本发明专利技术涉及一种室温数据处理方法，属于数据处理技术领域，包括获取采暖周期内的历史室温数据，通过K‑means聚类选出最优K值；获取采暖周期内的第一日室温数据，生成第一日室温矩阵，对日室温矩阵中的日室温序列进行Z标准化处理得到波动模式，并通过K‑means聚类提取出K类波动模式的日室温序列；选取各日室温序列中的第一代表室温，对应的用户为第一代表用户；以天为单位不断获取第二日室温数据，重复选取第二代表室温步骤，判断第二代表用户与第一代表用户是否相同，不同则计算新的代表用户，通过综合考虑室温的波动特性，更能反映用户室温的真实情况，不断滚动地验证代表室温的代表性，并不断选取新的代表用户，使供热系统进行运行调控更加准确可靠。
【技术实现步骤摘要】
本专利技术涉及数据处理，具体涉及一种室温数据处理方法。
技术介绍
1、在集中供热领域，物联网、大数据等先进技术的应用正推动着集中供热系统的智能化升级。从以往粗放式的调节发展到如今的智慧供热阶段，换热站调节已基本实现自动化、信息化。智慧供热的核心目标是确保大多数终端用户的室温达标，因此实现真正的“智慧供热，按需供热”必须依托室温数据来反馈换热站的运行调控。随着室温传感器的普及，供热公司可以获取到大量的末端室温数据，并利用这些数据来调节换热站。然而，尽管数据充足，因缺乏对室温数据的深入分析与处理研究，目前大部分供热公司仍局限根据以往的经验将简单的将某用户的求取均值的方式来反馈换热站的运行调控，而当特殊情况发生时，室温往往会发生突发的变化，此时根据经验选择的典型用户不能很好的代表所有的室温。
2、而对于现有的大量用户室温数据仅能反映换热站下室温的整体趋势，如cn117235642a基于时间和空间的供热、供冷异常数据诊断处理方法中的对单个诊断用户室温数据进行初步数据诊断并将初步诊断异常数据删除，将剩余数据记为原始数据，并将原始数据转化为变化率数据，运行人员难以掌握不同的用户室温波动模式，典型用户室温求取均值的方式则会淹没用户室温的波动特征，其仅能反映大量用户室温平均水平，正因为不同的用户会呈现不同类型的波动模式才导致了当通过以往的经验选择典型用户的室温往往反馈给换热站错误的用户室温波动情况。因此，不同的用户室温波动模式意味着不同的节能潜力，只有反馈给换热站全面的室温波动模式和大小水平，才能充分发挥室温数据的节能潜力。
技术实现思路
1、针对相关技术中存在的不足之处，本专利技术的目的在于提供了一种室温数据处理方法，以解决现有技术局限根据以往的经验将简单的将某用户的求取均值的方式来反馈换热站的运行调控，而当特殊情况发生时，室温往往会发生突发的变化，此时根据经验选择的典型用户不能很好的代表所有的室温，运行人员难以掌握不同的用户室温波动模式，典型用户室温求取均值的方式则会淹没用户室温的波动特征，其仅能反映大量用户室温平均水平，正因为不同的用户会呈现不同类型的波动模式才导致了当通过以往的经验选择典型用户的室温往往反馈给换热站错误的用户室温波动情况的技术问题。
2、本专利技术提供一种室温数据处理方法，包括如下步骤：
3、s1、获取采暖周期内的历史室温数据，对所述历史室温数据进行预处理，通过k-means聚类算法对预处理后的历史室温数据进行聚类，通过一预设评价指标调整k-means聚类算法的k值，根据不同k值下的聚类结果选出最优k值；
4、s2、获取所述采暖周期内的第一日室温数据，对所述第一日室温数据进行预处理后生成第一日室温矩阵，对所述第一日室温矩阵中的日室温序列进行z标准化处理得到所述日室温序列对应的波动模式，并通过k-means聚类算法根据所述最优k值对z标准化处理后的第一日室温矩阵进行聚类，提取出k类波动模式的日室温序列；
5、s3、选取各日室温序列中的第一代表室温，第一代表室温对应的用户为第一代表用户，所述第一代表用户的室温将实时反馈至供热系统进行运行调控；
6、s4、以天为单位不断获取所述采暖周期内的第一日室温数据后续的第二日室温数据，重复步骤s2、s3根据所述第二日室温数据选取第二代表室温，判断所述第二代表室温对应的用户与第一代表用户是否相同，若不同，则再次重复步骤s3选取第三代表室温，将所述第三代表室温对应的用户作为新的代表用户。
7、本专利技术实施例通过综合考虑室温的波动特性，将代表室温对应的代表用户用于反馈换热站调控，相较于传统的均值室温的调控能力更强，更能反映用户室温的真实情况，通过不断滚动地验证代表室温的代表性，并不断选取新的代表用户，使得代表用户室温在整个采暖季上都具有代表性，相较于传统的静态选取典型用户并认为其在整个采暖季都具有代表性的方法，更加准确可靠。
8、本专利技术一些实施例中，预设一温度区间，计算日室温序列均值，计算所述日室温序列均值位于所述温度区间内的有效室温均值序列，计算所述日室温序列与所述有效室温均值序列的偏差，偏差最小的日室温序列为代表室温。
