基于机器学习和预测控制的供热系统调度自动化实现方法与流程

本发明属于智慧供热，具体涉及一种基于机器学习和预测控制的供热系统调度自动化实现方法。

背景技术：

1、供热系统调度自动化是在调度中心建立一个供热运行远程监控管理和信息发布平台，运用先进的控制软件对热源、热网及各热力站的运行状态、运行参数，进行全方位自动监视、调节和智能优化控制。随着我国经济的快速发展，能源的消耗量逐年增加，能源危机形势日益严峻。居民供热是消耗能源的重要方面，如何在保证供热正常的前提下降低消耗的热量，提高供热系统的能效，已经成为当前人们研究中的重要技术方向。

2、供热系统属于多回路耦合的复杂非线性系统，传统pid控制参数整定困难，造成系统在工况变化情况下容易发生振荡，且pid控制方法设计和调试困难，控制效果较差，无法兼顾满足用户热负荷需求和节能两方面的性能。另外，目前实际工程中供热系统调度自动化大多为手动运行方式，管理和控制粗放，造成极大的能源浪费，因此非常有必要研究供热系统调度自动化控制策略，以实现在满足用户热负荷需求的前提下尽可能节能的控制目标。

3、基于上述技术问题，需要设计一种新的基于机器学习和预测控制的供热系统调度自动化实现方法。

技术实现思路

1、本发明所要解决的技术问题是，克服现有技术的不足，提供一种基于机器学习和预测控制的供热系统调度自动化实现方法，能够通过机器学习算法建立供热系统末端用户热负荷预测模型和供热系统能效预测模型，为供热系统调度自动化的控制变量计算建立数据状态变量基础，以及采用神经网络作为反馈控制器实现预测控制滚动优化，将变分法和随机梯度下降法相结合，并以满足供热系统能效要求和热负荷要求为目标，设计神经网络控制器，能够克服不确定因素的影响，在热负荷不断变化的情况下使得系统稳定在高能效工况下，通过预测控制计算获得的控制变量能够实现供热系统的调度自动化，使得供热系统能够按照控制目标进行控制和调度。

2、为了解决上述技术问题，本发明的技术方案是：

3、本发明提供了一种基于机器学习和预测控制的供热系统调度自动化实现方法，它包括：

4、采用机理建模和参数辨识的方法进行供热系统数字孪生模型的建立；

5、基于供热系统数字孪生模型，采用机器学习算法建立供热系统末端用户热负荷预测模型和供热系统能效预测模型；

6、设置神经网络控制器：输入变量为状态变量，至少包括供热系统能效比、室外气象参数、供热系统末端用户热负荷；输出变量为控制变量，至少包括供热系统二次侧供水温度、循环泵控制频率、电动调节阀开度；

7、在满足末端用户热负荷需求和提高供热系统能效的条件下，设置供热系统预测控制优化目标函数和设备状态约束条件；

8、利用神经网络控制器在有限的预测时域内对控制变量进行滚动优化，输出量即为控制变量最优目标值；

9、根据控制变量最优目标值对供热系统进行调度自动化，并依据调度结果进行反馈校正控制，使得供热系统按照控制变量最优目标值进行调度。

10、进一步，所述采用机理建模和参数辨识的方法进行供热系统数字孪生模型的建立，包括：

11、对供热系统中一级网、二级网、热力站和末端热用户进行物理模型、逻辑模型、仿真模型和数据模型的建立，并对物理模型、逻辑模型、仿真模型和数据模型之间进行相互耦合和多层次、多尺度集成，将物理空间中的物理实体在虚拟空间进行映射重构后建立供热系统数字孪生模型；

12、采用改进的自适应惯性权重粒子群优化算法对供热系统数字孪生模型参数进行寻优：将惯性权重非线性递减更新策略和变异操作相结合引入到pso算法中形成改进的自适应惯性权重粒子群优化算法；确定供热系统数字孪生模型要辨识的参数，设置各参数的取值范围，每个参数优化问题转化为粒子位置的寻优问题；引入位置变量，借助供热系统中获取的训练样本数据对供热系统数字孪生模型的偏差进行求解，采用改进的自适应惯性权重粒子群优化算法依据该偏差值的大小对粒子的最佳位置进行选择，获得最优供热系统数字孪生模型参数；选择均方根误差和平均绝对百分比误差作为衡量指标，对供热系统数字孪生模型性能进行验证。

