一种地热耦合太阳能供热站智能控制方法及系统

1.本发明属于土壤源热泵运行管理技术领域，具体涉及一种地热耦合太阳能供热站智能控制方法及系统。


背景技术：

2.能源的高效和清洁利用一直是各国追求的目标。可持续开发利用的清洁能源近些年来得到迅猛发展，同时地球上的化石能源正在逐渐消耗殆尽，新能源的研发利用势在必行。
3.太阳能和地热能的具有供能持续稳定、高效循环利用、可再生的特点，在供暖、发电等行业有着广泛的应用。但可再生能源行业一直存在粗放式发展、利用效率不高的问题。随着大数据、人工智能等新技术在工业中的全面提升，过去对可再生能源的简单粗放利用方式的改变已经迫在眉睫，能源利用精细化、智能化需求已经越来越迫切了。
4.为了较少碳排放，提高能源利用效率，可再生能源在供热的同时并网发电，但其间歇性和用户端热负荷的变化对供热系统的安全性和效率造成了很大影响，因此供热机组必须使用储能技术提高负荷匹配能力。供热负荷变化、负荷不匹配等问题会严重影响机组运行的高效性和安全性，因此提高供热系统对负荷变化的响应能力迫在眉睫。


技术实现要素：

5.为了解决上述现有技术中存在的缺陷，本发明的目的在于提供一种地热耦合太阳能供热站智能控制方法及系统，能够提前预测能源系统的运行参数并做出对应调节，显著提高整个系统的效率。
6.本发明是通过以下技术方案来实现：
7.一种地热耦合太阳能供热站智能控制方法，包括：
8.s1：按照预设的监控周期对地热耦合太阳能供热站的运行参数进行监控，并对得到的运行参数进行故障诊断；若运行参数异常，则将该运行参数与历史数据进行对比，并根据比较结果确定故障的解决方案；若运行参数正常，则转s2；
9.s2：将地热耦合太阳能供热站的历史正常运行参数结合对应历史气象条件作为数据集，并将数据集划分为训练集和验证集，并构建集成算法预测模型；使用训练集基于最邻近节点算法、随机森林算法和增强学习算法结合的集成预测算法训练集成算法预测模型，并使用验证集优化集成算法预测模型，对用户端需求和光伏系统发电量情况进行预测；
10.s3：根据s1得到的正常运行参数和s2的预测结果，通过计算校核流量、冷热负荷和发电量对地热耦合太阳能供热站各部分运行状况进行决策；
11.s4：根据s3得到的决策结果计算决策后的运行参数，将决策后的运行参数与故障数据进行对比，确认地热耦合太阳能供热站的供电系统和供热系统能够正常运行后,将调节信号传递给地热耦合太阳能供热站的dcs系统；如果调节后地热耦合太阳能供热站的供电系统和供热系统无法正常运行，则忽略此次调节信号维持原工况，并将错误调节数据上
传。
12.优选地，s1中，所述运行参数包括选取时间点、对应时间点瞬时温度、当日最高气温、当日最低气温、当日日照时间、当日空气湿度、当日平均风速和日期；
13.进行故障诊断前对所述运行参数进行归一化处理：
[0014][0015]
式中，x
i,j
表示第i组数据中第j个参数；x'
i,j
表示x
i,j
归一化得到的参数；min(x
,j
)表示第j个参数在各组中的最小值，max(x
,j
)表示第j个参数在各组中的最大值。
[0016]
优选地，s2中，预测模型的训练方法包括：
[0017]
s2.1：根据地热耦合太阳能供热站的历史正常运行参数，导入对应的历史气象条件，将历史正常运行参数和历史气象条件进行归一化处理；
[0018]
s2.2：使用相关性分析方法分析影响热负荷、冷负荷和光伏系统发电量的主要因素，剔除低影响力数据，将剩余数据作为数据集；
[0019]
s2.3：使用交叉验证法将数据集划分为训练集和验证集；
[0020]
s2.4：根据训练集和验证集构建集成算法预测模型，分别训练最邻近算法预测模型、随机森林算法预测模型和自适应提升算法预测模型，并将预测结果加权输出最终预测结果；
[0021]
s2.5：集成算法预测模型根据最邻近算法预测模型、随机森林算法预测模型和自适应提升算法预测模型的预测结果以及地热耦合太阳能供热站的实际运行参数的偏差反向传播更新对应的权重；当集成算法预测模型的预测结果和运行参数在一定时间内连续出现多次偏差时，重新训练s2.4构建的集成算法预测模型；
[0022]
s2.6：重复步骤s2.3-s2.5，分别得到用户端热需求预测模型、用户端冷需求预测模型和光伏系统发电量的预测模型。
[0023]
进一步优选地，s2.2具体包括：
[0024]
s2.2.1：根据预设的时间步长，使用灰色关联法分别选择每个时间步长开始时间点的用户热负荷、用户冷负荷和光伏阵列的发电量作为母序列；子序列选择时间点、对应时间点瞬时温度、当日最高气温、当日最低气温、当日日照时间、当日空气湿度、当日平均风速和日期；
[0025]
s2.2.2：根据温度、日照时间与热负荷成负相关，热负荷相关性分析时，乘以倒数化算子：
[0026]
xi'd1＝[xi'
,1
d1,xi'
,2
d2,...,xi'
,jdj
]
[0027][0028]
