一种供热需求预测方法及系统技术方案

本发明专利技术公开的一种供热需求预测算法及系统，包括：获取实时运行数据和实时环境参数数据；通过实时运行数据、实时环境参数数据和训练好的供热需求预测模型，获得供热需求预测结果，其中，选取与实时运行数据的相似度大于等于设定值的历史运行数据及该历史运行数据对应的环境参数数据作为训练样本对构建的供热需求预测模型进行训练，获得训练好的供热需求预测模型。实现了对供热需求的准确预测。实现了对供热需求的准确预测。实现了对供热需求的准确预测。

【技术实现步骤摘要】
一种供热需求预测方法及系统


[0001]本专利技术涉及新能源及节能
，尤其涉及一种供热需求预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]热量供应具有巨大的延迟性，主要通过对末端的用户需求进行提前预测，来满足用户的供热需求，然而用户需求和天气条件的波动性，又造成提前的预测值与真正的末端需求存在差异。
[0004]通常进行供热负荷预测时采取的方案是lstm回归分析，但是专利技术人发现，现有方法利用lstm回归分析进行用户需求预测时，通过获取训练数据对lstm模型进行训练，利用训练好的模型进行用户需求预测，但是并没有考虑运行工况波动，对用户需求预测造成的影响，使得用于需求预测结果不准确。

