一种基于时间卷积网络的供热负荷预测方法

1.本发明涉及一种供热负荷预测方法，具体涉及一种基于时间卷积网络的供热负荷预测方法。
技术背景
[0002][0003]
集中供热因为其可以提供全天候安全且稳定的热量的特点成为北方地区的主流选择，随着社会的进步，人们在供暖的节能减排、减少环境污染方面也越来越重视。目前热力站供热在大多数情况下热量都不能按需供给，甚至会出现“热上加热”的情况，不仅会导致供热不均衡，还会造成资源浪费。
[0004]
城市集中供热系统的集中热源多为热电联产的热电厂、区域锅炉房和各种形式可利用的工业余热等。对我国的集中供热系统结构进行分析，其多由热源通过一次管网供热水给热力站，再从若干热力站通过二次管网将热水供给到用户侧。单个集中供热系统覆盖的供暖区域很大且结构复杂，热力管网路程长，使整个供热系统具有很强的滞后性。根据供热需求人工的来进行实时调节明显不现实，因此要降低集中供暖的单位供热能耗做到按供热需求供热，关键在于提升对供热负荷的预测能力，科学的指导供热系统运行，这也是当前我国供热技术进步的必然方向。


技术实现要素：

[0005]
本发明的目的在于提供一种基于时间卷积网络的供热负荷预测方法，本发明方法通过拟合的方式，使热负荷值与室外温度建立数学联系，使用面积相等的方法确定热负荷的尺度大小，最终获得较为准确的热负荷数据。将拟合后的热负荷、室外温度以及风速值输入到tcn神经网络模型中预测热力站短期热负荷，为热力站供热量按需分配提供可靠的数据来源。
[0006]
本发明的目的是通过以下技术方案实现的：
[0007]
一种基于时间卷积网络的供热负荷预测方法，所述方法通过拟合的方式，使热负荷与室外温度建立数学关系，最终获得较为准确的热负荷数据，具体包括以下步骤：
[0008]
1)收集充足准确的实验数据；
[0009]
2)通过推导公式建立热负荷与室外温度的数学关系，得到热负荷曲线的趋势；
[0010]
3)采用积分运算的方式，使热负荷曲线与瞬时曲线的面积相等，计算出热负荷曲线应整体移动的尺度，最终得到拟合的热负荷数据；
[0011]
4)使用线性归一化方法对数据缩放后，将处理后的数据集划分为训练集和测试集；
[0012]
5)搭建时间卷积网络模型，进行相应的参数设置，得到预测模型；
[0013]
6)基于预测模型，对未来热负荷进行预测。
[0014]
所述的一种基于时间卷积网络的供热负荷预测方法，所述收集充足准确的实验数
据，包括室外风速数据和室外温度数据。
[0015]
所述的一种基于时间卷积网络的供热负荷预测方法，所述得到热负荷曲线的趋势，其热负荷数据是使用在热力站收集到的瞬时热量与热负荷建立联系，通过室外温度拟合热负荷曲线，用面积相等的方式计算总的供热量，使拟合的热负荷曲线与总供热量相等，最终得到较为准确的热负荷拟合曲线。
[0016]
所述的一种基于时间卷积网络的供热负荷预测方法，所述得到拟合的热负荷曲线，初步拟合后的热负荷数据虽然已经在趋势上达到了真正的热负荷趋势，但在负荷尺度上并没有与真正的负荷尺度达到一致；因此使用面积相等的方式，将预处理后的瞬时热量数据和初步拟合后的热负荷数据做积分，使两个面积相等，求出接近于真实热负荷尺度的曲线，由于瞬时热量曲线与热负荷曲线均由一个个单独的点组成，所以求曲线面积可以采用积分的方法求得。
[0017]
所述的一种基于时间卷积网络的供热负荷预测方法，所述方法中使用线性归一化方法对数据缩放后，不同数量级的数据将会满足标准正态分布；将处理后的数据集以9：1的比例划分为训练集和测试集，其中训练集用来训练神经网络，达到更高的精度，测试集用来判断神经网络预测的精确程度。
[0018]
