一种高寒地区集中供热中供暖面积热指标辨识方法与系统与流程

1.本发明属于智慧供热技术领域，尤其涉及一种高寒地区集中供热中供暖面积热指标辨识方法与系统。


背景技术：

2.集中供暖过程中，热力运维公司的主要目标是在不影响住户舒适度的前提下合理控制单位面积年耗热量。运维公司通常根据以设计供暖面积热指标折算得到的不同室外温度下的供暖运行曲线指导运维工作。但在实际运行中，设计供暖面积热指标的不准确性会导致运行曲线不合理，从而导致室温低于设计温度引发舆情或室温较高带来能源浪费。目前集中供热规划设计供暖面积热指标与实际运行热指标具有较大差异，所以，对于热力运维公司而言，估算出适合所负担小区的实际热指标对于指导热力运维具有重要意义。
3.在论文《考虑入住率的实际供暖面积热指标估算方法》中作者孙鱼铭以集中供暖运行维护过程中的能耗为切入点，通过多组数据比对分析，探究了居住建筑入住率和典型户比例与实际供暖面积热指标的关系，发现入住率与实际供暖面积热指标呈负相关，典型户的户间传热对热指标存在重要影响。提出了2种实际供暖面积热指标估算方法，可作为热力运维公司供暖初期运行调试的指导依据，但是仅仅考虑小区入住率因素，未考虑建筑物保温、供水温度、室外温度的影响，且采用数学计算公式的方式，精确度也较低，不能准确辨识得到供暖面积热指标，进而不利于供暖环节的节碳和节能。
4.针对上述技术问题，本发明提供了一种高寒地区集中供热中供暖面积热指标辨识方法与系统。


技术实现要素：

5.为实现本发明目的，本发明采用如下技术方案：
6.根据本发明的一个方面，提供了一种高寒地区集中供热中供暖面积热指标辨识方法。
7.一种高寒地区集中供热中供暖面积热指标辨识方法，其特征在于，具体包括：
8.s1从历史供暖数据中获取目标建筑物的供暖面积热指标、供水温度、室外温度、建筑物保暖系数、入住率，并基于所述供暖面积热指标、供水温度、室外温度、建筑物保暖系数、入住率构建训练集；
9.s2将所述训练集输入到基于svm算法以及pso-dbn算法的辨识模型中，对所述辨识模型进行训练，得到训练完成的辨识模型，其中所述供水温度、所述室外温度、所述建筑物保暖系数、所述入住率为输入量，以所述供暖面积热指标为输出量；
10.s3将此时的室外温度、供水温度、建筑物保暖系数、入住率输入到所述训练完成的辨识模型中，得到此时的供暖面积热指标。
11.通过从历史供暖数据中进行数据的获取，基于历史供暖数据中的供暖面积热指标、供水温度、室外温度、建筑物保暖系数、入住率构建训练集，基于所述训练集对辨识模型
进行训练，得到训练完成的辨识模型后，将此时的将此时的室外温度、供水温度、建筑物保暖系数、入住率输入到所述训练完成的辨识模型中，得到此时的供暖面积热指标，从而解决了仅仅考虑小区入住率因素，未考虑建筑物保温、供水温度、室外温度的影响，且采用数学计算公式的方式，精确度也较低，不能准确辨识得到供暖面积热指标，进而不利于供暖环节的节碳和节能的技术问题，充分考虑各方面的影响因素，并采用基于机器学习算法的辨识模型，使得辨识结果的准确性和可靠性得到了进一步的提升，也为供暖环节的节碳和节能奠定了基础。
12.通过采用所述供水温度、所述室外温度、所述建筑物保暖系数、所述入住率作为输入量，充分考虑多方面的因素，进一步提升了预测的精度，而不仅仅考虑单一的入住率，使得预测得到的结果也更加的可信，通过采用基于svm算法以及pso-dbn算法的辨识模型，解决了原有仅仅依靠函数关系，导致的预测结果不准确的问题，进一步提升了辨识的精度，采用基于svm算法以及pso-dbn算法的辨识模型，结合了svm算法效率高和dbn算法精度高的问题，采用pso算法对dbn算法进行初始值的优化，进一步提升了辨识的效率，使得整体的辨识模型不仅精度高，而且效率得到了有效的提升。
13.进一步的技术方案在于，所述供水温度包括当前供水温度、前24小时的平均供水温度、前一周相同时刻的平均供水温度。
14.由于对于建筑模型的散热不仅仅需要考虑当前的供水温度，而是一定时间内的供水温度，因此采用前24小时的平均供水温度使得辨识结果变得更加的准确，同时采用先一周相同时刻的平均供水温度，可以对当前的供水温度进行修正，防止由于温度的突变的导致的辨识结果不准确的问题，进一步提升了整体的辨识精度，也使得供水温度的设置变得更加的科学。
