一种深度学习的供热控制方法技术

本发明专利技术公开了一种深度学习的供热控制方法，属于供热控制技术领域，通过对历史供热影响因素与历史供热负荷之间的关系，从而可以根据待预测周期的供热影响因素，对目标建筑的预测供热负荷进行预测，从而实现精准供热以及自动化调度，既满足了用户的供热需求，又减少了热量损失，节约了能源。节约了能源。节约了能源。

【技术实现步骤摘要】
一种深度学习的供热控制方法


[0001]本专利技术属于供热控制
，具体涉及一种深度学习的供热控制方法。

技术介绍

[0002]随着人们对居住环境要求的提高，冬天寒冷的城市大量建筑物内采用供热系统控制单元。对于商业写字楼、政府办公楼、学校等建筑物的供热时间和热负荷随时间变化大，采用供热系统连续运行的方式能耗大，为此需要对不同建筑物的供热进行间歇供热优化控制，实现建筑物的节能。建筑物采用间歇供热后，供热系统控制单元运行在低负荷或停运，再开启正常供热后，室温回升时间在几个小时，室温回升的时间与建筑物的室内温度、室外温度、供热热水的流量和给水温度相关。在指定时间使室温达到设定值，需要提前启动供热系统控制单元，从而在满足建筑物供热条件下，最大程度减低能源消耗。
[0003]现有的供热系统控制单元基本依靠人工调度，不能够满足用户端按需供热，导致采暖用户舒适度降低，还造成大量的热量损失。