9、本专利技术实施例通过对k类波动模式的日室温序列进行均值计算，偏差计算得到代表室温反馈给换热站更正确的用户室温波动情况，能充分发挥室温数据的节能潜力。
10、本专利技术一些实施例中，所述方法还包括：
11、s5、预设一室温变化阈值，所述代表室温对应的用户从第一时刻开始连续三个时刻的室温数值与第一时刻相差的室温数值的绝对值大于所述室温变化阈值，则认定为所述代表室温对应的用户的室温出现异常，并将所述代表室温对应的用户对应的日室温序列的类中除所述代表室温对应的用户之外的偏差最小的日室温序列作为新的代表室温，新的代表室温所对应的用户为新的代表用户。
12、本专利技术实施例通过针对室温数据抗干扰能力差的特性对代表室温进行实时的室温异常监测，能够在室温异常出现时，避免受到异常的影响而得到错误的代表室温。
13、本专利技术一些实施例中，所述步骤s1进一步包括：
14、通过调整k值判断所述评价指标的值是否最小，若所述评价指标的值最小，则使得所述评价指标的值最小的k值为最优的k值。
15、本专利技术实施例通过评价指标能够选出最优的k值，为后续对日室温进行聚类计算做铺垫，且评价指标最优时，簇内相似性最高、簇间差异性最大。
16、本专利技术一些实施例中，所述步骤s2进一步包括：
17、s21、所述第一日室温矩阵包括n个供暖用户24个时刻的第一日室温数据；其中，所述第一日室温矩阵为：
18、x＝[x1,x2,…,xi,…,xn]t
19、xi＝[x0,x1,…,xt,…,x23]
20、其中，xi为第i个用户24个时刻室温数据的日室温序列；xt为用户在t时刻时的室温数据，t＝0,1,……,23；n为用户数。
21、s22、对所述第一日室温矩阵中的每条日室温序列xi进行z标准化处理得到日室温序列xi对应的波动模式：
22、
23、其中，x′t为z标准化后的第一日室温数据；xt为第一日室温数据；μ为第一室温数据的平均值；σ为第一日室温数据的标准差。
24、所述步骤s3进一步包括：
25、s31、将所述日室温序列均值位于所述温度区间外的日室温序列剔除，计算所述日室温序列均值位于所述温度区间内的有效室温均值序列，计算公式为：
26、
27、
28、其中，为日室温序列在t时刻的平均值；m为日室温均值位于温度区间内的对应的有效用户数；xit为第i个有效用户在t时刻的第一日室温数据所对应的数值；
29、s32、计算所述日室温序列与所述有效室温均值序列的偏差，计算公式为：
30、
31、其中，ri为第i个用户的日室温序列xi与有效室温均值序列的偏差。
本文档来自技高网
...
【技术保护点】
1.一种室温数据处理方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的室温数据处理方法，其特征在于，还包括：预设一温度区间，计算日室温序列均值，计算所述日室温序列均值位于所述温度区间内的有效室温均值序列，计算所述日室温序列与所述有效室温均值序列的偏差，偏差最小的日室温序列为代表室温。
3.根据权利要求2所述的室温数据处理方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的室温数据处理方法，其特征在于，所述步骤S1进一步包括：
5.根据权利要求1所述的室温数据处理方法，其特征在于，所述步骤S2进一步包括：
6.根据权利要求5所述的室温数据处理方法，其特征在于，所述步骤S2进一步包括：
7.根据权利要求2所述的室温数据处理方法，其特征在于，所述步骤S3进一步包括：
8.根据权利要求7所述的室温数据处理方法，其特征在于，所述步骤S3进一步包括：
9.根据权利要求8所述的室温数据处理方法，其特征在于，所述步骤S3进一步包括：
10.根据权利要求2所述的室温数据处理方法，其特征在于，所述步骤S4进一步包括：
...
【技术特征摘要】
1.一种室温数据处理方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的室温数据处理方法，其特征在于，还包括：预设一温度区间，计算日室温序列均值，计算所述日室温序列均值位于所述温度区间内的有效室温均值序列，计算所述日室温序列与所述有效室温均值序列的偏差，偏差最小的日室温序列为代表室温。
3.根据权利要求2所述的室温数据处理方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的室温数据处理方法，其特征在于，所述步骤s1进一步包括：
5.根据权利要求1所述的...
【专利技术属性】
技术研发人员：相明宇，周恩泽，杨英帅，吴言，徐文晓，杜岷佳，刘亚宁，
申请(专利权)人：青岛理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。