其中，xi'表示第i个子序列；xi'
,j
表示第i组数据中第j个参数；d1为倒数化算子；
[0029]
s2.2.3：通过灰色关联法分别得到各个影响因素对用户端热需求、用户端冷需求和光伏阵列发电量的灰色关联度，将除时间点外的低相关度因素从影响因素中去除；并将处理后的数据作为数据集r，表示为：
[0030][0031]
进一步优选地，s2.3具体包括：
[0032]
s2.3.1：使用交叉验证法对步骤s2.2中处理得到的数据集r进行划分，选用5折交叉验证，将数据集r分为5份，其中4份作为训练集，1份作为验证集；
[0033]
s2.3.2：重复5次步骤s2.3.1，每次选取不同的训练集，共得到20份训练集和5份验证集。
[0034]
进一步优选地，s2.4具体包括：
[0035]
s2.4.1：建立最邻近算法预测模型，设定超参数k，距离度量选用曼哈顿距离，选用均方误差和平均绝对误差作为损失函数，选用高斯函数作为基于距离远近的加权，基于步骤s2.3得到的训练集和验证集，将最小化损失函数作为目标，使用kd树加速训练，得到最邻近算法预测模型；表示为：
[0036][0037][0038]
其中，yi为第i个参数的真实值，为第i个参数的预测值，n为维度个数；
[0039][0040]
其中，a,b,c为参数，x为空间中某点到真实值之间的距离；
[0041]
s2.4.2：建立随机森林回归预测模型，初始选用n
tree
棵特征树，每棵特征树最大深度设置为50，初始选取每棵特征树特征值为m
try
；选取步骤s2.2中得到的数据集r，使用bagging方法有放回抽样，产生n
tree
个训练子集，将未被抽取的袋外数据作为验证集；采用cart方法划分特征树，从j个影响因素中随机选择m
try
个影响因素(m
try
≤j)作为特征树当前节点的分裂特征值，选择均方误差和平均绝对误差最小化准则作为特征树的分裂标准，预测结果为每棵树输出的均值；迭代计算以误差最小为目标优化特征树的数量和决策树的特征值，直到误差小于设定的阈值，得到随机森林预测模型；
[0042]
s2.4.3：建立自适应提升算法预测模型，选用步骤s2.3得到的训练集，从中选取n组训练样本，赋予训练样本初始权重为w
1i
＝1/n,i＝1,2,3,
…
,n,用w(1)＝(w
11
,w
12
,w
13
,
…
,w
1n
)表示样本的初始权重，d表示学习器的数量；进行迭代d＝1,2,3,
…
,d，训练第d个弱学习器hd(x)时，用弱学习器hd(x)预测验证集输出回归误差εd，计算训练集上样本的最大误差ed和相对误差ε
di
，计算该弱学习器在最终学习器中的权重αd，根据权重αd更新样本的权重w(d+1)；训练d轮后得到d组弱学习器hd(x),根据弱学习器权重组合各个弱学习器得到增强学习器h(x),并使用验证集数据优化弱学习器数量d；表示为：
[0043]
ed＝max(|y
i-hd(xi)|)
[0044][0045][0046][0047]
w(d+1)＝(w
d|1,1
,w
d|1,2
,w
d|1,3
,
…
,w
d|1,n
)
[0048][0049][0050][0051]
其中，yi为第i个参数的真实值。
[0052]
进一步优选地，s2.5具体包括：
[0053]
s2.5.1：对集成算法预测模型进行优化；输入步骤s2.3得到的验证集数据，使用训练好的最邻近算法预测模型、随机森林回归预测模型和自适应提升算法预测模型分别得到输出，将集成算法模型预测结果与真实值的均方误差作为损失函数，使用历史数据优化各部分加权比重，直至损失函数j
θ
小于设定阈值：
[0054]
d＝w1d1+w2d2+w3d3[0055][0056][0057]
其中，d为集成算法预测模型输出结果；di,wi分别为最近邻算法、随机森林算法、自适应提升算法预测结果和权重；wi'为更新后的权重；d'为真实值；k为控制加权更新的参数；
[0058]
s2.5.2：集成算法预测模型每次预测结果都上传云端数据库，当一段时间内的预测结果误差或故障决策超过阈值时，云端数据库发出信号提醒维护人员更新学习预测模块，重复上述步骤s2.1-s2.5.1重新训练预测模型。
[0059]
本发明公开的一种地热耦合太阳能供热站智能控制系统，包括：
[0060]
运行检查模块，按照预设的监控周期对地热耦合太阳能供热站的运行参数进行监控，并对得到的运行参数进行故障诊断；若运行参数异常，则将该运行参数上传至云端数据库；若运行参数正常，则将该运行参数传递给实时决策模块；
[0061]
学习预测模块，从云端数据库读取地热耦合太阳能供热站的历史正常运行参数结合对应历史气象条件作为数据集，并将数据集划分为训练集和验证集，并构建集成算法预测模型；使用训练集基于最邻近节点算法、随机森林算法和增强学习算法结合的集成预测
算法训练集成算法预测模型，并使用验证集优化集成算法预测模型，对用户端需求和光伏系统发电量情况进行预测，并将预测结果传递给实时决策模块；