13、进一步，所述基于供热系统数字孪生模型，采用机器学习算法建立供热系统末端用户热负荷预测模型和供热系统能效预测模型，包括：

14、基于供热系统数字孪生模型获取供热系统末端用户热负荷相关的运行数据和供热系统能效相关的运行数据；

15、设置gabor滤波器作为云图特征提取算法，进行云层不同方向的纹理走向特征和边缘信息的提取，获得云层不同尺度的数据特征；

16、将所述云层不同尺度的数据特征、供热系统末端用户热负荷相关的历史运行数据和室外温度、风向、湿度数据作为供热系统末端用户热负荷预测模型的数据样本；

17、采用改进的pso优化算法对rbf神经网络进行局部寻优，获得最优初始权值和阈值并作为lm算法的初值进行训练获得rbf神经网络的全局最优权值和阈值；

18、将供热系统末端用户热负荷预测模型的数据样本输入至优化后的rbf神经网络中进行训练，建立供热系统末端用户热负荷预测模型；

19、以及，将所述云层不同尺度的数据特征、供热系统能效相关的运行数据和室外温度、风向、湿度数据作为供热系统能效预测模型的数据样本；

20、采用emd方法对供热系统能效预测模型的数据样本进行分解获得多个能效特征分量后，再采用条件生成对抗网络cgan对多个能效特征分量进行训练，建立供热系统能效预测模型。

21、进一步，所述设置gabor滤波器作为云图特征提取算法，进行云层不同方向的纹理走向特征和边缘信息的提取，获得云层不同尺度的数据特征，包括：

22、依据云图中天空和云层的不同大小、尺寸，且分布于不同的空间位置属性，选取5个尺度和8个方向的gabor滤波器组进行云层不同方向的纹理走向特征和边缘信息的提取；设定云图的方向取值为θ1、θ2、θ3、θ4、θ5、θ6、θ7、θ8，尺度的取值为f1、f2、f3、f4、f5；

23、在获得gabor滤波器组之后，将每个gabor滤波器分别与原始云图图像进行卷积，设原始云图图像为i(x,y)，特定尺度和方向的gabor滤波器为gf,θ(x,y)，则滤波后的图像表示为：

24、

25、f为尺度序数，f＝1,2,3,4,5；θ为方向序数，θ＝1,2,3,4,5,6,7,8；gf,θ(x,y)r、gf,θ(x,y)i分别为对应尺度和方向下gabor滤波器的实部和虚部；

26、在获得云图图像的多个gabor特征后，利用基于能量原则的优选方法对多个特征进行优选：计算滤波后图像的总能量和各个滤波图像的能量对各个滤波图像的能量依据顺序排列，选取预设数量的滤波图像作为优选特征图像；

27、对优选特征图像进行平滑滤波，获得多个特征图像的特征矩阵，再将特征矩阵向量化，依据从左至右和从上到下的顺序将特征矩阵转化为一个包含m×n个像素点样本的数据集x＝{x1，x2，…，xi,…,xs}，(s＝m×n)，其中第i个样本xi＝{xi1,xi2,…,xik,…,xin}是一个n维矢量，xik是对应像素点样本xi的第k个gabor特征；

28、对特征向量进行零均值和归一化，消除各特征量值大小的差异，获得最终的特征向量。

29、进一步，所述供热系统末端用户热负荷相关的历史运行数据至少包括当前时刻负荷值、前一天负荷值、前一周负荷值和二次供水温度、二次回水温度、二次供水流量；

30、所述采用改进的pso优化算法对rbf神经网络进行局部寻优，获得最优初始权值和阈值并作为lm算法的初值进行训练获得rbf神经网络的全局最优权值和阈值，包括：

31、将自适应权重法引入pso优化算法形成改进的pso优化算法，表示为：

32、

33、w为惯性权重；wmin和wmax分别为惯性权重因子最小值和最大值；f为粒子的适应度；favg和fmin分别为适应度平均值和最小值；

34、初始化粒子的初始速度和位置，设置学习因子、个体最优坐标pbest和种群最优坐标gbest；

35、计算粒子适应度值，并进行速度和位置的更新；

36、比较种群中每个粒子位置的适应度和pbest的适应度比较，更新pbest；同理将pbest和gbest比较更新gbest；

37、依据自适应权重法调整网络权重，当算法满足结束条件或达到最大迭代次数，输出rbf神经网络的最优初始权值和阈值；否则，重新计算粒子适应度值，并进行速度和位置的更新；