15.进一步的技术方案在于，所述室外温度包括当前室外温度、前24小时的平均室外温度、前一周相同时刻的平均室外温度。
16.由于对于建筑模型的散热不仅仅需要考虑当前的室外温度，而是一定时间内的室外温度，因此采用前24小时的平均室外温度使得辨识结果变得更加的准确，同时采用先一周相同时刻的平均室外温度，可以对当前的室外温度进行修正，防止由于温度的突变的导致的辨识结果不准确的问题，进一步提升了整体的辨识精度，也使得室外温度的设置变得更加的科学。
17.进一步的技术方案在于，所述建筑物保暖系数的具体计算公式为：
18.t＝k1pc+t119.其中t为建筑物保暖系数，k1为转换系数，所述k1为常数，p为保暖层材质，c为保暖层厚度，t1为房屋除去保暖层外的保温系数，所述t1为常数。
20.通过基于保温层材质、保温层厚度、房屋除去保暖层外的保温系数构建建筑物的保暖系数，从而进一步提升了对建筑物的保温系数的准确性，也为进一步提升整体的预测准确性和可靠性奠定了基础。
21.进一步的技术方案在于，所述建筑物保暖系数还包括老化系数k，对所述建筑物保暖系数进行修正，修正后的建筑物保暖系数的计算公式为：
22.tk＝k(k1pc+t1)
23.通过老化系数的设置，从而充分考虑由于建筑物的老化导致的保温层保温效果变
差导致的误差，进一步为整体的预测准确性和可靠性奠定了基础。
24.进一步的技术方案在于，所述老化系数根据建筑物年限、保暖层材质、保暖层厚度有关。
25.进一步的技术方案在于，采用基于聚类算法和最小熵法相结合的方式对所述训练集进行去噪处理。
26.进一步的技术方案在于，所述去噪处理的具体步骤为：
27.s21基于所述聚类算法对所述训练集进行去噪处理，得到聚类训练集；
28.s22基于所述最小熵法对所述聚类训练集进行进一步的去噪处理，得到去噪完成的训练集。
29.通过先采用聚类算法对所述训练集进行去噪处理，从而可以剔除训练集中距离聚类中心过远的异常数据，在此基础上通过最小熵法去除某些峰值过大或者过小的数据，使得最终的结果变得更加的平滑，也使得最终的训练集的结果变得更加准确可靠。
30.进一步的技术方案在于，所述辨识模型的输出公式为：
31.h＝a1h1+a2h232.其中h为辨识模型的输出即此时的供暖面积热指标，h1、h2分别为基于svm算法的辨识模型的辨识结果和基于pso-dbn算法的辨识模型的辨识结果，a1、a2分别为基于svm算法的辨识模型的辨识结果的权值和基于pso-dbn算法的辨识模型的辨识结果的权值,所述a1、a2均为常数。
33.另一方面，本发明提供了一种高寒地区集中供热中供暖面积热指标辨识系统，采用上述的高寒地区集中供热中供暖面积热指标辨识方法，包括数据获取模块，数据处理模块，模型训练模块，结果输出模块；
34.所述数据获取模块负责从历史供暖数据中获取目标建筑物的供暖面积热指标、供水温度、室外温度、建筑物保暖系数、入住率；
35.所述数据处理模块负责基于所述供暖面积热指标、供水温度、室外温度、建筑物保暖系数、入住率构建训练集；
36.所述模型训练模块负责将所述训练集输入到基于svm算法以及pso-dbn算法的辨识模型中，对所述辨识模型进行训练，得到训练完成的辨识模型，其中所述供水温度、所述室外温度、所述建筑物保暖系数、所述入住率为输入量，以所述供暖面积热指标为输出量；
37.所述结果输出模块负责将此时的室外温度、供水温度、建筑物保暖系数、入住率输入到所述训练完成的辨识模型中，得到此时的供暖面积热指标。
附图说明
38.通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
39.图1是根据实施例1的一种高寒地区集中供热中供暖面积热指标辨识方法的流程图。
40.图2是根据实施例1的去噪处理的具体步骤的流程图。
41.图3是根据实施例2的一种高寒地区集中供热中供暖面积热指标辨识系统的构成图。
具体实施方式
42.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。
43.用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