[0062]
实时决策模块，分别读取来自运行检查模块的正常运行参数和学习预测模块的预测结果，通过计算校核流量、冷热负荷和发电量对地热耦合太阳能供热站各部分运行状况进行决策，并将决策结果传递给负荷调节模块，同时将来自运行检查模块的正常运行参数和学习预测模块的预测结果上传至云端数据库；
[0063]
负荷调节模块，读取来自实时决策模块的决策结果，计算决策后的运行参数，将决策后的运行参数和云端数据库中的故障数据进行对比，确认地热耦合太阳能供热站的供电系统和供热系统可以正常运行后将调节信号传递给地热耦合太阳能供热站的dcs系统；如果调节后地热耦合太阳能供热站的供电系统和供热系统无法正常运行，则忽略此次调节信号维持原工况，并将错误调节数据上传至云端数据库；
[0064]
云端数据库，存储有正常运行参数、故障运行参数、预测结果数据和故障决策数据并能够与上传的数据进行对比。
[0065]
优选地，运行检查模块的监控周期、学习预测模块的决策周期、实时决策模块的决策周期和负荷调节模块的调节周期与预设的时间步长保持一致。
[0066]
优选地，运行检查模块监控地热耦合太阳能供热站的运行参数包括用户端进出口水温和流量、深层地埋管进出口水温和流量、浅层地埋管水温和流量、冷却塔的进出口水温和流量、地下蓄水箱的温度和储水情况、地热能源系统的耗电量、光伏阵列的发电功率和储能蓄电池的电量储存情况，运行检查模块以日期、时段、装置、工况的形式记录当前的运行参数；运行检查模块预设异常参数范围，得到当前运行参数后，首先基于当前的运行模式判断地热耦合太阳能供热站的供电系统和供热系统的流量、能量和电量是否守恒，通过对比预设异常参数范围进行故障判别；当存在可能异常数据时，运行检查模块向云端数据库传递当前故障数据，云端数据库根据三个相邻时间步长的运行参数和历史故障数据库运行参数进行数据对比，确定故障位置并主动报警，生成故障指导方案，并将故障数据和故障位置上传云端数据库；
[0067]
云端数据库包括正常运行参数库、故障运行参数库、预测结果数据库、故障决策数据库；云端数据库具有数据对比功能，具体包括将运行检查模块传递的可能故障数据与历史故障数据比较，将负荷调节模块计算得到的决策后的运行参数和故障运行数据库对比，将预测结果与对应真实数据对比；当一段时间内的预测结果误差或故障决策超过阈值时，云端数据库发出提醒信号，提示维护人员更新学习预测模块。
[0068]
与现有技术相比，本发明具有以下有益的技术效果：
[0069]
本发明公开的地热耦合太阳能供热站智能控制方法，基于机器学习原理构建集成算法预测模型，根据当前气象条件预测一段时间后地热耦合太阳能供热站用户端冷热需求和地热耦合太阳能供热站光伏系统发电量，并根据预测结果提前调节供热站运行参数。通过集成算法预测模型预测并匹配负荷，能够提高地热耦合太阳能供热站能源的利用率，并保证供热站的安全性。集成预测算法由最邻近节点算法、随机森林算法和增强学习算法三部分组成，得到各部分算法输出后以加权平均的方式输出最终预测结果。与使用单一算法相比，通过比较上述三种算法各部分误差并更新加权，可以提高预测模型的稳定性和准确率。本发明通过dcs系统实时监控地热耦合太阳能供热站运行参数，当出现异常运行参数时
主动报警并判别故障位置，提供指导方案。本发明还通过云端数据库记录热耦合太阳能供热站历史运行参数，为训练预测模型和故障排查提供数据。
[0070]
本发明公开的地热耦合太阳能供热站智能控制系统，构建简单，自动化程度高，功能齐全。
附图说明
[0071]
图1为本发明的地热耦合太阳能供热站智能控制方法原理框图；
[0072]
图2为本发明的地热耦合太阳能供热站智能控制系统构成示意图；
[0073]
图3为本发明的集成算法预测模型原理图；
[0074]
图4为本发明实施例中地热耦合太阳能供热站的结构示意图。
[0075]
图中，1为第一水泵；2为第二水泵；3为第三水泵；4为第四水泵；5为深层地埋管；6为地下蓄水箱；7为浅层地埋管群；8为闭式冷却塔；9为加热装置；10为光伏阵列；11为光伏发电装置；12为储能蓄电池；13为第一电磁阀；14为第二电磁阀；15为第三电磁阀；16为第四电磁阀。
具体实施方式
[0076]
下面结合附图和具体实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
[0077]
如图4，为一个典型的地热耦合太阳能供热站的结构图，该系统包括光伏阵列10、光伏发电装置11、地下蓄水箱6、加热装置9、储能蓄电池12、复合地埋管系包括并联在一起的浅层地埋管群7和深层地埋管5、闭式冷却塔8；整个系统还设置有第一水泵1、第二水泵2、第三水泵3、第四水泵4、第一电磁阀13、第二电磁阀14、第三电磁阀15和第四电磁阀16，并将运行时的工况传递给dcs系统。其中浅层地埋管群7为深度为100～1000m的地埋管，深层地埋管5为设置于1200～3000m的地埋管。浅层地埋管之间按照折线形串联布置，浅层地埋管的钻孔间距为5-10m；深层地埋管5采用套管式换热器，连接冷凝器和蒸发器构成换热单元，取热不取水。
