一种智慧供热负荷预测方法、系统及供热系统的调控方法

本发明涉及供热系统热负荷预测，特别是涉及一种智慧供热负荷预测方法、系统及供热系统的调控方法。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、供热供冷系统占总能耗约5％，并且在运行过程中有10％-20％的能源浪费。其中，供热负荷预测作为供热系统按需控制的关键环节，对于系统运行控制十分重要，提高负荷的预测精度对于实现建筑节能具有重要的意义。

3、近年来，关于负荷预测的研究有很多，传统的预测方法基于统计学，包括时间序列法预测、回归预测等，但由于供热负荷的影响因素较多，且数据呈现高度非线性分布，因此，建立精准的数学模型有一定的限度。伴随着互联网物联网的普及、数据采集量越来越多、计算能力大幅提升、信息化成本越来越低，“人工智能”逐渐成熟，机器学习被广泛应用于负荷的预测，这一引入提高了预测模型的准确性，但存在由于信息不足进一步导致推理过程的不确定性问题。如何能够在信息不足和不确定性情况下深度理解数据，是实现负荷智能预测的关键。

4、对于室外温度、风速、相对湿度，根据天气预报可以获得预测时刻的值。太阳辐射亦是影响供热负荷的一个重要因素，但难以直接获得预测时刻的值。有关热负荷预测的现有研究中，如专利cn 115630561 a“一种神经网络热负荷预测模型自动优化方法及装置”，虽然公开了利用神经网络对热负荷进行预测，但是在其技术方案中，仅仅获取了温度数据和给供热系统的历史供热数据，却忽略了太阳辐射的影响，或者有些现有技术中虽采用回归曲线得到了太阳辐射在预测时刻的值，但准确率不高，因此，负荷模型的预测效果受到了输入变量的不确定性的影响。同时，基于负荷预测结果，有效的供热系统运行调控技术有待进一步研究，以实现真正意义上的“智慧供热”。

技术实现思路

1、为了解决上述问题，本发明提出了一种智慧供热负荷预测方法、系统及供热系统的调控方法，考虑了未来太阳辐射对于负荷预测的影响，基于准确的数据模块，提出了一种二次网的智慧调控方法。

2、为了实现上述目的，本发明采用如下技术方案：

3、第一方面，本发明提供一种智慧供热负荷预测方法，包括：

4、采集供热数据并对采集的供热数据进行预处理；所述供热数据包括热力管网监测数据、气象数据和时间数据；

5、选取太阳辐射和供热负荷关键影响因素；

6、构建多变量灰色预测模型和萤火虫算法优化的神经网络预测模型；

7、根据构建的多变量灰色预测模型，输入预测时刻的气象数据和时间数据得到太阳辐射预测结果，再将太阳辐射预测结果、预测时刻的气象数据和热力管网监测数据作为萤火虫算法优化的神经网络预测模型的输入，输出热负荷预测结果。

8、进一步的技术方案，所述时间数据包括日期、天数和时间；所述气象数据包括室外温度、风速、相对湿度、太阳辐射、总云量和天气状况；所述热力管网监测数据包括供回水温度、累积热量和累积流量；对前后两个时刻的累积流量作差得到循环流量，对前后两个时刻的累积热量作差得到逐时热量，即热负荷；

9、所述预处理的方法为：对于缺失数据，使用插值法即前后时刻的均值填充，若前后时刻数据是缺失的，则采用相邻两天对应时刻的均值；

10、对于异常数据，使用插值法进行数据的替代；由于采集过程异常导致的长期的数据缺失、重复，则直接将此类数据剔除。

11、进一步的技术方案，所述选取太阳辐射关键影响因素包括：天数、时间、总云量和天气状况；所述选取供热负荷关键影响因素包括：上一时刻的供回水温度、热负荷、循环流量，以及下一时刻的室外温度、风速、相对湿度、太阳辐射。

12、进一步的技术方案，所述构建多变量灰色预测模型的步骤为：

13、利用关联系数定义式，进行关联度计算，确定多变量灰色预测模型的输入输出变量，并组成一个数据组，其中，关联系数定义式为：

14、

15、关联度计算公式为：

16、利用数据组进行多变量灰色预测模型构建，将n-1个气象及时间数据作为相关因素序列输入，将太阳辐射作为原始序列输入，得到多变量灰色预测模型。

17、进一步的技术方案，所述萤火虫算法优化的神经网络预测模型的步骤为：

18、根据热力管网监测数据和气象数据，划分训练数据和验证数据，其中，训练数据用于网络训练，验证数据用于测试网络的拟合性能；

19、数据归一化处理；其中对输入输出数据使用最小最大值归一化方法进行归一化处理，计算公式为：

20、式中，x为数据归一化前的初始值、y为数据归一化后的计算值、xmax和xmin分别为原始数据得到的最大最小值；

21、设置参数，确定节点个数；其中，神经网络预测模型的隐含层节点数目为n，得到最优的神经网络结构，隐含层节点数计算公式为：式中，a为输入层变量、b为输出层变量、m为整数且0<m<10；