44.集中供暖过程中，热力运维公司的主要目标是在不影响住户舒适度的前提下合理控制单位面积年耗热量。运维公司通常根据以设计供暖面积热指标折算得到的不同室外温度下的供暖运行曲线指导运维工作。但在实际运行中，设计供暖面积热指标的不准确性会导致运行曲线不合理，从而导致室温低于设计温度引发舆情或室温较高带来能源浪费。目前集中供热规划设计供暖面积热指标与实际运行热指标具有较大差异，所以，对于热力运维公司而言，估算出适合所负担小区的实际热指标对于指导热力运维具有重要意义。
45.在论文《考虑入住率的实际供暖面积热指标估算方法》中作者孙鱼铭以集中供暖运行维护过程中的能耗为切入点，通过多组数据比对分析，探究了居住建筑入住率和典型户比例与实际供暖面积热指标的关系，发现入住率与实际供暖面积热指标呈负相关，典型户的户间传热对热指标存在重要影响。提出了2种实际供暖面积热指标估算方法，可作为热力运维公司供暖初期运行调试的指导依据，但是仅仅考虑小区入住率因素，未考虑建筑物保温、供水温度、室外温度的影响，且采用数学计算公式的方式，精确度也较低，不能准确辨识得到供暖面积热指标，进而不利于供暖环节的节碳和节能。
46.实施例1
47.为解决上述问题，根据本发明的一个方面，如图1所示，提供了一种高寒地区集中供热中供暖面积热指标辨识方法。
48.一种高寒地区集中供热中供暖面积热指标辨识方法，其特征在于，具体包括：
49.s1从历史供暖数据中获取目标建筑物的供暖面积热指标、供水温度、室外温度、建筑物保暖系数、入住率，并基于所述供暖面积热指标、供水温度、室外温度、建筑物保暖系数、入住率构建训练集；
50.s2将所述训练集输入到基于svm算法以及pso-dbn算法的辨识模型中，对所述辨识模型进行训练，得到训练完成的辨识模型，其中所述供水温度、所述室外温度、所述建筑物保暖系数、所述入住率为输入量，以所述供暖面积热指标为输出量；
51.s3将此时的室外温度、供水温度、建筑物保暖系数、入住率输入到所述训练完成的辨识模型中，得到此时的供暖面积热指标。
52.通过从历史供暖数据中进行数据的获取，基于历史供暖数据中的供暖面积热指标、供水温度、室外温度、建筑物保暖系数、入住率构建训练集，基于所述训练集对辨识模型进行训练，得到训练完成的辨识模型后，将此时的将此时的室外温度、供水温度、建筑物保暖系数、入住率输入到所述训练完成的辨识模型中，得到此时的供暖面积热指标，从而解决了仅仅考虑小区入住率因素，未考虑建筑物保温、供水温度、室外温度的影响，且采用数学计算公式的方式，精确度也较低，不能准确辨识得到供暖面积热指标，进而不利于供暖环节
的节碳和节能的技术问题，充分考虑各方面的影响因素，并采用基于机器学习算法的辨识模型，使得辨识结果的准确性和可靠性得到了进一步的提升，也为供暖环节的节碳和节能奠定了基础。
53.通过采用所述供水温度、所述室外温度、所述建筑物保暖系数、所述入住率作为输入量，充分考虑多方面的因素，进一步提升了预测的精度，而不仅仅考虑单一的入住率，使得预测得到的结果也更加的可信，通过采用基于svm算法以及pso-dbn算法的辨识模型，解决了原有仅仅依靠函数关系，导致的预测结果不准确的问题，进一步提升了辨识的精度，采用基于svm算法以及pso-dbn算法的辨识模型，结合了svm算法效率高和dbn算法精度高的问题，采用pso算法对dbn算法进行初始值的优化，进一步提升了辨识的效率，使得整体的辨识模型不仅精度高，而且效率得到了有效的提升。
54.在另外的一种可能的实施例中，所述供水温度包括当前供水温度、前24小时的平均供水温度、前一周相同时刻的平均供水温度。
55.由于对于建筑模型的散热不仅仅需要考虑当前的供水温度，而是一定时间内的供水温度，因此采用前24小时的平均供水温度使得辨识结果变得更加的准确，同时采用先一周相同时刻的平均供水温度，可以对当前的供水温度进行修正，防止由于温度的突变的导致的辨识结果不准确的问题，进一步提升了整体的辨识精度，也使得供水温度的设置变得更加的科学。
56.在另外的一种可能的实施例中，所述室外温度包括当前室外温度、前24小时的平均室外温度、前一周相同时刻的平均室外温度。