[0078]
如图2，为本发明的地热耦合太阳能供热站智能控制系统构成示意图，智能控制系统包括运行检查模块，学习预测模块，实时决策模块，负荷调节模块和云端数据库。
[0079]
如图1，各模块的主要功能及模块之间的工作原理如下：
[0080]
运行检查模块，用于对供热站的运行进行监控，以预设的时间步长为周期，对当前的运行参数进行故障诊断并将正常的运行参数传递给实时决策模块；存在可能异常数据时，该模块会向云端数据库传递当前故障数据，通过云端数据库对比历史数据，确定故障情况，主动报警并给出故障指导方案，帮助运行维护人员快速消除故障，保证机组正常运行。
[0081]
学习预测模块，该模块从云端读取供热站历史正常运行参数并结合导入的对应历史气象条件作为数据集，数据集被划分训练集和验证集。该模块基于最邻近节点、随机森林和增强学习结合的集成预测算法训练预测模型，并使用验证集优化预测模型。该模块和运行检查模块同频率作用，以预设的时间步长为周期进行预测，将预测结果传递给实时决策模块。
[0082]
实时决策模块，该模块读取来自运行检查模块的正常运行参数、学习预测模块的
预测结果作为决策依据，通过计算校核流量、冷热负荷和发电量对供热站各部分运行状况进行决策，将决策结果传递给负荷调节模块，将运行检查模块运行参数和学习预测模块预测结果上传云端数据库，该决策模块以预设的时间步长为周期提供决策。
[0083]
负荷调节模块，该模块读取来自实时决策模块的决策结果，将决策后的运行参数和云端数据库故障数据进行对比，确认系统可以正常运行后将调节信号传递给dcs系统；如果调节后无法正常运行，则忽略此次调节信号维持原工况，将错误决策上传云端。负荷调节模块以预设的时间步长为周期进行调节。
[0084]
云端数据库，包括正常运行参数库、故障运行参数库、预测结果数据库、故障决策数据库，用于存储供热站正常运行参数、调节决策、故障运行参数及对应的决策。云端数据库根据其他模块的需求传递和读取对应数据，其中的数据对比功能可以将其他模块提供的数据与库中数据对比并找到相似数据。当一段时间内的预测结果误差和故障决策超过阈值时，云端数据库发出提醒信号，提示维护人员更新学习预测模块。
[0085]
地热耦合太阳能供热站根据运行方式，分为供热模式和制冷模式。夏季温度较高时冷负荷较大，地热能源系统进入制冷模式，第一电磁阀13关闭，第二电磁阀14关闭，第三电磁阀15关闭，第四电磁阀16开启，从用户端流入的高温水通过第四水泵4进入浅层地埋管降温，之后从浅层地埋管群7流出进入闭式冷却塔8降温，由第一水泵1将低温水输送给用户端。当上述冷却回路无法满足制冷负荷时，第二电磁阀14开启，光伏发电装置11驱动加热装置9冷却地下蓄水箱6，通过第三水泵3流入冷却回路，将低温水输送给用户端。秋冬季节温度较低时热负荷较大，地热能源系统进入供热模式，第一电磁阀13开启，第二电磁阀14关闭，第三电磁阀15开启，第四电磁阀16关闭，从用户端流入的低温水通过第二水泵2和深层地埋管5换热，深层地埋管5取热不取水，通过换热介质导出中深层地热能，同时用户端低温水通过第四水泵4流入浅层地埋管群7，获取热量后流出，通过第一水泵1将高温水输送给用户端。当上述冷却回路无法满足供热负荷时，第二电磁阀14开启，光伏发电装置11驱动加热装置9加热地下蓄水箱6，并通过第三水泵3流入加热回路，将高温水输送给用户端。
[0086]
地热耦合太阳能供热站由光伏发电系统供电，在满足系统电力需求的前提下，光伏系统可以参与并网发电，并将无法参与并网调峰的电力使用储能蓄电池12储存，在储能蓄电池12电能蓄满时，无法并网的电能用来驱动冷却加热装置使用地下蓄水箱6储存能量。当光伏发电装置11供电不足时，储能蓄电池12为地热能源系统提供能量。当储能蓄电池12能量用尽且光伏发电装置11供电不足时，地热能源系统会转入外部供电模式。
[0087]
上述运行检查模块以预设的时间步长为周期记录当前的运行参数，包括用户端进出口水温和流量，深层地埋管5进出口水温和流量，浅层地埋管7水温和流量，冷却塔的进出口水温和流量，地下蓄水箱6的温度和储水情况，光伏阵列10的发电功率，储能蓄电池12的电量储存情况。该模块会以日期、时段、装置、工况的形式记录当前的运行参数。该模块根据云端数据库历史运行参数预设异常参数值，具有判别故障功能，得到当前运行参数后，该模块首先会基于当前的运行模式判断流量是否守恒，热量是否守恒，电量是否守恒，通过对比预设值进行故障判别。当存在可能异常数据时，该模块会向云端数据库传递当前运行参数，云端数据库根据三个相邻时间运行参数和历史故障数据库运行参数进行数据对比，确定故障情况并主动报警，生成故障指导方案，并将故障数据和故障位置上传云端数据库。
