基于大数据和人工智能的冷热联供智能调控系统和方法与流程

本发明属于冷热联供相关调度领域，涉及基于大数据和人工智能的冷热联供智能调控系统和方法。

背景技术：

在当今社会冷热联供系统在建筑内的能源消耗占比很大，为实现节能减排冷热联供设备已经大规模应用自动化系统控制，并取得了不错的效果，为国家节能减排做出了突出贡献。但在实际的应用中，大部分冷热联供设备的自动化按照已设置好的参数自动运行，而参数都是通过现有维护人员的经验进行设置，这参数包含使用面积、蓄能功率、蓄能时间、换热器功率、是否有板换、室外温度、剩余平均炉温、室内平均温度、气候、光照、风雪、建筑形态、用能业态、设备特性及参数等，而每个参数的由来都是通过一个方程式计算获得，而设备需要的最终结果数据又是这么多方程式组合成的一个超大n元n次方程组，在实际应用中基本无法计算出正确结果，甚至因为参数的多样多态性导致结果根本无解，所以当前应用的每个参数都是靠人为经验最后估算出结果，工作很繁琐，又容易出现错误，运行的结果会造成能源的浪费或冷热效果不足，也解放不了工程人员的时间来进行更有意义的维护与更新操作。当前系统自动化产生的大量历史数据也没有进行深度挖掘分析学习的机制。造成了不必要的能源、资源和人员的浪费。

在当前系统的前提下，已使用了各种采集设备将相关数据通过数据传输单元保存在云服务器，采集信息数据量已经达到一定规模，但没有对此数据进行进一步的挖掘计算，急需加强有效利用计算分析，并将此融合进人工智能系统应用当中。

技术实现要素：

本发明的目的在于提供基于大数据和人工智能的冷热联供智能调控系统和方法，可对采集数据进行清洗，分类，格式化，缓存，最后统一存储，在数据的基础上形成智能算法模板，并用人工智能计算后续的合理化参数，并进行实时纠正，纠正的数据保留成为人工智能自主学习的资料，促使人工智能系统自主升级，以计算出更为精准的设备超控数据，达到节能、保证冷暖效果，并解放人工，降低错误等目的。

为实现上述目的，本发明提供如下技术方案：基于大数据和人工智能的冷热联供智能调控系统包含冷热联供设备、云服务器和人机交互单元，冷热联供设备中若干数据传输单元进行数据上传，每个数据传输单元连接每个逻辑控制器进行相关数据采集，通过数据传输协议将数据存储在云端实体的数据库中，所述互联网数据传输的接收端是数据分析处理中心，其中云服务器中，服务端的hjatserver程序进行数据清洗、格式化、并缓存，等待适当时间存储进数据库中；人机交互单元中web端通过webscoker直接参与控制服务端的hjatserver程序，且人机交互单元，其用于根据建立的人机协同模型，利用多通道交互技术，通过人机交互，进行设备的调度与控制。