所述的一种基于时间卷积网络的供热负荷预测方法，所述热力站模型设置为多输入单输出系统；输入到模型中的参量包括当前时刻的热力站热负荷值，当前时刻的室外温度、当前时刻的风速和下一时刻的室外温度，输出为下一时刻的热负荷值。
[0019]
所述的一种基于时间卷积网络的供热负荷预测方法，所述搭建基于时间卷积网络的热负荷预测模型，在原有时间卷积网络结构的基础上增加了6个残差块，并且将每个残差块中膨胀卷积的膨胀系数做调整，每一个残差块中的膨胀系数按2的次幂数不断累加；上一个残差块的输出数据作为下一时刻残差块的输入数据，直到输入到最终的残差块，将输出预测值。
[0020]
本发明的优点与效果是：
[0021]
本发明针对区域集中供热中经常出现的供热不平衡所导致的资源浪费问题，对热力站的热负荷进行短期预测。由于热负荷具有难收集、干扰多等特点，通过拟合的方式，使热负荷值与室外温度建立数学联系，使用面积相等的方法确定热负荷的尺度大小，最终获得较为准确的热负荷数据。将拟合后的热负荷、室外温度以及风速值输入到tcn神经网络模型中预测热力站短期热负荷。tcn模型在短期热负荷预测中十分具有潜力，本发明能为热力站供热量按需分配提供可靠的数据来源。
附图说明
[0022]
图1为本发明预测流程框图；
[0023]
图2为本发明膨胀卷积结构图；
[0024]
图3为本发明热力站网络模型图；
[0025]
图4为本发明时间卷积网络的热负荷预测模型图。
具体实施方式
[0026]
为说明清楚本发明的目的、技术细节及有效应用，使之便于本领域普通技术人员
理解与实施，下面将结合本发明实施例及附图作进一步的详细阐述。显然，此处描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。。
[0027]
本发明提供一种基于时间卷积网络的热负荷预测方法，如图1所示，包括以下步骤：
[0028]
步骤1：收集充足准确的实验数据，例如室外风速数据和室外温度数据；
[0029]
步骤2：通过推导公式建立热负荷与室外温度的数学关系，得到热负荷曲线的趋势；
[0030]
步骤3：采用积分运算的方式，使热负荷曲线与瞬时曲线的面积相等，计算出热负荷曲线应整体移动的尺度，最终得到拟合的热负荷数据；
[0031]
步骤4：使用线性归一化方法对数据缩放后，将处理后的数据集划分为训练集和测试集；
[0032]
步骤5：搭建时间卷积网络模型，进行相应的参数设置，得到预测模型，时间卷积网络主要是由1*1的普通卷积、因果卷积、膨胀卷积和残差网络构成，其中膨胀卷积结构，如图2所示，膨胀卷积是在因果卷积的基础上改良的，目的是为了减少因增减卷积感受野而不断扩大的卷积层数带来的梯度消失、训练复杂等问题；
[0033]
步骤6：热力站模型设置为多输入单输出系统，如图3所示，，输入到模型中的参量包括当前时刻的热力站热负荷值、当前时刻的室外温度、当前时刻的风速和下一时刻的室外温度，输出为下一时刻的热负荷值。
[0034]
基于时间卷积网络的热负荷预测模型，如图4所示。时间卷积网络模型的超参数设置如下表：
[0035][0036][0037]
在原有tcn结构的基础上增加了6个残差块，并且将每个残差块中膨胀卷积的膨胀系数做调整，每一个残差块中的膨胀系数按2的次幂数不断累加。上一个残差块的输出数据作为下一时刻残差块的输入数据，直到输入到最终的残差块，将输出预测值。基于预测模型，对未来热负荷进行预测。
[0038]
实施例
[0039]
一种基于时间卷积网络的热负荷预测方法，包括：
[0040]
1)收集充足准确的实验数据；
[0041]
2)通过推导公式建立热负荷与室外温度的数学关系，得到热负荷曲线的趋势；
[0042]
