基于神经网络算法的供暖系统户阀调控方法

1.本发明涉及供暖系统智能调节管理技术领域，具体涉及基于神经网络算法的供暖系统户阀调控方法。


背景技术：

2.为提高供暖系统的调控效率，在现代供暖系统中智能调控手段的应用越来越多，现有户阀调控的技术方案主要有：
3.1、基于回水温度相对一致法的调控方法：将所有用户的回水温度调节至基本一致；
4.2、基于供回水均温相对一致法的调控方法：将所有用户的供回水均温调节至基本一致。
5.上述两种方法的缺点在于：户阀的调控过程中的影响因素比较多，比如建筑类型(节能/非节能)、散热类型(地暖/挂片)、小区入住率、户型(边户/中间户)、顶底楼以及邻居是否供暖等，针对不同类型的房屋或者邻居供暖数量不同的情况下，散热量是不同的，都会影响室内温度。若回水温度或供回水均温一致，室内温度差别也是很大的，室温不达标用户占比还是很高的。也就是说该两种调控方案，都不能实现真正的平衡。
6.3、基于室内温度进行调控的方法：所有用户都得安装室温采集器，将所有用户的室温调节至基本一致。
7.该方法的缺点在于：所有用户都得安装室温采集器，并且室温采集器均需能够与户阀进行通讯。该方法无法阻止一些用户人为损坏或者使用其他方式干扰室温采集器的温度采集，若户内设备损坏或者温度采集被干扰，将无法准确进行调控。并且，所有用户都需要安装室温采集器，成本上也会有相应的增加。


技术实现要素：

8.为解决现有技术中的问题，本发明专利设计了基于神经网络算法的供暖系统户阀调控方法，降低供暖自动调控系统使用成本，缩短调控时间，提高二网平衡调控的平衡率。
9.本发明所采用的技术方案是：所述调控方法由供暖系统的上位机平台、现场供暖数据采集器和安装于用户端的带有电动执行器的户阀实现，所述上位机平台建立有基于神经网络的调控模型，
10.所述调控方法的步骤为：(1)先建立供暖系统户端建筑结构的物理模型，包含层数、单元数、户数、建筑类型、散热类型；建筑类型包括是节能建筑还是非节能建筑，散热类型包括是挂暖气片散热还是地暖管散热；
11.(2)根据建筑结构的物理模型计算出每个用户的孤立程度、是否为顶楼/底楼、边户/中间户、期望室内温度、建筑类型、散热类型情况；
12.(3)进行基于神经网络算法模型的训练，训练过程包括信号的正向传播，将步骤(2)得出的计算数据输入到神经网络模型的输入层，经隐含层处理，传入输出层，得到预测
的权重值，并通过供暖系统的上位机平台转发给户阀；
13.(4)上位机平台通过供暖数据采集器采集所有户阀的实际回水温度，计算出所有户阀的平均回水温度，并给户阀下发调节指令，配置回水温度，配置户阀的调节间隔和调节次数，户阀接收到配置回水温度后，计算出目标回水温度，目标回水温度等于配置回水温度加权重值，经过多次调节，户阀的实际回水温度逐渐趋近于目标回水温度，此时各用户的室内温度接近设定的目标室内温度，调节结束。
14.进一步的，所述步骤(3)的基于神经网络算法模型的训练过程还包括误差的反向传播过程，具体为：若输出层的实际输出与期望输出有较大的误差值，则转入误差的反向传播阶段，误差反向传播是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据，当实际输出与目标输出之间的误差不满足预设的精度要求时，神经网络会不断的调整权值，更新网络，直到误差小于预设精度，训练结束。
15.进一步的，所述步骤(3)中信号的正向传播的具体过程为：根据之前采暖季记录的历史数据，包含用户室内温度、回水温度、孤立程度、建筑结构以及室外温度等参数，得到神经网络的样本数据，输入层神经元d有6个，分别为孤立程度d1、顶/底楼d2、边/中间户d3、室内温度d4、建筑类型d5、散热类型d6；隐含层神经元o有9个；输出神经元p有一个，为权重值，将样本分成训练集和测试集两部分，记输入样本数据为：
16.d(m)＝[d1(m),d2(m),...dn(m)]，其中，n为样本个数，m为训练学习次数；
[0017]
