一种基于人工智能的恒定供暖二网供温一网温控阀开度调节方法与流程

本发明涉及供暖调节技术领域，特别涉及一种基于人工智能的恒定供暖二网供温一网温控阀开度调节方法。

背景技术：

传统的机组二网供温的调节的控制方法，基本都是采用自动控制器plc内置pid算法调节一网的温控阀，通过设置采样周期，设定p(比例)、i(积分)、d(微分)三个参数值，使二次管网的供温维持在一个定值。这种方法，需要专业能力较强的工程师花费大量时间来设置参数，参数设置不当就会造成二网供温波动很大，而且参数值的泛化能力很差。

现有技术的不足之处在于，使用的pid控制算法，对工程师要求比较高，不同的换热站供热面积不同，二网流量，二网回温，一网的供压，一网回压二次管网老化，对pid参数设置都会造成很大影响，需要工程师定期去更新pid的参数，对一个热力公司有上千个机组时，工作量巨大的。

技术实现要素：

本发明的目的克服现有技术存在的不足，为实现以上目的，采用一种基于人工智能的恒定供暖二网供温一网温控阀开度调节方法，以解决上述背景技术中提出的问题。

一种基于人工智能的恒定供暖二网供温一网温控阀开度调节方法，具体步骤包括：

获取机组供温数据以及历史数据，并进行数据预处理；

根据历史数据训练构建lstm模型并进行优化，得到预测模型；

获取实时状态数据，并输入预测模型调节一网阀门开度，得到二网供温设定值。

作为本发明进一步的技术方案：所述获取供温数据以及历史数据，并进行数据预处理的具体步骤包括：

首先获取符合模型要求的数据，再进行异常无效数据去除；

根据数据的采集时间进行排序，构建时间间隔1秒的数据；

对每种数据采用max-min归一化处理，并映射到(0，1)区间上；

再将数据按比例分成训练集、测试集和验证集。

作为本发明进一步的技术方案：所述根据历史数据训练构建lstm模型并进行优化，得到预测模型的具体步骤包括：

采用lstm训练模型，并构建5层神经网络；

同时将隐藏层的节点数，每层的激活函数，学习率设置为超参数；

利用获取的训练集进行训练，采用ray框架进行超参数优化；

再利用测试集合验证集进行测试和验证；

再利用模型定期执行，获得温控阀的预测开度以及模型残差项。

作为本发明进一步的技术方案：所述利用模型定期执行，获得温控阀的预测开度以及模型残差项的具体步骤包括：

根据获取的历史数据，输入模型预测得到当前时刻预测的一网温控阀开度；

再与实际的一网温控阀开度进行比较，获得模型残差项；

其中，yt为当前时刻实时的阀门开度，为预测的当前时刻一网温控阀开度，εt为模型的残差项；

获取实时数据及设定的二网供温，获取下一时刻预测的一网温控阀开度，并进行一网温控阀开度调节。

作为本发明进一步的技术方案：所述获取实时数据，获取下一时刻预测的一网温控阀开度，并进行一网温控阀开度调节的具体步骤包括：

获取实时数据，输入已训练的模型，得到下一时刻预测的一网温控阀开度

将一网温控阀开度加上当前时刻模型的预测残差项εt，得到下发的一网温控阀开度进行调节。

与现有技术相比，本发明存在以下技术效果：

通过采用上述的技术方案，利用本地数据库中提取模型训练所需要的历史数据，训练lstm模型的预测模型，再根据获取的实时数据输入预测模型，从而预测当前时刻应该下发的一网温控阀开度。实现了通过调节供暖机组一网阀门开度使二次管网的供温稳定在一个定值。避免了传统的pid控制算法，不能适用于多个小区环境的问题，解决了参数设定时的大量人力耗费。且设定时二网供温波动大，不利于供暖调控。

附图说明

下面结合附图，对本发明的具体实施方式进行详细描述：

图1为本申请公开的一些实施例的一网温控阀开度调节方法的步骤示意图；

图2为本申请公开的一些实施例的一网温控阀开度调节方法的流程框图。

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。

请参考图1和图2，本发明实施例中，一种基于人工智能的恒定供暖二网供温一网温控阀开度调节方法，具体步骤包括：

s1、获取机组供温数据以及历史数据，并进行数据预处理，具体步骤包括：

首先，从本地数据库中提取模型训练所需要的历史数据，该历史数据包括一网阀门开度、一网供压、一网回压、二网流量、二网回温、二网供温，以及一网供温等参数。

然后，根据模型的要求，对上述的历史数据进行清洗，除去不在正常值范围内的异常无效数据，同时根据数据采集时间进行排序，构建时间间隔都是一秒钟的数据。

再对每种数据采用max-min归一化处理，并映射到(0，1)区间上；

根据数据特征，利用过去1分钟机组的一网阀门开度，一网供压，一网回压，二网流量，二网回温与二网供温，将样本数据按照70％、20％、10％分别分成训练集，测试集，验证集。

s2、根据历史数据训练构建lstm模型并进行优化，得到预测模型，具体步骤包括：

采用lstm模型训练一网阀门开度，一网供温、一网供压，一网回压，二网流量，二网回温与二网供温，构建5层神经网络，把隐藏层的节点数，每层的激活函数，学习率设置为超参数，采用获得的训练集对网络进行训练，采用ray框架进行超参数优化，得到训练好的网络，并分别用测试集进行测试，验证集进行验证。

s3、获取实时状态数据，并输入预测模型得到一网阀门开度预测值和模型残差项；

具体步骤包括：

将模型通过周期定期的执行，每秒运行一次，再根据实时状态数据，以及历史数据预测当前时刻的阀门开度与当前时刻阀门开度进行比较，从而获得该模型残差项；

其中，yt为当前时刻实时的阀门开度，为预测的当前时刻一网温控阀开度，εt为模型的残差项；

具体的步骤包括：

获取预设供热机组的一网供温，一网供压，一网回压，二网流量，二网回温不变，设定的二网供温以及最近十分钟实时状态数据，得到当前时刻的一网阀门开度预测值，计算当前时刻的一网阀门开度与预测的一网阀门开度的差值，即模型的误差。

s4、再根据二网供温设定值，确定下一时刻下发的一网阀门开度。

利用最近十分钟的实时状态数据，假设下一时刻的除了二网供温其它变量都不变，加上二网供温的设定值，预测获得下一时刻一网阀门开度的预测值，加模型的误差值，就是下一时刻下发的一网阀门开度。

解决了现有技术方案中需要经验丰富的工程师对每个机组循环泵需要单独设定pid参数，随着环境的变化，参数要及时更新的繁杂工作。本发明，可以定期自动更新策略模型，泛化能力很强，能适应环境的变化。不需要过多的人工干预。

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，均应包含在本发明的保护范围之内。