22、萤火虫参数初始化，包括萤火虫数目、步长因子、光强吸收系数、最大吸引度系数、最大迭代次数；

23、开始萤火虫优化，得到最优萤火虫个体对应最优权值阈值，进而得到初始萤火虫算法优化的神经网络预测模型；

24、将训练数据输入初始萤火虫算法优化的神经网络预测模型中，得到训练后的预测模型；通过验证数据对训练后的预测模型进行验证，从而得到最终的萤火虫算法优化的神经网络预测模型。

25、进一步的技术方案，对供热负荷进行预测，具体方法为：

26、将预测太阳辐射数据对应的时间、天数、总云量、天气状况输入到多变量灰色预测模型中，得到下一时刻的太阳辐射预测结果；

27、将上一时刻的供回水温度、热负荷、循环流量，以及下一时刻的室外温度、风速、相对湿度、太阳辐射送入到萤火虫算法优化的神经网络预测模型中，得到下一时刻热负荷。

28、第二方面，本发明提供一种智慧负荷预测系统，包括：

29、数据采集及预处理模块，被配置为：采集供热数据并对采集的供热数据进行预处理；所述供热数据包括热力管网监测数据、气象数据和时间数据；

30、影响因素分析模块，被配置为：选取太阳辐射和热负荷关键影响因素；

31、预测模型构建模块，被配置为：构建多变量灰色预测模型和萤火虫算法优化的神经网络预测模型；

32、热负荷预测模块。被配置为：根据构建的多变量灰色预测模型，输入预测时刻的气象数据和时间数据得到太阳辐射预测结果，再将太阳辐射预测结果、预测时刻的气象数据和热力管网监测数据作为萤火虫算法优化的神经网络预测模型的输入，输出热负荷预测结果。

33、第三方面，本发明提供了一种智慧负荷调控方法，基于如第一方面所述的一种智慧负荷预测方法，包括：对供热系统二次网进行建模和二次网的智慧调控，所述对供热系统二次网进行建模包括热用户模块、二次管网模块和换热器模块。

34、进一步的技术方案，所述热用户模块为：式中，qt,i—热力入口层级的热负荷预测值，gj/h；qt-1,i—前1h的热负荷，gj/h；t2g(t-1),i—二次网第i个热力入口前1h的供水温度，℃；t2h(t-1),i—二次网第i个热力入口前1h的回水温度，℃；q2g(t-1),i—二次网第i个热力入口前1h的循环流量，m3/h；tt—室外温度预报值，℃；wt—室外风速预报值，m/s；ht—室外相对湿度预报值，％；st—室外太阳辐射预测值，w/m2·h；

35、所述二次管网模块为：式中，ti—第i个热力用户调控目标室温，℃；一般设定为22℃，q2g—二次网供水流量，m3/h；

36、所述换热器模块为：式中，q1，q2g—一、二次网流量，m3/h；t1g(t-1)，t1h(t-1)—过去1小时一次网供回水温度，℃；t2g—二次网供水温度，℃。

37、进一步的技术方案，所述二次网的智慧调控具体包括：

38、利用热用户模块得出各个热力入口下一时刻的热负荷；

39、利用二次管网模块确定出下一时刻各热力入口供水流量和供水温度；

40、利用换热器模块确定出下一时刻的一次网循环水流量；

41、执行调控信号，将下一时刻各热力入口供水流量和一次网回水流量两部分调控信号分别传输给不同的调节阀门，进而实现二次网的智慧调控。

42、与现有技术相比，本发明的有益效果为：

43、1、考虑了未来太阳辐射对热负荷的影响，提高了预测模型的精度；

44、2、采用多变量灰色预测模型结合萤火虫算法优化的elman神经网络的预测方法，其中，采用多变量灰色预测模型通过利用微分方程挖掘数据的本质规律，无需大量数据样本，短期预测效果好，同时利用萤火虫算法优化elman神经网络结构的权值阈值，对负荷预测精度有一定的提高；

45、3、通过将供热系统与智慧调控技术深度融合，真正实现了二次网的按需供热，达到了节能减排的目标。