数据初始化：
[0018]
初始化输入层与隐含层之间的权值vij和隐含层与输出层之间的权值wjk，以及隐含层的阈值a和输出层的阈值b，给定学习速率和激活函数；
[0019]
隐含层输入：
[0020][0021]
其中，i为输入层神经元个数，i＝1，2
···
，6；j为隐含层神经元个数，j＝1，2
···
，9；
[0022]
隐含层输出计算：
[0023]
根据输入样本，正向计算隐含层的输出，隐含层输出为，
[0024][0025]
其中，i为输入层神经元个数，i＝1，2
···
，6；j为隐含层神经元个数，j＝1，2
···
，9；
[0026]
输出层输入：
[0027][0028]
其中k为输出层神经元个数，k＝1；
[0029]
输出层输出计算：
[0030]
根据隐含层的输出，进一步计算输出层的输出，输出层的输出为，
[0031][0032]
其中k为输出层神经元个数，k＝1。
[0033]
进一步的，所述步骤(3)的误差信号反向传播过程为，
[0034]
将输出层的输出与期望值进行比较，得到误差信号，误差信号为，
[0035]ek
＝t
k-pk[0036]
误差性能指标：
[0037][0038]
其中t为期望输出，p为实际输出；
[0039]
误差函数对输出层输入的偏导数：
[0040][0041]
输出层输入对隐含层与输出层之间连接权值的偏导数：
[0042][0043]
误差函数对隐含层与输出层之间连接权值的偏导数：
[0044][0045]
误差函数对隐含层输入的偏导数：
[0046][0047]
隐含层输入对输入层与隐含层之间连接权值的偏导数：
[0048][0049]
误差函数对输入层与隐含层之间连接权值的偏导数：
[0050][0051]
i为输入层神经元个数，j为隐含层神经元个数，k为输出层神经元个数，η为学习速率，i＝6，j＝9，η设置为0.01，v
ij
、w
jk
分别为输入层与隐含层以及隐含层与输出层之间的连接权值，f为连续可导的sigmoid函数；
[0052]
网络误差是各层间权值的函数，因此调整各层权值可改变误差e，调整各层间权值的原则是使误差不断减小。
[0053]
进一步的，所述步骤(3)的误差信号反向传播过程中隐含层与输出层之间的权值更新：
[0054][0055]wjk
(m+1)＝w
jk
(m)+δw
jk
(m)＝w
jk
(m)+η
·
δ1(m)
·
ooj(m)
[0056]
输入层与隐含层之间的权值更新：
[0057][0058]vij
(m+1)＝v
ij
(m)+δv
ij
(m)＝v
ij
(m)+η
·
δ2(m)
·dn
(m)
[0059]
i为输入层神经元个数，j为隐含层神经元个数，k为输出层神经元个数，η为学习速率，i＝6，j＝9，η设置为0.01，v
ij
，w
jk
分别为输入层与隐含层以及隐含层与输出层之间的连接权值，f为连续可导的sigmoid函数；
[0060]
误差判断：判断误差是否达到预设精度或学习次数上限，如果达到要求，则神经网络训练结束，否则返回重新学习。
[0061]
进一步的，所述上位机平台通过4g服务与现场的供暖数据采集器进行通讯，供暖数据采集器通过rs485与各用户端的户阀进行通讯。
[0062]
相对于现有技术，本发明专利设计的基于神经网络算法的供暖系统户阀调控方法的进步之处在于：该方法是基于基于神经网络算法模型进行计算调控，采集足够多的数据进行分析的，综合考虑了多方面对室温的影响因素，包含了每个用户的孤立程度、是否为顶楼/底楼、边户/中间户、期望室内温度、建筑类型、散热类型等情况。通过该方法建立的户阀调控模型，准确、稳定、抗干扰能力强，能够大大缩短二网系统平衡调控周期，提高二网系统的平衡率。
附图说明
[0063]
图1是基于神经网络算法的供暖系统户阀调控方法的神经网络模型示意图。
[0064]
图2是基于神经网络算法的供暖系统的调控系统示意图。
[0065]