3)采用积分运算的方式，使热负荷曲线与瞬时曲线的面积相等，计算出热负荷曲线应整体移动的尺度，最终得到拟合的热负荷数据；
[0043]
4)使用线性归一化方法对数据缩放后，将处理后的数据集划分为训练集和测试集；
[0044]
5)搭建时间卷积网络模型，进行相应的参数设置，得到预测模型；
[0045]
6)基于预测模型，对未来热负荷进行预测。
[0046]
步骤1所采集的数据主要包括室外风速数据和室外温度数据等。
[0047]
步骤2提出的热负荷数据是使用在热力站收集到的瞬时热量与热负荷建立联系，采用面积法拟合热负荷数据，通过推导公式建立热负荷与室外温度的数学关系，得到热负荷曲线的趋势。
[0048]
瞬时热量曲线存在的异常点是由于传感器采集时出现数据遗漏的情况，需要对数据中出现的异常点做删除、填补工作。利用程序将区间内的异常数据点去掉，使用nan代替后，应用scikit-learn库中的simpleimputer对缺失的数据进行填补处理。
[0049]
影响热负荷变化的最主要因素就是室外温度，室外温度与供暖热负荷、供暖设计热负荷之间的关系如下。其中tn为供暖室内计算温度，t
ω
为变化室外温度，
∝
为变化系数。
[0050]qn
＝
∝
(t
n-t
ω
)#(1)
[0051]
由于为一个常数，因此可以得出热负荷变换与室外温度变化呈现相反趋势，当室外温度升高或降低时，热负荷会向相反的方向变化，由此得出真正的热负荷趋势。
[0052]
步骤3所述初步拟合后的热负荷数据虽然已经在趋势上达到了真正的热负荷趋势，但在负荷尺度上并没有与真正的负荷尺度达到一致。因此使用面积相等的方式，将预处理后的瞬时热量数据和初步拟合后的热负荷数据做积分，使两个面积相等，求出接近于真实热负荷尺度的曲线，由于瞬时热量曲线与热负荷曲线均由一个个单独的点组成，所以求曲线面积可以采用积分的方法求得。
[0053]
首先，为每个曲线中两两相邻得数据构建函数f(x)＝kx+b。初步拟合后累计得热负荷面积计算如(2)，累计热量面积得计算如(3)。
[0054][0055][0056]
其中:f
′i(x)、fi(x)为瞬时热量曲线和热负荷曲线中相邻两个数据点构成的函数；k
′i、ki为瞬时热量曲线和热负荷曲线中相邻两个数据点构成的一次函数的斜率；b
′i、bi为瞬时热量曲线与热负荷曲线中相邻两个数据点构成的一次函数的截距；c为平移距离大小，其负数为向下平移，正数为向上平移。
[0057][0058][0059]
对两式积分，使其相等，得到计算c值的公式如下
[0060][0061]
通过计算，最终确定c＝-38.55。因此，将初步拟合后的热负荷整体向下移动38.55后，最终得到拟合的热负荷曲线。
[0062]
步骤4所述使用线性归一化方法对数据缩放后，不同数量级的数据将会满足标准正态分布。将处理后的数据集以9：1的比例划分为训练集和测试集，其中训练集用来训练神经网络，达到更高的精度，测试集用来判断神经网络预测的精确程度。
[0063]
步骤5所述热力站模型设置为多输入单输出系统。输入到模型中的参量包括当前时刻的热力站热负荷值，当前时刻的室外温度、当前时刻的风速和下一时刻的室外温度，输出为下一时刻的热负荷值。
[0064]
搭建基于时间卷积网络的热负荷预测模型，在原有时间卷积网络结构的基础上增加了6个残差块，并且将每个残差块中膨胀卷积的膨胀系数做调整，每一个残差块中的膨胀系数按2的次幂数不断累加。上一个残差块的输出数据作为下一时刻残差块的输入数据，直到输入到最终的残差块，将输出预测值。
[0065]
步骤6基于优化好的预测模型，对未来的热负荷进行预测。
[0066]