[0088]
上述学习预测模块具有训练和预测两大功能，该模块从云端读取供热站历史正常
运行参数并结合导入的对应历史气象条件作为数据集，数据集被划分训练集和验证集。该模块基于最邻近节点、随机森林和增强学习结合的集成预测算法训练预测模型，并使用验证集优化预测模型。在得到预测模型后，学习预测模块根据当前气象条件预测一个时间步长后的冷热负荷和光伏系统发电量，该模块和运行检查模块同频率作用，以预设的时间步长为周期读取运行检查模块传递的运行参数进行预测，将预测结果传递给实时决策模块。
[0089]
上述实时决策模块根据学习预测模块给出的预测值和运行检查模块给出的当前负荷对整个系统给出决策意见，并将运行检查模块运行参数和学习预测模块预测结果上传云端数据库。以冬季供暖调节为例，具体包括以下步骤：
[0090]
s1：实时决策模块根据运行检查模块给出的当前运行情况计算系统各装置的流量qi,i＝1,2,3,...,n；各装置提供的热量ei,i＝1,2,3,...,n；各装置的耗电量wi,i＝1,2,3,...,n；其中发电为正，耗电为负，外部供电电量为we。
[0091]
s2：实时决策模块根据学习预测模块给出的预测值进行决策，当用户端热负荷预测值、光伏系统发电量预测值和运行参数差距超过设定阈值时，启动决策程序。可以调节的部分包括各电磁阀的开度，光伏系统发电量的分配方式，地下蓄水箱的进出口流量等参数，在调节过程中要满足以下关系：
[0092][0093]
其中q为用户端流量，e为用户端热需求。
[0094]
s3：实时决策模块将需要调节的装置和决策传递给负荷调节模块，对于无需调节的部位不传递信号。
[0095]
优选的，上述负荷调节模块根据实时决策模块提供的决策进行负荷调节，该模块首先对调节后的工况进行检查，检查调节后各部分的工况是否正常运行，将调节后的工况和云端数据库中故障运行参数库和故障决策数据库进行对比，确认系统可以正常运行后将调节信号传递给dcs系统，并将调节数据上传云端；如果系统调节后无法正常运行，则忽略此次调节信号维持原有工况，并将错误决策上传云端。
[0096]
优选的，上述云端数据库包括正常运行参数库、故障运行参数库、预测结果数据库、故障决策数据库，云端数据库向智能控制系统各模块传递和读取数据，具体包括向运行检查模块传递历史故障数据，储存运行检查模块的故障数据，向学习预测模块传递历史正常运行参数，储存实时决策模块传递的正常运行参数和预测数据，储存负荷调节模块的决策数据。云端数据具有数据对比功能，具体包括将运行检查模块传递的故障数据和历史故障数据比较，将负荷调节模块决策数据和故障数据库、故障决策数据库对比。当一段时间内的预测结果误差和故障决策超过阈值时，云端数据库发出提醒信号，提示维护人员更新学习预测模块。
[0097]
优选的，如图3所示，学习预测模块中预测模型训练包括以下步骤：
[0098]
步骤s1：通过云端数据库获取系统正常运行时的运行参数，并导入对应的历史气候条件，将运行参数和历史气候条件进行归一化处理。
[0099]
步骤s2：使用相关性分析方法分析影响热负荷、冷负荷和光伏系统发电量的主要
因素，剔除低影响力因素。选取处理后的数据作为数据集。
[0100]
步骤s3：针对上述数据集，使用交叉验证法分别划分训练集和验证集。
[0101]
步骤s4：根据上述训练集和验证集，构建集成算法预测模型。集成算法预测模型由最邻近算法(knn)、随机森林算法(random forest)、自适应提升算法(adaboost)三部分组成，预测结果根据各部分预测结果加权得到。
[0102]
步骤s5：预测模型会根据预测数据和实际运行参数的偏差反向传播更新各部分算法预测结果的加权。当预测结果和运行参数在一定时间内连续出现多次偏差时，重新训练预测模型。
[0103]
步骤s6：重复上述步骤s3-s5，分别得到用户端热需求预测模型、用户端冷需求预测模型和光伏系统发电量的预测模型。
[0104]
进一步的，步骤s1具体包括以下步骤：
[0105]
s1.1：正常运行时的运行参数包括选取时间点、对应时间点瞬时温度、当日最高气温、当日最低气温、当日日照时间、当日空气湿度、当日平均风速、日期共计8个影响因素。
[0106]
s1.2：对数据进行归一化处理：
[0107][0108]
其中，x
i,j
表示第i组数据中第j个参数；x'
i,j
表示x
i,j
归一化得到的参数；min(x
,j
)表示第j个参数在各组中的最小值，max(x
,j
)表示第j个参数在各组中的最大值，用户热负荷yi也用相同的方法初始化。
[0109]
进一步的，步骤s2具体包括以下步骤：
[0110]
s2.1：根据预设的时间步长，使用灰色关联法分别选择每个时间步长开始时间点的用户热负荷、用户冷负荷、光伏阵列的发电量作为母序列，子序列选择时间点、对应时间点瞬时温度、当日最高气温、当日最低气温、当日日照时间、当日空气湿度、当日平均风速、日期等。