图3是基于回水温度一致法的户阀调控过程的温度变化曲线。
[0066]
图4是基于神经网络算法的户阀调控过程的温度变化曲线
具体实施方式
[0067]
下面结合附图和具体实施例对本发明做进一步的说明。对本发明实施例中的技术方案进行清楚、完整的描述，所描述的实施例仅仅是本发明创造一部分的实施例，而不是全部。基于本发明创造中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明创造保护的范围。
[0068]
如图1、2所示，本发明专利设计了基于神经网络算法的供暖系统户阀调控方法的一种实施例，本实施例中供暖系统户阀调控方法由供暖系统的上位机平台、现场供暖数据采集器和安装于用户端的带有电动执行器的户阀实现，上位机平台内嵌建立有基于神经网络的调控模型。上位机平台通过4g服务与现场的供暖数据采集器进行通讯，供暖数据采集器通过rs485与各用户端的户阀进行通讯。
[0069]
本发明专利公开的基于神经网络算法的供暖系统户阀调控方法的步骤为：(1)先建立供暖系统户端建筑结构的物理模型，包含层数、单元数、户数、建筑类型、散热类型；
[0070]
(2)根据建筑结构的物理模型计算出每个用户的孤立程度、是否为顶楼/底楼、边户/中间户、期望室内温度、建筑类型、散热类型情况；
[0071]
(3)进行基于神经网络算法模型的训练，训练过程包括信号的正向传播和误差信号的反向传播，正向传播时，将步骤(2)得出的计算数据输入到神经网络模型的输入层，经隐含层处理，传入输出层，得到预测的权重值，并发送给供暖系统的上位机平台。若输出层的实际输出与期望输出有较大的误差值，则转入误差的反向传播阶段。误差反向传播是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。当实际输出与目标输出之间的误差不满足预设的精度要求时，神经网络会不断的调整权值，更新网络，直到误差小于预设精度，训练结束；
[0072]
(4)上位机平台通过供暖数据采集器采集所有户阀的实际回水温度，计算出所有户阀的平均回水温度，并给户阀下发调节指令，配置回水温度，配置户阀的调节间隔和调节次数，户阀接收到配置回水温度后，计算出目标回水温度，目标回水温度等于配置回水温度加权重值，经过多次调节，户阀的实际回水温度逐渐趋近于目标回水温度，此时各用户的室内温度接近设定的目标室内温度，调节结束。
[0073]
结合图1所示，步骤(3)中信号的正向传播的具体过程为：根据之前采暖季记录的历史数据，包含用户室内温度、回水温度、孤立程度、建筑结构以及室外温度等参数，得到神经网络的样本数据，输入层神经元d有6个，分别为孤立程度d1、顶/底楼d2、边/中间户d3、室内温度d4、建筑类型d5、散热类型d6；隐含层神经元o有9个；输出神经元p有一个，为权重值，将样本分成训练集和测试集两部分，记输入样本数据为：
[0074]
d(m)＝[d1(m),d2(m),...dn(m)]，其中，n为样本个数，m为训练学习次数；
[0075]
数据初始化：
[0076]
初始化输入层与隐含层之间的权值v
ij
和隐含层与输出层之间的权值w
jk
，以及隐含层的阈值a和输出层的阈值b，给定学习速率和激活函数；
[0077]
隐含层输入：
[0078][0079]
其中，i为输入层神经元个数，i＝1，2
···
，6；j为隐含层神经元个数，j＝1，2
···
，9；
[0080]
隐含层输出计算：
[0081]
根据输入样本，正向计算隐含层的输出，隐含层输出为，
[0082][0083]
其中，i为输入层神经元个数，i＝1，2
···
，6；j为隐含层神经元个数，j＝1，2
···
，9；
[0084]
输出层输入：
[0085][0086]
其中k为输出层神经元个数，k＝1；
[0087]
输出层输出计算：
[0088]
根据隐含层的输出，进一步计算输出层的输出，输出层的输出为，
[0089][0090]
其中k为输出层神经元个数，k＝1。