技术实现思路

[0005]本专利技术为了解决上述问题，提出了一种供热需求预测方法及系统，将与实时运行数据的运行工况相符合的历史数据作为训练样本，利用该训练样本训练好的供热需求预测模型进行供热需求预测时，提高了供热需求预测的准确性。
[0006]为实现上述目的，本专利技术采用如下技术方案：
[0007]第一方面，提出了一种供热需求预测算法，包括：
[0008]获取实时运行数据和实时环境参数数据；
[0009]通过实时运行数据、实时环境参数数据和训练好的供热需求预测模型，获得供热需求预测结果，其中，选取与实时运行数据的相似度大于等于设定值的历史运行数据及该历史运行数据对应的环境参数数据作为训练样本对构建的供热需求预测模型进行训练，获得训练好的供热需求预测模型。
[0010]第二方面，提出了一种供热需求预测系统，包括：
[0011]数据获取模块，用于获取实时运行数据和实时环境参数数据；
[0012]供热需求预测模块，用于通过实时运行数据、实时环境参数数据和训练好的供热需求预测模型，获得供热需求预测结果，其中，选取与实时运行数据的相似度大于等于设定值的历史运行数据及该历史运行数据对应的环境参数数据作为训练样本对构建的供热需求预测模型进行训练，获得训练好的供热需求预测模型。
[0013]第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种供热需求预测方法所述的步骤。
[0014]第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种供热需求预测方法所述的步骤。
[0015]与现有技术相比，本专利技术的有益效果为：
[0016]本专利技术在选取供热需求预测模型的训练样本时，考虑了实时运行数据所属的运行工况，通过计算实时运行数据与历史运行数据的相似度，选取相似度大于等于设定值的历史运行数据作为训练样本，该训练样本与实时运行数据工况相同，通过该训练样本训练出的供热需求预测模型进行该用户需求预测时，提高了用户需求预测的准确率。
[0017]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0018]构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
[0019]图1为实施例1公开方法的流程图。
具体实施方式
[0020]下面结合附图与实施例对本专利技术作进一步说明。
[0021]应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。
[0022]实施例1
[0023]为了实现对用户供热需求的准确预测，在该实施例中公开了一种供热需求预测算法，包括：
[0024]S1：获取实时运行数据和实时环境参数数据。
[0025]获取的实时运行数据包括供热系统输出的供热水流量和供热水温度等。
[0026]环境参数数据包括室温和光照强度等数据。
[0027]具体的运行数据和环境参数可以根据实时需求进行选择，包含但不仅限于以上参数数据。
[0028]S2：通过实时运行数据、实时环境参数数据和训练好的供热需求预测模型，获得供热需求预测结果，其中，选取与实时运行数据的相似度大于等于设定值的历史运行数据及该历史运行数据对应的环境参数数据作为训练样本对构建的供热需求预测模型进行训练，获得训练好的供热需求预测模型。
[0029]供热需求预测模型以运行数据和环境参数数据为输入，以供热需求温度预测结果为输出，采用LSTM构建获得。
[0030]为了保证对供热需求的准确预测，本实施例选取了与实时运行数据所属同一运行工况的历史数据作为训练样本，对供热需求预测模型进行训练。
[0031]获取与实时运行数据所属同一运行工况的训练样本的过程为：
[0032]获取供热系统历史运行数据、历史环境参数数据及对应的历史供热温度；
[0033]计算实时运行数据与历史运行数据的相似度；
[0034]当相似度大于等于设定值时，通过获取的历史运行数据、历史环境参数数据及对应的历史供热温度，构建训练样本；
[0035]当相似度小于设定值时，获取新的历史运行数据、历史环境参数数据及对应的历史供热温度，加入已有的历史数据中；
[0036]计算实时运行数据与加入新的历史运行数据后所有历史运行数据的相似度，当该相似度大于等于设定值时，通过加入新的历史数据后的所有历史数据构建训练样本。
[0037]具体的：获取系统历史运行数据、历史环境参数数据和对应的历史供热温度；
[0038]通过皮尔逊相关系数法对历史运行数据、历史环境参数数据和对应的历史供热温度进行相关性分析，选取与历史供热温度相关的历史运行数据、历史环境参数数据，并通过选取出的数据作为训练样本，对供热需求预测模型进行训练。
[0039]且由于获取的各类历史数据会有缺失值、脏数据、不同维度数据量纲不一样等问题，因此需要对于采集的数据进行预处理，常用方法有均值填充、kmeans离群点识别，将输入的不同维度数据进行归一化。
[0040]通过LSTM构建以运行数据和环境参数数据为输入，以供热需求预测结果为输出的供热需求预测模型，并通过训练样本对供热需求预测模型进行训练，获得训练好的供热需求预测模型。
[0041]通过随机森林算法计算实时运行数据和训练样本中历史运行数据的相似度，即对于当前数据样本，所有树给各类的投票/所有树的数量，若相似度大于等于设定值0.8时，则使用训练好的供热需求预测模型进行供热需求预测；若相似度小于设定值0.8时，则说明当前的运行数据和训练数据中历史运行数据的相似度较低，供热系统工况有一定概率出现了变化，为了确保供热需求预测模型预测的准确率，在原有训练样本的基础上加入新的历史样本数据，并通过所有的样本重新对供热需求预测模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种供热需求预测算法，其特征在于，包括：获取实时运行数据和实时环境参数数据；通过实时运行数据、实时环境参数数据和训练好的供热需求预测模型，获得供热需求预测结果，其中，选取与实时运行数据的相似度大于等于设定值的历史运行数据及该历史运行数据对应的环境参数数据作为训练样本对构建的供热需求预测模型进行训练，获得训练好的供热需求预测模型。2.如权利要求1所述的一种供热需求预测算法，其特征在于，采用随机森林算法计算实时运行数据与历史运行数据的相似度。3.如权利要求1所述的一种供热需求预测算法，其特征在于，获取训练样本的具体过程为：获取供热系统历史运行数据、历史环境参数数据及对应的历史供热温度；计算实时运行数据与历史运行数据的相似度；当相似度大于等于设定值时，通过获取的历史运行数据、历史环境参数数据及对应的历史供热温度，构建训练样本；当相似度小于设定值时，获取新的历史运行数据、历史环境参数数据及对应的历史供热温度，加入已有的历史数据中；计算实时运行数据与加入新的历史运行数据后所有历史运行数据的相似度，当该相似度大于等于设定值时，通过加入新的历史数据后的所有历史数据构建训练样本。4.如权利要求1所述的一种供热需求预测算法，其特征在于，通过皮尔逊相关系数法对历史运行数据、历史环境参数数据和对应的历史供热温度进行相关性分析，选取与历史供热温度相关的历史运行数据、历史环境参数数据，并通过选取出的数据对构建的供热需求预测模型进行训练。5.如权利要求1所述的一种供热需求预测算法，...

【专利技术属性】
技术研发人员：明瑶，闫磊，宋春景，陈健华，倪依雨，潘新新，马娟，王岳，叶成，姜旭东，张晋，顾先青，王晨晨，桂璐廷，张荣华，陈晨，丁雪莹，
申请(专利权)人：上海时链节能科技有限公司，
类型：发明
国别省市：