[0111]
s2.2：温度、日照时间与热负荷成负相关，随着这些影响因素的增大，用户热负荷会逐渐变小，在热负荷相关性分析中，需要乘以倒数化算子：
[0112]
xi'd1＝[xi'
,1
d1,xi'
,2
d2,...,xi'
,jdj
]
[0113][0114]
其中，xi'表示第i个子序列；xi'
,j
表示第i组数据中第j个参数；d1为倒数化算子。
[0115]
s2.3：通过灰色关联法分别得到各个影响因素对用户端热需求、用户端冷需求、光伏阵列发电量的灰色关联度，将除时间点外的低相关度因素从影响因素中去除。并将处理后的数据作为数据集r，表示为：
[0116][0117]
进一步的，步骤s3具体包括以下步骤：
[0118]
s3.1：使用交叉验证法对步骤s2中处理得到的数据集r进行划分，这里选用5折交叉验证，将数据集r分为5份，其中4份作为训练集，1份作为验证集。
[0119]
s3.2：重复5次步骤s3.1，每次选取不同的训练集，共得到20份训练集和5份验证集。
[0120]
进一步的，步骤s4具体包括以下步骤：
[0121]
s4.1：建立最邻近算法预测模型，初始设定最邻近参数k＝6，距离度量采用以下公式：
[0122][0123]
其中，d为n维空间中两点间的曼哈顿距离，x'
i,j
表示第i组数据中第j个参数。
[0124]
s4.2：选用高斯函数作为基于距离远近的加权，使用均方误差和平均绝对误差作为回归损失函数，表示为：
[0125][0126]
其中，a,b,c为参数，x为空间中某点到真实值之间的距离。
[0127][0128][0129]
其中，yi为第i个参数的真实值，为第i个参数的预测值，n为维度个数。
[0130]
s4.3：基于步骤s3得到的训练集和验证集训练上述邻近算法模型，将最小化回归损失函数作为目标，通过梯度下降算法优化高斯函数的中a,b,c的取值和k值，使用kd树法加速训练，直到损失函数达到要求，得到最邻近算法模型。
[0131]
s4.4：建立随机森林回归预测模型，使用步骤s2中得到的数据集r，使用bagging方法有放回抽样，产生n个训练子集，将未被抽取的袋外数据作为验证集。
[0132]
s4.5：采用cart方法划分特征树，从j个影响因素中随机选择m个影响因素(m≤j)作为特征树当前节点的分裂特征值，这里选择均方误差和平均绝对误差最小化准则作为特征树的分裂标准，表示为：
[0133][0134][0135]
其中，yi为第i个参数的真实值，为第i个参数的预测值，n为维度个数。
[0136]
s4.6：对于用户端热负荷的预测模型，选择随机森林模型的超参数，初始选用n
tree
＝400棵特征树，每棵特征树最大深度为50，初始选取每棵决策树特征值为m
try
＝3，预测结
果为每棵树输出的平均值。迭代计算以误差最小为目标优化特征树的数量和决策树的特征值，直到误差小于设定的阈值，得到随机森林模型。
[0137]
s4.7：建立自适应提升算法预测模型，选用步骤s3得到的训练集，从中选取n组训练样本，赋予训练样本初始权重为w
1i
＝1/n,i＝1,2,3,
…
,n；用w(1)＝(w
11
,w
12
,w
13
,
…
,w
1n
)表示样本的初始权重，选取d＝50表示学习器的数量。
[0138]
s4.8:进行迭代d＝1,2,3,
…
,d，训练第d个弱学习器hd(x)时，用弱学习器hd(x)预测验证集输出回归误差εd，计算训练集上样本的最大误差ed和相对误差ε
di
，计算该弱学习器在最终学习器中的权重αd，根据权重αd更新样本的权重w(d+1)，表示为：
[0139]
ed＝max(|y
i-hd(xi)|)
[0140][0141][0142][0143]
w(d+1)＝(w
d|1,1
,w
d|1,2
,w
d|1,3
,
…
,w
d|1,n
)
[0144][0145][0146]
其中，yi为第i个参数的真实值。
[0147]
s4.9：训练d轮后得到d组弱学习器hd(x),根据弱学习器权重组合各个弱学习器得到增强学习器h(x),并使用验证集数据优化弱学习器数量d，表示为：
[0148][0149]
s4.10：将训练好的三种模型加权组合得到集成算法预测模型，初始三种模型的权重均为1/3。
[0150]
进一步的，步骤s5具体包括以下步骤：
[0151]
s5.1：对集成算法预测模型进行优化。输入步骤s3得到的验证集数据，使用训练好的最邻近算法预测模型、随机森林回归预测模型和自适应提升算法预测模型分别得到输出，将各模型预测结果与真实值的平方误差作为损失函数。最终预测结果根据各部分预测结果加权得到，初始权重均为1/3，使用历史数据优化各部分加权比重，直至损失函数j
θ
小于设定阈值：
[0152]
d＝w1d1+w2d2+w3d3[0153]
[0154][0155]