38、初始化rbf神经网络的权值和阈值w0，并设置网络训练误差允许值ε、最大训练次数和初始化对比例系数μ和步进因子β；

39、计算网络第k次迭代的误差指数s(wk)，wk为第k次迭代产生的神经网络的权值和阈值；

40、计算雅克比矩阵，并计算获得网络权值和阈值变化量δw，同时获得新的权值和阈值wk+1，表示为：

41、

42、ei(wk)为rbf神经网络预计输出值和实际输出值之间的差值，n为维数；j为雅克比矩阵；i为单位阵；μ为正常数；

43、若s(wk)＜ε，满足误差要求，则停止计算输出rbf神经网络的全局最优权值和阈值；否则返回再次计算第k+1次的误差指数s(wk+1)；

44、比较s(wk+1)和s(wk)，若s(wk+1)<s(wk)，则k＝k+1，μ＝μ/β，返回再次计算误差指数；否则，μ＝μ·β，返回计算获得rbf神经网络权值和阈值变化量。

45、进一步，所述供热系统能效相关的运行数据至少包括：当前时刻负荷值、当前时刻系统能效比和二次侧供水温度、循环泵控制频率、电动调节阀开度、二次供水流量；

46、所述采用emd方法对供热系统能效预测模型的数据样本进行分解获得多个能效特征分量后，再采用条件生成对抗网络cgan对多个能效特征分量进行训练，建立供热系统能效预测模型，包括：

47、采用emd方法将供热系统能效预测模型的数据样本分解为多个时间尺度下的n-1个本征模态函数imf分量和1个残差res分量；

48、设置条件对抗网络cgan的结构：在gan生成器和判别器的博弈结构基础上，增加条件值y作为输入，随机噪声z与条件值y共同作为生成器的输入，通过生成器生成样本g(z|y)，判别器判断对应条件下的生成样本与真实样本x是否相似，并将判别结果d(x|y)通过损失函数反馈给生成器和判别器；生成器和判别器根据反馈的损失函数更新自身参数并进行优化，达到纳什均衡；所述生成器由n个lstm神经网络组成；所述判别器由多个卷积层和1个全连接层组成；

49、将n-1个本征模态函数imf分量和1个残差res分量分别与条件值y进行拼接输入到生成器的n个lstm神经网络中，并对n个lstm的输出求和获得供热系统能效预测数据；

50、将供热系统能效预测数据、能效真实数据分别与条件值y一起输入至判别器后，再将能效真实数据的判别结果和能效预测数据的判别结果组成交叉熵反馈给判别器和生成器进行模型优化训练，建立供热系统能效预测模型。

51、进一步，所述设置神经网络控制器，包括：

52、供热系统是多输入多输出非线性系统，表示为：

53、x[k+1]＝f(x[k],u[k])；

54、x[0]＝x0；

55、x[k]为k时刻n维的状态变量，x[k]＝[x1(k),x2(k),x3(k),…,xn(k)]；u[k]为k时刻m维的控制变量，u[k]＝[u1(k),u2(k),u3(k),…,um(k)]；x0为初始状态时系统的状态量；k为当前时刻，其取值范围为0,1,2，…；k+1为下一时刻；

56、设定神经网络控制器，表示为：

57、u[k]＝g(x[k],x*[k+1],w)；

58、w为神经网络控制器的权值矩阵；x*[k+1]为下一时刻状态变量的期望值；神经网络控制器的输入层包括2n+1个神经元，输入变量为x[k]、x*[k+1]和阈值对应的-1，输出层包括m个神经元，输出变量为u[k]

59、其中，输入变量至少包括供热系统能效比、室外气象参数、供热系统末端用户热负荷；输出变量至少包括供热系统二次侧供水温度、循环泵控制频率、电动调节阀开度。

60、进一步，所述在满足末端用户热负荷需求和提高供热系统能效的条件下，设置供热系统预测控制优化目标函数和设备状态约束条件，包括：

61、设置供热系统预测控制优化目标是在满足末端用户热负荷需求的条件下，使供热系统能效最大，当在给出供热系统能效设定值时，目标为使供热系统能效跟随其设定值，表示为：

