[发明专利]基于迁移学习算法的供热节能控制方法与系统

说明书

本发明提供了一种基于迁移学习算法的供热负荷预测装置和方法，包括数据采集模块，用于采集目标建筑物和其他建筑物的供热负荷数据，以及实时的室内外温度、未来的天气预报信息；数据预处理模块，用于对数据进行预处理，以保证供热负荷数据维度的一致性；数据匹配模块，用于对采集的目标建筑物和其他不同建筑物的供热负荷数据共同进行降维处理，得到建模数据；建模预测模块，用于利用处理之后的数据建立回归预测模型。本发明所述的预测方法不仅仅利用目标建筑物的热负荷数据，而且可以提取其他附近建筑物的热负荷信息，并在建模过程中加入气象因素的影响，最大限度地提高目标建筑物的供热负荷预测精度。

技术领域

本发明涉及一种基于迁移学习算法的供热负荷预测方法，可以实现对建筑物的供热负荷预测，属于供热预测研究技术邻域。

背景技术

集中供热系统各子系统的给定值都是由预报热负荷决定的，提供准确的热负荷预测是提高供热质量的基础。随着城市对节能环保要求的日益提高，能源供应结构逐渐变化，且人们对居住环境要求的提高，对集中供热系统控制要求也越来越高。因此，一个具有良好预测能力的负荷预测方法对整个供热系统的稳定性、安全性、环保性等性能的提高有着重要的意义。

早在20世纪80年代便有学者对个别地区的供热系统影响因素进行详细监测。研究发现，各种因素对供热负荷影响不同，供热负荷的大小主要受室外温度影响较大。随着计算机和机器学习研究的不断深入，各种预测方法随着出现，如神经网络、支持向量机、线性回归等。但是这些预测算法都只能针对同一地区或单一的供热站，而集中供热方式普遍存在供热不均匀的现象，同一供热系统中相同的建筑物，相互之间的供热能耗也会有差距，导致传统的供热预测方式效果变差或失去预测作用。迁移学习预测建模方法可以从与预处理问题相关的数据中找到对问题有用的信息，在供热负荷预测中不仅使用现有采集的数据，而且可以利用历史同期数据及与该地区地域相似的一些其他供热数据，为后续控制提供更准确更有效的决策。

发明内容

本发明的目的是提供一种基于迁移学习算法的供热负荷预测装置和方法，以实现对建筑物供热负荷的准确预测。

在本发明的一个技术方案中，提供了一种基于迁移学习算法的供热负荷预测装置，包括：数据采集模块，用于采集目标建筑物和其他建筑物的供热负荷数据，以及实时的室内外温度、未来的天气预报信息；数据预处理模块，用于对数据进行预处理，以保证供热负荷数据维度的一致性；数据匹配模块，用于对采集的目标建筑物和其他不同建筑物的供热负荷数据共同进行降维处理，得到建模数据；建模预测模块，用于利用处理之后的数据建立回归预测模型。

其中，数据采集模块包括：

数据选择单元，用于确定影响建筑物供热负荷的因素，并按照确定的因素进行数据选择；其中所述因素至少包括：供水入口的流量和水温、回水流量和水温、室外实时温度及未来指定时段内的天气预报；通过访问中国天气网的API接口，获得实时天气信息和未来时刻的天气预报；通过建筑物供热系统中不同位置上安装的传感器，获取进出水的流量及温度；

数据存储单元，用于将采集到的不同建筑物的供热数据及气象信息存储。

其中，数据预处理模块包括：

数据组合单元，用于将不同建筑物的供热负荷数据进行组合得到输入数据X∈R^m×n；

预处理单元，用于对源域的建筑物的供热负荷输出值进行单位化得到Y_s；其中，将目标建筑物的相关数据设置为目标域数据，将其他建筑物的供热数据设置为源域数据；

补充单元，用于采用中值补偿法对气象数据进行补充。

其中，数据匹配模块包括：