[0091]
进一步的，所述步骤(3)的误差信号反向传播过程为，
[0092]
将输出层的输出与期望值进行比较，得到误差信号，误差信号为，
[0093]ek
＝t
k-pk[0094]
误差性能指标：
[0095][0096]
其中t为期望输出，p为实际输出；
[0097]
误差函数对输出层输入的偏导数：
[0098][0099]
输出层输入对隐含层与输出层之间连接权值的偏导数：
[0100][0101]
误差函数对隐含层与输出层之间连接权值的偏导数：
[0102][0103]
误差函数对隐含层输入的偏导数：
[0104][0105]
隐含层输入对输入层与隐含层之间连接权值的偏导数：
[0106][0107]
误差函数对输入层与隐含层之间连接权值的偏导数：
[0108][0109]
i为输入层神经元个数，j为隐含层神经元个数，k为输出层神经元个数，η为学习速率，i＝6，j＝9，η设置为0.01，v
ij
、w
jk
分别为输入层与隐含层以及隐含层与输出层之间的连接权值，f为连续可导的sigmoid函数；
[0110]
网络误差是各层间权值的函数，因此调整各层权值可改变误差e，调整各层间权值的原则是使误差不断减小。
[0111]
进一步的，所述步骤(3)的误差信号反向传播过程中隐含层与输出层之间的权值更新：
[0112][0113]wjk
(m+1)＝w
jk
(m)+δw
jk
(m)＝w
jk
(m)+η
·
δ1(m)
·
ooj(m)
[0114]
输入层与隐含层之间的权值更新：
[0115][0116]vij
(m+1)＝v
ij
(m)+δv
ij
(m)＝v
ij
(m)+η
·
δ2(m)
·dn
(m)
[0117]
i为输入层神经元个数，j为隐含层神经元个数，k为输出层神经元个数，η为学习速率，i＝6，j＝9，η设置为0.01，v
ij
，w
jk
分别为输入层与隐含层以及隐含层与输出层之间的连
接权值，f为连续可导的sigmoid函数；
[0118]
误差判断：判断误差是否达到预设精度或学习次数上限，如果达到要求，则神经网络训练结束，否则返回重新学习。
[0119]
实施例1
[0120]
在山东省泰安市某小区选择同一栋楼，该楼为节能建筑，全部采用地暖管供热，层高为10层，各层均有入住的中间户单元的东、西两户分别采用传统的基于回水温度一致法的户阀调控方法和本发明公开的基于神经网络算法的户阀调控方法进行调控对比，按照目标室温22℃进行调控，从第一天开始连续记录9天的用户室内温度。
[0121]
东户采用传统的基于回水温度一致法的户阀调控方法进行自动调控，室温结果记录如表1所示，调控过程中温度变化如图3所示，
[0122]
表1
[0123][0124]
西户采用本发明公开的基于神经网络算法的户阀调控方法进行自动调控，室温结果记录如表2所示，调控过程中温度变化如图4所示，
[0125]
表2
[0126][0127]
从表1和表2记录的结果可以看出：东户采用传统的基于回水温度一致法的调控方法所测量记录的结果显示从第6天开始各户的温度才开始趋于稳定，但即便稳定后同一户的温度还是存在一定的起伏，而不同楼层住户间的室内温度差别更是较大，特别是顶楼、底楼住户与中间住户的温差更是达到了4度。
[0128]
西户采用本发明公开的基于神经网络算法的调控方法所测量记录的结果显示从第3天开始各户的温度便开始趋于稳定，稳定后同一户的温度基本相同，没有大幅度的变化；而不同楼层住户间的室内温度差相差不大，即便是顶楼住户与中间住户的温差也仅有1度。
[0129]
综上所述，本发明专利公开的基于神经网络算法的供暖系统户阀调控方法对于各户的室内温度调控准确、稳定、抗干扰能力强，同时大大缩短二网系统平衡调控周期，提高二网系统的平衡率。
[0130]
上述内容仅为本发明创造的较佳实施例而已，不能以此限定本发明创造的实施范围，即凡是依本发明创造权利要求及发明创造说明内容所做出的简单的等效变化与修饰，皆仍属于本发明创造涵盖的范围。