优选的，所述的数据传输单元包含数据传输采集单元，其用于数据采集，所述数据包含冷热联供设备实时运行数据，和运行结果数据；

预处理单元，用于将采集数据进行清洗格式化成标准数据，并进行存储；

进一步优选，所述预处理单元包括：数据划分单元，其用于根据采集的数据的特点，针对不同的数据类型，采用不同的存储策略；

格式转换单元，其用于对采集到的数据通过数据缓存消息队列进行数据的统一接入，并对所述数据进行融合、清洗、转换和压缩，生成具有统一格式的标准化数据；

数据存储单元，其用于将具有统一格式的标准化数据按照不同的存储策略，分不同存储方式进行存储。

模型建立单元，用于通过采集数据类型给人工智能创建学习模型；

进一步优选，所述模型建立单元包括：多个模型单元，其用于构建冷热联供设备人工智能的算法模型，并进行自学习，自纠正，进行迭代优化；

数据分析单元，用于将采集数据挖掘出来并让人工智能学习并分析，计算预测出下一次准确的控制数据，并进行评估；

进一步优选，所述数据分析单元包括：数据挖掘单元，其用于将存储的数据进行深度挖掘，并形成可用的机器算法数据；

数据计算预测单元，人工智能进行大数据的学习后进行有效的数据分析计算预测出下一次准确的运行参数；

动态稳定评估单元，对于人工智能计算出的数据进行相应评估；

优选的，所述的决策控制单元，用于将计算出的结果进行小幅度的纠正后下发给plc，并进行存储，用于机器自纠正学习。

进一步优选，所述决策控制单元包括：纠正数据单元，在人工智能计算的数据基础上进行小幅度的相应纠正，并存储数据，用于以后的机器自纠正学习；

运行控制单元，将最后的参数下发到plc中交给自动化程序进行运行。

自学习纠正单元，用于每经过一段时间后进行相应的继续机器学习，学习的内容是最新纠正的数据。

所述系统还包括：显示单元，用于对采集的冷热联供设备数据和人工智能分析结果进行显示；

基于大数据和人工智能的冷热联供智能调控系统的方法：步骤201，采集与冷热联供设备相关的数据，所述数据包括设备运行实时数据、外部环境数据；

步骤202，将所述数据转换成统一格式的标准化数据，并进行存储；

步骤203，根据数据进行清洗后的稳定特征，建立数据模型；

步骤204，对人功能智能计算预测出的数据进行评估，纠正，存储；

在步骤205，调用计算后的结果数据，下发给逻辑控制器进行决策控制；

步骤206，人工智能经历一个周期的实际控制后进行再次累加纠正学习，使之后的算法预测更为精准。

与现有技术相比，本发明的有益效果是：1、该基于大数据和人工智能的冷热联供智能调控系统，通过数据传输单元采集的冷热联供设备的相关数据和运行结果数据，进行数据实时的传送并存储在数据库中，云端数据中心进行对比，通过对比使用面积、蓄能功率、蓄能时间、换热器功率、是否有板换、室外温度、剩余平均炉温、室内平均温度、气候、光照、风雪、建筑形态、用能业态、设备特性及参等相关数据，人工智能预测出第二天更为准确的蓄热时间目标，并进行小范围的纠正。并存储此次记录，用于进行下次自主学习。

2、该基于大数据和人工智能的冷热联供智能调控系统，数据分析处理中心通过程序存储单元中存储的c#和ml.net算法程序，对底层逻辑控制器参数直接控制，算法的开发采用面向对象的模式，同时采用并运行算法和向量化，以提高实时分析的速率和效率，算法的优点在于可以部署在云端，又可通过边缘计算实现，可以根据用户的需求灵活调整。

附图说明

图1为本发明实施例系统的结构示意图；

图2为本发明实施例流程图；

图3为本发明实施例的模型结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

实施例：如图1所示，本实施例所述的基于大数据和人工智能的冷热联供智能调控系统100包括：

数据传输单元数据采集单元101，其用于数据采集，所述数据包含冷热联供设备实时运行数据，和运行结果数据等。

预处理单元102，用于将采集数据进行清洗格式化成标准数据，并进行存储

模型建立单元103，用于通过采集数据类型给人工智能创建学习模型。

数据分析单元104，用于将采集数据挖掘出来并让人工智能学习并分析，计算预测出下一次准确的控制数据，并进行评估。

决策控制单元105，用于将计算出的结果进行小幅度的纠正后下发给plc，并进行存储，用于机器自纠正学习。

所述系统还包括：显示单元，用于对采集的冷热联供设备数据和人工智能分析结果进行显示；连接人机交互单元，其用于根据建立的人机协同模型，利用多通道交互技术，通过人机交互，进行设备的调度与控制。

所述预处理单元102包括：

数据划分单元121，其用于根据采集的数据的特点，针对不同的数据类型，采用不同的存储策略；

格式转换单元122，其用于对采集到的数据通过数据缓存消息队列进行数据的统一接入，并对所述数据进行融合、清洗、转换和压缩，生成具有统一格式的标准化数据；

数据存储单元123，其用于将具有统一格式的标准化数据按照不同的存储策略，分不同存储方式进行存储。

所述模型建立单元103包括：

第一模型单元131、第二模型单元132和第三模型单元133，其用于构建冷热联供设备人工智能的算法模型，并进行自学习，自纠正，进行迭代优化；

所述数据分析单元104包括：数据挖掘单元141，其用于将存储的数据进行深度挖掘，并形成可用的机器算法数据；

数据计算预测单元142，人工智能进行大数据的学习后进行有效的数据分析计算预测出下一次准确的运行参数；

动态稳定评估单元143，对于人工智能计算出的数据进行相应评估；

所述决策控制单元105包括：

纠正数据单元151，在人工智能计算的数据基础上进行小幅度的相应纠正，并存储数据，用于以后的机器自纠正学习；

运行控制单元152，将最后的参数下发到plc中交给自动化程序进行运行。

自学习纠正单元153，用于每经过一段时间后进行相应的继续机器学习，学习的内容是最新纠正的数据。

本实施例所述的基于大数据和人工智能的冷热联供智能调控方法是基于冷热联供设备的物理系统、自动化系统之间的深度融合集成，针对冷热联供设备实际的工业背景，全面依托信息通信及人工智能大数据技术，集成化使用数据分析工具，利用大数据、信息通信及plc自动化系统的相互作用及反馈，在数据中洞察出更多的信息，提升对冷热联供设备的管理、利用及分析能力，满足冷热联供设备实时态、预想态和未来态的分析需求，提高设备的使用效率，减少能耗浪费。如图2所示，本实施例所述的基于大数据和人工智能的冷热联供智能调方法200从步骤201开始。