其中，d为集成预测模型输出结果；di,wi分别为最近邻算法、随机森林算法、自适应提升算法预测结果和权重；w'i为更新后的权重；d'为真实值；k为控制加权更新的参数。
[0156]
s5.2：集成预测模型每次预测结果都会上传云端数据库，当集成预测模型预测结果和真实值在一定时间步长内出现误差情况超过设定值时，云端数据库发出信号提醒维护人员更新学习预测模块，重复上述步骤s1-s5.1重新训练预测模型。
[0157]
需要说明的是，以上所述仅为本发明实施方式的一部分，根据本发明所描述的系统所做的等效变化，均包括在本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均属于本发明的保护范围。

技术特征：
1.一种地热耦合太阳能供热站智能控制方法，其特征在于，包括：s1：按照预设的监控周期对地热耦合太阳能供热站的运行参数进行监控，并对得到的运行参数进行故障诊断；若运行参数异常，则将该运行参数与历史数据进行对比，并根据比较结果确定故障的解决方案；若运行参数正常，则转s2；s2：将地热耦合太阳能供热站的历史正常运行参数结合对应历史气象条件作为数据集，并将数据集划分为训练集和验证集，并构建集成算法预测模型；使用训练集基于最邻近节点算法、随机森林算法和增强学习算法结合的集成预测算法训练集成算法预测模型，并使用验证集优化集成算法预测模型，对用户端需求和光伏系统发电量情况进行预测；s3：根据s1得到的正常运行参数和s2的预测结果，通过计算校核流量、冷热负荷和发电量对地热耦合太阳能供热站各部分运行状况进行决策；s4：根据s3得到的决策结果计算决策后的运行参数，将决策后的运行参数与故障数据进行对比，确认地热耦合太阳能供热站的供电系统和供热系统能够正常运行后,将调节信号传递给地热耦合太阳能供热站的dcs系统；如果调节后地热耦合太阳能供热站的供电系统和供热系统无法正常运行，则忽略此次调节信号维持原工况，并将错误调节数据上传。2.如权利要求1所述的地热耦合太阳能供热站智能控制方法，其特征在于，s1中，所述运行参数包括选取时间点、对应时间点瞬时温度、当日最高气温、当日最低气温、当日日照时间、当日空气湿度、当日平均风速和日期；进行故障诊断前对所述运行参数进行归一化处理：式中，x
i,j
表示第i组数据中第j个参数；x
′
i,j
表示x
i,j
归一化得到的参数；min(x
,j
)表示第j个参数在各组中的最小值，max(x
,j
)表示第j个参数在各组中的最大值。3.如权利要求1所述的地热耦合太阳能供热站智能控制方法，其特征在于，s2中，预测模型的训练方法包括：s2.1：根据地热耦合太阳能供热站的历史正常运行参数，导入对应的历史气象条件，将历史正常运行参数和历史气象条件进行归一化处理；s2.2：使用相关性分析方法分析影响热负荷、冷负荷和光伏系统发电量的主要因素，剔除低影响力数据，将剩余数据作为数据集；s2.3：使用交叉验证法将数据集划分为训练集和验证集；s2.4：根据训练集和验证集构建集成算法预测模型，分别训练最邻近算法预测模型、随机森林算法预测模型和自适应提升算法预测模型，并将预测结果加权输出最终预测结果；s2.5：集成算法预测模型根据最邻近算法预测模型、随机森林算法预测模型和自适应提升算法预测模型的预测结果以及地热耦合太阳能供热站的实际运行参数的偏差反向传播更新对应的权重；当集成算法预测模型的预测结果和运行参数在一定时间内连续出现多次偏差时，重新训练s2.4构建的集成算法预测模型；s2.6：重复步骤s2.3-s2.5，分别得到用户端热需求预测模型、用户端冷需求预测模型和光伏系统发电量的预测模型。4.如权利要求3所述的地热耦合太阳能供热站智能控制方法，其特征在于，s2.2具体包
括：s2.2.1：根据预设的时间步长，使用灰色关联法分别选择每个时间步长开始时间点的用户热负荷、用户冷负荷和光伏阵列的发电量作为母序列；子序列选择时间点、对应时间点瞬时温度、当日最高气温、当日最低气温、当日日照时间、当日空气湿度、当日平均风速和日期；s2.2.2：根据温度、日照时间与热负荷成负相关，热负荷相关性分析时，乘以倒数化算子：x
′
i
d1＝[x
′
i,1
d1,x
′
i,2
d2,...,x
′
i,j
d
j
]其中，x
′
i
表示第i个子序列；x
′
i,j
表示第i组数据中第j个参数；d1为倒数化算子；s2.2.3：通过灰色关联法分别得到各个影响因素对用户端热需求、用户端冷需求和光伏阵列发电量的灰色关联度，将除时间点外的低相关度因素从影响因素中去除；并将处理后的数据作为数据集r，表示为：5.如权利要求3所述的地热耦合太阳能供热站智能控制方法，其特征在于，s2.3具体包括：s2.3.1：使用交叉验证法对步骤s2.2中处理得到的数据集r进行划分，选用5折交叉验证，将数据集r分为5份，其中4份作为训练集，1份作为验证集；s2.3.2：重复5次步骤s2.3.1，每次选取不同的训练集，共得到20份训练集和5份验证集。6.如权利要求3所述的地热耦合太阳能供热站智能控制方法，其特征在于，s2.4具体包括：s2.4.1：建立最邻近算法预测模型，设定超参数k，距离度量选用曼哈顿距离，选用均方误差和平均绝对误差作为损失函数，选用高斯函数作为基于距离远近的加权，基于步骤s2.3得到的训练集和验证集，将最小化损失函数作为目标，使用kd树加速训练，得到最邻近算法预测模型；表示为：算法预测模型；表示为：其中，y