技术实现思路

[0004]本专利技术提供一种深度学习的供热控制方法，用以解决现有技术中存在的问题。
[0005]一种深度学习的供热控制方法，包括：
[0006]采集历史供热影响因素以及目标建筑的历史供热负荷，对所述历史供热影响因素进行预处理，得到训练数据；所述历史供热影响因素以及目标建筑的历史供热负荷均为预先存储的数据；
[0007]采用深度学习模型构建供热负荷预测模型，并采用训练数据以及目标建筑的历史供热负荷对供热负荷预测模型进行训练，得到训练完成的供热负荷预测模型；
[0008]采集待预测周期的供热影响因素，并对待预测周期的供热影响因素进行预处理后，得到待识别数据，将所述待识别数据输入训练完成的供热负荷预测模型进行识别，得到预测供热负荷；
[0009]以所述预测供热负荷为基础，获取在待预测周期内目标建筑的供热进水端对应的电气控制阀门的开度，并根据该开度控制供热进水端的电气控制阀门进行供热，完成供热控制。
[0010]进一步地，所述历史供热影响因素至少包括目标建筑内部的历史平均温度、外部的历史湿度、外部的历史温度以及外部的历史风速。
[0011]进一步地，对所述历史供热影响因素进行预处理，包括：
[0012]对历史平均温度、外部的历史湿度、外部的历史温度以及外部的历史风速进行缺失值以及异常值处理，得到初次处理后的历史平均温度、外部的历史湿度、外部的历史温度以及外部的历史风速；
[0013]将初次处理后的历史平均温度、外部的历史湿度、外部的历史温度以及外部的历史风速分别进行归一化处理，得到训练数据。
[0014]进一步地，采用深度学习模型构建供热负荷预测模型，包括：采用BP神经网络或者卷积神经网络作为供热负荷预测模型。
[0015]进一步地，采用训练数据以及目标建筑的历史供热负荷对供热负荷预测模型进行训练，得到训练完成的供热负荷预测模型，包括：以单位时间内对应的训练数据作为供热负荷预测模型的输入数据，以单位时间内对应历史供热负荷作为供热负荷预测模型的期望输出数据，并基于反向学习对供热负荷预测模型进行训练，得到训练完成的供热负荷预测模型。
[0016]进一步地，基于反向学习对供热负荷预测模型进行训练，包括：
[0017]初始化供热负荷预测模型的第一个体，采用反向学习生成第一个体对应的反向个体，得到第二个体；所述第一个体包括供热负荷预测模型的所有网络参数，所述第二个体包括供热负荷预测模型的所有网络参数；
[0018]以单位时间内对应的训练数据作为供热负荷预测模型的输入数据，以单位时间内对应历史供热负荷作为供热负荷预测模型的期望输出数据，获取第一个体以及第二个体的适应度值，并将适应度值最大的N个个体保留，组成种群；
[0019]将种群中的个体按比例分为第一个体、第二个体以及第三个体，并获取第一个体、第二个体以及第三个体中的全局最优个体；
[0020]针对第一个体，以全局最优个体对第一个体进行更新，得到更新后的第一个体；
[0021]针对第二个体，采用历史最优值以及协作更新的方法对第二个体进行更新，得到更新后的第二个体；
[0022]针对第三个体，引入狼群捕猎机制对第三个体进行更新，得到更新后的第三个体；
[0023]根据更新后的第一个体、更新后的第二个体以及更新后的第三个体，对全局最优个体进行更新；
[0024]判断全局最优个体所对应的适应度值是否大于设定的阈值，若是，则将全局最优个体作为供热负荷预测模型的最终网络参数，得到训练完成的供热负荷预测模型，否则重新对第一个体、第二个体以及第三个体进行更新，进入下一轮训练。
[0025]进一步地，初始化供热负荷预测模型的第一个体，采用反向学习生成第一个体对应的反向个体，得到第二个体，包括：
[0026]初始化供热负荷预测模型的第一个体为：
[0027]X
i
＝X
min
+rand(X
max
‑
X
min
)
[0028]其中，X
i
表示第i个第一个体，i＝1,2,
…
,I，I表示第一个体的总数，X
min
表示与第一个体维度相同的网络参数下限向量，X
max
表示与第一个体维度相同的网络参数上限向量，rand表示(0,1)之间的随机数；
[0029]采用反向学习生成第一个体对应的反向个体，得到第二个体为：
[0030][0031]其中，表示第一个体X
i
对应的反向个体，即第二个体。
[0032]进一步地，针对第一个体，以全局最优个体对第一个体进行更新，得到更新后的第一个体，包括：
[0033][0034]其中，表示在k轮训练中第l个第一个体L1对应的历史最优值，即适应度最高的历史值；l＝1,2,
…
,A，A表示第一个体L1的总数，G表示全局最优个体，γ表示标准正态分布随机数，表示更新后的第l个第一个体L1。
[0035]进一步地，针对第二个体，采用历史最优值以及协作更新的方法对第二个体进行更新，得到更新后的第二个体，包括：
[0036]采用历史最优值获取第二个体L2对应的略优值：
[0037][0038]其中，rand表示(0,1)之间的随机数，表示在第k轮训练中第j个第二个体L2，j＝1,2,
…
,J，J表示第二个体L2的总数，表示第j个第二个体L2对应的略优值；
[0039]采用协作更新的方法对第二个体L2对应的略优值进行更新，得到更新后的第二个体；
[0040]协作更新的方法包括：
[0041]A1、将所有第二个体L2对应的略优值等分为两半，得到第一目标群体以及第二目标群体，所述第一目标群体中包括J/2个第一目标个体，所述第二目标群体包括J/2个第二目标个体；
[0042]A2、从第一目标群体中取出一个第一目标个体以及从第二目标群体中取出一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度学习的供热控制方法，其特征在于，包括：采集历史供热影响因素以及目标建筑的历史供热负荷，对所述历史供热影响因素进行预处理，得到训练数据；所述历史供热影响因素以及目标建筑的历史供热负荷均为预先存储的数据；采用深度学习模型构建供热负荷预测模型，并采用训练数据以及目标建筑的历史供热负荷对供热负荷预测模型进行训练，得到训练完成的供热负荷预测模型；采集待预测周期的供热影响因素，并对待预测周期的供热影响因素进行预处理后，得到待识别数据，将所述待识别数据输入训练完成的供热负荷预测模型进行识别，得到预测供热负荷；以所述预测供热负荷为基础，获取在待预测周期内目标建筑的供热进水端对应的电气控制阀门的开度，并根据该开度控制供热进水端的电气控制阀门进行供热，完成供热控制。2.根据权利要求1所述的深度学习的供热控制方法，其特征在于，所述历史供热影响因素至少包括目标建筑内部的历史平均温度、外部的历史湿度、外部的历史温度以及外部的历史风速。3.根据权利要求2所述的深度学习的供热控制方法，其特征在于，对所述历史供热影响因素进行预处理，包括：对历史平均温度、外部的历史湿度、外部的历史温度以及外部的历史风速进行缺失值以及异常值处理，得到初次处理后的历史平均温度、外部的历史湿度、外部的历史温度以及外部的历史风速；将初次处理后的历史平均温度、外部的历史湿度、外部的历史温度以及外部的历史风速分别进行归一化处理，得到训练数据。4.根据权利要求3所述的深度学习的供热控制方法，其特征在于，采用深度学习模型构建供热负荷预测模型，包括：采用BP神经网络或者卷积神经网络作为供热负荷预测模型。5.根据权利要求3所述的深度学习的供热控制方法，其特征在于，采用训练数据以及目标建筑的历史供热负荷对供热负荷预测模型进行训练，得到训练完成的供热负荷预测模型，包括：以单位时间内对应的训练数据作为供热负荷预测模型的输入数据，以单位时间内对应历史供热负荷作为供热负荷预测模型的期望输出数据，并基于反向学习对供热负荷预测模型进行训练，得到训练完成的供热负荷预测模型。6.根据权利要求5所述的深度学习的供热控制方法，其特征在于，基于反向学习对供热负荷预测模型进行训练，包括：初始化供热负荷预测模型的第一个体，采用反向学习生成第一个体对应的反向个体，得到第二个体；所述第一个体包括供热负荷预测模型的所有网络参数，所述第二个体包括供热负荷预测模型的所有网络参数；以单位时间内对应的训练数据作为供热负荷预测模型的输入数据，以单位时间内对应历史供热负荷作为供热负荷预测模型的期望输出数据，获取第一个体以及第二个体的适应度值，并将适应度值最大的N个个体保留，组成种群；将种群中的个体按比例分为第一个体、第二个体以及第三个体，并获取第一个体、第二个体以及第三个体中的全局最优个体；针对第一个体，以全局最优个体对第一个体进行更新，得到更新后的第一个体；
针对第二个体，采用历史最优值以及协作更新的方法对第二个体进行更新，得到更新后的第二个体；针对第三个体，引入狼群捕猎机制对第三个体进行更新，得到更新后的第三个体；根据更新后的第一个体、更新后的第二个体以及更新后的第三个体，对全局最优个体进行更新；判断全局最优个体所对应的适应度值是否大于设定的阈值，若是，则将全局最优个体作为供热负荷预测模型的最终网络参数，得到训练完成的供热负荷预测模型，否则重新对第一个体、第二个体以及第三个体进行更新，进入下一轮训练。7.根据权利要求6所述的深度学习的供热控制方法，其特征在于，初始化供热负荷预测模型的第一个体，采用反向学习生成第一个体对应的反向个体，得到第二个体，包括：初始化供热负荷预测模型的第一个体为：X<...

【专利技术属性】
技术研发人员：巴云海，
申请(专利权)人：巴云海，
类型：发明
国别省市：