一种神经网络热负荷预测模型自动优化方法及装置制造方法及图纸

本发明专利技术公开了一种神经网络热负荷预测模型自动优化方法及装置，在线获取温度数据和供热系统的历史供热数据；根据温度数据和历史供热数据生成数据集；获取热负荷预测模型的超参数组的集合；选取集合中的超参数组作为热负荷预测模型的训练超参数，基于数据集对热负荷预测模型进行训练和测试；根据热负荷预测模型的测试结果计算热负荷预测模型的R2分数，当R2分数大于等于分数阈值时，完成热负荷预测模型的优化；本发明专利技术可以降低热负荷预测模型训练过程中对人工处理数据的依赖度。中对人工处理数据的依赖度。中对人工处理数据的依赖度。

【技术实现步骤摘要】
一种神经网络热负荷预测模型自动优化方法及装置


[0001]本专利技术属于热负荷预测
，尤其涉及一种神经网络热负荷预测模型自动优化方法及装置。

技术介绍

[0002]目前，供热系统的精细化运行日益重要，而热负荷预测在其中扮演了重要角色。另一方面，随着计算机技术的不断发展，人工智能，机器学习，深度学习逐渐崭露头角，其中神经网络预测技术更是在各个行业落地实践，取得优秀的效果。
[0003]在供暖
，神经网络预测技术可以准确到每个时间点的热负荷预测，在数值精度上也非常高，获得普遍青睐。但是，神经网络的训练过程大部分依赖人工的方式，需要人工处理数据、训练模型、调试参数等等，这就会消耗大量的准备时间，费时费力。

