率高和DBN算法精度高的问题，采用PSO算法对DBN算法进行初始值的优化，进一步提升了辨识的效率，使得整体的辨识模型不仅精度高，而且效率得到了有效的提升。
[0013]进一步的技术方案在于，所述供水温度包括当前供水温度、前24小时的平均供水温度、前一周相同时刻的平均供水温度。
[0014]由于对于建筑模型的散热不仅仅需要考虑当前的供水温度，而是一定时间内的供水温度，因此采用前24小时的平均供水温度使得辨识结果变得更加的准确，同时采用先一周相同时刻的平均供水温度，可以对当前的供水温度进行修正，防止由于温度的突变的导致的辨识结果不准确的问题，进一步提升了整体的辨识精度，也使得供水温度的设置变得更加的科学。
[0015]进一步的技术方案在于，所述室外温度包括当前室外温度、前24小时的平均室外温度、前一周相同时刻的平均室外温度。
[0016]由于对于建筑模型的散热不仅仅需要考虑当前的室外温度，而是一定时间内的室外温度，因此采用前24小时的平均室外温度使得辨识结果变得更加的准确，同时采用先一周相同时刻的平均室外温度，可以对当前的室外温度进行修正，防止由于温度的突变的导致的辨识结果不准确的问题，进一步提升了整体的辨识精度，也使得室外温度的设置变得更加的科学。
[0017]进一步的技术方案在于，所述建筑物保暖系数的具体计算公式为：
[0018]T＝K1PC+T1[0019]其中T为建筑物保暖系数，K1为转换系数，所述K1为常数，P为保暖层材质，C为保暖层厚度，T1为房屋除去保暖层外的保温系数，所述T1为常数。
[0020]通过基于保温层材质、保温层厚度、房屋除去保暖层外的保温系数构建建筑物的保暖系数，从而进一步提升了对建筑物的保温系数的准确性，也为进一步提升整体的预测准确性和可靠性奠定了基础。
[0021]进一步的技术方案在于，所述建筑物保暖系数还包括老化系数k，对所述建筑物保暖系数进行修正，修正后的建筑物保暖系数的计算公式为：
[0022]T
K
＝K(K1PC+T1)
[0023]通过老化系数的设置，从而充分考虑由于建筑物的老化导致的保温层保温效果变
差导致的误差，进一步为整体的预测准确性和可靠性奠定了基础。
[0024]进一步的技术方案在于，所述老化系数根据建筑物年限、保暖层材质、保暖层厚度有关。
[0025]进一步的技术方案在于，采用基于聚类算法和最小熵法相结合的方式对所述训练集进行去噪处理。
[0026]进一步的技术方案在于，所述去噪处理的具体步骤为：
[0027]S21基于所述聚类算法对所述训练集进行去噪处理，得到聚类训练集；
[0028]S22基于所述最小熵法对所述聚类训练集进行进一步的去噪处理，得到去噪完成的训练集。
[0029]通过先采用聚类算法对所述训练集进行去噪处理，从而可以剔除训练集中距离聚类中心过远的异常数据，在此基础上通过最小熵法去除某些峰值过大或者过小的数据，使得最终的结果变得更加的平滑，也使得最终的训练集的结果变得更加准确可靠。
[0030]进一步的技术方案在于，所述辨识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高寒地区集中供热中供暖面积热指标辨识方法，其特征在于，具体包括：S1从历史供暖数据中获取目标建筑物的供暖面积热指标、供水温度、室外温度、建筑物保暖系数、入住率，并基于所述供暖面积热指标、供水温度、室外温度、建筑物保暖系数、入住率构建训练集；S2将所述训练集输入到基于SVM算法以及PSO
‑
DBN算法的辨识模型中，对所述辨识模型进行训练，得到训练完成的辨识模型，其中所述供水温度、所述室外温度、所述建筑物保暖系数、所述入住率为输入量，以所述供暖面积热指标为输出量；S3将此时的室外温度、供水温度、建筑物保暖系数、入住率输入到所述训练完成的辨识模型中，得到此时的供暖面积热指标。2.如权利要求1所述的一种高寒地区集中供热中供暖面积热指标辨识方法，其特征在于，所述供水温度包括当前供水温度、前24小时的平均供水温度、前一周相同时刻的平均供水温度。3.如权利要求1所述的一种高寒地区集中供热中供暖面积热指标辨识方法，其特征在于，所述室外温度包括当前室外温度、前24小时的平均室外温度、前一周相同时刻的平均室外温度。4.如权利要求1所述的一种高寒地区集中供热中供暖面积热指标辨识方法，其特征在于，所述建筑物保暖系数的具体计算公式为：T＝K1PC+T1其中T为建筑物保暖系数，K1为转换系数，所述K1为常数，P为保暖层材质，C为保暖层厚度，T1为房屋除去保暖层外的保温系数，所述T1为常数。5.如权利要求4所述的一种高寒地区集中供热中供暖面积热指标辨识方法，其特征在于，所述建筑物保暖系数还包括老化系数k，对所述建筑物保暖系数进行修正，修正后的建筑物保暖系数的计算公式为：T
K
＝K(K1PC+T1)。6.如权利要求5所述的一种高寒地区集中供热中供暖面积热指标辨识方法，其特征在于，所述老化系数根据建筑物年限、保暖层材质、保暖层厚度有关。7.如权利要求1所述的一种高寒地区集中供热中供暖面积热...

【专利技术属性】
技术研发人员：冯琪，徐海涛，汪广慧，卜心明，郭鑫，姚国鹏，蔡浩飞，谢金芳，林佳捷，
申请(专利权)人：呼伦贝尔安泰热电有限责任公司海拉尔热电厂，
类型：发明
国别省市：