上述具体实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的目的和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。

技术特征：
1.一种基于时间卷积网络的供热负荷预测方法，其特征在于，所述方法通过拟合的方式，使热负荷与室外温度建立数学关系，最终获得较为准确的热负荷数据，具体包括以下步骤：1)收集充足准确的实验数据；2)通过推导公式建立热负荷与室外温度的数学关系，得到热负荷曲线的趋势；3)采用积分运算的方式，使热负荷曲线与瞬时曲线的面积相等，计算出热负荷曲线应整体移动的尺度，最终得到拟合的热负荷数据；4)使用线性归一化方法对数据缩放后，将处理后的数据集划分为训练集和测试集；5)搭建时间卷积网络模型，进行相应的参数设置，得到预测模型；6)基于预测模型，对未来热负荷进行预测。2.根据权利要求1所述的一种基于时间卷积网络的供热负荷预测方法，其特征在于，所述收集充足准确的实验数据，包括室外风速数据和室外温度数据。3.根据权利要求1所述的一种基于时间卷积网络的供热负荷预测方法，其特征在于，所述得到热负荷曲线的趋势，其热负荷数据是使用在热力站收集到的瞬时热量与热负荷建立联系，通过室外温度拟合热负荷曲线，用面积相等的方式计算总的供热量，使拟合的热负荷曲线与总供热量相等，最终得到较为准确的热负荷拟合曲线。4.根据权利要求1所述的一种基于时间卷积网络的供热负荷预测方法，其特征在于，所述得到拟合的热负荷曲线，初步拟合后的热负荷数据虽然已经在趋势上达到了真正的热负荷趋势，但在负荷尺度上并没有与真正的负荷尺度达到一致；因此使用面积相等的方式，将预处理后的瞬时热量数据和初步拟合后的热负荷数据做积分，使两个面积相等，求出接近于真实热负荷尺度的曲线，由于瞬时热量曲线与热负荷曲线均由一个个单独的点组成，所以求曲线面积可以采用积分的方法求得。5.根据权利要求1所述的一种基于时间卷积网络的供热负荷预测方法，其特征在于，所述方法中使用线性归一化方法对数据缩放后，不同数量级的数据将会满足标准正态分布；将处理后的数据集以9：1的比例划分为训练集和测试集，其中训练集用来训练神经网络，达到更高的精度，测试集用来判断神经网络预测的精确程度。6.根据权利要求1所述的一种基于时间卷积网络的供热负荷预测方法，其特征在于，所述热力站模型设置为多输入单输出系统；输入到模型中的参量包括当前时刻的热力站热负荷值，当前时刻的室外温度、当前时刻的风速和下一时刻的室外温度，输出为下一时刻的热负荷值。7.根据权利要求1所述的一种基于时间卷积网络的供热负荷预测方法，其特征在于，所述搭建基于时间卷积网络的热负荷预测模型，在原有时间卷积网络结构的基础上增加了6个残差块，并且将每个残差块中膨胀卷积的膨胀系数做调整，每一个残差块中的膨胀系数按2的次幂数不断累加；上一个残差块的输出数据作为下一时刻残差块的输入数据，直到输入到最终的残差块，将输出预测值。

技术总结
一种基于时间卷积网络的供热负荷预测方法，涉及一种供热负荷预测方法，本发明包括：获取室外温度数据和室外风速数据；建立热负荷与室外温度的数学关系，得到热负荷曲线的趋势；计算出热负荷曲线的整体移动尺度，最终得到拟合的热负荷数据；将处理后的数据集分为训练集和测试集；搭建时间卷积网络模型，进行参数设置，得到预测模型；基于预测模型，对未来热负荷进行预测。本发明实现了对热负荷较为准确的预测，为热力站供热量按需分配提供可靠的数据来源。源。源。


技术研发人员：陈斌 韩旭彤 王琳泉 陈玉 梁宁 刘浩然
受保护的技术使用者：沈阳化工大学
技术研发日：2023.03.22
技术公布日：2023/8/9