在步骤201，采集与冷热联供设备相关的数据，所述数据包括设备运行实时数据、外部环境数据。

在本实施例中，主要利用常规数据读取方式，针对冷热联供设备各类场景下大量实时数据的采集，如静态场景、动态场景等，所述冷热联供设备运行实时数据是利用数据传输单元在冷热联供设备正常或故障情况下实时采集的数据，按照测量系统工艺的不同，主要有两负荷、值热、固体蓄热等实时数据，构成冷热联供设备运行实时数据集合；所述外部环境信息，如周围温度、湿度、风速、天气预报等信息，通过传感器实时接入。同时数据采集包含有数据清理、数据抽取、协议转换等操作，为数据存储提供干净、便于处理的数据清洗服务。

在步骤202，将所述数据转换成统一格式的标准化数据，并进行存储。

在本实施例中，对采集到的数据通过数据传输单元上传，云端服务器hjatserver程序进行数据缓存，并对各类运行数据及外界环境数据进行融合、清洗、转换和压缩，为冷热联供设备人工智能协调控制算法提供全面而精确的统一数据标准格式；同时根据采集数据的特点，进行区分，经过统一存储标准处理后，根据不同存储策略分不同存储方式接入存储层。

在步骤203，根据数据进行清洗后的稳定特征，建立数据模型。

在步骤204，对人功能智能计算预测出的数据进行评估，纠正，存储。

在本实施例中，采用ml.net作为核心人工智能机器学习计算引擎，提供统一的计算框架服务，利用其开源的算法自学习处理海量数据，共同支撑冷热联供设备大数据高效能的分析和计算。针对所持有的大数据，利用经典轨迹模式挖掘模式(关联、聚类、分类、预测)。

在量化评估大数据后，针对冷热联供设备的稳定安全节能几方面评估，并进行基于历史数据的参考，和长短期记忆信息和空间邻近节点状态信息，采用深度循环神经网络技术，实现控制参数的精准预测

在步骤205，调用计算后的结果数据，下发给逻辑控制器进行决策控制。

在步骤206，人工智能经历一个周期的实际控制后进行再次累加纠正学习，使之后的算法预测更为精准。

图3为实施例的模型结构图。如图3所示，本实施例基于大数据和人工智能的冷热联供智能调控方法搭建的调控模型的逻辑架构包含冷热联供设备、云服务器和人机交互单元，冷热联供设备中若干数据传输单元进行数据上传，每个数据传输单元链接每个逻辑控制器进行相关数据采集，通过数据传输协议将数据存储在云端实体的数据库中，所述互联网数据传输的接收端是数据分析处理中心，其中云服务器中，服务端的hjatserver程序进行数据清洗、格式化、并缓存，等待适当时间存储进数据库中；人机交互单元中web端通过webscoker直接参与控制服务端的hjatserver程序；而数据分析挖掘则对存储的数据调用后，结合机器学习和采集的数据分析方法，进行大数据的实时和离线分析。通过可视化图形的形式建立联系，以便实现快速计算查询，并提供智能分析结果，达到对冷热联供设备状态的精准智能控制功能。所述策略云库针对冷热联供设备系统可能出现的各种情况，将历史连接经验、调度员经验、智能分析得到的控制经验等统一存储在云上，形成策略云库，以便当故障等异常情况发生时，能够快速准确地给调度人员提供辅助决策信息，达到快速精准控制的目的。所述模型通过搭建的mssql、mysql、ml.net，采用hjatserver对数据资源进行统一调度。

优选地，所述方法还包括：对采集的设备数据和智能分析结果进行显示；建立人机协同模型，利用多通道交互技术，通过人机交互，进行冷热联供设备的调度与控制。

在本实施例中，针对海量的冷热联供设备数据及智能分析结果，基于gis的大数据在线可视化技术，实现项目区域显示、项目控制、项目报警等多种特性，可视化展示冷热联供的项目分布，同时提供冷热联供设备的运行数据、电量数据、水量数据、其他事件、大平台安全稳定及辅助决策者的直观动态可视化展示。同时结合调度员业务特征，建立人机协同模型，同时面向多通道人机交互的智能调度分析引擎，支撑智能系统计算和智能分析。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。