i
为第i个参数的真实值，为第i个参数的预测值，n为维度个数；
其中，d为集成算法预测模型输出结果；d
i
,w
i
分别为最近邻算法、随机森林算法、自适应提升算法预测结果和权重；w
′
i
为更新后的权重；d'为真实值；k为控制加权更新的参数；s2.5.2：集成算法预测模型每次预测结果都上传云端数据库，当一段时间内的预测结果误差或故障决策超过阈值时，云端数据库发出信号提醒维护人员更新学习预测模块，重复上述步骤s2.1-s2.5.1重新训练预测模型。8.一种地热耦合太阳能供热站智能控制系统，其特征在于，包括：运行检查模块，按照预设的监控周期对地热耦合太阳能供热站的运行参数进行监控，并对得到的运行参数进行故障诊断；若运行参数异常，则将该运行参数上传至云端数据库；若运行参数正常，则将该运行参数传递给实时决策模块；学习预测模块，从云端数据库读取地热耦合太阳能供热站的历史正常运行参数结合对应历史气象条件作为数据集，并将数据集划分为训练集和验证集，并构建集成算法预测模型；使用训练集基于最邻近节点算法、随机森林算法和增强学习算法结合的集成预测算法训练集成算法预测模型，并使用验证集优化集成算法预测模型，对用户端需求和光伏系统发电量情况进行预测，并将预测结果传递给实时决策模块；实时决策模块，分别读取来自运行检查模块的正常运行参数和学习预测模块的预测结果，通过计算校核流量、冷热负荷和发电量对地热耦合太阳能供热站各部分运行状况进行决策，并将决策结果传递给负荷调节模块，同时将来自运行检查模块的正常运行参数和学习预测模块的预测结果上传至云端数据库；负荷调节模块，读取来自实时决策模块的决策结果，计算决策后的运行参数，将决策后的运行参数和云端数据库中的故障数据进行对比，确认地热耦合太阳能供热站的供电系统和供热系统可以正常运行后将调节信号传递给地热耦合太阳能供热站的dcs系统；如果调节后地热耦合太阳能供热站的供电系统和供热系统无法正常运行，则忽略此次调节信号维持原工况，并将错误调节数据上传至云端数据库；云端数据库，存储有正常运行参数、故障运行参数、预测结果数据和故障决策数据并能够与上传的数据进行对比。9.如权利要求8所述的地热耦合太阳能供热站智能控制系统，其特征在于，运行检查模块的监控周期、学习预测模块的决策周期、实时决策模块的决策周期和负荷调节模块的调节周期与预设的时间步长保持一致。10.如权利要求8所述的地热耦合太阳能供热站智能控制系统，其特征在于，运行检查模块监控地热耦合太阳能供热站的运行参数包括用户端进出口水温和流量、深层地埋管进出口水温和流量、浅层地埋管水温和流量、冷却塔的进出口水温和流量、地下蓄水箱的温度和储水情况、地热能源系统的耗电量、光伏阵列的发电功率和储能蓄电池的电量储存情况，运行检查模块以日期、时段、装置、工况的形式记录当前的运行参数；运行检查模块预设异常参数范围，得到当前运行参数后，首先基于当前的运行模式判断地热耦合太阳能供热站
的供电系统和供热系统的流量、能量和电量是否守恒，通过对比预设异常参数范围进行故障判别；当存在可能异常数据时，运行检查模块向云端数据库传递当前故障数据，云端数据库根据三个相邻时间步长的运行参数和历史故障数据库运行参数进行数据对比，确定故障位置并主动报警，生成故障指导方案，并将故障数据和故障位置上传云端数据库；云端数据库包括正常运行参数库、故障运行参数库、预测结果数据库、故障决策数据库；云端数据库具有数据对比功能，具体包括将运行检查模块传递的可能故障数据与历史故障数据比较，将负荷调节模块计算得到的决策后的运行参数和故障运行数据库对比，将预测结果与对应真实数据对比；当一段时间内的预测结果误差或故障决策超过阈值时，云端数据库发出提醒信号，提示维护人员更新学习预测模块。

技术总结
本发明公开了一种地热耦合太阳能供热站智能控制方法及系统，属于土壤源热泵运行管理技术领域。根据当前运行参数进行故障诊断后，通过机器学习算法依据历史运行参数构建集成算法预测模型，根据当前气象条件输出下一时间步长系统的负荷，并根据预测结果和当前运行参数做出决策并传递给负荷调节模块，经过负荷调节模块检查后将调节决策传递给DCS系统，通过提前变动运行工况的方式，提高整个系统的供热效率，同时减小太阳能并网对电网稳定性造成的影响，提高整个系统的稳定性。提高整个系统的稳定性。提高整个系统的稳定性。


技术研发人员：杨富鑫 焦延昊 谭厚章
受保护的技术使用者：西安交通大学
技术研发日：2023.04.24
技术公布日：2023/8/1