一种基于深度学习的换热站自动控制参数设置方法与流程

本发明涉供热管理领域，尤其涉及一种基于深度学习的换热站自动控制参数设置方法。

背景技术：

1、供热管网是城市集中供热源(即热力站)向供热用户进行供热的管道系统。通常分为一次网(又称一次线管网或一次侧管网)和二次网(又称二次线管网或二次侧管网)两种，其中，从热力站到换热站之间的供热管网称为一次网，从换热站到供热用户(如，单位、居民楼等)之间的供热管网称为二次网。

2、传统的换热站自动控制分为温度自动控制和压力自动控制两部分，其中，温度自动控制是采用多个plc控制回路控制一次侧调节阀开度，进而控制二次侧供水温度实现；压力自动控制是采用plc控制变频器，进而控制循环水泵的转速、补水泵的转速以达到控制压力的目的。

3、而传统自动控制系统的参数设置往往需要多位专家经验并进行多次调试来完成，在一次网或二次网进行部分管网或设备更换后，通常自动控制系统的参数又需要重新设置，因此，在对一次网或二次网进行部分管网或设备更换后，如何在不依赖专家经验的基础上快速设置自动控制参数成为一个亟待解决的问题。

技术实现思路

1、本发明实施例提供一种基于深度学习的换热站自动控制参数设置方法，以解决在对一次网或二次网进行部分管网或设备更换后，依赖专家经验设置自动控制参数的问题。

2、为了解决上述技术问题，本发明实施例是这样实现的：

3、本申请实施例提供一种基于深度学习的换热站自动控制参数设置方法，该方法包括：获取包含更换前数据的目标训练集，其中，该目标训练集包括：一次侧历史数据、二次侧历史数据、室外温度、二次网用户的需求标签作为输入，电动调节阀的开度、循环水泵的转速、补水泵的转速为输出。将该目标训练集传输至第一预测网络得到第一预测结果；该第一预测网络用于学习温度数据与该电动调节阀的开度之间的关联关系。将该第一预测结果传输至第二预测网络得到第二预测结果；第二预测网络用于学习压力数据与该循环水泵的转速、该补水泵的转速之间的关联关系。将该第二预测结果传输至第三预测网络得到第三预测结果；第三预测网络用于学习该电动调节阀的开度、该循环水泵的转速、该补水泵的转速与自动控制参数之间的关联关系。将更换后数据按顺序输入该第一预测网络、该第二预测网络和该第三预测网络，输出目标第三预测结果。其中，该目标第三预测结果包括根据该更换后数据得到的更换后的自动控制参数。

4、可选的，一次侧历史数据包括：一次侧供水温度、一次侧回水温度、一次侧供水压力、一次侧回水压力；二次侧历史数据包括：二次侧供水温度、二次侧回水温度、二次侧供水压力、二次侧回水压力；二次网用户的需求标签包括：温度标签、压力标签、时间标签。

5、可选的，第一预测网络由该温度数据与该电动调节阀的开度数据训练得到；该第一预测网络用于学习该温度数据与该电动调节阀的开度之间的线性关系，以及该二次网用户的需求标签与该电动调节阀的开度之间的非线性关系。其中，该温度数据包括：一次侧供水温度、一次侧回水温度、二次侧供水温度、二次侧回水温度；二次网用户的需求标签与电动调节阀的开度之间的非线性关系尤其指温度标签和时间标签与电动调节阀的开度之间的非线性关系；该温度标签是指二次网目标用户的最低供热温度，该时间标签是指二次网目标用户的供热时间区间。

6、可选的，第二预测网络由该压力数据、该循环水泵的转速、该补水泵的转速以及该第一预测结果共同训练得到。其中，该压力数据包括：一次侧供水压力、一次侧回水压力、二次侧供水压力、二次侧回水压力；尤其二次侧供水压力和二次侧回水压力对第二预测网络影响显著，第二预测网络的损失函数构建包括二次侧供水压力和二次侧回水压力。

7、可选的，预设权值比例，并根据该权值比例构建该第三预测网络的损失函数；将第二预测结果和该目标训练集按照该权值比例输入该第三预测网络进行训练；在该第三预测网络的损失函数小于或等于目标阈值的情况下，停止训练；其中，该权值比例为该第二预测结果和该目标训练作为输入项所占的比例。

8、可选的，第三预测网络采用长短期记忆网络lstm构建；其中，第三预测网络训练过程中的输入为：第二预测结果和目标训练集；输出为：自动调节阀的开度控制参数、循环水泵的转速参数、补水泵的转速参数、以及实现两泵对应转速控制的变频器控制参数。自动调节阀的开度控制参数用于控制自动调节阀的开度；循环水泵的转速参数、补水泵的转速参数、以及实现两泵对应转速控制的变频器控制参数用于控制循环水泵的转速和补水泵的转速。第三预测网络的损失函数是在原长短期记忆网络lstm的损失函数的基础上乘以权值比例得到。

9、可选的，更换后数据，是指对一次网或二次网的部分管网，以及除换热器机组之外的其他设备进行更换后按照跟换前相同方法所采集的数据。

10、本发明的有益效果：

11、本发明实施例提供一种基于深度学习的换热站自动控制参数设置方法，通过获取包含更换前数据作为训练集，并依次通过三个预测网络学习温度数据与电动调节阀开度之间的关联关系、学习压力数据与循环水泵的转速、补水泵的转速之间的关联关系，以及学习电动调节阀的开度、循环水泵的转速、补水泵的转速与自动控制参数之间的关联关系，从而使深度学习方法能够多角度多方面的学习一个换热站的自动控制系统。并在对一次网或二次网进行部分管网或设备更换后，将更换后的数据输入上述训练完成的三个预测网络，根据更换后数据输出更换后的自动控制参数。即用户可以直接根据该更换后的自动控制参数直接对换热站进行控制，从而避免了调试过程中对专家经验的依赖，进而提高生产效率，节约时间。

技术特征：

1.一种基于深度学习的换热站自动控制参数设置方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于深度学习的换热站自动控制参数设置方法，其特征在于，

3.根据权利要求2所述的基于深度学习的换热站自动控制参数设置方法，其特征在于，

4.根据权利要求2所述的基于深度学习的换热站自动控制参数设置方法，其特征在于，

5.根据权利要求1所述的基于深度学习的换热站自动控制参数设置方法，其特征在于，所述将所述第二预测结果传输至第三预测网络得到第三预测结果，包括：

6.根据权利要求5所述的基于深度学习的换热站自动控制参数设置方法，其特征在于，

7.根据权利要求1至6中的任一项所述的基于深度学习的换热站自动控制参数设置方法，其特征在于，

技术总结
本发明公开了一种基于深度学习的换热站自动控制参数设置方法，该方法包括：获取包含更换前数据的目标训练集；将目标训练集传输至第一预测网络得到第一预测结果；第一预测网络用于学习温度数据与电动调节阀的开度之间的关联关系。将第一预测结果传输至第二预测网络得到第二预测结果；第二预测网络用于学习压力数据与循环水泵的转速、补水泵的转速之间的关联关系。将第二预测结果传输至第三预测网络得到第三预测结果；第三预测网络用于学习电动调节阀的开度、循环水泵的转速、补水泵的转速与自动控制参数之间的关联关系。将更换后数据按顺序输入第一预测网络、第二预测网络和第三预测网络，输出目标第三预测结果。

技术研发人员：耿哲,酆烽,张尉,徐海英,张淑贞,李剑辉,范丽玲
受保护的技术使用者：山东和同信息科技股份有限公司
技术研发日：
技术公布日：2024/1/15