62、

63、j(eer)[k]为供热系统预测控制优化目标函数；m为预测时域；t1是预测时域的起始时间；eer[k]为当前时刻供热系统能效；eerset[k]为当前时刻供热系统能效设定值，将基于供热系统能效预测模型获得的供热系统能效预测值作为能效设定值；q[k]和qset[k]分别为当前时刻供热系统末端用户热负荷的实际值和给定值，将基于供热系统末端用户热负荷预测模型获得的供热系统末端用户热负荷预测值作为热负荷给定值；

64、设置设备状态约束条件，至少包括二次侧供水温度、循环泵控制频率和电动调节阀开度的参数取值范围。

65、进一步，所述利用神经网络控制器在有限的预测时域内对控制变量进行滚动优化，输出量即为控制变量最优目标值，包括：

66、步骤s1、初始化神经网络控制器的参数，包括设定初始状态变量、初始权值矩阵，以及确定状态变量的期望值和控制周期、预测时域；

67、步骤s2、将状态变量x[k]＝eer[k]的初值、eer期望值x*[k+1]输入至神经网络控制器进行计算，获得控制变量u[k]的初值；

68、步骤s3、根据供热系统末端用户热负荷预测模型获得末端用户热负荷预测值，再将控制变量u[k]的初值、状态变量x[k]＝eer[k]的初值和末端用户热负荷预测值输入至系统的供热系统能效预测模型，获得下一时刻状态变量的预测值

69、步骤s4、计算获得一个预测时域内各时刻的控制变量和状态变量：在同一个预测时域内保持神经网络控制器的权值矩阵不变，将包括上一步获得状态量的预测值和下一时刻状态量期望值x*[k+2]的状态变量输入至神经网络控制器，获得控制变量u[k+1]；再根据供热系统末端用户热负荷预测模型逐步获得末端用户热负荷预测值q[k+1]，将控制变量u[k+1]、状态变量的预测值和末端用户热负荷预测值q[k+1]输入至系统的供热系统能效预测模型，获得下一时刻状态变量的预测值通过不断重复步骤s4过程，直至一个预测时域完成；

70、步骤s5、将优化目标函数采用拉格朗日乘子法，引入拉格朗日乘子向量，并构造哈密顿函数，形成增广优化目标函数，再根据正则方程，从后向前计算拉格朗日乘子向量λ(k)和q(k)；

71、步骤s6、根据计算出的拉格朗日乘子q(k)的值，基于随机梯度下降法修正神经网络控制器的权值矩阵；

72、步骤s7、重复执行步骤s4-s6，对神经网络控制器的权值矩阵进行修正，直至神经网络收敛；

73、步骤s8、进入下一采样周期，循环执行步骤s2-s7，获得各个采样时刻的最优控制变量，直至整个控制过程结束。

74、本发明的有益效果是：

75、本发明通过采用机理建模和参数辨识的方法进行供热系统数字孪生模型的建立；基于供热系统数字孪生模型，采用机器学习算法建立供热系统末端用户热负荷预测模型和供热系统能效预测模型；设置神经网络控制器：输入变量为状态变量，至少包括供热系统能效比、室外气象参数、供热系统末端用户热负荷；输出变量为控制变量，至少包括供热系统二次侧供水温度、循环泵控制频率、电动调节阀开度；在满足末端用户热负荷需求和提高供热系统能效的条件下，设置供热系统预测控制优化目标函数和设备状态约束条件；利用神经网络控制器在有限的预测时域内对控制变量进行滚动优化，输出量即为控制变量最优目标值；根据控制变量最优目标值对供热系统进行调度自动化，并依据调度结果进行反馈校正控制，使得供热系统按照控制变量最优目标值进行调度；能够通过机器学习算法建立供热系统末端用户热负荷预测模型和供热系统能效预测模型，为供热系统调度自动化的控制变量计算建立数据状态变量基础，以及采用神经网络作为反馈控制器实现预测控制滚动优化，将变分法和随机梯度下降法相结合，并以满足供热系统能效要求和热负荷要求为目标，设计神经网络控制器，能够克服不确定因素的影响，在热负荷不断变化的情况下使得系统稳定在高能效工况下，通过预测控制计算获得的控制变量能够实现供热系统的调度自动化，使得供热系统能够按照控制目标进行控制和调度。

76、其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

77、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。