57.由于对于建筑模型的散热不仅仅需要考虑当前的室外温度，而是一定时间内的室外温度，因此采用前24小时的平均室外温度使得辨识结果变得更加的准确，同时采用先一周相同时刻的平均室外温度，可以对当前的室外温度进行修正，防止由于温度的突变的导致的辨识结果不准确的问题，进一步提升了整体的辨识精度，也使得室外温度的设置变得更加的科学。
58.在另外的一种可能的实施例中，所述建筑物保暖系数的具体计算公式为：
59.t＝k1pc+t160.其中t为建筑物保暖系数，k1为转换系数，所述k1为常数，p为保暖层材质，c为保暖层厚度，t1为房屋除去保暖层外的保温系数，所述t1为常数。
61.通过基于保温层材质、保温层厚度、房屋除去保暖层外的保温系数构建建筑物的保暖系数，从而进一步提升了对建筑物的保温系数的准确性，也为进一步提升整体的预测准确性和可靠性奠定了基础。
62.在另外的一种可能的实施例中，所述建筑物保暖系数还包括老化系数k，对所述建筑物保暖系数进行修正，修正后的建筑物保暖系数的计算公式为：
63.tk＝k(k1pc+t1)
64.通过老化系数的设置，从而充分考虑由于建筑物的老化导致的保温层保温效果变差导致的误差，进一步为整体的预测准确性和可靠性奠定了基础。
65.在另外的一种可能的实施例中，所述老化系数根据建筑物年限、保暖层材质、保暖层厚度有关。
66.在另外的一种可能的实施例中，采用基于聚类算法和最小熵法相结合的方式对所
述训练集进行去噪处理。
67.在另外的一种可能的实施例中，如图2所示，所述去噪处理的具体步骤为：
68.s21基于所述聚类算法对所述训练集进行去噪处理，得到聚类训练集；
69.s22基于所述最小熵法对所述聚类训练集进行进一步的去噪处理，得到去噪完成的训练集。
70.通过先采用聚类算法对所述训练集进行去噪处理，从而可以剔除训练集中距离聚类中心过远的异常数据，在此基础上通过最小熵法去除某些峰值过大或者过小的数据，使得最终的结果变得更加的平滑，也使得最终的训练集的结果变得更加准确可靠。
71.在另外的一种可能的实施例中，所述辨识模型的输出公式为：
72.h＝a1h1+a2h273.其中h为辨识模型的输出即此时的供暖面积热指标，h1、h2分别为基于svm算法的辨识模型的辨识结果和基于pso-dbn算法的辨识模型的辨识结果，a1、a2分别为基于svm算法的辨识模型的辨识结果的权值和基于pso-dbn算法的辨识模型的辨识结果的权值,所述a1、a2均为常数。
74.实施例2
75.如图3所示，本发明提供了一种高寒地区集中供热中供暖面积热指标辨识系统，采用上述的高寒地区集中供热中供暖面积热指标辨识方法，包括数据获取模块，数据处理模块，模型训练模块，结果输出模块；
76.所述数据获取模块负责从历史供暖数据中获取目标建筑物的供暖面积热指标、供水温度、室外温度、建筑物保暖系数、入住率；
77.所述数据处理模块负责基于所述供暖面积热指标、供水温度、室外温度、建筑物保暖系数、入住率构建训练集；
78.所述模型训练模块负责将所述训练集输入到基于svm算法以及pso-dbn算法的辨识模型中，对所述辨识模型进行训练，得到训练完成的辨识模型，其中所述供水温度、所述室外温度、所述建筑物保暖系数、所述入住率为输入量，以所述供暖面积热指标为输出量；
79.所述结果输出模块负责将此时的室外温度、供水温度、建筑物保暖系数、入住率输入到所述训练完成的辨识模型中，得到此时的供暖面积热指标。
80.在本发明实施例中，术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可折卸连接，或一体地连接。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明实施例中的具体含义。
81.本发明实施例的描述中，需要理解的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明实施例的限制。
82.在本说明书的描述中，术语“一个实施例”、“一个优选实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适
的方式结合。
83.以上仅为本发明实施例的优选实施例而已，并不用于限制本发明实施例，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。