技术实现思路

[0004]本专利技术的目的是提供一种神经网络热负荷预测模型自动优化方法及装置，通过在线自动获取数据生成训练数据，再对热负荷预测模型进行自动训练，进而减少人工训练模型的依赖度。
[0005]本专利技术采用以下技术方案：一种神经网络热负荷预测模型自动优化方法，包括以下步骤：
[0006]在线获取温度数据和供热系统的历史供热数据；
[0007]根据温度数据和历史供热数据生成数据集；
[0008]获取热负荷预测模型的超参数组的集合；
[0009]选取集合中的超参数组作为热负荷预测模型的训练超参数，基于数据集对热负荷预测模型进行训练和测试；
[0010]根据热负荷预测模型的测试结果计算热负荷预测模型的R2分数，当R2分数大于等于分数阈值时，完成热负荷预测模型的优化。
[0011]进一步地，在线获取温度数据和供热系统的历史供热数据包括：
[0012]在线获取供热系统的采集时间、一次测供水温度、一次侧回水温度、一次侧供水流量、目标室内温度、采集时间的时序、采集时间的周序、采集时间前各时间段的平均热负荷值和采集时间前各时间点的实时热负荷值；
[0013]通过外部接口在线获取采集时间对应的室外温度；
[0014]采用三西格玛准则筛选采集时间、一次测供水温度、一次侧回水温度、一次侧供水流量和室外温度中的异常数据，并用线性插值方法进行补值。
[0015]进一步地，根据温度数据和历史供热数据生成数据集包括：
[0016]根据一次侧供水流量、一次测供水温度和一次侧回水温度计算采集时间对应的实际热负荷值；
[0017]将实际热负荷值、目标室内温度、室外温度、采集时间的时序、采集时间的周序、采
集时间前各时间段的平均热负荷和采集时间前各时间点的实时热负荷组合，得到数据集。
[0018]进一步地，计算采集时间对应的实际热负荷值的具体方法为：
[0019][0020]其中，Q
h
为实际热负荷值，G
h
为一次侧供水流量，t
g
为一次测供水温度，t
h
为一次侧回水温度。
[0021]进一步地，获取热负荷预测模型的超参数组的集合包括：
[0022]采用逐一变化单项超参数值的方法，对热负荷预测模型进行训练，并计算得到不同的超参数值对应的均方差值；
[0023]根据均方差值确定超参数组中的超参数，以及该项超参数对应的取值范围。
[0024]进一步地，基于数据集对热负荷预测模型进行训练和测试包括：
[0025]将数据集分为训练数据集和测试数据集；
[0026]对于每一个超参数组，基于训练数据集对热负荷预测模型进行训练，基于测试数据集对热负荷预测模型进行测试。
[0027]进一步地，根据热负荷预测模型的测试结果计算热负荷预测模型的R2分数包括：
[0028]对于每个测试数据集，获取热负荷预测值；
[0029]根据热负荷预测值和测试数据集中的实际热负荷值计算R2分数。
[0030]进一步地，R2分数的计算方法为：
[0031][0032]其中，R2为热负荷预测模型的R2分数，为第i个测试数据集对应的热负荷预测值，y
i
为第i个测试数据集中的实际热负荷值，为所有测试数据集中实际热负荷值的均值。
[0033]本专利技术的另一种技术方案：一种神经网络热负荷预测模型自动优化装置，包括：
[0034]第一获取模块，用于在线获取温度数据和供热系统的历史供热数据；
[0035]生成模块，用于根据温度数据和历史供热数据生成数据集；
[0036]第二获取模块，用于获取热负荷预测模型的超参数组的集合；
[0037]训练测试模块，用于选取集合中的超参数组作为热负荷预测模型的训练超参数，基于数据集对热负荷预测模型进行训练和测试；
[0038]计算模块，用于根据热负荷预测模型的测试结果计算热负荷预测模型的R2分数，当R2分数大于等于分数阈值时，完成热负荷预测模型的优化。
[0039]本专利技术的另一种技术方案：一种神经网络热负荷预测模型自动优化装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种神经网络热负荷预测模型自动优化方法。
[0040]本专利技术的有益效果是：本专利技术通过在线获取供热系统中的历史供热数据和温度数据，再根据历史供热数据和温度数据生成对应的数据集，同时结合热负荷预测模型的超参数组对热负荷预测模型进行实时训练，最后通过R2分数来选择热负荷预测模型的超参数和权重参数，可以降低热负荷预测模型训练过程中对人工处理数据的依赖度。
附图说明
[0041]图1为本专利技术实施例一种神经网络热负荷预测模型自动优化方法的流程图；
[0042]图2为本专利技术实施例一种神经网络热负荷预测模型自动优化装置的结构示意图。
具体实施方式
[0043]下面结合附图和具体实施方式对本专利技术进行详细说明。
[0044]本专利技术公开了一种神经网络热负荷预测模型自动优化方法，如图1所示，包括以下步骤：步骤S110、在线获取温度数据和供热系统的历史供热数据；步骤S120、根据温度数据和历史供热数据生成数据集；步骤S130、获取热负荷预测模型的超参数组的集合；步骤S140、选取集合中的超参数组作为热负荷预测模型的训练超参数，基于数据集对热负荷预测模型进行训练和测试；步骤S150、根据热负荷预测模型的测试结果计算热负荷预测模型的R2分数，当R2分数大于等于分数阈值时，完成热负荷预测模型的优化。
[0045]本专利技术通过在线获取供热系统中的历史供热数据和温度数据，再根据历史供热数据和温度数据生成对应的数据集，同时结合热负荷预测模型的超参数组对热负荷预测模型进行实时训练，最后通过R2分数来选择热负荷预测模型的超参数和权重参数，可以降低热负荷预测模型训练过程中对人工处理数据的依赖度。
[0046]在步骤S110中，在线获取温度数据和供热系统的历史供热数据包括：在线获取供热系统的采集时间、一次测供水温度、一次侧回水温度、一次侧供水流量、目标室内温度、采集时间的时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种神经网络热负荷预测模型自动优化方法，其特征在于，包括以下步骤：在线获取温度数据和供热系统的历史供热数据；根据所述温度数据和历史供热数据生成数据集；获取热负荷预测模型的超参数组的集合；选取所述集合中的所述超参数组作为所述热负荷预测模型的训练超参数，基于所述数据集对所述热负荷预测模型进行训练和测试；根据所述热负荷预测模型的测试结果计算所述热负荷预测模型的R2分数，当所述R2分数大于等于分数阈值时，完成所述热负荷预测模型的优化。2.如权利要求1所述的一种神经网络热负荷预测模型自动优化方法，其特征在于，在线获取温度数据和供热系统的历史供热数据包括：在线获取所述供热系统的采集时间、一次测供水温度、一次侧回水温度、一次侧供水流量、目标室内温度、采集时间的时序、采集时间的周序、采集时间前各时间段的平均热负荷和采集时间前各时间点的实时热负荷；通过外部接口在线获取所述采集时间对应的室外温度；采用三西格玛准则筛选所述采集时间、一次测供水温度、一次侧回水温度、一次侧供水流量和室外温度中的异常数据，并用线性插值方法进行补值。3.如权利要求2所述的一种神经网络热负荷预测模型自动优化方法，其特征在于，根据所述温度数据和历史供热数据生成数据集包括：根据所述一次侧供水流量、一次测供水温度和一次侧回水温度计算采集时间对应的实际热负荷值；将所述实际热负荷值、目标室内温度、室外温度、采集时间的时序、采集时间的周序、采集时间前各时间段的平均热负荷值和采集时间前各时间点的实时热负荷值组合，得到所述数据集。4.如权利要求3所述的一种神经网络热负荷预测模型自动优化方法，其特征在于，计算采集时间对应的实际热负荷值的具体方法为：其中，Q
h
为实际热负荷值，G
h
为一次侧供水流量，t
g
为一次测供水温度，t
h
为一次侧回水温度。5.如权利要求2
‑
4任一所述的一种神经网络热负荷预测模型自动优化方法，其特征在于，获取热负荷预测模型的超参数组的集合包括：采用逐一变化单...

【专利技术属性】
技术研发人员：王安倩，邢敬创，乔匡华，刘志鹏，马钰，
申请(专利权)人：西安思安云创科技有限公司，
类型：发明
国别省市：